高级检索

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于多源数据的根河实验区生物量反演研究

李春梅 张王菲 李增元 陈尔学 田昕

李春梅, 张王菲, 李增元, 陈尔学, 田昕. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
引用本文: 李春梅, 张王菲, 李增元, 陈尔学, 田昕. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
LI Chun-mei, ZHANG Wang-fei, LI Zeng-yuan, CHEN Er-xue, TIAN Xin. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
Citation: LI Chun-mei, ZHANG Wang-fei, LI Zeng-yuan, CHEN Er-xue, TIAN Xin. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209

基于多源数据的根河实验区生物量反演研究

doi: 10.13332/j.1000-1522.20150209
基金项目: 

中央级公益性科研院所基本科研业务费专项(IFRIT201302)、“973” 国家重点基础研究发展计划项目(2013CB733404)、国家青年自然科学基金项目(41101379)

详细信息
    作者简介:

    李春梅。主要研究方向:林业遥感。Email: cm_li@sina.com 地址: 100091北京市海淀区颐和园后香山路中国林业科学研究院资源信息所。
    责任作者: 田昕,博士,副研究员。主要研究方向:遥感技术应用。Email: tianxin@caf.ac.cn 地址:同上。

    李春梅。主要研究方向:林业遥感。Email: cm_li@sina.com 地址: 100091北京市海淀区颐和园后香山路中国林业科学研究院资源信息所。
    责任作者: 田昕,博士,副研究员。主要研究方向:遥感技术应用。Email: tianxin@caf.ac.cn 地址:同上。

Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia

  • 摘要: 森林是陆地生态系统的重要组成部分,精确估测森林地上生物量能够减少陆地生态系统碳储量的不确定性。本文以内蒙古大兴安岭根河实验区为研究区,基于森林样地调查数据、Landsat 8 OLI、机载P-波段PolSAR以及ASTER GDEM数据,分别采用多元线性逐步回归法和基于随机森林算法(Random Forest, RF)进行特征优化选择后的k-最近邻(k-nearest neighbors, k-NN)法对研究区森林地上生物量(above-ground biomass, AGB)进行估测,对比验证采用不同类型数据(单传感器数据和多传感器数据)时2种方法的反演结果来寻求森林AGB估测的最优方法和输入因子,最后利用最优的估测方法来反演整个研究区的森林AGB,生成根河实验区的森林AGB等级分布图。结果表明:对于多元线性逐步回归和k-NN 2种不同的方法,森林AGB的反演都表现出较为一致的结果,即采用多传感器遥感数据(Landsat 8 OLI和机载P-波段PolSAR数据)比采用单传感器遥感数据估算的森林AGB精度要高;而在同时采用多传感器遥感数据进行森林AGB的反演中,k-NN算法的估测结果(R2=0.65, RMSE=17.49 t/hm2)明显优于多元线性逐步回归算法(R2=0.36, RMSE=22.08 t/hm2)的估测结果。显然,多源数据协同反演森林AGB可以充分利用每种传感器的优点,提高遥感估测森林AGB的能力;与多元逐步回归方法相比,k-NN算法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系,且能够避免发生过学习现象和样本不平衡问题。
  • [1] 汤旭光, 刘殿伟, 王宗明, 等. 森林地上生物量遥感估算研究进展[J]. 生态学杂志, 2012, 31(5): 1311-1318.
    [2] TANG X G, LIU D W, WANG Z W, et al. Estimation of forest aboveground biomass based on remote sensing data: a review[J]. Chinese Journal of Ecology, 2012, 31(5): 1311-1318.
    [3] 林清山, 洪伟. 中国森林碳储量研究综述[J]. 中国农学通报, 2009, 25(6): 220-224.
    [4] LIN Q S, HONG W. Summary of research on forest carbon storage in China[J]. Chinese Agricultural Science Bulletin, 2009, 25(6): 220-224.
    [5] LI D R, WANG C W, HU Y M, et al. Estimation of forest biomass based on remote sensing data[J]. Geomatics and Information Science of Wuhan University, 2012, 37(6): 631-635.
    [6] 李德仁, 王长委, 胡月明, 等. 遥感技术估算森林生物量的研究进展[J]. 武汉大学学报(信息科学版), 2012, 37(6): 631-635.
    [7] YUAN Y, LI H, LIU Y F. Picea schrenkiana forest biomass estimate in the West Tianshan Mountain based on improved B-P neural network[J]. Journal of Fujian Normal University(Natural Science Edition), 2011, 27(2): 124-132.
    [8] 袁野, 李虎, 刘玉峰. 基于改进型B-P神经网络的西天山云杉林生物量估算[J]. 福建师范大学学报(自然科学版), 2011, 27(2): 124-132.
    [9] WAN M, LI Z G, LI F H, et al. Advances in estimation of forest biomass based on remote sensing data[J]. Journal of Henan Forestry Science and Technology, 2009, 29(4): 42-45.
    [10] 万猛, 李志刚, 李富海, 等. 基于遥感信息的森林生物量估算研究进展[J]. 河南林业科技, 2009, 29(4): 42-45.
    [11] 韩爱惠, 智长贵, 王雪军, 等. 利用MODIS数据反演森林生物量的方法研究[J]. 林业资源管理, 2011(4): 40-47.
    [12] HAN A H, ZHI C G, WANG X J, et al. Study on monitoring method of forest biomass based on MODIS[J]. Forest Resources Management, 2011(4): 40-47.
    [13] XU X J, ZHOU G M, DU H Q, et al. Estimation of aboveground biomass of Phyllostachys praecox forest based on Landsat thematic mapper image[J]. Scientia Silvae Sinicae, 2011, 47(9): 1-6.
