杜明華，楊 甜，馬 燕，張 捷，吳龍國

(寧夏大學(xué)農(nóng)學(xué)院，寧夏銀川 750021)

番茄是我國需求量較高的蔬菜之一，在全國范圍內(nèi)大面積栽培種植。番茄作為茄科作物之一，本身所含的谷胱甘肽、維生素、番茄紅素、β-胡蘿卜素等營養(yǎng)成分對(duì)于人們來說就具有很高的應(yīng)用價(jià)值[1-2]。因此，番茄的高質(zhì)量生產(chǎn)是必不可少的。番茄的生長狀況可以通過葉片的葉綠素含量表現(xiàn)出來，葉綠素含量是番茄重要的生理指標(biāo)之一[3-5]?？赏ㄟ^對(duì)葉綠素含量的檢測(cè)從而對(duì)微咸水灌溉下番茄生長發(fā)育情況、健康狀況做出監(jiān)測(cè)。目前，常見的測(cè)定方法往往操作流程繁瑣、費(fèi)時(shí)，只能進(jìn)行單個(gè)葉片檢測(cè)[4]，同時(shí)傳統(tǒng)方法一般具有事后性和破壞性，不能滿足高效技術(shù)要求。因此，無損、高效的檢測(cè)方法是番茄高質(zhì)量生產(chǎn)中重要的環(huán)節(jié)。

高光譜成像技術(shù)是近年來無損檢測(cè)技術(shù)發(fā)展的新趨勢(shì)，將光譜信息和數(shù)字成像信息相集成，主要是利用光譜反射率以及光譜反射波形特征，從而可以精確地檢測(cè)到所需樣本圖像中每一個(gè)像素點(diǎn)的光譜數(shù)據(jù)以及圖像信息，這種技術(shù)具有速度快，效果好等優(yōu)點(diǎn)，同時(shí)在檢測(cè)過程中不會(huì)破壞樣本，在很大程度上彌補(bǔ)了傳統(tǒng)檢測(cè)方法中存在的不足，能夠?yàn)榭梢暬c高效無損檢測(cè)提供一定的技術(shù)依據(jù)[6]。高光譜技術(shù)被廣泛應(yīng)用于多個(gè)領(lǐng)域。包括農(nóng)產(chǎn)品質(zhì)量評(píng)估[7]、品種鑒別[8]、食品的安全檢測(cè)[9]、肉類保鮮等[10-11]。Zhang等以160個(gè)蘋果為樣品，提取高光譜數(shù)據(jù)建立其可溶性固性物含量的預(yù)測(cè)模型，結(jié)果表明，預(yù)測(cè)效果較好的模型是基于CARS-SPA組合算法來提取的特征波長所建立的[12]。Liu等為了鑒別獼猴桃是否經(jīng)過膨大劑處理，采用了高光譜技術(shù)來檢測(cè)并建立了多種模型來實(shí)現(xiàn)判別，結(jié)果發(fā)現(xiàn)，此技術(shù)可以很明顯地判別多品種混合的獼猴桃膨大果[13]。張靜宜等利用高光譜成像技術(shù)來判別甜瓜葉片是否感染尾孢葉斑病，結(jié)果顯示，高光譜圖像對(duì)健康樣本的判別率較高(>97%)，可用于健康樣本與病變樣本的識(shí)別[14]。Feng 等利用近紅外高光譜技術(shù)對(duì)比了不同預(yù)處理效果對(duì)番茄光譜模型檢測(cè)精度的影響，結(jié)果發(fā)現(xiàn)，極限學(xué)習(xí)(ELM)獲得了最好的預(yù)測(cè)結(jié)果[15]。Sohrabi等采用近紅外光譜技術(shù)提取了番茄的可溶性固形物以及可滴定酸度的光譜數(shù)據(jù)，并基于偏最小二乘回歸法建立模型檢測(cè)。結(jié)果表明，可溶性固性物模型結(jié)果最好，其預(yù)測(cè)相關(guān)系數(shù)達(dá)到了0.91[16]。袁瑞瑞等以靈武長棗為研究對(duì)象，利用高光譜成像技術(shù)對(duì)長棗的損傷級(jí)別進(jìn)行快速判別，結(jié)果表明，MSC-CARS-PLS-DA為最優(yōu)模型組合，校正集準(zhǔn)確率為77.14%，預(yù)測(cè)集準(zhǔn)確率為89.52%[17]。鄒志勇等對(duì)比分析了馬鈴薯在不同損傷條件下的高光譜不同波段下的圖像特征并分別建立模型，結(jié)果表明，在建立的分類模型中，使用的輕量梯度提升機(jī)+邏輯斯蒂回歸達(dá)到最高的判別精度98.86%[18]。

