马铃薯晚疫病叶片SPAD值的高光谱研究

李　梅，徐明珠，何　勇，胡耀华

(1.西北农林科技大学 机械与电子工程学院，陕西 杨凌　712100；2.浙江大学 生物系统工程与食品科学学院，杭州　310058)



马铃薯晚疫病叶片SPAD值的高光谱研究

李梅1，徐明珠1，何勇2，胡耀华1

(1.西北农林科技大学 机械与电子工程学院，陕西 杨凌712100；2.浙江大学 生物系统工程与食品科学学院，杭州310058)

摘要：对晚疫病害胁迫下马铃薯叶片中叶绿素含量(SPAD)及植被指数与高光谱特性进行了关联研究。首先，对接种晚疫病菌的马铃薯叶片进行连续观测7天，获取375～1 018nm波段范围内叶片的高光谱信息和SPAD信息；然后，应用ENVI软件提取高光谱数据中感兴趣区域的平均光谱信息，选择预处理效果最好的方法建立不同的预测模型，包括基于全光谱和连续投影算法(Successive Projection Algorithm, SPA)选择特征波长的偏最小二乘回归(Partial Least Squares Regression ,PLSR)模型与最小二乘支持向量机(Least Squares Support Vector Machines ,LS-SVM)模型，以及4种植被指数RENDVI、VOG1、VOG2、VOG3建立的简单经验估测模型。建模结果表示：全光谱的PLSR模型预测效果最好，而基于特征波长的LS-SVM模型和植被指数的二次多项式模型预测效果稍差，但大大简化了模型，为后续开发便携式仪器提供理论依据。研究表明：应用高光谱技术检测遭受晚疫病害的马铃薯叶片的SPAD及植被指数是可行的，为病害胁迫下作物的其他化学指标实时监测提供了新的路径。

关键词：马铃薯；晚疫病；SPAD ；高光谱技术；植被指数

0引言

叶绿素含量是植物营养胁迫、光合能力和衰老进程等各阶段的良好指示剂[1-2]。当作物遭到病害侵染后，其叶片的叶绿素含量会发生变化，因此可以通过叶片的叶绿素含量来监测植物的生长发育状况和病害胁迫等情况，及时采取措施，按需施肥喷药，减小作物减产风险。另外，植被指数是反映地表植被覆被情况的数学指标[3]，可以定量地反演植物的物理和化学参量，如叶绿素和氮素等，及时掌握植物生长状况。

传统测量植物叶绿素含量的方法主要有分光光度计法和活体叶绿素仪法两种[4]。分光光度计法可以得到较为准确的叶绿素值，但其步骤繁琐、时效性差，且对叶片破坏性较大。活体叶绿素仪法常用的仪器是SPAD-502叶绿素仪。SPAD值也称绿色度，是一个相对叶绿素含量读数，目前已经在农业生产中广泛应用[5]。活体叶绿素仪法可以直接对处于生长状态的作物叶片进行较为快速且非破坏性的测定，但需要对叶片进行逐点检测，存在工作量大、人为因素影响大等缺陷，无法实现实时在线监测。

高光谱成像技术具有图谱合一的优点，能直接对植物叶片进行微弱光谱差异的定量分析[6-7]。因此，利用高光谱的反射光谱数据来估测叶绿素含量及植被指数已经成为作物长势检测的一种重要手段，并取得了初步进展。王伟等[8]利用高光谱成像技术以线扫描方式获取冬小麦的反射光谱信息，通过相关分析和逐步回归分析得到最佳优化波长并基于此建立多元线性模型预测SPAD值，校正集和预测集模型的决定系数分别达到0.843 4和0.709 3。谢传奇等[9]研究了番茄叶片在灰霉病胁迫下的叶绿素含量(SPAD)及高光谱图像信息，建立了4种预测模型，以最小二乘-支持向量机模型的预测效果最好，回归系数达到了0.901 8。邹小波等[10]在黄瓜叶片的高光谱数据中选取了8个具有代表性的植被指数，建立最优植被指数与叶绿素含量之间的关系模型，校正集和预测集相关系数分别为0.841 0和0.828 6。目前，对于流行病害胁迫下作物中化学指标的检测还少有报道，尤其是利用高光谱技术检测流行病害胁迫下作物中SPAD值及植被指数的研究更是少见。

