生姜叶片氮含量的高光谱遥感估算模型研究

廖钦洪，李会合*，张琴

（1.重庆文理学院，a. 林学与生命科学学院，b. 特色植物研究院，重庆 永川 402160）

生姜叶片氮含量的高光谱遥感估算模型研究

廖钦洪1a,1b，李会合1a,1b*，张琴1a

（1.重庆文理学院，a. 林学与生命科学学院，b. 特色植物研究院，重庆 永川 402160）

作物叶片氮含量的快速估算对于及时了解作物长势、病虫害监测以及产量评估具有重要意义。该文以经济作物生姜为研究对象，获取了2015年4月-9月不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据，对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估算效果。在此基础上，基于波段组合算法，筛选出了生姜叶片氮含量的敏感波段，并构建了两个新型光谱指数NDSI(754,713)和RSI(754,713)。结果表明，所选择的植被指数中，MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量估算效果最好，模型精度R2、RMSE和RE分别为0.73、0.27、11.64%；利用波段组合算法构建的归一化光谱指数NDSI(754,713)对生姜叶片氮含量估算效果要优于MCARI(705,750)/OSAVI(705,750)，模型估算精度R2达0.83，使用的敏感波段713 nm与754 nm均位于植被的“红边”区域。对所建模型进行验证，叶片氮含量的预测值和实测值具有较好的一致性，验证样本R2为0.78，RMSE为0.20，RE为9.81%。上述分析结果可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。

生姜；叶片氮含量；高光谱数据；光谱指数；波段组合

生姜（Zingiber officinale Rosc.）为姜科姜属多年生宿根草本植物姜的根状块茎，生产上常作为一年生蔬菜栽培，其地下（根状）块茎肥厚，含有挥发性姜油和姜辣素等特殊成分，既是人们日常生活中常用的重要调味品，也是传统的中药材，其药食两用的特点具有很高的经济利用开发价值。氮素对生姜的生长发育有重要影响，氮肥供应不足，则植株矮小、叶片薄、叶色发黄、老叶易脱落、生长势弱、植株早衰、分枝少、地下块茎小、产量低、品质差；氮肥用量过多，则主要促进了地上茎叶的生长，导致地下块茎重量和质量显著下降[1]，此外，过多的氮肥使用还会使姜田的生态环境恶化，导致农业生产过程中面源污染加重。因此，合理施用氮肥，推广经济、有效的氮肥管理措施是现代生姜种植栽培过程中的核心内容，迫切需要通过多种田间观测手段，及时获取生姜的氮营养状况，在生姜不同的生育期按需施肥。

传统生姜氮素测定的方法多是通过田间调查、采样及实验室分析，取样受人力物力成本、数据分析时间等条件限制，样点数量有限，往往无法真实的反映农田中作物的氮营养水平，大面积推广应用受到限制。高光谱遥感技术具有极细的光谱分辨率，能够准确的获取绿色植被反射光谱特征，近年来已被广泛地应用在小麦、水稻等大田作物的氮营养诊断中，成为精准农业中的一个研究热点[2-4]。高龙梅等[5]考察了小麦冠层光谱监测不同播期下植株碳氮比的可行性，结果表明，植被指数NDVI受播期影响较小；陈志强等[6]利用高光谱技术研究了玉米大喇叭口期不同层次玉米叶片光谱响应的敏感区域，光谱指数DSI(564,681)和DSI(681,707)对玉米叶片氮含量的估算效果最好；徐新刚等[7]采用权重最优组合算法构建了大麦LNC遥感监测的新型光谱特征参数Kre/Kpb、Kpb、Aδ/Aα和Aδ/Aθ，结果表明，Kre/Kpb和Knirl两个参数的组合最能响应LNC的光谱信息；Li等[8]利用“红边”光谱指数对不同生育期玉米冠层氮浓度进行了估算，结果表明，在玉米抽雄期～完熟期和乳熟期～完熟期，“红边”植被指数CCCI、MTCI、NDRE和CIrededge估测精度R2为0.76-0.91；Tian等[9]研究了与水稻叶片氮含量高度相关的植被指数，结果表明，SR(553,537)对LNC的估测精度R2为0.67，能够较好的排除叶面积和覆盖率的影响。

