農田不同粒級土壤含水量光譜特征及定量預測

盧艷麗，白由路，王磊，楊俐蘋

?

農田不同粒級土壤含水量光譜特征及定量預測

盧艷麗，白由路，王磊，楊俐蘋

（中國農業科學院農業資源與農業區劃研究所，北京 100081）

【目的】土壤含水量是土壤屬性的關鍵參數。摸清不同機械組成條件下土壤水分的光譜變化并實現土壤含水量的定量預測，為農田水分的快速監測及土壤其他屬性的定量獲取提供依據。【方法】通過人為控制獲得不同粒級和不同含水量的土壤樣品，確定室內土壤光譜測定的幾何條件，采集不同土樣的光譜特征并進行比較，按粒徑等級利用最小二乘法（PLSR）建立農田土壤含水量的光譜定量預測模型。【結果】土壤光譜反射率總體趨勢是隨含水量增加而降低，其差異隨著波長的增加和含水量的降低而增加，在1 400 nm和1 900 nm的水分敏感波段隨含水量增加光譜吸收深度也增加。但當含水量大于40%時，通過孔徑為0.15 mm篩子的土壤樣品（處理D-1），在350—1 240 nm光譜反射率隨含水量增加而升高，而1 240 nm以后隨含水量增加而降低。相對于將所有樣本數據混合建立模型，分粒級建立的模型在細顆粒土壤中預測效果得到了明顯改善，并且樣品越細模型在預測效果和穩定性也越好：最優模型均方根誤差=4.13%，決定系數2=0.90。同時，數據歸一化處理后所建立的模型在一定程度上降低了噪聲的影響，從而在預測效果和穩定性上也有所改善。【結論】土壤光譜隨含水量的變化而變化，但并不都表現隨含水量增加光譜反射率降低的特點，當含水量大于40%時，細顆粒土壤樣本表現為在350—1 240 nm波段光譜反射率隨含水量增加而升高；土壤含水量預測模型的精度和穩定性隨著土壤粒徑變小、樣本量增大以及光譜數據歸一化預處理而得到改善。

光譜；土壤含水量；粒徑；模型

0 引言

【研究意義】在作物光譜監測技術逐步成熟的同時，高光譜技術對土壤屬性的快速監測也越來越受到關注。土壤含水量作為表征一定土層深度下土壤干濕程度的物理量，是土壤屬性的關鍵參數。農田含水量的及時準確獲取對于土壤屬性估測和作物生長監測都具有實際意義。【前人研究進展】傳統土壤含水量的測定方法最常用是烘干稱重法，此外還有張力計法、中子儀法、電阻法等，以上方法都存在測定較費時、費力，并且難以實現快速或實時土壤含水量的監測。利用光譜技術來監測和定量預測土壤含水量則可以解決這些問題。土壤在1 400 nm和1 900 nm波段附近有明顯的吸收峰，在970、1 200和1 770 nm處有弱的吸收峰，它們都是土壤水分子振動的倍頻或合頻引起的[1]。早在二十世紀八九十年代就有學者提出土壤光譜反射率的變化是由于土壤顆粒四周水膜內部反射引起的，反射光譜隨含水量增加而降低，可以據此來測定土壤含水量及土壤吸附水的能量狀態[2-3]。隨后的研究進一步肯定了這個結論，特別是在水的各光譜吸收帶處尤為明顯[4-6]。有研究表明，隨著土壤含水量的增加，無論在哪個波長土壤的反射率均會降低，而且其差異隨波長的增加而加大[7-9]。SANTRA等[10]、HUMMEL等[11]研究了在實驗室內不同含水量狀況下土壤反射光譜的變化規律，并進行了土壤水分預測。由于各種土壤的持水能力有差異，所以反射率變化對應于濕度變化的靈敏度范圍也不同，一般含水量在10%—25%，反射率變化顯著，而持水性差的土壤，其靈敏度范圍可能少于10%，超過田間持水量時，土壤表面膜水層形成鏡面反射，會提高反射率[12]。在土壤含水量的定量化準確預測還存在很多困難，水分光譜敏感波段的精確提取受很多因素影響。例如，土壤質地的光譜響應敏感波段與水分的敏感波段具有較強的相似性：在1 400、1 900和2 200 nm水分的敏感波段處吸收深度隨土壤中黏粒含量的變化而變化，其中在2 200 nm處的吸收深度主要是由土壤中黏粒礦物晶格結構（如Al-OH）引起的[13-16]。土壤含水量的光譜數據獲取隨土壤屬性和測定條件而發生變化，尤其是土壤的機械組成的影響。在較理想狀態下（如環境控制和樣品處理）采集的光譜數據有利于土壤含水量的深度解析，可為自然條件下土壤屬性的獲取提供依據。【本研究切入點】基于土壤含水量和質地的光譜敏感波段相似，目標光譜信息解析困難，本研究力圖在明確室內土壤光譜測定的幾何條件的基礎上，摸清不同粒級條件下光譜隨土壤水分變化的特征，為解決光譜異質性和提高土壤屬性的提取精度提供重要依據，為田間以及野外大面積遙感監測土壤水分提供理論依據。【擬解決的關鍵問題】不同粒級土壤含水量土壤光譜響應特征解析，明確水分敏感波段的光譜隨土壤含水量的變化特征，以及土壤水分含量的定量光譜預測模型的構建及優化。