本研究以马铃薯叶片为研究对象、晚疫病为胁迫条件，采集不同感病阶段马铃薯叶片的高光谱图像信息并提取光谱信息，同时测量叶片的SPAD值；然后，结合化学计量学方法研究晚疫病胁迫下马铃薯叶片的SPAD值及植被指数与高光谱信息的响应特性。

1实验项目

1.1　仪器设备与分析软件

实验所用仪器高光谱成像系统包括Zolix Hypersis农产品高光谱仪(北京卓立汉光仪器有限公司)、 V10E-QE型可见/近红外波段光谱成像仪、暗箱、400～2 000nm波段用光源、高精度电控平移台装置(行程300nm)、标准反射板(Gilden PhotonicsLtd，UN)及计算机等，所用波长范围为375～1 018nm。为了减小环境光的影响，整个系统放置在暗箱当中。SPAD值的测量用SPAD-502叶绿色仪完成。数据分析软件包括ENVI4.8(光谱数据提取)、Unscrambler9.7(光谱数据预处理与模型建立)及MatLab R2014a(LS-SVM模型建立)等。

1.2　样品准备

实验所用马铃薯品种为中薯18号，采取盆栽方式进行培育，4盆，每盆3株，共12株， 2015年6月种植于西北农林科技大学科研用玻璃温室内，对其进行日常管理。3个月后，开始实验，从12株马铃薯植株上每株采集2或3个叶片，采集叶片共计30个，并对30个叶片进行马铃薯晚疫病菌接种测试。马铃薯晚疫病菌由西北农林科技大学植物保护学院提供，接种部位在叶片背面二级叶脉之间，剂量为100 μL/叶。接菌完成后，样品放入人工气候箱进行连续培养，培养温度为18 ℃，相对湿度100%，并保持每天16 h光照和8 h黑暗培养的条件，连续培养7天。

2实验过程

2.1　高光谱数据采集与校正

高光谱数据采集前，先对高光谱成像系统预热30min，防止因系统基线漂移带来的误差。高光谱数据采集前还进行黑白校正[6, 11]以消除噪声影响。具体做法是：与样本采集的条件相同，采集标准反射板得到全白的标定图像W，采集盖上镜头盖后得到的全黑的标定图像B，采集马铃薯叶片得到的原始图像为I，则经过校正后的图像R为

R=(I-B)/(W-B)

(1)

马铃薯叶片平放在黑色底板上进行高光谱数据采集。马铃薯晚疫病菌接种前5h，对30个马铃薯叶片进行第1次高光谱数据采集；接菌后19h，对30个叶片进行第2次高光谱数据采集；之后的5天每隔24h对叶片进行1次数据采集，得到样本的高光谱数据210组。

2.2　SPAD值的测定

实验采用SPAD-502叶绿素仪进行马铃薯叶片的SPAD值测量。每个叶片的高光谱图像采集完毕后，使用SPAD-502叶绿素仪测量病斑部位5个不同测量点的SPAD值(病斑未出现前则测量接种部位的叶绿素含量)，求取平均值作为被测样本的叶绿素含量值[12]。实验共得到SPAD数据207组，与高光谱数据一一对应(由于SPAD-502叶绿素仪夹持损伤而导致最后一天缺失3组SPAD数据)。

2.3　数据处理与分析

2.3.1原始数据的获取

利用软件ENVI4.8选取经校正后的高光谱图像病斑部位作为感兴趣区域(Region of Interest, ROI)，叶片未发病时选取其相应位置作为感兴趣区域。计算感兴趣区域像素点光谱反射率的平均值，作为之后计算分析的光谱数据。

对207组SPAD数据和与其对应的光谱数据进行分析，发现前3天由于叶片未发病，数据几乎没有改变。所以，前3天的数据每天只取一半，即前3天90组数据中只取45组；后面几天得到的数据中删除由于光线干扰、叶片腐烂无法测量等原因引起的9组不合格数据后，总共得到样本数据153组。按照3:1的比例选取建模集(Calibration Set)和预测集(Prediction Set)数据，最终得到建模集样本数据115组，预测集样本数据38组。SPAD值统计信息如表1所示。

