張淮棟 陳爭(zhēng)光 張成龍

摘要：根據(jù)植被指數(shù)的時(shí)間變化規(guī)律以及不同時(shí)期的植被指數(shù)與產(chǎn)量之間的相關(guān)性，確立適用于東北地區(qū)的大豆遙感估產(chǎn)的最佳時(shí)期。7月下旬至8月中旬獲取的作物NDVI與作物產(chǎn)量之間的相關(guān)性最強(qiáng)，并且不同時(shí)期的NDVI之間的相關(guān)性非常弱，在利用NDVI預(yù)測(cè)大豆單產(chǎn)時(shí)要采用7月下旬和8月中旬兩個(gè)時(shí)期的NDVI。NDVI與大豆單產(chǎn)之間存在線性正相關(guān)關(guān)系，NDVI與大豆單產(chǎn)的相關(guān)性并不是很高，表明NDVI并不是惟一與大豆單產(chǎn)有關(guān)的變量。

關(guān)鍵詞：大豆；植被指數(shù)；NDVI；遙感；估產(chǎn)

中圖分類號(hào)：S565.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：0439-8114（2018）06-0103-05

DOI：10.14088/j.cnki.issn0439-8114.2018.06.026

Abstract： According to the temporal variation of vegetation index and the correlation between vegetation index and yield in different periods， the best time for soybean yield estimation in Northeast China will be established. The correlation between crop NDVI and crop yield obtained from late July to mid-August was the strongest， and the correlation between NDVI in different periods was very weak. When NDVI was used to predict soybean yield， the of NDVI late July and mid-August was used. There is a linear positive correlation between NDVI and soybean yield， and the correlation between NDVI and soybean yield is not very high， indicating that NDVI is not the only variable related to soybean yield.

Key words： soybean； vegetation index； NDVI； remote sensing； estimation of yield

隨著社會(huì)的發(fā)展和生活水平的改善，大豆作為工農(nóng)業(yè)生產(chǎn)資料和食品原料，需求量與日俱增，中國(guó)僅生產(chǎn)飼料所需的豆粕就在1 000萬(wàn)t以上，并且每年急需1 000萬(wàn)t以上高油大豆以滿足大中型榨油企業(yè)的原料需求。與世界范圍內(nèi)都存在巨大的大豆需求量形成鮮明對(duì)比的是，大豆的生產(chǎn)區(qū)域存在明顯的不均勻性，在2001年的世界大豆總產(chǎn)量分布中，美國(guó)占42%，其中有80%用于出口和工農(nóng)業(yè)生產(chǎn)資料[1]，巴西占24%、阿根廷占16%、中國(guó)占8%、印度占3%、其他占5%。世界范圍內(nèi)巨大的大豆需求量與大豆生產(chǎn)區(qū)的不均勻性導(dǎo)致大豆及其制品的國(guó)際貿(mào)易異常活躍，其貿(mào)易量位居國(guó)際農(nóng)產(chǎn)品貿(mào)易的前例，并一直處于上漲趨勢(shì)中。中國(guó)的大豆生產(chǎn)區(qū)域極不均勻，北方春大豆區(qū)域包括黑龍江、吉林、遼寧、內(nèi)蒙古等地，面積約400多萬(wàn)hm2，產(chǎn)量約占總產(chǎn)的45.7%。無(wú)論是從種植面積還是產(chǎn)量來(lái)看，黑龍江省都是大豆重要生產(chǎn)省份，及時(shí)準(zhǔn)確地預(yù)測(cè)大豆產(chǎn)量具有重要的經(jīng)濟(jì)意義和社會(huì)意義[2]。