本研究以番茄葉片葉綠素含量為研究對(duì)象，結(jié)合高光譜成像技術(shù)采集樣品900～1 700 nm光譜圖像。使用共生距離法(SPXY)、隨機(jī)法(RS)和Kennard-Stone 法劃分樣本集；之后對(duì)比分析基于原始光譜與Kubelka-Munk函數(shù)曲線建立的模型，選擇最優(yōu)光譜；在此基礎(chǔ)上使用PLSR權(quán)重系數(shù)法、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法、無信息變量信息消除法、連續(xù)投影算法提取的特征波長進(jìn)行偏最小二乘建模對(duì)比分析優(yōu)選最佳特征波長提取方法；最終基于特征波長建立偏最小二乘回歸模型、主成分回歸模型以及多元線性回歸模型進(jìn)行對(duì)比分析。通過化學(xué)計(jì)量學(xué)結(jié)合高光譜成像技術(shù)可為今后番茄品質(zhì)在線檢測(cè)提供理論參考。

1 材料與方法

1.1 材料與儀器

試驗(yàn)于2020年10月至2021年8月在寧夏大學(xué)農(nóng)科實(shí)訓(xùn)基地玻璃溫室中進(jìn)行。供試材料采用博美2號(hào)番茄品種，購置于寧夏賀蘭縣天緣種業(yè)公司。共計(jì)54株番茄幼苗，于子葉展開3～4張時(shí)進(jìn)行移苗，采用栽培基質(zhì)盆栽的方式進(jìn)行種植，每盆種植1株番茄幼苗。試驗(yàn)設(shè)計(jì)6個(gè)灌溉處理：對(duì)照組(CK)：蒸餾水；A：50 mmol/L NaCl溶液；B：100 mmol/L NaCl溶液；C：150 mmol/L NaCl溶液；D：200 mmol/L NaCl溶液；E：250 mmol/L NaCl溶液，每個(gè)處理重復(fù)3次。

前期確定最適灌水量為550 mL，定植后每隔 2 d 灌水1次，經(jīng)過90 d種植后，分別采摘番茄上、中、下層葉片，每層采摘2張，試驗(yàn)共采集216張葉片，將采摘下的葉片編號(hào)放入塑封袋中，用低溫保藏箱立刻運(yùn)回實(shí)驗(yàn)室，光譜圖像采集之后，立即進(jìn)行化學(xué)指標(biāo)的測(cè)定。

儀器：便攜式葉綠素測(cè)定儀(SPAD-502Plus，柯尼卡美能達(dá))。HyperSIS-NIR高光譜成像系統(tǒng)(900～1 700 nm，光譜分辨率5 nm，256個(gè)波段)，由高光譜成像光譜儀、CCD相機(jī)、4個(gè)35W鹵鎢燈、計(jì)算機(jī)數(shù)據(jù)采集軟件(ENVI4.7)5個(gè)部分組成[19](圖1)，北京雙利合譜儀器有限公司生產(chǎn)。

1.2 方法

1.2.1 葉綠素測(cè)定方法 葉綠素含量采用便攜式葉綠素測(cè)定儀(SPAD-502Plus，柯尼卡美能達(dá))進(jìn)行測(cè)量，每株番茄植株分別取上、中、下層各葉片，避開葉脈集中的部位，均勻地選取3個(gè)不同位置測(cè)定SPAD值并計(jì)算平均值代表該葉片數(shù)值。

1.2.2 番茄葉片光譜的測(cè)定 為了獲取更加真實(shí)及清晰的圖像，經(jīng)過試驗(yàn)確定圖像采集的參數(shù)為 相機(jī)曝光時(shí)間25 ms，物距360 mm，掃描速度 15 mm/s，線掃描實(shí)際長度60 mm。消除試驗(yàn)過程中反射雜散光干擾，使用時(shí)，將電控位移平臺(tái)背景設(shè)置為黑色。光譜掃描前需進(jìn)行黑白校正[20]，其公式如下：

