基于紅邊參數的蘆葦葉綠素的反演研究

李春, 劉衛國,, 丁旭, 鄒杰, 馬建偉, 王鳳鳳, 林喆

1. 新疆大學資源與環境科學學院, 新疆 烏魯木齊 830046 2. 綠洲生態重點實驗室, 新疆 烏魯木齊 830046

基于紅邊參數的蘆葦葉綠素的反演研究

李春1,2, 劉衛國1,2,*, 丁旭1,2, 鄒杰1,2, 馬建偉1,2, 王鳳鳳1,2, 林喆1,2

1. 新疆大學資源與環境科學學院, 新疆 烏魯木齊 830046 2. 綠洲生態重點實驗室, 新疆 烏魯木齊 830046

干旱區荒漠植物的葉綠素定量反演是動態監測、快速有效評估植物生物量及長勢的有效方法。利用便攜式可見-近紅外光譜儀FieldSpecPro3測定綠洲、鹽堿地及沙漠3種生境內的蘆葦高光譜值, 對高光譜數據一階微分以及紅邊參數與葉綠素含量進行了相關分析, 選取最佳紅邊參數建立經驗估算模型與神經網絡模型, 并評估檢驗。模型顯示,三種生境下均為二項式回歸模型的決定系數最佳, 檢驗精度的決定系數(R2)分別為0.8466、0.8672和0.7935, 均方根誤差 RMSE (root-mean-square error)分別為2.3601、1.4112和2.8002; BP神經網絡模型的檢驗精度的決定系數(R2)分別為0.9147、0.9331和0.8813, RSME分別為1.4010、0.9964和0.5559。結果表明, 利用BP(back propagation)神經網絡估算的模型精確度顯著提高, 可作為蘆葦葉綠素高光譜反演的有效模型而使用, 為荒漠植物葉片葉綠素的光譜特征反演提供了借鑒, 為監測荒漠植物生長、產量估算及動態監測等提供可行的手段。

蘆葦; 紅邊參數; 葉綠素含量; 反演模型

1 前言

葉綠素是植物進行光合作用的主要色素, 也是植物發育階段的重要指示器, 能夠表征植物的生長狀況, 對其進行遙感反演有很重要的意義[4,8,14]。凌麗俐[15]等發現植物缺鎂脅迫嚴與葉片的相對葉綠素含量有很大相關性; 楊志曉等[16]認為不同煙草疾病脅迫程度與葉綠素含量呈正比。而光譜反射率對光合色素的響應可檢測植物光合作用、病害等情況[6,14]。

在植物光譜中, 綠色植物在680 nm—760 nm間反射率增高最快的點被稱為紅邊, 是植被在紅光波段葉綠素前斷裂的吸收與近紅外波段光在內部的多次散射而造成, 體現植物色素及健康的指示波段,都與植物的葉綠素存在密切關聯, 是遙感調查植被狀態的理想工具(2鄒紅玉)。國內外學者研究了紅邊與葉綠素估算之間的關系, 認為通過紅邊來測算葉綠素含量是可行的[3,5,18–21]。Dash[20]通過建立不同波長位置的紅邊與反射率之間的關系, 是判斷葉綠素含量反演的最優紅邊波段。Mutanga[22]比較紅邊拐點反射率, 歸一化植被指數(NDVI)和簡單植被指數(VI), 認為紅邊位置和葉面積指數存在相關關系。Dawson[17]驗證了葉面積指數(LAI), 歸一化植被指數(NDVI)和紅邊位置的關系, 認為葉面積指數與紅邊位置有很強的非線性關系。薛利紅[11]等采用不同紅邊位置提取技術估測葉綠素含量, 較好地建立了紅邊位置與葉綠素含量的相關性。張永賀等[1], 鄒紅玉等[2]等均認為紅邊與葉綠素含量間存在較高的相關性。

鑒于以往研究大多集中在水稻、玉米、棉花等農田經濟作物上, 對干旱區植物如蘆葦的研究較少。干旱區內不同的生境對于植物的生長、生理代謝等存在差異。本研究通過對綠洲內部、鹽堿地和沙漠內部3種生境下蘆葦的高光譜值監測及其葉綠素的監測, 篩選出最優高光譜紅邊參數, 并建立葉綠素含量與紅邊參數之間的關系模型, 為實現高光譜對荒漠植物的檢測提供參考。