隨著理論、技術(shù)和方法的不斷改進(jìn)，農(nóng)作物產(chǎn)量的估算方法先后經(jīng)歷了抽樣調(diào)查、統(tǒng)計(jì)分析階段、氣象統(tǒng)計(jì)模型階段和衛(wèi)星遙感數(shù)據(jù)估產(chǎn)階段。調(diào)查是統(tǒng)計(jì)分析方法的基礎(chǔ)，而調(diào)查又存在人力消耗大、工作成本高、工作量大、時(shí)效性弱、研究結(jié)果滯后等問(wèn)題[3]，因此該方法只適合于在小范圍內(nèi)進(jìn)行作物估產(chǎn)。隨著航空航天技術(shù)的發(fā)展，逐漸形成多平臺(tái)、多波段的特點(diǎn)，成為一種廣泛應(yīng)用于包括農(nóng)業(yè)科學(xué)在內(nèi)的各種領(lǐng)域的新興科技手段。遙感技術(shù)在種植面積計(jì)算、長(zhǎng)勢(shì)監(jiān)測(cè)和產(chǎn)量估算等方面應(yīng)用的基礎(chǔ)在于作物在紅波段反射率很低而近紅外波段反射率很高，利用這種反射率特征可以計(jì)算出許多植被指數(shù)來(lái)表示作物的生態(tài)特征。利用遙感技術(shù)進(jìn)行農(nóng)業(yè)估產(chǎn)是根據(jù)不同作物具有不同的波譜反射特征，同時(shí)，作物的健康狀況也影響波譜的反射特征，利用搭載在遙感平臺(tái)上的傳感器獲得的光譜數(shù)據(jù)信息，通過(guò)多種多樣的圖像處理方法將遙感傳感器收集的光譜數(shù)據(jù)處理形成能夠反映出作物生長(zhǎng)信息的植被指數(shù)作為估算作物產(chǎn)量的指標(biāo)[4]。根據(jù)研究方式的差異，遙感估產(chǎn)方法可以分為基于時(shí)間的作物遙感估產(chǎn)和基于空間的作物遙感估產(chǎn)。利用遙感技術(shù)進(jìn)行農(nóng)業(yè)估產(chǎn)時(shí)既可以利用植被指數(shù)直接計(jì)算產(chǎn)量[5]，也可以先利用植被指數(shù)反演作物的葉面積指數(shù)（LAI）和生物量等生長(zhǎng)信息，再經(jīng)由其他產(chǎn)量估算模型來(lái)進(jìn)行作物產(chǎn)量的估算。在農(nóng)作物的生長(zhǎng)周期內(nèi)，植被指數(shù)將發(fā)生明顯的變化，為了提高估產(chǎn)精度和提前估產(chǎn)時(shí)間，選擇合適的遙感時(shí)相至關(guān)重要。本研究將以地塊為計(jì)算單位，通過(guò)植被指數(shù)時(shí)間變化規(guī)律以及植被指數(shù)與產(chǎn)量的相關(guān)性確定東北春大豆的最佳估產(chǎn)時(shí)間。

1 數(shù)據(jù)源與遙感數(shù)據(jù)處理

本研究使用的遙感數(shù)據(jù)來(lái)自于中國(guó)在2014年8月19日發(fā)射的太陽(yáng)同步回歸軌道遙感衛(wèi)星“高分二號(hào)”上所攜帶的兩臺(tái)傳感器PMS1和PMS2，PMS的全稱為Panchromatic Multispectral Spectro radiometer（全色＼多光譜相機(jī)）[6]。PMS是一種多光譜光學(xué)遙感儀器，可以將電磁波0.45～0.89 μm內(nèi)的光譜數(shù)據(jù)分成4個(gè)光學(xué)通道并記錄成遙感值，同時(shí)該傳感器的掃描寬度為45 km，視場(chǎng)角達(dá)到±35°，空間分辨率為4 m。除了能夠獲取多光譜影像外，PMS傳感器的另一個(gè)顯著特征是可以生成更高空間分辨率的全色影像：光譜范圍為0.45～0.89 μm，空間分辨率為1 m。衛(wèi)星過(guò)長(zhǎng)的重返周期是阻礙遙感影像應(yīng)用的一個(gè)重要問(wèn)題，在成像條件惡劣的情況下衛(wèi)星的成像周期會(huì)成倍增加，而PMS傳感器最短可在5 d內(nèi)獲取一次全球觀測(cè)數(shù)據(jù)，在如此短的重返周期內(nèi)獲取如此高的空間分辨率影像，克服了以往高空間分辨率數(shù)據(jù)的不足，保證了成像的最佳條件。PMS的波段范圍分別對(duì)應(yīng)著藍(lán)波段、綠波段、紅波段和近紅外波段，對(duì)于植被而言，紅波段和近紅外波段信息是最為常用的兩種信息，并且這兩個(gè)通道的星下點(diǎn)分辨率為4 m，可以清晰地顯示出植被特征的空間異質(zhì)性。對(duì)于黑河地區(qū)來(lái)說(shuō)，農(nóng)業(yè)生產(chǎn)經(jīng)營(yíng)主要以農(nóng)場(chǎng)為單位，農(nóng)場(chǎng)將耕地劃分成若干個(gè)地塊，每個(gè)地塊的尺寸在幾百米到幾千米之間，因此每個(gè)地塊由數(shù)十到數(shù)百個(gè)象元覆蓋，由此可見(jiàn)PMS的4 m分辨率比較適合東北地區(qū)進(jìn)行農(nóng)業(yè)遙感估產(chǎn)。