(1)

式中：R0為原始圖像；D為黑板圖像；W為白板圖像；R為標(biāo)定后的高光譜圖像。

1.3 數(shù)據(jù)分析方法

使用The UnscramblerX10.4對(duì)數(shù)據(jù)進(jìn)行處理與建模，使用Matlab2014a提取特征波長及繪圖。高光譜數(shù)據(jù)自身的不利影響會(huì)對(duì)處理和建模造成一定的影響。因此在數(shù)據(jù)處理與分析方面需要和化學(xué)計(jì)量學(xué)方法相結(jié)合，對(duì)模型優(yōu)化[21]。

1.3.1 樣本集劃分 樣本集按3 ∶1進(jìn)行校正集和預(yù)測(cè)集的劃分，與此同時(shí)結(jié)合建立偏最小二乘回歸模型對(duì)比分析共生距離法、隨機(jī)法和Kennard-Stone 法劃分樣本。選擇最佳劃分方法，提高后期建模模型的性能。

1.3.2 預(yù)處理方法選擇 在圖像采集過程中，由于儀器自身的局限性，本身會(huì)帶有一些噪音和暗電流等不利因素。同時(shí)也在一定程度上參雜著自非品質(zhì)信息的影響。例如光譜曲線的基線漂移現(xiàn)象，多重共線性問題等。因此，為了避免這些不利因素對(duì)所獲取樣本光譜曲線的影響，以及保持圖像的不失真需要對(duì)原始的光譜信息進(jìn)行預(yù)處理，從而提取一些較為有用的信息[22-25]。本研究使用平均平滑法(Moving Average Smoothing)、歸一化處理(Normalize)、基線校準(zhǔn)(Baseline)、標(biāo)準(zhǔn)正態(tài)變化(Standard Normal Variate)、去趨勢(shì)化(Detrend)、多元散射校正(Multiplicative Scatter Correction)6種方法進(jìn)行預(yù)處理，并建立偏最小二乘回歸模型進(jìn)行比較分析。

1.3.3 特征波長提取 大量冗余的光譜信息和光譜維數(shù)也為后期的建模提高了難度，增加了工作量。提取特征波長成為一種篩減數(shù)據(jù)極為重要且有效的方法。本研究在保留原始有效信息的前提下采用PLSR權(quán)重系數(shù)法(β權(quán)重系數(shù))、競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法(CARS)、無信息變量信息消除法(UVE)、連續(xù)投影算法(SPA)對(duì)預(yù)處理最優(yōu)的樣本進(jìn)行光譜特征波長的提取。

1.3.4 預(yù)測(cè)模型的建立 對(duì)選取特征波長后的光譜信息進(jìn)行建模。分別建立基于番茄葉片葉綠素含量定量分析的偏最小二乘回歸模型(PLSR)、多元線性回歸(MLR)、主成分回歸(PCR)預(yù)測(cè)模型。模型性能的評(píng)價(jià)依據(jù)相關(guān)系數(shù)(R)及均方根誤差(RMSEP) 2個(gè)指標(biāo)。R值越大與RMSEP值越小則越能表明模型性能好。R值表現(xiàn)了預(yù)測(cè)樣本值與樣本真實(shí)值之間的擬合狀態(tài)，其值與擬合程度成正比，與模型效果成正比，而RMSEP值則反映了樣本離散程度，RMSEP值值與模型性能成反比，越小反映模型預(yù)測(cè)能力越好[26]。為保證模型預(yù)測(cè)效果試驗(yàn)采用交叉驗(yàn)證方法對(duì)建模效果進(jìn)行校正。

2 結(jié)果與分析

2.1 樣本劃分方法的選擇及模型的建立

為了建立穩(wěn)健的模型，需對(duì)樣本集進(jìn)行劃分。本研究采用RS、KS、SPXY方法進(jìn)行校正集與預(yù)測(cè)集樣本劃分，結(jié)果如表1、表2所示。

表1 不同樣本劃分方法對(duì)葉綠素的PLSR模型結(jié)果統(tǒng)計(jì)