1 材料與方法

1.1 土樣采集及樣品信息

以2015—2016年小麥收獲后農田0—20 cm耕層的土壤為研究對象，采集不同點位土壤樣品帶回室內進行進一步處理。

不同粒徑分級：采用不同篩目的土篩進行分級。將風干后土樣分別過100目、80目、60目和18目篩，對應篩孔直徑分別為0.15、0.18、0.25和1.00 mm，得到不同顆粒大小共計4個粒徑等級的樣品，分別表示為D-1、D-2、D-3、D-4。

土壤含水量測定采用烘干稱重法。利用相同大小黑色（或涂黑）的紙質容器，記下容器重W0；將烘干的土壤樣品放在容器中，距離容器邊沿大約1 cm，刮平樣品表面，記下總重W1；不同處理均沿容器壁緩慢注入固定體積的水量，該水量以使得每個處理都達到飽和含水量以上；靜置后每隔2 h測一次總重，穩定后記重量為Wn，同時采集光譜數據。因此，每次測定光譜數據時土壤的含水量即為：

SWC（%）=（Wn-W1）/（W1-W0）×100%

供試樣本來源于同一地塊不同點位。其中，校正樣本集來源于2015年麥收后的土壤采集的數據，共計278個樣本，用來建立校正模型；驗證樣本集為2016年麥收后的土壤采集的數據，共計275個樣本，用來驗證模型。樣本在不同含水量范圍的分布情況見表1。

表1 校正集和驗證集樣本的平均含水量及樣本數量信息

D-1、D-2、D-3、D-4分別表示分別將風干后土樣過100目、80目、60目和18目篩。括號內外數據分別為土壤含水量和樣本數

D-1, D-2, D-3 and D-4 denoted the treatment sieved through 100, 80, 60 and 18 mesh, respectively. The outside and inside of brackets are soil water content (SWC) and sample number (N) respectively, which denoted as SWC(N)

1.2 光譜儀及光譜測定

光譜測量使用的儀器為美國ASD Fieldspec FR2500光譜儀，光譜范圍為350—2 500 nm。測定過程在四周用黑色遮光布包圍的實驗室內進行：將處理好的土樣置于直徑10 cm容器中，5度視場角的光纖探頭距土壤樣本表面30 cm，光源為距土壤表面50 cm的能夠提供平行光的1 000 W鹵光燈光源，天頂角為15°，以白色參考板獲取絕對反射率。每個樣品在視場范圍內重復測定10次，各處理測定前后，進行參考板校正。參考板的光譜反射率是經過嚴格的實驗室標定的，通過比值方法，計算目標的光譜反射率。計算公式如下：

1.3 數據分析

模型校正集樣本來源于不同含水量不同粒級數據，共計278個樣本參與模型建立和內部交互驗證。利用相同幾何測試條件下測定的模型外未知樣本（=275）進行了模型的外部驗證及效果評價。針對每一粒級分別建模時，D-1、D-2、D-3樣本數量均為75個即=75，而D-4樣本數量為53個即=53。驗證樣本集D-1、D-2、D-3、D-4的樣本量分別為70、75、72、58個。采用軟件Unscrambler9.7、Excel2007進行數據處理、建模、驗證等分析。