原始遙感圖像未經(jīng)處理，存在著蝴蝶結(jié)效應(yīng)和條紋效應(yīng)等問(wèn)題，為了解決這些問(wèn)題需要利用經(jīng)緯度信息進(jìn)行圖像校正和處理。PMS是一種擺掃式掃描儀，生成的圖像是在掃描寬度內(nèi)逐條掃描最終拼接而成，然而地球的球面特性導(dǎo)致PMS掃描后的圖像在疊加時(shí)兩條相鄰的掃描帶在邊緣位置會(huì)產(chǎn)生重疊現(xiàn)象，形成所謂的蝴蝶結(jié)效應(yīng)。在圖像處理中，通常用星歷表法消除蝴蝶結(jié)效應(yīng)，該方法是根據(jù)衛(wèi)星軌道記錄的地理信息將每條掃描條帶數(shù)據(jù)按照其實(shí)際地理坐標(biāo)投影到標(biāo)準(zhǔn)地理網(wǎng)格上，從而達(dá)到攝圖像與實(shí)際位置相匹配而去除蝴蝶結(jié)效應(yīng)的目的[7]。PMS在生成數(shù)據(jù)時(shí)采用多個(gè)探測(cè)器并排掃描的方式，這種掃描方式造成探測(cè)器各個(gè)通道收集的光譜信息不能夠同時(shí)完成，造成受到儀器誤差和傳輸錯(cuò)誤的影響，地面接收的影像中不同的通道間存在差異，造成圖像出現(xiàn)條紋效應(yīng)。

PMS數(shù)據(jù)不僅以像元為單位記錄地表的光譜信息，同時(shí)也詳細(xì)地記錄了拍攝圖像時(shí)的經(jīng)緯度信息。遙感影像的每一像素中既存放著灰度值信息也存放著對(duì)應(yīng)空間分辨率下的經(jīng)緯度信息，也正是同一像素記錄著兩種性質(zhì)信息的特征使得使用少量地面控制點(diǎn)就可以進(jìn)行幾何糾正，達(dá)到方便處理和校正圖像并提高遙感精度的目的[8-10]。

2 不同時(shí)期的NDVI之間的相關(guān)性及NDVI與大豆產(chǎn)量的關(guān)系分析

遙感技術(shù)獲得的NDVI表示了遙感影像獲取瞬間的農(nóng)作物的長(zhǎng)勢(shì)情況，通過(guò)多時(shí)相遙感影像可以獲得農(nóng)作物在不同時(shí)期的長(zhǎng)勢(shì)，不同時(shí)期的長(zhǎng)勢(shì)又代表了農(nóng)作物在該時(shí)期內(nèi)的物質(zhì)積累狀況。作物產(chǎn)量決定于作物營(yíng)養(yǎng)生殖狀態(tài)的好壞，因此需要探究對(duì)作物營(yíng)養(yǎng)生殖能夠起到至關(guān)重要的物質(zhì)積累時(shí)期，為此需要探究哪個(gè)或哪幾個(gè)時(shí)期的NDVI與作物產(chǎn)量的關(guān)系最為密切。同時(shí)，作物生長(zhǎng)是一個(gè)逐漸積累的過(guò)程，不同時(shí)期獲得的NDVI具有一定的時(shí)間相關(guān)性，在相關(guān)性較高的情況下可以用一個(gè)時(shí)刻的NDVI估算其他時(shí)刻的NDVI。建立模型的基本思路是在保證模型精度的前提下盡量減少模型中參量的數(shù)量以便達(dá)到簡(jiǎn)化模型的目的，減少產(chǎn)量估算模型中NDVI日期的數(shù)量，因此需要對(duì)不同時(shí)刻的NDVI之間的相關(guān)性進(jìn)行分析。相關(guān)分析中通常用相關(guān)系數(shù)表示兩個(gè)變量之間的線性相關(guān)程度，因此在相關(guān)分析之前先要判斷變量之間是否存在線性關(guān)系。