上述研究表明，高光谱技术在大田作物中已得到广泛应用，但在经济作物生姜的氮营养诊断中却鲜有报道，因此，本文拟以生姜为研究对象，利用光谱仪获取不同品种、不同生育期和不同氮肥梯度下生姜叶片的高光谱和氮含量数据，通过对比分析常用的植被指数，筛选出适合生姜叶片氮含量遥感估测的敏感波段及最佳植被指数，为生姜长势的无损诊断提供技术支持。

1 材料与方法

1.1 试验区域

田间试验于2015年4月-2015年9月在重庆市特色植物种苗科技城（29°11′N，105°50′E）试验基地进行，基地距永川主城区20 km，属于亚热带季风性湿润气候，年平均气温17.7 ℃，年平均降雨量1 015.0 mm，平均日照1 218.7 h，年平均无霜期317 d；该地地形属低山丘陵体系，土壤大部分属典型的水稻土和红壤土，土层厚度30-100 cm；pH值5.2-6.7，富含有机质，肥力较高。试验采用完全随机设计，3次重复，3个施氮水平，分别为0 kg/株（N0，）、23 kg/株（N1）和46 kg/株（N2），供试品种为竹根姜和白姜。

1.2 数据采集

单叶光谱采用FieldSpec®Pro FR光谱仪（ASD Inc., Boulder, Colorado, USA）耦连叶片夹（ASD leaf clip）进行测定。光谱测量的波长范围为350-2 500 nm，其中350-1 000 nm采样间隔为1.4 nm，1 000-2 500 nm采样间隔为2 nm。在生姜幼苗期、三杈股期、姜块膨大期和收获期进行光谱测定，每个处理选取3株，取上层叶片，每张叶片均匀测6个不同的位置（测量时注意避开叶脉），取平均值代表此叶片的辐亮度值，参考板辐亮度每隔10张叶片测定一次。通过叶片和参考板辐亮度的比值即可计算得到叶片相对反射率值。叶片氮含量采用凯氏定氮法测定，叶片在105 ℃杀青30 min后，在75 ℃下烘干至恒重，粉碎过筛，在H2SO4-H2O2消煮后测定。

1.3 研究方法

1.3.1 植被指数选取 植被指数是基于一定变换法则，对特定位置波段反射率进行组合、变换，形成具有一定物理和生物学意义的光谱特征。本文选取了文献中常用的作物氮素遥感估测植被指数共15个。利用实测数据筛选生姜叶片氮含量的敏感波段和最佳植被指数。各类植被指数的定义、公式及出处如表1所示。

1.3.2 NDSI与RSI的构建 为了考察任意两个波段组合的植被指数对生姜叶片氮含量的估算效果，参照Yao等[2]的方法，在作物氮素敏感的波段400 -1 000 nm范围内，采用波段组合算法，以矩阵联立的形式，构建新型光谱指数NDSI（Normalized difference spectral index） 和 RSI（Ratio spectral index），公式形式为：

表1 本文所选取的植被指数Table 1 Vegetation indexes used in this study

式中：i和j为400-1 000 nm范围内的任意两个波段，Ri和Rj为对应的光谱反射率。

1.3.3 精度评价 采用决定系数（R2）、均方根误差（RMSE）和相对误差（RE）对估测模型进行评价，计算公式如下：

式中：yi表示实测值，表示预测值，i表示实测值平均值，n表示样本数。R2越高，RMSE、RE越小，表明模型精度越高。

2 结果与分析

2.1 不同氮梯度下生姜叶片高光谱的变化规律

图1为不同品种、不同生育期和不同氮梯度下生姜叶片的高光谱反射率。从图中可以看出，竹根姜和白姜光谱反射率的变化趋势基本一致。以姜块膨大期的光谱反射率为例，在400-680 nm范围内，竹根姜和白姜的光谱反射率较低，550 nm处的光谱反射率分别在13.3%-21.0%、10.5%-17.5%之间。由于植株叶绿素与氮含量往往具有较高的相关性[21]，在N0梯度下，叶片叶绿素含量较低，其吸收的光辐射能量相应的也不高，因此，N0梯度下白姜叶片的光谱反射率较N2梯度下的光谱反射率高约40%；在N2梯度下，叶片叶绿素含量较高，故在“红谷”670 nm附近，竹根姜的叶片光谱反射率降低至了6.1%。在670-750 nm波段范围内，红光波段叶绿素的强吸收与近红外波段光在叶片内部的多次散射形成了植被特有的“红边”特征，所有生姜叶片的光谱反射率都急剧上升，直到近红外波段750-1 000 nm，逐渐形成一稳定的光谱反射率平台（图1C），这与Liao等[22]利用高光谱研究不同氮梯度下玉米叶片叶绿素含量的结果相一致。