2 結果

2.1 不同含水量光譜特征分析

圖1表明，土壤光譜反射率隨含水量增加而降低，并且隨含水量增加，不同含水量樣品光譜反射率之間差異變小，其差異也隨波長的增加而增大，該變化趨勢不受土壤粒徑大小的影響；對于不同粒級的樣本而言，D-1、D-2和D-3處理均在SWC大于17%時，不同含水量樣本的光譜反射率差異變小；而相對于前3個處理，D-4處理在SWC在3.97%—32.06%范圍內，土壤光譜反射率之間均有較大差異。

隨含水量增加，光譜反射率曲線在1 400 nm和1 900 nm的水分吸收深度增加；在D-1處理中，當含水量大于40%時，在350—1 240 nm波段范圍內的光譜反射率隨土壤含水量增加而升高，1 240 nm以后隨含水量增加而降低。這是由于土壤中水分含量高，增加了鏡面反射的貢獻，導致350—1 240 nm反射率升高，而1 240 nm以后仍遵守隨SWC增加而降低的規律。該現象與土壤樣本的粒徑大小有關，在D-1樣本中表現明顯，在D-2樣本中不明顯。D-3和D-4中未出現這種現象。

2.2 土壤含水量光譜預測模型建立及驗證

2.2.1 包含不同粒級混合樣本土壤含水量光譜預測模型建立與驗證 將包含不同粒級、不同含水量的278個數據混合作為一組大樣本進行土壤含水量光譜預測模型的構建。通過驗證，模型預測值和實測值呈顯著線性相關性，其校正集和驗證集決定系數2和均方根誤差分別為0.82、0.79和5.03%、5.40%（圖2）。預測誤差和校正誤差的比值SEP/SEC接近于1.0，該值代表了模型的穩定性，一般要求小于1.2，由此可見，利用大樣本建立的模型穩定性通過了檢驗，預測精度有待提高，對真值高的預測偏低，而對于真值低的預測值偏高，土壤含水量大約在15%—30%之間預測效果較好。

圖1 不同粒級含水量光譜響應特征

圖2 不同粒級混合樣本土壤含水量光譜預測

2.2.2 分級樣本土壤含水量光譜預測模型建立與驗證 按照不同粒級劃分，對每一級的樣本分別進行偏最小二乘法回歸分析，從圖3可以看出，同一粒級所建立的模型均表現出較好的回歸效果，但是模型的預測效果、交互驗證以及模型的穩定性均隨著粒級的增加而降低。表2列出了利用未經預處理的光譜數據所建立的SWC的預測模型各參數情況。D-1樣本所建立的模型預測集2為0.89，驗證集2為0.89，SEP/SEC=1.0，說明模型在預測精度和穩定性上均較好；D-2樣本所建立的模型預測集2為0.91，驗證集2為0.85，但模型預測誤差增加，穩定性下降：SEP/SEC=1.37；而D-3和D-4樣本所建立的模型預測集2均在0.75附近，預測效果明顯降低。

2.2.3 歸一化預處理后的分級樣本土壤含水量光譜預測模型建立與驗證 盡管未經光譜數據預處理條件下建立的模型達到較高的預測精度，并且在較細土壤樣本中模型的穩定性也比較好。但為了進一步驗證光譜采集是否受到噪聲的影響，本文嘗試了幾種光譜預處理方法，包括平滑（smooth）、歸一化（normalize）、光譜轉換（spectroscopic）、多遠散射校正（MSC/EMSC）、去噪（Noise）、微分（differentiation）以及基線（baseline）等方法。結果顯示，歸一化處理后模型在預測效果和穩定性上略好（表3、圖4）。如表3所示，除了D-3樣本所建模型的預測精度和穩定性降低外，其他粒級樣本所建立的模型都在一定程度上得到了改善。