1）線性關(guān)系的判定又可以從整體和單點(diǎn)兩個(gè)尺度上進(jìn)行，圖1和圖2分別從整體和單點(diǎn)兩個(gè)尺度上顯示了不同時(shí)期的NDVI之間的散點(diǎn)圖。圖1顯示出7月初獲得的NDVI與其他時(shí)刻獲取的NDVI之間的相關(guān)關(guān)系并不顯著，這表明無(wú)法用7月上旬的NDVI估算其他時(shí)刻的NDVI，也無(wú)法用其他時(shí)刻的NDVI估算7月上旬的NDVI。因此，僅從NDVI之間的相關(guān)性來(lái)看大豆的產(chǎn)量遙感估算模型中應(yīng)該將7月上旬的NDVI作為一個(gè)變量。除了7月上旬獲取的NDVI與其他時(shí)刻獲取的NDVI外，其他時(shí)刻獲取的NDVI之間存在較強(qiáng)的線性關(guān)系，并且兩個(gè)時(shí)刻的間隔時(shí)間越短則兩時(shí)刻獲取的NDVI之間的線性關(guān)系越強(qiáng)，這種變化趨勢(shì)表明，其他時(shí)刻的NDVI可以根據(jù)已知時(shí)刻的NDVI進(jìn)行估算。

各地塊的NDVI在作物生長(zhǎng)周期內(nèi)的變化趨勢(shì)見(jiàn)圖2。從圖2中NDVI的變化趨勢(shì)可以發(fā)現(xiàn)，NDVI在大豆的生長(zhǎng)期內(nèi)呈現(xiàn)出拋物線形式增長(zhǎng)趨勢(shì)，即越接近生長(zhǎng)后期，NDVI的變化越弱，NDVI在7月下旬以后會(huì)出現(xiàn)緩慢下降的趨勢(shì)。圖2還顯示出個(gè)別地塊的NDVI變化趨勢(shì)與總體的變化趨勢(shì)不符，具有明顯的歧異特性：圖中1所代表的曲線，在7月20日的NDVI明顯小于相鄰日期的NDVI，并且該曲線在8月31日出現(xiàn)明顯的下滑；圖中2所代表的曲線，在7月12日對(duì)應(yīng)的NDVI明顯小于相鄰日期的NDVI。NDVI曲線的異常表示該點(diǎn)的NDVI已經(jīng)不能真實(shí)地反映出NDVI與作物產(chǎn)量之間的關(guān)系，因此在研究某一時(shí)刻的NDVI與產(chǎn)量的關(guān)系時(shí)應(yīng)去除該時(shí)刻存在異常的NDVI，而在探究不同時(shí)刻的NDVI與產(chǎn)量的關(guān)系時(shí)應(yīng)去除出現(xiàn)過(guò)異常情況的NDVI，對(duì)于去除異常前后某一時(shí)刻的NDVI與作物產(chǎn)量之間的關(guān)系的變化分別顯示在圖3和圖4中。

從圖3中可以看出，不同時(shí)期的NDVI與產(chǎn)量之間都不存在明顯的線性關(guān)系，因此無(wú)法直接對(duì)NDVI與產(chǎn)量之間的關(guān)系做相關(guān)性分析，造成這種現(xiàn)象的原因在于一些異常點(diǎn)的存在弱化了NDVI與產(chǎn)量之間的關(guān)系。圖3中圓圈中的點(diǎn)明顯地偏離了NDVI與產(chǎn)量之間的正相關(guān)關(guān)系，如7月20的NDVI與產(chǎn)量之間的關(guān)系中圓圈內(nèi)的點(diǎn)NDVI很小，理論上應(yīng)對(duì)應(yīng)較低的作物產(chǎn)量，但在圖中卻對(duì)應(yīng)較高的產(chǎn)量，這與產(chǎn)量估算的基本原理相違背，因此在建立模型時(shí)應(yīng)將這些點(diǎn)去除。去除異常點(diǎn)后，NDVI與產(chǎn)量之間的關(guān)系顯示在圖4中，對(duì)比圖3和圖4可以發(fā)現(xiàn)，在去除異常點(diǎn)后各時(shí)期的NDVI與產(chǎn)量之間的線性關(guān)系明顯增強(qiáng)。