表1　马铃薯叶片SPAD统计信息表

2.3.2光谱数据预处理及建模方法选取

试验数据采集过程中，虽然进行了黑白校正，但仍然难免出现基线漂移和高频噪声等扰动，进而影响建模精度。本研究运用了移动平均平滑(Smoothing Moving Average，SMA)、光谱变换(Spectroscopic Transformation，ST)、多元散射校正(Multiplicative Scatter Correction， MSC)、标准化(Normalize)、二阶导数(Second Derivatives，2nd-D)等多种预处理方法及其组合对光谱数据进行预处理，并以经过预处理后的光谱数据作为自变量X，以SPAD值作为应变量Y，建立关于自变量X和应变量Y的偏最小二乘回归(Partial Least Squares Regression，PLSR)模型。通过比较，选出最优模型，并以其数据作为输入，建立了最小二乘支持向量机(Least Squares-Support Vector Machine，LS-SVM)模型。

PLSR提供了一种自变量与应变量多对多的线性回归建模的方法，在建模过程中集中了主成分分析、典型相关分析和线性回归分析等方法的特点，其结果不仅有一个较为合理的回归模型，还提供了一些主成分等更为丰富的信息[13]。PLSR模型的抗干扰能力较强，目前已经得到了广泛应用[14-17]。

LS-SVM 是Suykens等[18]最初向量机耗费太多资源的问题提出的改进措施，能够较好地解决线性和非线性问题。与SVM方法相比，LS-SVM求解速度更快，收敛精度更高，也能够避免出现在人工神经网络建模时出现的网络结构难以确定和“过拟合”问题，得到了国内外研究者的广泛认可[19-20]。

3结果分析与评价

3.1　SPAD值分析

图1为某样本的SPAD值随接菌时间变化的折线图。其中，横坐标为样本接菌后所经历的时间，纵坐标为SPAD值。由图1可知：晚疫病菌接种前3天和未接种相比，SPAD值变化较小，这可能是因为叶片染病初期，植物的自我保护作用使得叶绿素含量变化不明显[21]；接菌后第3天到第4天，SPAD值急剧下降，原因是该时间段内样本的晚疫病斑从接菌中心迅速蔓延，叶片组织细胞遭到严重破坏[22]；第4天到第5天，样本的SPAD值继续减小，原因是该时间段样本的晚疫病进一步恶化；之后，样本的晚疫病已极为严重，叶片组织完全被破坏，其SPAD值又呈现较小的数值变化。

图1　某样本的SPAD值曲线

3.2　高光谱反射曲线分析

图2为健康样本和受晚疫病侵染后的样本在全波段下的光谱反射率曲线。其中，横坐标为波长，纵坐标为光谱反射率值。由图2可以看出：健康样本和染病样本的光谱曲线轮廓相似，并无显著差异，均在550 nm附近出现一个反射峰，在680 nm附近出现一个吸收谷；在680～750nm光谱范围内光谱反射率急速增强，并在750～900nm之间增强缓慢。无论在可见光还是近红外光区域，健康样本的反射率均高于染病样本，只在吸收谷附近差别不明显。

图2　健康和染病样本的光谱反射率曲线

由于原始光谱在收尾波段处存在较大噪声，为了方便研究，试验建模在500～960nm波段范围内进行。

3.3　光谱预处理与全光谱预测模型

将153组样本的光谱数据经过预处理后，建立光谱反射率值X和Y变量SPAD值之间的PLSR模型。通过不同预处理方法建立的PLSR模型各自的预测效果有明显不同，如表2所示。其中，以经由ST的预处理方法建立的PLSR模型建模集相关系数(R-C)最大，均方根误差(RMSEC)最小，分别是0.954和1.974；而从预测集的结果来看，经过Normalize预处理的效果最好，其相关系数(R-P)最大且均方根误差(RMSEP)最小，分别为0.922和2.651；从稳定性上来看，经2nd-D预处理的数据建模集和预测集的效果相差较小，经Normalize预处理的数据次之。经比较，以ST和Normalize预处理后的数据作为再建模时的输入。

表2不同预处理方法所建PLSR模型的预测效果

Table 2Prediction results of PLSR models after different pretreatment methods

预处理方法建模集R-CRMSEC预测集R-PRMSEP未处理0.9342.3560.9032.941移动平均平滑0.9122.6940.8992.994光谱变换0.9541.9740.9032.939

续表2

以经ST和Normalize预处理方法后的数据作为自变量X与应变量Y作为输入，建立LS-SVM模型。其中，基于前者的建模集和预测集的相关系数分别为0.954和0.906，基于后者的建模集和预测集的相关系数分别为0.955和0.904，如表3所示。