表2 利用未經預處理的光譜數據所建立的模型評價參數

圖3 不同粒級分別建立模型預測評價

3 討論

3.1 土壤水分和粒徑變化的光譜響應

土壤水分在土壤光譜中具有較大的貢獻比例，影響著土壤其他屬性的光譜信息提取精度。例如，以往很多研究為了降低土壤水分和機械組成對目標光譜的干擾，多采用對土樣進行風干（或烘干）磨細處理[17-20]。了解土壤含水量的光譜特征，建立土壤水分的光譜定量反演模型對于快速、準確監測土壤水分狀況、獲取作物生長狀況都具有重要意義。大量研究均已證明水分的敏感波段位于1 400、1 900和2 200 nm 3個波段附近[13-14]。而這些水分敏感波段通常也包含有土壤其他屬性信息，例如在1 400、1 900和2 200 nm水分吸收特征波段處的光譜受土壤中黏粒含量的變化影響[15-16]。另外，含水量高低不僅影響反射率曲線整體的波動，當含水量達到一定程度時，在細顆粒的土壤樣本中部分波段由于鏡面反射的緣故反射率激增，這與前人研究有所不同。而對其他粒級的土壤樣本是否也存在這樣的現象需要大量樣本來考證。

圖4 利用歸一化預處理數據對不同粒級分別建立模型預測評價

表3 數據歸一化預處理后模型評價

3.2 土壤含水量模型的建立

本研究進行了樣本混合和分粒級建立模型、同一粒級又進行了原始數據和預處理數據分別建立模型，分粒級建立模型在模型預測精度和穩定性上以細顆粒土壤樣本效果最好，規律是樣本越細預測精度和穩定性越好。這與前人的研究結論即粒徑越小的土壤屬性光譜預測精度越高相一致[21-22]。粒徑大的土壤顆粒間隙大，其表面結構與粒徑小的土壤是不同的，而細顆粒土壤表面相對緊實，表面結構對光譜的噪聲干擾較小，因此預測效果也比較好。因此，對土壤水分的光譜定量反演研究必須要考慮土壤機械組成的影響。將所有樣本數據混合建立模型，盡管2有所降低，但是樣本量增大了（=278），在一定程度上模型的穩定性還是比較好的。另外，各種預處理的方法在一定程度上提高了光譜的信噪比，使得所建立的模型預測效果得以改善[23]。本研究顯示，與未經數據處理所建立的模型相比，改善幅度并不大，這也說明了后期對數據的預處理只是在一定程度上增強了目標信息，前期光譜采集時的土壤處理和條件控制才是獲得高質量數據的根本，從基礎上保證所測得的數據穩定性和高信噪比是關鍵。

3.3 土壤含水量光譜預測存在的問題

相對于傳統的土壤含水量測定方法，光譜技術提供了一種省時、省力并且低成本的監測手段。由于土壤組成及測定環境的影響，獲取穩定的光譜數據是準確預測的關鍵。為了控制環境因素的影響，通常是人為營造可控的環境，如本文所述的室內條件下測定，避免了外界環境因素（如，光、水氣以及太陽角度等）的干擾，提高了光譜的信噪比。但是，還有一些問題需要進一步研究。首先，室內土壤光譜測定的幾何條件變化的影響。測試幾何條件需要嚴格控制，并且要規范化，以便不同批次、不同類型土壤測定時進行對比。其次，土壤二向反射特性的影響。土壤顆粒越大影響越嚴重，這也可能是造成隨土壤粒級增加預測模型精度和穩定性變差的主要原因。第三，進一步加強光譜數據庫建設。澳大利亞ROSSEL和美國BROWN完成了對全球多個國家土壤光譜數據庫建設[24-25]。針對土壤規范的光譜庫還有待于進一步加強和完善[26]。不同土壤類型、組成以及不同測定條件都會導致光譜的波動，尤其是土壤本身的差別造成的波動很難建立普適性較強的模型，因此這就需要建立包含各種相關信息數據的光譜庫，供數據獲取、匹配和對比分析參考。

4 結論

土壤光譜隨含水量的變化而變化：土壤光譜反射率隨含水量增加光譜反射率降低，其差異隨著波長的增加和含水量的降低呈現增加的趨勢，光譜反射率曲線在1 400 nm和1 900 nm的水分吸收深度也增加。但是當含水量大于40%時，350—1 240 nm光譜反射率隨含水量增加而升高，這是因為土壤含水量高形成鏡面反射，該現象與土壤樣本的粒徑大小有關。土壤含水量預測模型的精度和穩定性受土壤顆粒組成、光譜數據預處理以及樣本量大小影響。模型的預測效果、交互驗證以及模型的穩定性均因土壤粒級的降低而得到改善，將光譜數據進行歸一化預處理后，進一步提高了光譜的信噪比，模型在預測效果和穩定性上有進一步改善。

[1] 孫家柄. 遙感原理與應用. 武漢: 武漢大學出版社, 2009.