2）不同時(shí)刻獲取的NDVI之間的關(guān)系。農(nóng)作物的NDVI表示作物的生長(zhǎng)狀態(tài)，但是其不是某一時(shí)刻的狀態(tài)而是一定時(shí)間段內(nèi)生長(zhǎng)狀態(tài)的綜合表現(xiàn)，因此在不同時(shí)刻獲取的NDVI間存在不同程度的相關(guān)性，若兩個(gè)時(shí)刻的NDVI具有較高的相關(guān)性則可以進(jìn)一步減少參與建立估產(chǎn)模型的數(shù)量。表1顯示了不同時(shí)期獲取的NDVI之間的相關(guān)系數(shù)。

表1清晰地顯示出不同時(shí)刻獲得NDVI具有很強(qiáng)的相關(guān)性，并且在多數(shù)情況下時(shí)間間隔越短則兩時(shí)刻的NDVI之間的相關(guān)性越強(qiáng)。但是也有例外，7月20日獲取的NDVI與28日獲取的NDVI之間的相關(guān)性要小于7月20日獲取的NDVI與8月13日獲取的NDVI之間的相關(guān)性，同時(shí)，7月28日獲取的NDVI與8月13日獲取的NDVI之間的相關(guān)性更小，從相關(guān)性中可以看出，7月28日獲取的NDVI不適合用于建立產(chǎn)量估算的遙感模型。

從表2中還可以發(fā)現(xiàn)，相鄰兩個(gè)日期的NDVI之間的相關(guān)系數(shù)最大；隨著時(shí)間跨度增加，NDVI之間的相關(guān)性逐漸增加，這表明時(shí)間跨度越大則兩個(gè)時(shí)刻的NDVI之間的線性關(guān)系越弱，這也證明了圖2中顯示的NDVI在時(shí)間上的非線性變化。通過(guò)對(duì)比不同列中相關(guān)系數(shù)最大值的變化可以發(fā)現(xiàn)，隨著NDVI獲取日期的逐漸延后，相關(guān)系數(shù)的最大值逐漸減??；這表明隨著NDVI獲取日期的逐漸延后，兩相鄰日期獲取的NDVI之間的線性相關(guān)性越弱。

3）NDVI與大豆產(chǎn)量的相關(guān)關(guān)系。由于在大豆生長(zhǎng)的各個(gè)時(shí)期，遙感獲取的NDVI會(huì)隨著生長(zhǎng)期的不同而發(fā)生改變，選取對(duì)產(chǎn)量敏感的若干個(gè)生長(zhǎng)時(shí)期的NDVI參與產(chǎn)量估算遙感模型的計(jì)算可以在保持估算精度的前提下減少模型參數(shù)的數(shù)量，便于模型的應(yīng)用。表3顯示了不同生長(zhǎng)時(shí)期的NDVI與產(chǎn)量之間的相關(guān)關(guān)系。

表3清晰地顯示出7月中旬到下旬的NDVI與產(chǎn)量關(guān)系較為密切，并且兩者之間為正相關(guān)關(guān)系，即NDVI越大這產(chǎn)量越高；與7月中旬到下旬相比，7月上旬和8八月的NDVI與產(chǎn)量的相關(guān)性減弱很多，在本研究中幾乎不存在相關(guān)性。從表4中可以看出，在5個(gè)時(shí)間段內(nèi)選取3個(gè)時(shí)間段的NDVI既可以保證估算的精度也可以減少模型的參數(shù)數(shù)量。

對(duì)比表3和表4可以發(fā)現(xiàn)，在去除異常點(diǎn)的影響后，NDVI與產(chǎn)量之間的相關(guān)性顯著增強(qiáng)。7月中旬到8月中旬獲取的NDVI與產(chǎn)量之間的相關(guān)性明顯高于7月上旬的相關(guān)性，結(jié)合7月上旬的NDVI與其他時(shí)刻的NDVI之間的相關(guān)性不顯著的特征可得到在利用遙感影像估算大豆產(chǎn)量時(shí)可以忽略7月上旬的遙感影像。由于7月28日獲取的NDVI與產(chǎn)量之間的相關(guān)性最高，因此在估算產(chǎn)量時(shí)應(yīng)盡量獲取該時(shí)刻的遙感影像，根據(jù)相關(guān)系數(shù)的變化趨勢(shì)可以看出選取7月中旬到8月中旬的遙感影像可以顯著地提高產(chǎn)量估算的精度。