2.2 植被指数对生姜叶片氮含量的估算

图2为所选植被指数与不同生育期生姜叶片氮含量相关性分析的结果（建模样本n=51，2个品种，3个氮肥梯度、3个重复）。从图中可以看出，所有植被指数都通过了显著性检验（P〈0.01）。对于比值植被指数，生姜叶片氮含量估算精度的高低顺序依次为SR3〉SR2〉SR1（图2A-C），其中，SR3主要使用了植被“红边”位置附近波段750 nm和710 nm的光谱反射率，估算精度R2最高为0.69，RMSE为0.29，RE为12.60%；对于归一化植被指数，NDVI和NDVI(503,483)对生姜叶片氮含量的估算精度较低（图2D和图2E），决定系数R2最高仅为0.47。GNDVI、ND705、mSR705、MTCI对生姜叶片氮含量的估算精度R2均在0.68-0.71之间（图2F-I），其中，ND705估算精度最高（R2=0.71，RMSE=0.28，RE=11.09%），与SR3类似，主要使用了植被“红边”位置附近705 nm和750 nm处的光谱反射率；植被指数组合形式多用于对植被冠层叶绿素和氮素的遥感监测，在本研究中，除了植被指数OSAVI外，其余的估测精度R2都达到了0.70以上。MCARI(705,750)/OSAVI(705,750)使用了与ND705相同的波段705 nm和750 nm，估测精度R2最高为0.73，RMSE为0.27，RE为11.64%（图2O）。

图1 不同施氮梯度下生姜叶片的光谱反射率Fig. 1 Spectral reflectance of ginger leaves under different nitrogen fertilizer treatments（A.幼苗期，B.三杈股期，C.姜块膨大期，D.收获期）

2.3 基于波段组合的生姜叶片氮含量估算

为进一步优化植被指数，筛选对生姜叶片氮含量最为敏感的波段位置，利用MATLAB编写程序考察所有波段两两组合构建的光谱指数NDSI(i,j)和RSI(i,j)与生姜叶片氮含量的相关性，结果如图3所示，其中红色区域表示R2值较高的区域，式（6）、式（7）为叶片氮含量的估算模型。

从图3中可以看出，对生姜叶片氮含量估算敏感的波段位于500-800 nm之间，NDSI(754,713)、RSI(754,713)与生姜叶片氮含量的相关性均为0.83，RMSE分别为0.21和0.22，结果极其显著（P〈0.01）。生姜叶片氮含量最为敏感的波段为754 nm和713 nm，所构建的归一化光谱指数NDSI(754,713)较植被指数SR3、ND705和MCARI(705,750)/OSAVI(705,750)都有较大的提高，R2提高了12.0%-16.8%。

2.4 生姜叶片氮含量高光谱估算模型验证

为了检验估算模型的可靠性，利用20个实测数据对式（6）进行验证，结果如图4所示。其中，生姜叶片氮含量的实测值和预测值都接近1∶1线，验证样本的决定系数R2可达0.78，RMSE为0.20，RE为9.81%，表明以光谱指数NDSI(754,713)建立的生姜叶片氮含量高光谱估算模型具有较高估算精度。

3 讨论

图2 植被指数与叶片氮含量的相关性分析Fig. 2 Correlation analysis between vegetation index and leaf nitrogen content