    [14] 徐小军, 周国模, 杜华强, 等. 基于Landsat TM数据估算雷竹林地上生物量[J]. 林业科学, 2011, 47(9): 1-6.
    [15] GUO Z H, PENG S L, WANG B S. Estimating forest biomass in Western Guangdong using Landsat TM data[J]. Acta Ecologica Sinica, 2002, 22(11): 1832-1840.
    [16] GLEASON C J, IM J. Forest biomass estimation from airborne LiDAR data using machine learning approaches[J]. Remote Sensing of Environment, 2012, 125: 80-91.
    [17] WANG Q M, BAO L, ZHOU M, et al. Study on remote sensing model for biomass and carbon storage of the Larix prinicipis-rapprechii plantation[J]. Forest Resources Management, 2014(4): 52-57.
    [18] KRONSEDER K, BALLHORN U, BÖHM V, et al. Above ground biomass estimation across forest types at different degradation levels in Central Kalimantan using LiDAR data[J]. International Journal of Applied Earth Observation and Geoinformation, 2012, 18: 37-48.
    [19] 郭志华, 彭少麟, 王伯荪. 利用TM数据提取粤西地区的森林生物量[J]. 生态学报, 2002, 22(11): 1832-1840.
    [20] GUO Y, LI Z Y, CHEN E X, et al. Estimating forest above-ground biomass in the upper reaches of Heihe River Basin using multi-spectral remote sensing[J]. Scientia Silvae Sinicae, 2015, 51(1): 140-149.
    [21] GUO Y. Optimum non-parametric method for forest above ground biomass estimation based on remote sensing data[D]. Beijing: Chinese Academy of Forestry, 2011: 1-103.
    [22] 王清梅, 包亮, 周梅, 等. 华北落叶松人工林生物量及碳储量遥感模型研究[J]. 林业资源管理, 2014(4): 52-57.
    [23] CHEN E X, LI Z Y, WU H G, et al. Forest volume estimation method for small areas based on k-NN and Landsat data[J]. Forest Research, 2008, 21(6): 745-750.
    [24] 郭云, 李增元, 陈尔学, 等. 甘肃黑河流域上游森林地上生物量的多光谱遥感估测[J]. 林业科学, 2015, 51(1): 140-149.
    [25] 郭颖. 森林地上生物量的非参数化遥感估测方法优化[D]. 北京: 中国林业科学研究院, 2011: 1-103.
    [26] SUN Y H, HUANG C Y. ZHANG J X. Macrofungi of Genhe City in Inner Mongolia[J]. Acta Edulis Fungi, 2009, 16(1): 81-88.
    [27] 陈尔学, 李增元, 武红敢, 等. 基于k-NN和Landsat数据的小面积统计单元森林蓄积估测方法[J]. 林业科学研究, 2008, 21(6): 745-750.
    [28] CHEN C G, ZHU J F. Woody biomass manual of typical species in the Northeast of China[M]. Beijing: China Forestry Publishing House, 1989.
    [29] CHIRICI G, BARBATI A, CORONA P, et al. Non-parametric and parametric methods using satellite images for estimating growing stock volume in alpine and Mediterranean forest ecosystems[J]. Remote Sensing of Environment, 2008, 112(5): 2686-2700.
    [30] CHEN E X, Li Z Y. Method of Geocoding ALOS PALSAR image to the earth ellipsoid [J]. Remote Sensing Information[J], 2008(1): 37-42.