表3　LS-SVM模型预测效果

与PLSR方法相比，LS-SVM方法提高了ST预处理数据的预测集相关系数，也提高了Normalize方法的建模集相关系数，却降低了Normalize方法的预测集相关系数。综合考虑，仍以经Normalize预处理数据的PLSR模型为最好，其建模集和预测集的散点图如图4所示。因此，后续的分析都是基于此预处理后的光谱数据进行的。

3.4　特征波长建模预测

在进行全光谱建模时，有些波段数据之间存在一定的相关性且有效信息很少，不仅增大了计算量，还会影响到模型的预测精度和稳定性[12, 23]。因此，采用连续投影算法(Successive Projections Algorithm, SPA)提取特征波长，降低冗余信息，提高建模效率。

图3　Normalize预处理PLSR模型的散点图

采用SPA算法，得到550.43、629.89、700.21、733.11、944.31、957.39nm共6个波长作为建模时的特征波长组合，分别使用PLSR算法和LS-SVM算法建模，得到的预测结果如表4所示。

表4　SPA-PLSR和SPA- LS-SVM模型预测效果

与全光谱建模相比，采用SPA选择特征波长建立的预测模型在预测精度稍有降低，但大大减少了计算量，节省了建模时间，提高了建模效率；另外，基于特征波长的PLSR方法不如LS-SVM方法的建模效果好。SPA- LS-SVM建模集和预测集的散点图如图4所示。

图4　SPA-LS-SVM模型的散点图

3.5　基于植被指数建模预测

植被指数是反映植被状况的无量纲的特征量，主要体现植被在可见光、近红外波段反射与背景之间差异的指标，各个植被指数在一定条件下能用来衡量植被的生长状况[24-25]。

通过SPA算法提取的特征波长有可见光波段R550、R630、R700、R733和近红外波段R944、R957，选择可见光/近红外的波长组合计算归一化差值植被指数NDVI，得到8种植被指数；再加上已被证明与叶绿素含量具有显著相关性的4种植被指数，包括红边归一化指数(RENDVI)、红边指数1(VOG1)、红边指数2(VOG2)、红边指数3(VOG3)[26]等，共12种不同植被指数用来建立马铃薯叶片SPAD预测模型。具体的计算公式如表5所示。

表5　植被指数模型

对建模集样本的SPAD值与上述12种植被指数做相关分析，得到的结果如表6所示。结果显示：由不同特征波长组合的植被指数NDVI3(R630/R944)、NDVI4(R630/R957)、DVI5(R700/R944)、NDVI6(R700/R957)、DVI7(R733/R944)、NDVI8(R733/R957)都与SPAD值之间达到0.01显著相关水平，可以用来反演叶片的SPAD值；但相关系数相对于其他几种植被指数来说较小，适用于精度要求不高的场合。而RENDVI、VOG1、VOG2、VOG3这4种植被指数与SPAD值显著相关并且相关系数较高，可以实现SPAD值更加精确的预测。

表6叶片SPAD值与植被指数之间的相关系数

Table 6Correlation coefficients between leafSPAD value and vegetation index

植被指数相关系数NDVI1(R550/R944)0.165NDVI2(R550/R957)0.158NDVI3(R630/R944)0.441**NDVI4(R630/R957)0.432**NDVI5(R700/R944)0.598**NDVI6(R700/R957)0.586**NDVI7(R733/R944)-0.435**NDVI8(R733/R957)-0.422**RENDVI0.803**VOG10.805**VOG2-0.759**VOG3-0.728**

**表示达到0.01显著水平。

因此，选用NDVI5、NDVI6、RENDVI、VOG1、VOG2、VOG3这6种相关性较好的植被指数反演SPAD值，分别建立简单线性模型y=ax+b、二次多项式模型y=b0+b1x+b2x2以及指数函数模型y=b0eax来预测SPAD值，得到的结果如表7所示。结果显示，基于不同植被指数的预测模型中，二次多项式模型的效果是最好的，相关系数最高可达0.820。

表7　基于植被指数的马铃薯叶片SPAD值的反演模型

续表7

进一步，通过预测集的38个SPAD样本检验上述二次多项式模型的准确性和稳定性，结果如表8所示。基于VOG1的二次多项式预测结果最为精确，其建模集和预测集相关系数分别为0.820和0.824，校正均方模型根误差和预测均方根误差分别为3.825和4.827。