叶片氮含量作为作物生物量、全氮含量的综合反映，是预测作物长势和产量的重要指标，因此，快速、无损、准确地获取作物氮素状况，对于作物氮素的实时监测和精准施肥都具有重要的意义。研究表明，氮的特征吸收波段主要在短波红外区（1 510 nm、1 730 nm与1 940 nm等），但由于植株叶片在1 450 nm和1 940 nm附近有两个强水分吸收区域，掩盖了临近氮素的吸收特征[23]，故本研究主要考察400-1 000 nm的高光谱对生姜叶片氮素的估算效果。对比所选的3种植被指数形式，SR3、ND705和MCARI(705,750)/OSAVI(705,750)对生姜叶片氮含量的估算精度较高，主要使用了“红边”位置附近705 nm、710 nm和750 nm的光谱反射率。相关研究也表明，由于作物叶绿素对红光的强烈吸收及对近红外光的多次散射，通常在660-780 nm之间形成陡而直的“红边”，随着植株旺盛生长，植株的“红边”位置将向长波方向“红移”；随着植株逐渐衰老，“红边”位置又出现向短波方向的“蓝移”[24-25]，因此，“红边”区域可以作为有效的叶片氮含量指示参数。Tian等[9]在对水稻叶片氮含量进行高光谱估测时指出，波段组合方式可以筛选出作物叶片氮含量的敏感波段；Sims等[16]在构建新型植被指数ND705时指出，植被指数的归一化形式，可将两个敏感波段的差异最大化。本研究将波段两两组合优化后，得出713 nm和754 nm为生姜叶片氮含量的敏感波段，归一化光谱指数NDSI(754,713)为生姜叶片氮含量估测的最佳光谱指数。由于“红边”区域光谱反射率对生姜叶片氮含量影响较大，因此，基于“红边”位置变化的生姜叶片氮含量估算还有待于进一步的研究。

图3 光谱指数NDSI(i,j)，RSI(i,j)与叶片氮含量的相关分析图Fig. 3 Contour diagrams of correlation analysis between NDSI(i,j), RSI(i,j)and leaf nitrogen content

图4 生姜叶片氮含量实测值与预测值的比较Fig. 4 Comparison between measured values and predicted values of leave nitrogen content of gingers

4 结论

采用高光谱数据对作物氮含量进行估测是精准农业领域的主要研究内容之一。本文利用2015年在重庆市特色植物种苗科技城获取的生姜叶片高光谱和氮含量数据，对比分析了比值植被指数、归一化植被指数、植被指数组合形式对生姜叶片氮含量的估测效果，其中，MCARI(705,750)/OSAVI(705,750)对叶片氮含量的估测效果最好（R2=0.73，RMSE=0.27，RE=11.64%）。在此基础上，基于波段两两组合的原理，构建了两个新型光谱指数NDSI(754,713)与RSI(754,713)，其中，归一化光谱指数NDSI(754,713)更适合生姜叶片氮含量的估算，模型估测精度R2达0.83，RMSE为0.21，使用的敏感波段713 nm与754 nm均位于植被的“红边”区域。对所建模型进行验证，叶片氮含量的预测值和实测值具有较好的一致性，验证样本的决定系数R2为0.78，RMSE为0.20，RE为9.81%。上述分析结果，可为农业管理部门及时掌握生姜长势信息、制定施肥策略提供技术支持。

[1] 徐坤, 徐峰. 氮肥对生姜生长及产量的影响[J]. 中国蔬菜, 1999(6): 12-14. Xu K, Xu F. Effect of nitrogen on the growth and yield of ginger[J]. China Vegetables, 1999(6): 12-14.

[2] Yao X, Ren H, Cao Z, et al. Detecting leaf nitrogen content in wheat with canopy hyperspectrum under different soil backgrounds[J]. International Journal of Applied Earth Observation and Geoinformation, 2014, 32: 114-124.

[3] Feng W, Guo B B, Wang Z J, et al. Measuring leaf nitrogen concentration in winter wheat using double-peak spectral refection remote sensing data[J]. Field Crops Research, 2014, 159: 43-52.

[4] Xu X G, Zhao C J, Wang J H, et al. Using optimal combination method and in situ hyperspectral measurements to estimate leaf nitrogen concentration in barley[J]. Precision Agriculture, 2014, 15(2): 227-240.

[5] 高龙梅, 冯美臣, 陈鹏, 等. 不同播期冬小麦茎叶碳氮比的光谱监测[J]. 麦类作物学报, 2014, 34(6): 816-822. Gao L M, Feng M C, Chen P, et al. Monitoring of C/N ratio instems and leaves of winter wheat sowed at different dates with canopy reflectance spectra[J]. Journal of Triticeae Crops, 2014, 34(6): 816-822.