2 材料與方法

2.1 研究區概況與材料

取材于2014年7月中旬至8月中旬在新疆于田縣境內的綠洲—荒漠內、外部進行, 地處東經81°14′,北緯37°02′, 地形呈牛腿狀。屬暖溫帶內陸干旱荒漠氣候, 主要特點是: 四季分明、晝夜溫差大, 熱量資源豐富, 光照充足, 降水稀少, 蒸發量大, 春夏多風沙和浮塵等災害天氣。多年平均氣溫為12.4 ℃, 多年平均降水量47.7 mm, 潛在蒸發量是2432.1 mm[12]。植被群落結構簡單, 種類較少, 主要以蘆葦(Phragmites communis)、胡楊(Populus euphratica)、檉柳(Tamarix chinensis)等為主[13]。本實驗選取和田地區綠洲內部,鹽堿地及沙漠內部一定范圍內生長的蘆葦作為實驗材料。

2.2 光譜的測定與處理

采用ASD FieldSpecPro3便攜式光譜儀對蘆葦葉片進行光譜測定, 光譜儀波段范圍為325—1075 nm,光譜分辨率3.5 nm, 光譜采樣間隔1.6 nm, 視場角25°。選擇天氣晴好、風力較小的日子, 于北京時間12:00 am—16:00 pm進行光譜測定。每次進行光譜測定時, 傳感器探頭垂直向下, 探頭距離蘆葦葉片垂直高度約為15 cm。每個樣地設45個觀測點, 每個觀測點測量10次, 將其平均值作為該點的最終光譜反射率。各樣點測定前都進行白板定標, 去除暗電流影響[3,9]。

2.3 葉綠素含量的測定

利用分光光度計測定某一特定波長下的吸光度A值.根據公式計算葉片中各色素的含量[10]。對測定完光譜后的新鮮葉片標記取回, 在實驗室內測定該葉片葉綠素含量, 選取目標葉片3份, 每份0.3 g, 分別加入純丙酮及少量石英砂和碳酸鈣粉研磨至勻漿,加入 80%丙酮暗處靜至、過濾、定容, 然后利用紫外可見分光光度計測量在663 nm , 645 nm波長下的吸光度A值, 再用如下公式計算葉綠素a和葉綠素b的濃度值:

式中: Ca, Cb分別為葉綠素a, b的濃度值; A663, A645分別為波長在663 nm和645 nm處的吸光度值。

2.4 數據處理

采用ViewSpec Pro軟件從所測得光譜數據中提取光譜反射率, SPSS19.0軟件對數據進行方差分析和顯著性檢驗, Origin8.0軟件對數據進行平滑、一階微分、作圖等處理, Excel 2003制作圖表, DPS數據處理軟件進行 BP神經網絡模型的學習和預測。紅邊參數的計算包括: ①紅邊振幅(Dr): 680—760 nm波段反射光譜一階微分的最大值; ②紅邊位置(λr):680—760 nm波段之間反射光譜一階微分最大值對應的波長; ③紅邊面積(Sr): 680—760 nm波段的一階微分光譜所圍面積。

3 結果與分析

3.1 不同生境下蘆葦葉綠素含量及光譜特性

綠洲內部、鹽堿地及沙漠內部蘆葦各45組數據,由小到大排列, 如圖 1所示。可看出不同生境下蘆葦的葉綠素含量存有一定的差異, 綠洲內部蘆葦葉綠素與鹽堿地和沙漠內部蘆葦葉片葉綠素含量有顯著差異, 鹽堿地蘆葦葉綠素與沙漠內部蘆葦葉綠素差異顯著(P＜0.05)。綠洲內部蘆葦葉綠素含量在26.94—48.41 mg·g-1之間, 鹽堿地蘆葦葉綠素含量在5.97—30.28 mg·g-1之間, 沙漠內部葉綠素含量在2.30—25.24 mg·g-1之間。