從表1可以得出，SPXY法的預(yù)測(cè)集相關(guān)系數(shù)RP大于0.8，高于KS法和RS法。數(shù)值之和也可用來評(píng)價(jià)模型效果，其值越大說明精確度越高[27]。KS法之和為1.6631，RS法為1.483 8，SPXY法為1.702 1，SPXY法的RC與RP之和數(shù)值也是3種方法數(shù)值最高的。并且采用SPXY法建立的模型中，預(yù)測(cè)集的RMSEP值均小。綜上考慮，選擇SPXY法劃分番茄葉片葉綠素樣本集最為合適。

表2 樣本番茄葉片葉綠素統(tǒng)計(jì)

從表2可以看出，使用SPXY法對(duì)樣本中葉綠素值進(jìn)行劃分是可行的。對(duì)于192個(gè)番茄葉片葉綠素值樣本，取2/3樣本作為校正集，1/3樣本作為預(yù)測(cè)集，并且預(yù)測(cè)集的各指標(biāo)值包含在校正集的指標(biāo)值范圍之內(nèi)。校正集和預(yù)測(cè)集的方差值也較為理想，由此可以說明所選樣本數(shù)據(jù)集的劃分具有代表性。

2.2 原始光譜特征波長下不同光譜參數(shù)的建模分析

為了研究全波段(900～1 700 nm)下Kubelka-Munk處理對(duì)建模的影響，利用Unscrambler X10.4軟件對(duì)原始光譜的反射率進(jìn)行轉(zhuǎn)換以及Kubelka-Munk函數(shù)轉(zhuǎn)換，研究不同光譜參數(shù)對(duì)番茄葉片葉綠素含量的預(yù)測(cè)?；赑LSR分別對(duì)R、K-M光譜曲線建立模型對(duì)比分析，結(jié)果見表3。

表3 原始光譜特征波長下不同光譜參數(shù)的PLSR模型

從表3可以看出，Kubelka-Munk處理后建模的RP值小于原始光譜建模的RP，說明處理后的光譜數(shù)據(jù)建模的預(yù)測(cè)效果并不是太理想。原始光譜的Rc值大于Kubelka-Munk處理的RC值。但二者之間的差異較小，說明2個(gè)模型的性能差異不大，而Kubelka-Munk處理只是模型性能做了細(xì)微的調(diào)改。因此，可以采用原始光譜進(jìn)行數(shù)據(jù)處理，不僅減少了數(shù)據(jù)的前期處理，而且能夠獲得較優(yōu)的校正模型與預(yù)測(cè)模型。

2.3 預(yù)處理方法的選擇

前期為了獲得真實(shí)清晰的圖像進(jìn)行黑白校正，這只是簡(jiǎn)單的對(duì)光源強(qiáng)度分布不均以及在圖像采集過程中自身暗電流等不利因素進(jìn)行了消除。而樣品的背景色和雜散光等都還會(huì)對(duì)試驗(yàn)結(jié)果產(chǎn)生一定的誤差，為了提高模型的精確性，需要對(duì)光譜進(jìn)行一定的處理。而在對(duì)比分析中，要充分考慮各個(gè)變量之間的影響，而偏小二乘法能夠綜合考慮變量之間的關(guān)系，能夠在多重共線性條件下進(jìn)行回歸建模，因此可以利用PLSR模型進(jìn)行光譜預(yù)處理的結(jié)果比較，結(jié)果見表4。

表4 不同預(yù)處理方法對(duì)葉綠素含量的PLSR模型結(jié)果統(tǒng)計(jì)

從表4可以看出，對(duì)于番茄葉片的中葉綠素指標(biāo)來說，經(jīng)過MSC法對(duì)樣本值進(jìn)行預(yù)處理后建立的PLSR模型與原始數(shù)據(jù)相比，具有較好的模型參數(shù)，RC和RP值較之前有所提高，RMSEC和RESEP都有所減小。綜上所述，MSC為番茄葉片葉綠素樣本的最佳預(yù)處理方法。