3 討論

影響大豆單產(chǎn)的因素很多，可以分為人為因素和自然因素，人為因素通過(guò)水肥管理最大限度的滿足作物生長(zhǎng)的要求，自然因素則通過(guò)滿足作物的光合條件改善作物長(zhǎng)勢(shì)并達(dá)到提高作物產(chǎn)量的目的。大豆的生長(zhǎng)周期可以被細(xì)分為若干個(gè)更能夠體現(xiàn)生長(zhǎng)狀態(tài)的時(shí)期，作物在開(kāi)花期之前的生長(zhǎng)主要物質(zhì)的積累過(guò)程，該過(guò)程為作物產(chǎn)量的形成提供營(yíng)養(yǎng)基礎(chǔ)。理論上，作物在物質(zhì)積累過(guò)程中積累的干物質(zhì)越多，則作物的單產(chǎn)越高，遙感技術(shù)可以在較大范圍內(nèi)對(duì)作物的長(zhǎng)勢(shì)進(jìn)行監(jiān)測(cè)，從而對(duì)作物的產(chǎn)量進(jìn)行估算。

4 結(jié)論

1）7月下旬到8月中旬獲取的作物NDVI與作物產(chǎn)量之間的相關(guān)性最強(qiáng)，并且不同時(shí)期的NDVI之間的相關(guān)性非常弱，因此，在用NDVI預(yù)測(cè)大豆單產(chǎn)時(shí)要采用7月下旬和8月中旬兩個(gè)時(shí)期的NDVI。

2）NDVI與大豆單產(chǎn)之間存在線性正相關(guān)關(guān)系，NDVI與大豆單產(chǎn)的相關(guān)性并不是很高，這表明NDVI并不是惟一與大豆單產(chǎn)有關(guān)的變量。

參考文獻(xiàn)：

[1] 季志強(qiáng)，蓋顏欣，王 奇，等.國(guó)內(nèi)外大豆生產(chǎn)概況及大豆育種的發(fā)展方向[J].農(nóng)業(yè)科技通訊，2010（7）：8-10.

[2] 王連錚.國(guó)內(nèi)外大豆生產(chǎn)及育種的進(jìn)展[J].種子世界，2000（11）：3-5.

[3] 杜天昊.基于MODIS-NDVI的河南省冬小麥估產(chǎn)模型研究[D].重慶：重慶大學(xué)，2013.

[4] 蒙繼華.農(nóng)作物長(zhǎng)勢(shì)遙感監(jiān)測(cè)指標(biāo)研究[D].北京：中國(guó)科學(xué)院遙感應(yīng)用研究所，2006.

[5] LIU W T，KOGAN F. Monitoring Brazilian soybean production using NOAA/AVHRR based vegetation condition indices[J].International Journal of Remote Sensing，2002，23（6）：1161-1179.

[6] 徐 文，龍小祥，李慶鵬.“高分二號(hào)”衛(wèi)星相機(jī)影像輻射質(zhì)量評(píng)價(jià)[J].航天返回與遙感，2015，36（4）：1-9.

[7] 劉良明，文雄飛，余 凡，等.MODIS數(shù)據(jù)Bowtie效應(yīng)快速消除算法研究[J].國(guó)土資源遙感，2007（2）：10-15.

[8] 張京紅，景毅剛.遙感圖像處理系統(tǒng)ENVI及其在MODIS數(shù)據(jù)處理中的應(yīng)用[J].陜西氣象，2004（1）：27-29.

[9] 程武學(xué)，潘開(kāi)志，楊存建.葉面積指數(shù)（LAI）測(cè)定方法研究進(jìn)展[J].四川林業(yè)科技，2010，31（3）：51-54.

[10] 黃敬峰，王人潮，王秀珍，等.冬小麥遙感估產(chǎn)多種模型研究[J].浙江大學(xué)學(xué)報(bào)（農(nóng)業(yè)與生命科學(xué)版），1999，25（5）：512-523.