[6] 陈志强, 王磊, 白由路, 等. 玉米叶片的光谱响应及其氮素含量预测研究[J]. 光谱学与光谱分析, 2013, 33(4): 1066-1070. Chen Z Q, Wang L, Bai Y L, et al. Spectral response of maize leaves and prediction of their nitrogen content[J]. Spectroscopy and Spectral Analysis, 2013, 33(4): 1066-1070.

[7] 徐新刚, 赵春江, 王纪华, 等. 基于可见光-近红外新光谱特征和最优组合原理的大麦叶片氮含量监测[J]. 红外与毫米波学报, 2013, 32(4): 351-365. Xu X G, Zhao C J, Wang J H, et al. Associating new spectral features from visible and near infrared regions with optimal combination principle to monitor leaf nitrogen concentration in barley[J]. Journal of Infrared and Millimeter Waves, 2013, 32(4): 351-365.

[8] Li F, Miao Y X, Feng G H, et al. Improving estimation of summer maize nitrogen status with red edge-based spectral vegetation indices[J]. Field Crops Research, 2014, 157: 111-123.

[9] Tian Y C, Gu K J, Chu X, et al. Comparison of different hyperspectral vegetation indices for canopy leaf nitrogen concentration estimation in rice[J]. Plant and Soil, 2014, 376(1): 193-209.

[10] Jordan C F. Derivation of leaf-area index from quality of light on the forest foor[J]. Ecology, 1969, 50(4): 663-666.

[11] Xue L, Cao W, Luo W, et al. Monitoring leaf nitrogen status in rice with canopy spectral refectance[J]. Agronomy Journal, 2004, 96(1): 135-142.

[12] Zarco-Tejad A P J, Miller J R, Noland T L, et al. Scaling-up and model inversion methods with narrowband optical indices for chlorophy ll content estimation in closed forest canopies with hyperspectral data[J]. IEEE Transactions on Geoscience and Remote Sensing, 2001, 39(7): 1491-1507.

[13] Blackburn G A. Quantifying chlorophylls and carotenoids at leaf and canopy scales: An evaluation of some hyperspectral approaches[J]. Remote Sensing of Environment, 1998, 66(3): 273-285.

[14] Stroppiana D, Boschetti M, Brivio P A, et al. Plant nitrogen concentration in paddy rice from feld canopy hyperspectral radiometry[J]. Field Crops Research, 2009, 111(1/2): 119-129.

[15] Daughtry C S T, Walthall C L, Kim M S, et al. Estimating corn leaf chlorophy ll concentration from leaf and canopy refectance[J]. Remote Sensing of Environment, 2000, 74(2): 229-239.

[16] Sims D A, Gamon J A. Relationships between leaf pigment content and spectral refectance across a wide range of species, leaf structures and developmental stages[J]. Remote Sensing of Environment, 2002, 81(2/3): 337-354.

[17] Dash J, Curran P J. The MERIS terrestrial chlorophyll index[J]. International Journal of Remote Sensing, 2004, 25(23): 5403-5413.

[18] Rondeaux G, Steven M, Baret F. Optimization of soil-adjusted vegetation indices[J]. Remote Sensing of Environment, 1996, 55(2): 95-107.

[19] Haboudane D, Miller J R, Tremblay N, et al. Integrated narrowband vegetation indices for prediction of crop chlorophyll content for application to precision agriculture[J]. Remote Sensing of Environment, 2002, 81(2/3): 416-426.

[20] Wu C Y, Niu Z, Tang Q, et al. Estimating chlorophyll content from hyperspectral vegetation indices: Modeling and validation[J]. Agricultural and Forest Meteorology, 2008, 148(8/9): 1230-1241.

[21] Schlemmer M, Gitelson A, Schepers J, et al. Remote estimation of nitrogen and chlorophyll contents in maize at leaf and canopy levels[J]. International Journal of Applied Earth Observation and Geoinformation, 2013, 25: 47-54.

[22] Liao Q H, Wang J H, Yang G J, et al. Comparison of spectral indices and wavelet transform for estimating chlorophyll content of maize from hyperspectral reflectance[J]. Journal of Applied Remote Sensing, 2013, 7(1): 073575.