圖2是不同生境下蘆葦的光譜特性。圖中顯示蘆葦的典型光譜特征: 在 450 nm附近有一吸收谷, 是由于蘆葦葉綠素吸收藍光造成; 于 550 nm附近, 存在一個反射峰, 是由于蘆葦葉綠素強烈反射綠光而形成, 也是蘆葦呈現綠色的原因; 在 680 nm附近有吸收谷, 是蘆葦葉綠素對紅光吸收造成; 700 nm附近反射率開始突然上升, 之后曲線平穩。從紅光到近紅外波段(680—760 nm), 反射率由于葉片散射具有反射率比較高的過渡區域, 光譜曲線顯示形成“陡坡”, 即紅邊區, 這是綠色植物典型的光譜特征。由圖可知, 綠洲內部、鹽堿地和沙漠內部的蘆葦光譜在500—600 nm, 及650—900 nm有顯著性差異(P＜0.05)。

圖1 不同生境下蘆葦葉綠素含量Fig. 1 Different chlorophyll contents of Phragmites under different sample areas

圖2 不同生境下蘆葦光譜特性Fig. 2 Spectral properties of Phragmites under different sample areas

3.2 不同生境下蘆葦一階微分光譜值與葉綠素含量的相關分析

建立不同生境內的蘆葦反射率的一階微分光譜值與葉綠素含量間進行相關性, 并分析蘆葦的反射率一階微分光譜值與葉綠素含量之間的擬合度(相關系數的平方), 95%置信度顯著相關的擬合度(R2)的臨界值為 0.4568(三種生境下蘆葦都各為45個樣品); 99%置信度顯著相關的擬合度(R2)的臨界值為0.5201(三種生境下蘆葦都各為45個樣品)。如圖3,鹽堿地和沙漠內部蘆葦與葉綠素含量的擬合度為表現一致的特征, 擬合度在700—715 nm之間相關性最好; 綠洲內部蘆葦與葉綠素含量的擬合度體現了其獨特性, 綠洲內部擬合度在710—720 nm之間具有相關性較好, 在725 nm左右開始下降之后開始下降。綠洲內部擬合度最大值達0.79左右, 沙漠內部擬合度最大值達0.78左右, 鹽堿地擬合度可達到0.7左右, 說明綠洲內部、鹽堿地和沙漠內部的蘆葦紅邊和葉綠素含量均有較好的相關性。

3.3 不同生境下蘆葦葉片紅邊參數與葉綠素含量的相關分析

對對綠洲內部、鹽堿地和荒漠內部蘆葦光譜反射率進行一階微分后, 再提出紅邊幅值(Dr)、紅邊位置(λr)以及紅邊面積(Sr), 并分別建立與葉綠素含量相關性。由表 1可知, 三種生境下蘆葦葉綠素含量與紅邊幅值(Dr)呈負相關, 與紅邊面積(Sr)呈正相關,但相關性不好, 未達到顯著性水平, 而紅邊位置(λr)均體現紅邊參數中的紅邊位置的相關性最好, 均達到極顯著水平, 決定系數(R2)分別為0.8004、0.7089和0.8208。

3.4 建立不同生境下蘆葦葉綠素含量的估測模型

3.4.1 建立不同生境下蘆葦葉綠素含量的經驗估測模型

為使自變量能夠能精確估測葉綠素含量, 從紅邊幅值(Dr)、紅邊位置(λr)以及紅邊面積(Sr)中選出與葉綠素含量相關性最高的紅邊位置(λr)為自變量,再建立葉綠素含量間建立經驗估測模型, 模型有線性函數模型(y=ax+b)、多項式函數模型(y=ax2+bx+c)、對數函數模型(y=a+b*ln(x))、指數模型(y=a*ebx)和冪函數模型(y=axb)。從表2中顯示, 綠洲內部、鹽堿地和沙漠內部3種生境內的葉綠素含量與紅邊參數的模型中, 均以二項式函數模型的決定系數(R2)為最高。

如圖5所示, 從45組數據中選取30組數據建立3種生境下的葉綠素含量與紅邊參數的二項式函數模型, 得出綠洲內部對蘆葦葉綠素含量的估測最好, 決定系數達到0.7856。

表1 不同生境下紅邊參數與葉綠素含量之間的相關系數Tab. 1 Correlation coefficients between red edge parameter and chlorophyll content of Phragmites in different sample areas

表2 不同生境下蘆葦葉綠素含量的估測模型Tab. 2 Estimation model between red edge position and chlorophyll content of Phragmites under different sample areas

圖4 以紅邊參數為自變量的不同生境下蘆葦葉綠素含量的反演模型Fig. 4 Chlorophyll content invertion model of Phragmites under different sample areas based on red edge position