    [31] YAO D J, YANG J, ZHAN X J. Feature selection algorithm based on random forest[J]. Journal of Jilin University(Engineering and Technology Edition), 2014, 44(1): 1-5.
    [32] 孙亚红, 黄晨阳, 张金霞. 内蒙古根河市野生大型经济真菌资源调查报告[J]. 食用菌学报, 2009, 16(1): 81-88.
    [33] 陈传国, 朱俊凤. 东北主要林木生物量手册[M]. 北京: 中国林业出版社, 1989.
    [34] LI X H. Using random forest for classification and regression[J]. Chinese Journal of Applied Entomology, 2013, 54(4): 1190-1197.
    [35] 陈尔学, 李增元. ALOS PALSAR影像地球椭球地理编码方法[J]. 遥感信息, 2008(1): 37-42.
    [36] FANG K N, WU J B, ZHU J P, et al. A review of technologies on Random Forests[J]. Statistics Information Forum, 2012, 26(3): 32-38.
    [37] WU G J, GUO Z H, GUO J L, et al. Estimation of mangrove wetland aboveground biomass based on remote sensing data: a review[J]. Journal of Southern Agriculture, 2013, 44(4): 693-696.
    [38] REESE H, NILSSON M, SANDSTROM P, et al. Applications using estimates of forest parameters derived from satellite and forest inventory data[J]. Computers and Electronics in Agriculture, 2002, 37(1/3): 37-55.
    [39] 姚登举, 杨静, 詹晓娟. 基于随机森林的特征选择算法[J]. 吉林大学学报(工学版), 2014, 44(1): 1-5.
    [40] BREIMAN L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.
    [41] 李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报, 2013, 54(4): 1190-1197.
    [42] 方匡南, 吴见彬, 朱建平, 等. 随机森林方法研究综述[J]. 统计与信息论坛, 2012, 26(3): 32-38.
    [43] LI S, HARNER E J, ADJEROH D A. Random KNN feature selection: a fast and stable alternative to Random Forests[J]. BMC Bioinformatics, 2011, 12(1): 450.
    [44] 武高洁, 郭志华, 郭菊兰, 等. 红树林湿地地上生物量遥感估算研究进展[J]. 南方农业学报, 2013, 44(4): 693-696.
  • [1] 郭正齐, 张晓丽, 王月婷.  Sentinel-2A多特征变量反演针叶林地上生物量能力评估 . 北京林业大学学报, 2020, 42(): 1-12. doi: 10.12171/j.1000-1522.20200097
    [2] 张加龙, 胥辉.  基于遥感的高山松连清固定样地地上生物量估测模型构建 . 北京林业大学学报, 2020, 42(7): 1-11. doi: 10.12171/j.1000-1522.20190394
    [3] 李云, 张王菲, 崔鋆波, 李春梅, 姬永杰.  参数优选支持的光学与SAR数据森林地上生物量反演研究 . 北京林业大学学报, 2020, 42(10): 11-19. doi: 10.12171/j.1000-1522.20190389
    [4] 尉文, 庞荣荣, 彭潔莹, 张硕新, 闫琰.  太白山锐齿栎林地上生物量分布 . 北京林业大学学报, 2019, 41(12): 69-76. doi: 10.12171/j.1000-1522.20190440
    [5] 李明泽, 于欣彤, 高元科, 范文义.  基于SAR极化分解与Landsat数据的森林生物量遥感估测 . 北京林业大学学报, 2018, 40(2): 1-10. doi: 10.13332/j.1000-1522.20170284
    [6] 何游云, 张玉波, 李俊清, 王卷乐.  利用无人机遥感测定岷江冷杉单木树干生物量 . 北京林业大学学报, 2016, 38(5): 42-49. doi: 10.13332/j.1000-1522.20150383
    [7] 毛学刚, 王静文, 范文义.  基于遥感与地统计的森林生物量时空变异分析 . 北京林业大学学报, 2016, 38(2): 10-19. doi: 10.13332/j.1000-1522.20150214
    [8] 吴迪, 范文义.  激光雷达协同多角度光学遥感数据反演树高 . 北京林业大学学报, 2014, 36(4): 8-15. doi: 10.13332/j.cnki.jbfu.2014.04.006
    [9] 张志, 田昕, 陈尔学, 何祺胜.  森林地上生物量估测方法研究综述 . 北京林业大学学报, 2011, 33(5): 144-150.