[23] 陈鹏飞. 基于高光谱估测植株氮浓度及生物量的光谱指数研究与应用[D]. 北京: 中国农业大学, 2009. Chen P F. Research on new hyperspectral indices for plant nitrogen concentration and biomass estimation and their applications[D]. Beijing: China Agricultural University, 2009.

[24] 赵春江, 黄文江, 王纪华, 等. 不同品种、肥水条件下冬小麦光谱红边参数研究[J]. 中国农业科学, 2002, 35(8): 980-987. Zhao C J, Huang W J, Wang J H, et al. Studies on the red edge parameters of spectrum in winter wheat under different varieties, fertilizer and water treatments[J]. Scientia Agricultura Sinica, 2002, 35(8): 980-987.

[25] Smith K L, Steven M D, Colls J J. Use of hyperspectral derivative ratios in the red-edge region to identify plant stress responses to gas leaks[J]. Remote Sensing of Environment, 2004, 92(2), 207-217.

（责任编辑：王育花）

Research on hyperspectral remote sensing estimation model for leaf nitrogen content in ginger

LIAO Qin-hong1a,1b, LI Hui-he1a,1b, ZHANG Qin1a
（1. Chongqing University of Art and Science, a. College of Life Science and Forestry, b. Research Institution for Special Plants, Yongchuan, Chongqing 402160, China）

Rapid estimation leaf nitrogen content in crops has important significance for knowing crop growth, monitoring diseases and insect pests, and evaluating crop yield. In this study, the hyperspectral data and leaf nitrogen content in gingers for different varieties, growth stages, and nitrogen fertilizer gradients were obtained from April to September in 2015. The estimation results of leaf nitrogen content in gingers were comparatively analyzed by using the combination of vegetation index, normalized differential vegetation index, and ratio vegetation index. The sensitive wavebands for estimating leaf nitrogen content in gingers were selected. The NDSI(754,713)and RSI(754,713)as two new spectral indexes were constructed by using waveband combination algorithm. The results showed that MCARI(705,750)/OSAVI(705,750)had the best effect for estimating the leaf nitrogen content in gingers in all the selected vegetation indexes, the R2, RMSE and RE were 0.73, 0.27 and 11.64%, respectively. The NDSI(754,713)constructed by waveband combination algorithm had the better effect than the MCARI(705,750)/OSAVI(705,750)for estimating the leaf nitrogen content in gingers, with the R2of its estimation accuracy being 0.83. The 713 nm and 754 nm as two sensitive wavebands were both in the vegetation red-edge region. The measured and predicted values of leaf nitrogen content in gingers had a good consistency through the model validation. The R2, RMSE and RE of calibration set were 0.78, 0.20 and 9.81%, respectively. Based on the analysis mentioned above, it can provide technical support for the agricultural administrative department to learn the growth of gingers quickly and make a suitable fertilization strategy.

ginger; leaf nitrogen content; hyperspectral data; spectral index; combination of wavebands

LI Hui-he, E-mail: lihuihe@cqwu.edu.cn.

S127

A

1000-0275（2017）02-0315-07

10.13872/j.1000-0275.2017.0018

廖钦洪, 李会合, 张琴. 生姜叶片氮含量的高光谱遥感估算模型研究[J]. 农业现代化研究, 2017, 38(2): 315-321.

Liao Q H, Li H H, Zhang Q. Research on hyperspectral remote sensing estimation model for leaf nitrogen content in ginger[J]. Research of Agricultural Modernization, 2017, 38(2): 315-321.

国家自然科学基金项目（41401419）；重庆市教委科学技术研究项目（KJ1501123）；重庆文理学院学生科研项目（XSKY2016089）。作者简介：廖钦洪（1979-），男，重庆永川人，博士，讲师，研究方向为农业遥感，E-mail：lqhwisdom@cqwu.edu.cn；通讯作者：李会合（1977-），男，河南内乡人，博士，教授，研究方向为农业信息化，E-mail：lihuihe@cqwu.edu.cn。

2016-12-06，接受日期：2017-03-03

Foundation item: National Natural Science Foundation of China (41401419); Scientific and Technological Research Program of Chongqing Municipal Education Commission (KJ1501123); Student Research Project of Chongqing Academy of Arts and Sciences (XSKY2016089).

Received 6 December, 2016; Accepted 3 March, 2017