圖5 二項式估測模型下不同生境的蘆葦葉綠素含量實測值和預測值的比較Fig. 5 Comparision between measured value and predicted value of Phragmites under different sample areas

3.4.2 基于二項式模型的不同生境下葉綠素含量的估測模型

鑒于二項式估測模型為估測模型中的估測效果最好, 利用剩下的 15組數據進行模型精度的檢驗,得到模型的決定系數分別為: 0.8466、0.8672和0.7935, RMSE分別為2.3601、1.4112和2.8002。決定系數越高, 說明模型的精度越高, RMSE越低, 說明模型的精度越高。

3.4.3 基于神經網絡的不同生境下葉綠素含量的估測模型

BP神經網絡(Back Propagation), 是一種按誤差逆傳播算法訓練的多層前饋網絡, 為目前應用最廣泛的神經網絡模型之一, 它的學習規則是使用最速下降法, 通過反向傳播來不斷調整網絡的權值和閾值, 是網絡的誤差平方和最小[7]。BP神經網絡具有并行處理、非線性、容錯性、自適應性和自學習的優點[3]。

因此, 本文通過使用DPS數據處理軟件建立含有一個隱含層的BP神經網絡模型, 預測3種生境下蘆葦葉綠素含量隨光譜反射率的變化而變化的情況。數據輸入格式是一行是一個樣本, 一列是一個變量, 變量在左邊, 因變量在右邊, 設置好參數值后, 可進行神經網絡訓練。選取紅邊參數作為輸入層神經元, 葉綠素含量作為輸出神經元, 根據確定隱含層節點數的經驗和基本原則, 將隱含層節點數確定為2; 訓練速率越大, 權重變化越大, 收斂越快,但訓練速率過大會, 則會引起系統震蕩, 故在不引起系統震蕩前提下訓練速率越大越好, 本文最小訓練速率為0.1; 動態參數的選擇為0.6—0.8之間, 本文選擇為0.6; 允許誤差一般為0.001—0.00001合適,當 2次迭代結果的誤差小于允許誤差時, 系統結束計算, 本文選為 0.0001; 迭代次數為 1000; Sigmoid參數為0.9。之后將BP神經網絡預測的葉綠素含量值同實測值進行擬合, 結果如圖6所示。

3.5 模型精度比較

圖6 BP神經網絡模型下不同生境的蘆葦葉綠素含量實測值和預測值的比較Fig. 6 Comparision bewteem measured value and predicted value of Phragmites under different sample areas by BPNN method

為檢驗模型的精確性, 利用三種生境下測得剩余的15組獨立數據, 對二項式經驗估測模型進行檢驗, 利用決定系數(R2)和均方根差(RMSE)檢驗模型的估測精度。從圖 5中可知, 三種生境下的葉綠素含量經驗模型的檢驗的決定系數(R2)分別為0.8466、0.8672和0.7935, RMSE分別為2.3601、1.4112和2.8002; 從圖6中可得, 利用神經網絡估測模型, 三種生境下葉綠素含量經驗模型的檢驗的決定系數R2)分別為0.9147、0.9331和0.8813, RSME分別為1.4010、0.9964和0.5559, 與二項式模型相比較, 精度明顯提高, 而均方根差明顯降低, 其越小, 說明檢驗精度越準確。因此, 這兩個模型都可以對不同生境下葉綠素含量進行精確估測, 但基于神經網絡模型的檢驗精度要高于經驗模型, RSME分別提高了0.9591、0.4148及2.2443。

4 討論

本研究通過建立基于最優紅邊參數的蘆葦葉綠素估算模型, 并對比進行了二項式函數模型和神經網絡模型精度檢驗。綜上所述, 可得出以下結論:

(1) 得到三種生境下的蘆葦反射光譜數據與葉綠素含量的擬合度, 綠洲內部擬合度最大可達 0.79,沙漠內部擬合度最大可達0.78左右, 鹽堿地擬合度可達0.7, 這表明綠洲內部、鹽堿地和沙漠內部的蘆葦紅邊和葉綠素含量具有較好的相關性。