2.4 特征波長的選取

2.4.1 PLSR權(quán)重系數(shù)法提取特征波長 β系數(shù)是反映評(píng)價(jià)指標(biāo)重要程度的量化系數(shù)，系數(shù)越大，說明該指標(biāo)對(duì)總目標(biāo)影響越大。由圖2可知，基于對(duì)葉綠素進(jìn)行MSC預(yù)處理后建立的PLSR模型進(jìn)行特征提取，第4成分具有最顯著的特征，選為最優(yōu)主成分?jǐn)?shù)用于提取特征波長；在900～1 700 nm波段下，葉綠素的吸收很弱，光譜吸收特征不明顯。所以在β系數(shù)圖中按照局部絕對(duì)值最大原則選取7個(gè)葉綠素特征波長為 1 008、1 202、1 226、1 369、1 515、1 628、1 657 nm。有效地降低了光譜的維數(shù)，方便后期建立模型。

2.4.2 競(jìng)爭(zhēng)自適應(yīng)重加權(quán)算法提取特征波長 競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)算法即采用自適應(yīng)重加權(quán)采樣(ARS)技術(shù)在模型中選擇并保留下回歸系數(shù)絕對(duì)值大的波段數(shù)，同時(shí)，去掉權(quán)重小的波段數(shù)，此算法在計(jì)算取值的過程中是采用交互驗(yàn)證法選出均方根誤差值最低的子集，此算法所取值覆蓋范圍廣，因此可有效地尋出最優(yōu)與最具代表性的變量組合。利用CARS方法提取900～1 700 nm 范圍內(nèi)的特征波長，得到結(jié)果見圖3。由圖3可知，在采樣運(yùn)算過程中，變量數(shù)的下降過程呈現(xiàn)由快變慢的趨勢(shì)，圖 3-B 是基于自適應(yīng)加權(quán)采樣選擇特征波長建立偏最小二乘模型預(yù)測(cè)效果的顯示。圖3-C回歸系數(shù)路徑則反映了特征波長變量回歸系數(shù)的變化趨勢(shì)，*號(hào)線反映了RMSECV最小位置，*號(hào)線之后部分有效信息被去除，RMSECV值持續(xù)增大。葉綠素依據(jù)RMSECV最小值原則選擇11個(gè)特征波長，模型擬合效果最佳，數(shù)據(jù)壓縮率為95.7%，有效去除了環(huán)境干擾及不相干信息，但可能有效信息也被去除。

2.4.3 無信息變量消除變換法(UVE)提取特征波長 如圖4所示，在900～1 700 nm波段范圍內(nèi)，在主成分?jǐn)?shù)是10時(shí)t-value值模型擬合效果最佳。圖中左側(cè)表示256個(gè)輸入變量的分布曲線，而右側(cè)圖表示隨機(jī)變量的分布曲線。最終，對(duì)于葉綠素選取了96個(gè)特征波長。

2.4.4 連續(xù)投影算法(SPA)提取特征波長 選擇m-min=10，m-max=30，圖5-A表示特征變量數(shù)與RMSE的變化曲線，可以得出RMSE最小值與特征變量數(shù)的關(guān)系，綜合分析可以確定葉綠素特征波長數(shù)為14個(gè)，RMSE值為 4.134 3。圖5-B為SPA算法所選取葉綠素的14個(gè)波段數(shù)。

2.4.5 UVE+SPA組合算法提取特征波長 通過UVE法提取900～1 700 nm波段范圍內(nèi)的特征波長為96個(gè)，但與其他方法相比發(fā)現(xiàn)數(shù)據(jù)量仍然較大，為了降低維數(shù)，減少冗余，可以對(duì)數(shù)據(jù)進(jìn)行進(jìn)一步的提取與優(yōu)化。在本試驗(yàn)中將 UVE法和SPA法相結(jié)合來提取特征波長(圖6)。

由圖6可知，在900～1 700 nm波段對(duì)提取出的特征波長進(jìn)一步采用SPA法，組合法UVE+SPA與UVE法相比，數(shù)據(jù)由96個(gè)減少到13個(gè)并且葉綠素的RMSEC值為3.863 5，與UVE法相比，大大壓縮了數(shù)據(jù)，方便后續(xù)的建模與分析。

2.4.6 不同方法提取特征波長及對(duì)比分析 為了優(yōu)選最佳的特征波段進(jìn)行模型建立，對(duì)5種特征波長提取的波段進(jìn)行分析，結(jié)果見表5。

表5 特征波長選取統(tǒng)計(jì)