    [10] 庞琪伟, 贾黎明, 郑士光.  基于多谱辐射仪的柠条地上干生物量估算模型研究 . 北京林业大学学报, 2010, 32(4): 81-85.
    [11] 齐建东, 蒋禧, 赵燕东.  基于无线多媒体传感器网络的森林病虫害监测系统 . 北京林业大学学报, 2010, 32(4): 186-190.
    [12] 阎伟, 宗世祥, 骆有庆, 曹川健, 李占文, 郭琪林, .  逐步回归模型在油蒿钻蛀性害虫预测中的应用 . 北京林业大学学报, 2009, 31(3): 140-144.
    [13] 唐菲菲, 刘经南, 张小红1, 阮志敏, .  基于体素的森林地区机载LiDAR数据DTM提取 . 北京林业大学学报, 2009, 31(1): 55-59.
    [14] 刘少刚, 孟庆鑫, 罗跃生, 王珏, 田勇臣.  单一平面电容传感器数学模型的数值解法 . 北京林业大学学报, 2009, 31(4): 135-140.
    [15] 刘健, 余坤勇, 洪桢华, 赖日文, 孟宪宇, 赖玫妃, 吕恒斌, .  遥感数据应用于悬浮泥沙反演及动态变化监测 . 北京林业大学学报, 2008, 30(增刊1): 94-97.
    [16] 刘少刚, 孟庆鑫, 罗跃生, 董晓璋, 田勇臣, .  任意结构形状的电容传感器原理和数学模型 . 北京林业大学学报, 2008, 30(4): 17-21.
    [17] 贺窑青, 欧阳杰, 孙青, 曲红, 雷庆哲, 李莉, 李艳华, 熊丹, 胡海英, 王丰俊, 乔海莉, 张玲, 姚娜, 石娟, 刘美芹, 孙月琴, 李在留, 隋金玲, 周章义, 程堂仁, 郝晨, 金莹, 范丙友, 王莉, 陈佳, 段旭良, 胡晓丹, 刘丽, 孙爱东, 冯菁, 沈昕, 郑彩霞, 阎伟, 尹伟伦, 冯秀兰, 周燕, 张艳霞, 续九如, 康向阳, 陆海, 王建中, 赵亚美, 李凤兰, 武彦文, 路端正, 张香, 骆有庆, 尹伟伦, 陈发菊, 李云, 陈晓阳, 张志毅, 骆有庆, 田呈明, 郭锐, 张德权, 吴晓成, 孙爱东, 马钦彦, 安新民, 史玲玲, 沈繁宜, 阎晓磊, 武海卫, 蒋湘宁, 胡晓丹, 胡德夫, 赵蕾, 李忠秋, 王晓东, 骆有庆, 高述民, 梁华军, 卢存福, 王百田, 王华芳, 姜金仲, 郑永唐, 梁宏伟, 郝俊, 骆有庆, 严晓素, 王瑛, 郭晓萍, 王冬梅, 骈瑞琪, 刘玉军, 王建中, 王晓楠, 冯仲科, 冯晓峰, 赵兵, 王华芳, 高荣孚, 张志翔, 崔彬彬
    , 尹伟伦, 温秀凤3, 王玉兵, 吴坚, 谢磊, 于京民2, 李凯, 邹坤, 刘玉军, 张庆, 张兴杰, 丁霞, 陈卫平, 林善枝, 呼晓姝, 陶凤杰, 王民中, 杨伟光, 沈应柏, 孙建华, 李镇宇, 刘艳, 王玉春, 李凤兰, 付瑞海, 汪植, 马建海, 赵新丽, 蒋平.  基于森林资源清查资料的林分生物量相容性线性模型 . 北京林业大学学报, 2007, 29(5): 110-113.
    [18] 张军国, 李文彬, 韩宁, 阚江明.  基于ZigBee无线传感器网络的森林火灾监测系统的研究 . 北京林业大学学报, 2007, 29(4): 41-45.
    [19] 侯旭, 李永慈, 孙宇瑞, 谢响明, 冶民生, 王盛萍, 张文娟, 张金凤, 罗菊春, 朱妍, 李云成, 蒋佳荔, 何磊, 盖颖, 高鹏, 张学俭, 贺庆棠, 王岩, 李绍才, 柳新伟, 马道坤, 张志强, 廖学品, 康向阳, 崔保山, 王文棋, 吴玉英, 申卫军, 唐守正, 陆佩玲, 李吉跃, 何静, 冯仲科, 吕建雄, 关文彬, 昌明, 孙海龙, 张华丽, 成仿云, 蒋湘宁, 关毓秀, 吴斌, 杨志荣, 静洁, 石碧, 路婷, 史剑波, 张桂莲, 孙阁, 李小飞, 张平冬, 王军辉, 赵广杰, 何权, 于晓南, 汪燕, 蒲俊文, 赵燕东, 张满良, 孙晓霞, 王尚德, 马克明, 陈永国, 彭少麟, 胡文忠, 余新晓, 林威, 刘国华, 汪西林, .  土壤水分剖面实时测量传感器试验研究 . 北京林业大学学报, 2006, 28(1): 55-59.
    [20] 匡文慧, 齐春辉, 
    ZHAOGuang-jie, 常德龙, 张求慧, 张灿, 徐文铎, 温俊宝, 谭炳香, 郑凌凌, 程占红, 李雪萍, 鲁绍伟, 刘常富, 王云琦, 李雪峰, 李贤军, 邹大林, 段爱国, 刘金福, 王玉涛, 冯夏莲, 李吉跃, 赵燕东, 吴斌, 韩士杰, 白陈祥, 宋湛谦, 李吉跃, 张树文, 韩烈保, 何正权, 余新晓, 温俊宝, 赵广杰, 洪伟, LUOWen-sheng, 张建国, 王玉杰, 何承忠, 张路平, 吴庆利, 吴斌, 何友均, 朱天辉, 何兴元, 李增元, 翟洪波, FurunoTakeshi, 陈尔学, 骆有庆, 骆有庆, 林秦文, 梁小红, ]陈玮, 匡秋明, 黄文豪, 童书振, 张志毅, 李俊清, 郭忠玲, 张养贞, 刘凤芹, ]魏晓霞, 陈发菊, 姜伟, 何静, 张璧光, 许志春, 赵桂玲, RENQian, 许志春, 张军, 胡伟华, 曾会明, 崔国发, 庞勇, 安新民, 郑兴波, 张振明, 李颖, 梁宏伟, 李凤兰, 侯伟, PaulWolfgang, 李福海, 刘君, 杨凯, 曹川健, 郑杰, 宋国正, 雷渊才, 赵广亮, 田桂芳, 张有慧, 董建生, 李考学, 姚永刚, 张全来, 李永波, 赫万成, 李长明, 张世玺.  土壤水分传感器实用性能对比研究 . 北京林业大学学报, 2006, 28(3): 158-160.
  • 加载中
计量
  • 文章访问数:  678
  • HTML全文浏览量:  68
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2015-06-19
  • 刊出日期:  2016-03-31