表8基于植被指数SPAD反演模型的预测结果

Table 8Prediction results for SPAD value estimation model based on vegetation indexes

植被指数建模集R-CRMSEC预测集R-PRMSEPNDVI50.6045.3230.5795.811NDVI60.5925.3840.5665.880RENDVI0.8043.9740.7974.306VOG10.8203.8250.8244.827VOG20.7814.5530.7614.634VOG30.7474.4440.7704.574

因此，有效地利用不同波长组合建立基于植被指数的二次多项式模型，在一定程度上大大简化了预测模型，减少了计算量，为后期便携式装置的开发提供了理论依据，但在预测精度上还需要进一步的提高和改善。

4结论

主要研究了晚疫病胁迫下马铃薯叶片的高光谱特性与SPAD值及植被指数的关联关系。研究通过提取样本感兴趣区域的平均光谱信息，选择预处理效果最好的Normalize方法，通过SPA算法提取对SPAD值敏感的特征波长，并建立了基于全光谱、特征波长和植被指数的SPAD预测模型。结果表示：全光谱PLSR模型的预测精度最高；而SPA-LS-SVM和植被指数二次多项式模型预测结果稍逊于全光谱，但二者均大大减少了计算量，一定程度上简化了模型，提高建模速度，为研制便携式设备提供了一定的理论依据，具有现实意义。

本研究提出的基于高光谱技术检测晚疫病胁迫下马铃薯叶片SPAD值及植被指数的方法，为实现马铃薯植株生长状况的实时监测提供了新的路径，同时也为流行病害胁迫下作物中其它化学指标的实时监测提供了新的思路。

参考文献：

[1]Gitelson A A, Merzlyak M N, Chivkunova B O. Optical properties and nondestructive estimation of anthocyanin content in plant leaves [J]. Photochemistry and Photobiology, 2001,74(1):38-45.

[2]邢雪霞,刘国顺,贾方方,等.烤烟叶片色素含量的高光谱预测模型研究 [J].中国烟草学报, 2014(1): 54-60.

[3]吴海龙,余新晓,张振明,等.基于多种植被指数的土壤含水量估算方法[J].光谱学与光谱分析,2014(6):1615-1618.

[4]苏正淑,姜晶,张宪政,等.乙酰水杨酸对无灌溉条件下小麦灌浆期活性氧代谢与产量的影响(简报)[J]. 植物生理学通讯,2000, 36(3):216-218.

[5]张秀君,孙钱钱,乔双,等.菠菜叶绿素提取方法的比较研究 [J].作物杂志,2011(3):57-59.

[6]谭昌伟,黄文江,金秀良,等.利用高光谱植被指数监测紧凑型玉米叶绿素荧光参数[J].光谱学与光谱分析, 2012, 32(5):1287-1291.

[7]田有文,程怡,吴琼,等.农产品病虫害高光谱成像无损检测的研究进展[J].激光与红外, 2013, 43(12):1329-1335.

[8]王伟,彭彦昆,马伟,等.冬小麦叶绿素含量高光谱检测技术[J].农业机械学报,2010,41(5):172-177.

[9]谢传奇,何勇,李晓丽,等.基于高光谱技术的灰霉病胁迫下番茄叶片SPAD值检测方法研究[J].光谱学与光谱分析,2012,32(12):3324-3328.

[10]邹小波, 陈正伟, 石吉勇, 等. 基于近红外高光谱图像的黄瓜叶片色素含量快速检测[J].农业机械学报, 2012, 43(5): 152-156.

[11]马本学,肖文东,祁想想,等.基于漫反射高光谱成像技术的哈密瓜糖度无损检测研究[J].光谱学与光谱分析,2012,32(11):3093-3097.

[12]丁希斌,刘飞,张初,等.基于高光谱成像技术的油菜叶片SPAD值检测[J].光谱学与光谱分析, 2015(2):486-491.

[13]高惠璇.两个多重相关变量组的统计分析(3)[J].数理统计与管理,2002,21(3):58-64.

[14]丛智博,孙兰香,辛勇,等.基于激光诱导击穿光谱的合金钢组分偏最小二乘法定量分析[J].光谱学与光谱分析,2014(2):542-547.

[15]郭卫华,周永章.基于PLSR的中山市水资源压力演变特征与趋势[J].水资源保护,2014,30(1): 23-27.