(2) 建立綠洲內部、鹽堿地和沙漠內部蘆葦反射光譜3個紅邊參數—紅邊幅值(Dr)、紅邊位置(λr)以及紅邊面積(Sr)與蘆葦葉綠素含量的相關性分析,得出紅邊位置(λr)和蘆葦葉綠素含量的相關系數最高, 分別為0.8004、0.7089和0.8208, 其中紅邊位置λr)與葉綠素的相關性最高。

(3) 建立以紅邊位置為自變量的葉綠素含量經驗模型和神經網絡模型, 精度比較得出, 經驗模型的決定系數(R2)分別為 0.8466、0.8672和 0.7935,RMSE分別為2.3601、1.4112和2.8002, 神經網絡模型的決定系數(R2)分別為 0.9147、0.9331和 0.8813,RSME分別為1.4010、0.9964和0.5559。

表3 不同生境下蘆葦葉綠素含量的估測模型比較Tab. 3 The comparison of estimation models between red edge position and chlorophyll content of Phragmites under different sample areas

本文對綠洲內部、鹽堿地和沙漠內部3中生境下蘆葦反射光譜特征結合葉綠素進行分析, 建立了最優模型, 對比得出神經網絡模型的精度較高, 這對其它荒漠植物進行葉綠素含量的估算有著一定的借鑒, 其后仍需進一步探討不同生境下荒漠植物的反射光譜數據與葉綠素含量間的相關性, 以期得出這一理論的普遍意義。

[1] 張永賀, 郭嘯川, 褚武道, 等. 基于紅邊位置的木荷葉片葉綠素含量估測模型研究[J]. 紅外與激光工程, 2013,42(3): 798–804.

[2] 鄒紅玉, 丁麗霞. 基于 SPAD 值的植被 “紅邊位置” 確定方法探討[J]. 遙感信息, 2013, 28(4): 3–7.

[3] 姚付啟, 張振華, 楊潤亞, 等. 基于紅邊參數的植被葉綠素含量高光譜估算模型[J]. 農業工程學報, 2009, 25(2):123–129.

[4] 靳彥華, 熊黑鋼, 張芳, 等. 不同地類春小麥拔節期冠層光譜與葉綠素差異研究[J]. 光譜學與光譜分析, 2013,33(4): 1043–1047.

[5] 張清林, 陳文惠, 張永賀, 等. 基于紅邊位置的臺灣相思樹葉片葉綠素含量估測模型研究[J]. 亞熱帶資源與環境學報, 2011, 6(3): 9–17.

[6] 湯旭光, 宋開山, 劉殿偉, 等. 基于可見/近紅外反射光譜的大豆葉綠素含量估算方法比較[J]. 光譜學與光譜分析, 2011, 31(2):371–374.

[7] 王平, 劉湘南, 黃方, 等. 受污染脅迫玉米葉綠素含量微小變化的高光譜反演模型[J]. 光譜學與光譜分析, 2010,30(1): 197–201.

[8] 丁希斌, 劉飛, 張初, 等. 基于高光譜成像技術的油菜葉片 SPAD值檢測[J]. 光譜學與光譜分析, 2015, 2(2):486–491.

[9] 宮兆寧, 趙雅莉, 趙文吉等. 基于光譜指數的植物葉片葉綠素含量的估算模型[J]. 生態學報, 2014, 34(20):5736–5745.

[10] 肖漢, 陳秀萬, 楊振宇, 等. 基于光譜分析的草地葉綠素含量估測植被指數[J]. 光譜學與光譜分析, 2014, 11(11):3075–3078.

[11] 薛利紅, 楊林章. 采用不同紅邊位置提取技術估測蔬菜葉綠素含量的比較研究[J]. 農業工程學報, 2008, 24(9):165–169.

[12] 丁俊祥, 鄒杰, 唐立松,等. 克里雅河流域荒漠-綠洲交錯帶3種不同生活型植物的光合特性[J]. 生態學報, 2015,3(3): 733–741.

[13] 劉衛國, 鄒杰. 水鹽梯度下克里雅河流域蘆葦光合響應特征[J]. 西北植物學報, 2014, 34(3): 572–580.

[14] 章文龍, 曾從盛, 高燈州, 等. 閩江河口濕地秋茄葉綠素含量高光譜遙感估算[J]. 生態學報, 2014, 21(21):6190–6197.