基于多源数据的根河实验区生物量反演研究

doi: 10.13332/j.1000-1522.20150209
    基金项目:

    中央级公益性科研院所基本科研业务费专项(IFRIT201302)、“973” 国家重点基础研究发展计划项目(2013CB733404)、国家青年自然科学基金项目(41101379)

    作者简介:

    李春梅。主要研究方向:林业遥感。Email: cm_li@sina.com 地址: 100091北京市海淀区颐和园后香山路中国林业科学研究院资源信息所。
    责任作者: 田昕,博士,副研究员。主要研究方向:遥感技术应用。Email: tianxin@caf.ac.cn 地址:同上。

    李春梅。主要研究方向:林业遥感。Email: cm_li@sina.com 地址: 100091北京市海淀区颐和园后香山路中国林业科学研究院资源信息所。
    责任作者: 田昕,博士,副研究员。主要研究方向:遥感技术应用。Email: tianxin@caf.ac.cn 地址:同上。

摘要: 森林是陆地生态系统的重要组成部分,精确估测森林地上生物量能够减少陆地生态系统碳储量的不确定性。本文以内蒙古大兴安岭根河实验区为研究区,基于森林样地调查数据、Landsat 8 OLI、机载P-波段PolSAR以及ASTER GDEM数据,分别采用多元线性逐步回归法和基于随机森林算法(Random Forest, RF)进行特征优化选择后的k-最近邻(k-nearest neighbors, k-NN)法对研究区森林地上生物量(above-ground biomass, AGB)进行估测,对比验证采用不同类型数据(单传感器数据和多传感器数据)时2种方法的反演结果来寻求森林AGB估测的最优方法和输入因子,最后利用最优的估测方法来反演整个研究区的森林AGB,生成根河实验区的森林AGB等级分布图。结果表明:对于多元线性逐步回归和k-NN 2种不同的方法,森林AGB的反演都表现出较为一致的结果,即采用多传感器遥感数据(Landsat 8 OLI和机载P-波段PolSAR数据)比采用单传感器遥感数据估算的森林AGB精度要高;而在同时采用多传感器遥感数据进行森林AGB的反演中,k-NN算法的估测结果(R2=0.65, RMSE=17.49 t/hm2)明显优于多元线性逐步回归算法(R2=0.36, RMSE=22.08 t/hm2)的估测结果。显然,多源数据协同反演森林AGB可以充分利用每种传感器的优点,提高遥感估测森林AGB的能力;与多元逐步回归方法相比,k-NN算法能够更多地考虑到森林参数同光谱值之间的非线性依赖关系,且能够避免发生过学习现象和样本不平衡问题。

English Abstract

李春梅, 张王菲, 李增元, 陈尔学, 田昕. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
引用本文: 李春梅, 张王菲, 李增元, 陈尔学, 田昕. 基于多源数据的根河实验区生物量反演研究[J]. 北京林业大学学报, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
LI Chun-mei, ZHANG Wang-fei, LI Zeng-yuan, CHEN Er-xue, TIAN Xin. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
Citation: LI Chun-mei, ZHANG Wang-fei, LI Zeng-yuan, CHEN Er-xue, TIAN Xin. Retrieval of forest above-ground biomass using multi-source data in Genhe, Inner Mongolia[J]. Journal of Beijing Forestry University, 2016, 38(3): 64-72. doi: 10.13332/j.1000-1522.20150209
参考文献 (44)

目录

    /

    返回文章
    返回