[16]王昶,黄驰超,余光辉,等. 近红外光谱结合偏最小二乘法快速评估土壤质量[J].土壤学报, 2013, 50(5):881-890.

[17]赵明富,张政委,冯小平,等.基于SPA-PLSR的回收油鉴别研究 [J].激光杂志,2013,34(3):45-47.

[18]Suykens J A K,Vandewalle J. Least Squares Support Vector Machines Classifiers[J].Neural Network Letters, 1999, 19(3):293-300.

[19]Rumpf T, Mahlein A K, Steiner U, et al. Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance[J].Computers and Electronics in Agriculture, 2010,74(1):91-99.

[20]陈浩林. 基于最小二乘支持向量机测定重油中金属含量[J].广州化工,2014(6):110-113.

[21]Kim MinHo, Shin JinChul, Lee ByunWo. Applicability of vegetation index and SPAD reading to nondestructive diagnosis of rice growth and nitrogen nutrition status [J]. Korean Journal of Crop Science, 2005, 50(6): 369-377.

[22]D. Moshou,C. Bravo,S. Wahlen et al.Simultaneous identification of plant stresses and diseases in arable crops based on a proximal sensing system and Self-Organising Neural Networks[C]//The 4th European Conference on Precision Agriculture. Berlin:[s.n.] , 2003.

[23]C. K. Reddy,E. Z. Nyakatawa.Remote Sensing of Cotton Leaf N Status Using the GER1500 Hyper-Spectro Radiometer and SPAD 502 Chlorophyll Meter in North Alabama[C]//30th International Symposium on Remote Sensing of Environment:Information for Risk Management and Sustainable Development . Honolulu HI:[s.n.],2003.

[24]葛昊,卢珊,赵云升.叶片茸毛对叶片反射光谱及高光谱植被指数的影响研究[J].光谱学与光谱分析, 2012,32(2):439-444.

[25]华开,张学霞,樊登星,等.基于高光谱数据的高羊茅SPAD快速估测研究[J].草地学报, 2012(4): 699-704.

[26]邓书斌. ENVI 遥感图像处理方法[M].北京：科学出版社,2010：378-381.

SPAD Measurement of Potato Leaves Infected Late Blight Based on Hyper-spectral

Li Mei1, Xu Mingzhu1, He Yong2, Hu Yaohua1

(1.College of Mechanical and Electronic Engineering, Northwest A&F University, Yangling 712100, China; 2.College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China)

Abstract：The relation between the content of chlorophyll (SPAD) on the vegetation indexes and hyper-spectral feature in potato leaves under the stress of late blight was studied in this paper. Potato leaves that were inoculated with pathogen of potato late blight were observed for 7 continuous days, and the hyper-spectral data from 375 to 1018nm and the SPAD value were acquired every day. The average spectral data was extracted by analyzing the region of interest (ROI) of the samples’ hyper-spectral data using the ENVI software，choose the best pretreatment method to build different estimation models, including: a SPAD value estimation model based on partial least squares regression (PLSR) and least squares support vector machines (LS-SVM), a SPAD value estimation model based on successive projections algorithm combined with PLS and LS-SVM(SPA-PLSR、SPA-LS-SVM)，4 kind of simple experience SPAD value estimation models. The results indicate that the optimal prediction performance is achieved by PLSR model in the whole wavelength region, LS-SVM model based on Characteristic wavelength and the quadratic polynomial model based on vegetation index have a slight poor prediction effect, but greatly simplify models, and provide theoretical basis for subsequent development of portable instrument.The research shows that it is feasible to detect SPAD of potato leaf suffered late blight and vegetation indexes using hyper-spectral, at the same time it provides a new path to implement real-time monitoring of other chemical indexes under crop disease stress.

Key words：potato; late blight; SPAD; hyper-spectral; vegetation index

中图分类号：S379; TS207.3

文献标识码：A

文章编号：1003-188X(2016)12-0136-07

作者简介：李梅(1991-)，女，陕西杨凌人，硕士研究生，(E-mail)limei513855225@sina.com。通讯作者：胡耀华(1973-), 女，江西奉新人，教授，(E-mail)huyaohua@nwsuaf.edu.cn。

基金项目：中央高校基本科研项目(2452015191)；国家高技术研究发展计划(863计划)项目(2011AA100705)

收稿日期：2015-11-12