[15] 凌麗俐, 彭良志, 王男麒, 等. 缺鎂脅迫對紐荷爾臍橙葉綠素熒光特性的影響[J]. 生態學報, 2013, 33(1):71–78.

[16] 楊志曉, 史躍偉, 林世峰, 等. 烤煙碳氮代謝關鍵酶活性動態及其與類胡蘿卜素關系研究[J]. 中國煙草科學,2014, 35(2): 59–63.

[17] DAWSON T P, CURRAN P J. Technical note A new technique for interpolating the reflectance red edge position[J]. International Journal of Remote Sensing, 2010,19(11): 2133–2139.

[18] SUN C X, YUAN F, ZHANG Y L, et al. Unintended effects of genetic transformation on photosynthetic gas exchange,leaf reflectance and plant growth properties in barley(Hordeum vulgare L.)[J]. Photosynthetica, 2013, 51(1):22–32.

[19] RAHIMZADEH B P, MUNEHIRO M, OMASA K.Relationships between the photochemical reflectance index(PRI) and chlorophyll fluorescence parameters and plant pigment indices at different leaf growth stages[J].Photosynthesis Research, 2012, 113(1-3): 261–271.

[20] DASH J, CURRAN P J. Relationship between herbicide concentration during the 1960s and 1970s and the contemporary MERIS Terrestrial Chlorophyll Index(MTCI) for southern Vietnam[J]. International Journal of Geographical Information Science, 2006, 20(8):929–939.

[21] MOHD S H Z, MOHD S M A, GHIYAMAT A.Hyperspectral. Remote Sensing of Vegetation Using Red Edge Position Techniques[J]. American Journal of Applied Sciences, 2006, 3(6): 1864–1871.

[22] MUTANGA O, SKIDMORE A K. Red edge shift and biochemical content in grass canopies [J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2007, 62(1): 34–42.

Inversion model for chlorophyll content of Phragmites under different sample areas based on red edge parameter

LI Chun1,2, LIU Weiguo1,2,*, DING Xu1,2, ZOU Jie1,2, MA Jianwei1,2, WANG Fengfeng1,2, LIN Zhe1,2
1. College of Resources and Environment Science, Xinjiang University, Urumqi, Xinjiang 830046, China 2. Xinjiang Key Laborary of Oasis Ecology, Urumqi, Xinjiang 830046, China

The quantitative inversion of chlorophyll of desert plants in arid areas is an effective approach of dynamic monitoring and fast assessment of biomass and plant growth. Hyper spectral reflectances of Phragmites in Oasis habitat, saline area and desert habitat were measured by FieldSpecPro3 portable spectrometer. Correlation analysis was carried on hyperspectral data of first order and red edge parameters and chlorophyll content, meanwhile, red edge parameters were chose to establish optimal experience estimation model and the BPNN model. Models showed that the determination coefficients (R2) of binomial regression model eached the best, which were 0.8466, 0.8672 and 0.7935; RMSE was 2.3601, 1.4112 and 2.8002. For BPNN model, R2of accuracy est separately was 0.9147, 0.9331 and 0.8813; RMSE was 1. 4010, 0.9964 and 0.5559. Thus, the accuracy of BPNN was the best model and it could be widely used to be a kind of good chlorophyll hyperspectral inversion model, in providing reference for desert plant chlorophyll spectral characteristics of the inversion and providing a convenient and feasible way for monitoring plant growth and physiological characteristics.

Phragmites australis; red edge parameter; chlorophyll content; inversion model

10.14108/j.cnki.1008-8873.2017.03.010

Q14

A

1008-8873(2017)03-066-08

李春, 劉衛國, 丁旭, 等. 基于紅邊參數的蘆葦葉綠素的反演研究[J]. 生態科學, 2017, 36(3): 66-73.

LI Chun, LIU Weiguo, DING Xu, et al. Inversion model for chlorophyll content of Phragmites under different sample areas based on red edge parameter[J]. Ecological Science, 2017, 36(3): 66-73.

2015-11-03;

2016-02-01

國家自然基金課題(31260112); 國家自然基金新疆聯合項目(U1138303)

李春(1991—), 女, 新疆庫爾勒人, 碩士, 主要從事生態系統及全球變化生態學研究, E-mail: lichun0996@163.com

*通信作者:劉衛國, 男, 博士, 副教授, 主要從事生態學研究, E-mail: wgliuxj@126.com