SUN J B.Wuhan: Wuhan University Press, 2009. (in Chinese)

[2] IRONS J R, WEISMILLER R A, PETERSEN G W. Soil reflectance//ASRAR G.. New York: John Wiley and Sons, 1989: 66-106.

[3] IDSO S B, JACKSON R D, REGINATO R J, KIMBALL B A, NAKAYAMA F S. The dependence of bare soil albedo on soil water content., 1975, (14): 109-113.

[4] 張俊華, 賈科利. 典型龜裂堿土土壤水分光譜特征及預測. 應用生態學報, 2015, 26(3): 884-890.

ZHANG J H, JIA K L. Spectral reflectance characteristics and modeling of typical Takyr Solonetzs water content., 2015, 26(3): 884-890. (in Chinese)

[5] 刁萬英. 基于可見-近紅外波段反射率估算表層土壤含水量[D]. 北京: 中國農業大學, 2016.

DIAO W Y. Estimation of surface soil moisture based on visible near infrared reflectance[D]. Beijing: China Agricultural University, 2016. (in Chinese)

[6] 王德彩, 張俊輝, 韓光中. 土壤含水量對采用vis-nir光譜分析土壤質地的影響. 地理與地理信息科學, 2015, 31(6): 52-55.

WANG D C, ZHANG J H, HAN G Z. Effects of soil water content on soil texture using Vis-NIR spectroscopy., 2015, 31 (6): 52-55. (in Chinese)

[7] MULLER E, DECAMPS H．Modeling soil moisture-reflectance., 2001, 76(2): 173-180.

[8] VERHOEST N E, LIEVENS H, WAGNER W, áLVAREZ-MOZOS J, MORAN M S, MATTIA F. On the soil roughness parameterization problem in soil moisture retrieval of bare surfaces from synthetic aperture radar., 2008, 8(7): 4213-4248.

[9] 劉洋, 丁瀟, 劉煥軍, 張新樂, 曲長祥, 胡文, 臧紅婷. 黑土土壤水分反射光譜特征定量分析與預測. 土壤學報, 2014(5): 1021-1026.

Liu Y, Ding X, Liu H J, Zhang X L, Hu W, Qu C X, Zang H T. Analysis and prediction of soil moisture reflectance characteristics of quantitative black soil., 2014 (5): 1021-1026. (in Chinese)

[10] SANTRA P, SAHOO R N, DAS B S, SAMAL R N, PATTANAIK A K, GUPTA V K. Estimation of soil hydraulic properties using proximal spectral reflectance in visible, near-infrared, and shortwave- infrared (vis-nir-swir) region., 2009, 152(3/4): 338-349.

[11] HUMMEL J W, SUDDUTH K A, HOLLINGER S E. Soil moisture and organic matter prediction of surface and subsurface soils using an NIR soil sensor., 2001, 32: 149-165.

[12] 徐金鴻, 徐瑞松, 夏斌, 朱照宇. 土壤遙感監測研究進展. 水土保持研究, 2006, 13(2): 17-20.

XU J H, XU R S, XIA B, ZHU Z Y. Research advances on soil monitor by remote sensing., 2006, 13(2): 17-20. (in Chinese)

[13] Demattê J A M, Antonio A, Sousa M C. Alves Marcos R, Nanni Peterson R, Fiorio, Rogério Costa Campos. Determining soil water status and other soil characteristics by spectral proximal sensing., 2006, 135(11): 179-195.

[14] 劉偉東, F. Baret, 張兵, 鄭蘭芬, 童慶禧. 應用高光譜遙感數據估算土壤表層水分的研究. 遙感學報, 2004, 8(5): 434-442.

LIU W D, BARET F, ZHANG B, ZHENG L F, TONG Q X. Estimation of soil surface water using hyperspectral remote sensing data., 2004, 8(5): 434-442. (in Chinese)

[15] Ben-Dor E. Quantitative remote sensing of soil properties.2002, 73: 173-243.

[16] ROSSEL R A V, WALVOORT D J J, MCBRATNEY A B, JANIK L J, SKJEMSTAD J O. Visible, near infrared, mid infrared or combined diffuse reflectance spectroscopy for simultaneous assessment of various soil properties., 2006, 131(1/2): 59-75.