由表5可知，5種特征波長提取方法中，β cofficiento PLSR提取了7個(gè)特征波長，占總波長的2.7%；CARS提取11個(gè)，占總波長的4.3%；UVE提取96個(gè)，占總波長37.5%；SPA提取14個(gè)，占總波長的5.5%；UVE+SPA提取13個(gè)，占總波長的5.1%。由于UVE法選取的波長數(shù)較多，所以和SPA組合使用，可以減低冗余，減少維數(shù)。采用這5種方法選取特征波長，各個(gè)波段均有挑選，具有一定的合理性。

2.5 建模方法的比較分析

為了對(duì)比不同建模方法對(duì)提取特征波長的建模效果，采用多元線性回歸、主成分回歸、偏最小二乘回歸方法進(jìn)行模型對(duì)比分析，結(jié)果見表6。

由表6可知，(1)與偏最小二乘回歸模型對(duì)比，UVE挑選出來的特征波長建立的模型RC和RCV最大，RMSEC和RMSECV最小，校正模型優(yōu)于其他模型。在預(yù)測(cè)能力上，采用UVE法提取的特征波長建立的模型有最大的Rp值0.849 5 和最低的RMSEP值4.337 5，說明該模型預(yù)測(cè)能力的穩(wěn)定性優(yōu)于其他模型。綜合各個(gè)參數(shù)，采用5種方法提取的特征波長建立的PLSR模型中UVE挑選出來的波長所建立的是最優(yōu)模型。(2)多元線性回歸模型對(duì)比，在5種提取特征波長的方法中UVE法的RC值最大RMSEC值最小，但RCV值較小，說明預(yù)測(cè)能力的穩(wěn)定性不強(qiáng)。而SPA法的RC值次于UVE，但RCV值較高。從綜合參數(shù)角度來看，SPA法建模效果是5中方法中最佳的，所以，選擇SPA建立MLR模型。(3)主成分回歸模型對(duì)比，CARS提取特征波長的方法，均具有最高的RC、RCV和RP值，最低的RMSE、RMSECV、RMSEP值。因此，無論是校正能力還是預(yù)測(cè)能力，CARS效果都是5種方法中最佳的。

表6 不同特征提取方法建模效果對(duì)比

2.6 最優(yōu)特征波長模型比較

通過光譜的預(yù)處理，提取特征波長等方法，可以得出最優(yōu)的特征波長的建模方法(表7)。

表7 最優(yōu)特征波長模型對(duì)比

由表7可知，使用UVE法建立的PLSR模型與其他2個(gè)相比，模型性能參數(shù)較好，擁有較高的RC值0.862 4和較低的RMSEC值4.448 9，預(yù)測(cè)模型的RP在3種模型中也有較好效果，具有一定的校正能力和預(yù)測(cè)能力，并且與全波段建立的PLSR模型的RC值較為接近，差異小。綜合參數(shù)來看，UVE-PLSR模型代表全波段建模是具有可行性的，UVE-PLSR模型結(jié)果見圖7。

3 結(jié)論

本試驗(yàn)提出了基于近紅外高光譜成像技術(shù)對(duì)葉綠素含量的快速檢測(cè)。將成像技術(shù)與化學(xué)計(jì)量學(xué)方法相結(jié)合，建立了番茄葉片葉綠素含量的PLSR模型。對(duì)葉綠素采用SPXY法進(jìn)行樣本劃分。并基于原始光譜與Kubelka-Munk處理光譜參數(shù)建立模型比較，對(duì)比分析可知經(jīng)Kubelka-Munk處理后的模型參數(shù)低于原始光譜參數(shù)。因此，試驗(yàn)采用原始光譜進(jìn)行后期的數(shù)據(jù)分析。最終建立并分析了基于特征波長的PLSR、MLR、PCR模型，并對(duì)模型的性能進(jìn)行了評(píng)價(jià)。其中UVE-PLSR最優(yōu)，其預(yù)測(cè)模型的RP值為0.849 5，RMSEP為4.337 5。本試驗(yàn)利用NIR高光譜成像技術(shù)對(duì)番茄葉片葉綠素進(jìn)行無損檢測(cè)是可行的。能為今后高光譜成像技術(shù)應(yīng)用于番茄品質(zhì)的在線檢測(cè)提供參考，也可為推動(dòng)寧夏回族自治區(qū)地方番茄產(chǎn)業(yè)快速發(fā)展提供技術(shù)支持。