[17] SHI Z, JI W, VISCARRA R R A, CHEN S, ZHOU Y. Prediction of soil organic matter using a spatially constrained local partial least squares regression and the Chinese vis–nir spectral library., 2015, 66(4): 679-687.

[18] THOMAS U, CHRISTOPH E, THOMAS J. Quantitative analysis of soil chemical properties with diffuse reflectance spectrometry and partial least-square regression: A feasibility study, 2003, 251: 319-329.

[19] LU Y L, BAI Y L, YANG L P, WANG H J. Hyperspectral extraction of soil organic matter content based on principle component regression.2007, 50: 1169-1175.

[20] SUMMERS D, LEWIS M, OSTENDORF B, CHITTLEBOROUGH D. Visible near-infrared reflectance spectroscopy as a predictive indicator of soil properties., 2011, 11: 123-131.

[21] REEVES III J, McCATTY G, MIMMO T. The potential of diffuse reflectance spectroscopy for the determination of carbon inventories in soils., 2002, 116(3): 277-284.

[22] FONTáN J M, CALVACHE S, LóPEZ-BELLIDO R J, LóPEZ-BELLIDO L. Soil carbon measurement in clods and sieved samples in a Mediterranean Vertisol by Visible and Near-Infrared Reflectance Spectroscopy., 2010, 156(3): 93-98.

[23] 褚小立. 化學計量學方法與分子光譜分析技術. 北京: 化學工業出版社, 2002: 41-53

CHU X L.. Beijing: Chemical Industry Press, 2002: 41-53. (in Chinese)

[24] Rossel R A V, Behrens T, Ben-Dor E, Brown D J, Demattê J A M, Shepherd K D. A global spectral library to characterize the world's soil., 2016,155: 198-230.

[25] Brown D J, Shepherd K D, Walsh M G, Mays M D, Reinsch T G. Global soil characterization with vnir diffuse reflectance spectroscopy., 2006,132(3): 273-290.

[26] JI W, LI S, CHEN S, SHI Z, ROSSEL R A V, MOUAZEN A M. Prediction of soil attributes using the Chinese soil spectral library and standardized spectra recorded at field conditions., 2016,155: 492-500.

（責任編輯 李云霞）

Spectral Characteristics and Quantitative Prediction of Soil Water Content under Different Soil Particle Sizes

LU YanLi, BAI YouLu, WANG Lei, YANG LiPing

(Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing 100081)

【Objective】Hyper spectral technology is more and more widely applied in monitoring soil properties. Soil Water Content (SWC) is a key parameter of soil properties. This paper aimed to make clear the spectral response of soil moisture under different soil roughness to predict quantitatively soil water content, and further to provide the basis for rapid monitoring of farmland moisture and other soil properties. 【Method】 Soil samples were sieved through different mesh sizes to classify into different particle sizes, and then set different moisture levels. The spectral reflectance of those samples were compared, and the quantitative prediction models of soil water content were established by Partial Least Squares Regression (PLSR) method. 【Result】The results showed that the spectral reflectance decreased with the increase of soil water content, and the difference became bigger as the increase of wavelength and decrease of soil water content. The absorptions got deeper in 1 400 nm and 1 900 nm with the increase of water content. In those soil samples passed through a sieve with an aperture of 0.15 mm (denoted as D-1), the spectral reflectance increased in 350-1 240 nm and then decreased after 1 240 nm when the water content was more than 40%. Compared with the model constructed from all samples with different sizes, models from the same size were improved in predicting accuracy and stability: the smaller the particle size was, the better the prediction effect and stability of the predicting model were. The(root mean square error) and2of the optimal model were 4.13% and 0.90, respectively. Additionally, normalization of spectral data reduced the influence of noise, and improved the predicting accuracy and stability of the model. 【Conclusion】The spectral generally decreased with soil water content increasing, but soil with small size showed opposite in 350-1 240 nm when the moisture content was greater than 40%. The predicting model for soil water content was improved as size getting smaller and sample number involved getting larger, and the spectral data normalization also improved predicting accuracy and stability of model.

spectral; soil water content; particle size; model

10.3864/j.issn.0578-1752.2018.09.009

2017-08-03；

2017-10-12

國家自然科學基金項目（41371292）

盧艷麗，Tel：010-82105030；E-mail：luyanli@caas.cn