Processing math: 0%
    高级检索

    麻疯树种子含油量近红外光谱定标模型的建立

    惠文凯, 王益, 陈晓阳

    惠文凯, 王益, 陈晓阳. 麻疯树种子含油量近红外光谱定标模型的建立[J]. 北京林业大学学报, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388
    引用本文: 惠文凯, 王益, 陈晓阳. 麻疯树种子含油量近红外光谱定标模型的建立[J]. 北京林业大学学报, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388
    Hui Wen-kai, Wang Yi, Chen Xiao-yang. Calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy[J]. Journal of Beijing Forestry University, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388
    Citation: Hui Wen-kai, Wang Yi, Chen Xiao-yang. Calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy[J]. Journal of Beijing Forestry University, 2018, 40(1): 1-7. DOI: 10.13332/j.1000-1522.20170388

    麻疯树种子含油量近红外光谱定标模型的建立

    基金项目: 

    国家自然科学基金项目 30972388

    广东省自然科学基金团队项目 9351064201000002

    详细信息
      作者简介:

      惠文凯,博士生。主要研究方向:林木遗传育种。Email: xwk168@126.com 地址:510642广东省广州市天河区五山路483号华南农业大学林学与风景园林学院

      责任作者:

      陈晓阳,博士,教授。主要研究方向:林木遗传育种。Email:xychen@scau.edu.cn 地址:同上

    • 中图分类号: S758.015

    Calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy

    • 摘要:
      目的本研究旨在建立麻疯树种子含油量的近红外光谱定标模型, 为近红外光谱技术应用于麻疯树种子含油量的测定提供依据。
      方法利用瑞典波通DA7200型近红外光谱成分分析仪采集了125份麻疯树种子样品的光谱数据, 通过样品化学值测定、光谱数据预处理以及回归统计方法建立了麻疯树含油量的近红外光谱定标模型, 并利用10份未知含油量的种子样品对模型的准确性进行了检验。
      结果本研究建模所选125份样品的含油量范围为25.23%~39.73%, 平均值为33.91%±2.64%, 中位数为34.31%, 基本覆盖了当前麻疯树的主要品种, 在种子油含量上具有一定的代表性。二阶导数联合标准正态变量转换法为建立麻疯树种子含油量近红外光谱定标模型的最佳预处理方法, 偏最小二乘法为最佳的回归方法。模型验证结果显示, 样品的化学测定值与近红外光谱定标模型预测值极显著相关, 且相关系数达0.9556, 预测标准偏差为0.6536。
      结论检验结果说明该模型具有较高的可靠性, 可应用于后期麻疯树种子油分含量的大批量快速测定。
      Abstract:
      ObjectiveIn present study, a calibration model was established to investigate the Jatropha curcas seed oil content using near infrared spectroscopy.
      MethodThe spectroscopic data of 125 Jatropha curcas seed samples was collected by a near infrared reflectance spectrometer DA7200 (designed by Perten). With the chemical test method, spectral data pre-treatments and different regression methods, a calibration model using near infrared spectroscopy for seed oil content determination was established. And then the accuracy of the model was tested by 10 validation samples.
      ResultThe seed oil content ranged from 25.23% to 39.73% among 125 investigated samples in this study, mean value was 33.91% ± 2.64%, and the median was 34.31%. It indicated that these samples could cover the main cultivars of Jatropha curcas in the wild. Furthermore, second-derivative combined with standard normal variable transformation method was the best pre-treatment way in calibration model building for investigating seed oil content of Jatropha curcas using near infrared spectroscopy, and the partial least squares was the best regression method. Moreover, the significant correlation was obtained between the predicted value of near infrared spectroscopy calibration model and the chemical determination value of sample, and the coefficient was 0.955 6, while the standard deviation of prediction was 0.653 6.
      ConclusionOur prediction model has high reliability, which can quickly investigate the seed oil content of Jatropha curcas in large quantities.
    • 河北杨(Populus hopeiensis)是陕北水蚀风蚀交错区的乡土树种,具有根系发达、较耐旱、耐瘠薄、能“上山”等特点。近年来,在当地绿化造林和改善生态环境发挥了重要的作用[1-2],但是由于该区气候具有强烈的季节性和多变性,且气候趋于暖干化[3],植物生长与水资源短缺的矛盾愈发突出,植物的水分利用策略和生态适应性在植被群落构建过程中的问题十分突出[4-5],需要对生长在陕北半干旱环境条件下河北杨的树干液流变化特征及其与环境因子响应关系加以了解。

      测量树干液流是反映树木体内水分运动和估算蒸腾量的常用方法,尤其以Granier热扩散探针技术进行树干液流测量得到了广泛的应用[5-9]。国内外相关研究表明,树干液流密度存在显著的种间差异和时空变化规律[10-11],除了与木材结构有关的生理因素差异外[12-13],树干液流密度还受土壤水分和气象因子等环境因素的影响[4-13]。研究表明土壤水分从根本上控制着蒸腾作用强度,土壤水分的减少或增加都将影响液流密度的变化[14],但是当土壤水分不受限制时,气象因子将是液流密度主要控制因子[9, 15]。通过研究树干液流的变化规律及其与气象等环境因子的关系,能够更好地揭示植物水分利用状况及其对环境要素变化的适应性[8]。如周海光等[1]研究了黄土丘陵沟壑区河北杨、小叶杨(Populus simonii)和山杏(Armeniaca sibirica)的树干液流,发现液流密度日变化都呈现昼高夜低趋势,夜间液流速率不为零,树干液流与环境因子日变化规律相吻合。徐丹丹等[16]对毛乌素沙地小叶杨树干液流密度与气象因子的研究发现,液流密度与太阳辐射、VPD、气温和风速呈显著正相关。另外,研究发现随着时间及环境条件的变化,影响树干液流的主导因子会发生变化[17],因此需要对不同环境条件下植物蒸腾耗水特征及其生理响应过程进一步分析。鉴于此,本文以陕北地区乡土树种河北杨为研究对象,采用热扩散式探针法,研究河北杨昼夜和不同季节树干液流密度的动态变化及其在不同环境条件下的变化特征,分析液流密度与环境要素的相互关系,并揭示液流密度对外界环境因子的响应规律,以期深入理解黄土高原水蚀风蚀交错区河北杨的水分利用策略和生态适应机制,为该地区水资源承载力研究和树种选择提供理论依据。

      研究区位于陕西省延安市吴起县境内的北京林业大学林业生态科研试验基地—大吉沟森林公园(36°54′20″N、108°10′28″E,海拔1386m)。吴起县位于延安市西北部,洛河与无定河上游,属于典型黄土高原水蚀风蚀交错区,海拔高度1233~1809m,气候为半干旱温带大陆性季风气候,多年平均降水量和气温(1957—2013年)分别为464.6mm和7.8℃,降雨主要集中在7—9月,无霜期为120~155d,年平均地面蒸发量为891.23mm。土壤类型主要为黄绵土,现有林分以人工灌乔木林为主,乔木树种主要有河北杨、刺槐(Robinia pseudoacacia)、侧柏(Platycladus orientalis)、油松(Pinus tabuliformis)和小叶杨等,主要灌木有沙棘(Hippophae rhamnoides)和柠条(Caragana korshinskii)等。试验地位于大吉沟流域中部,为2008年营造的人工油松、河北杨混交林,河北杨是当地乡土树种,油松是主要造林树种,初植密度1400株/hm2。林下植被以冰草(Agropyron cristatum)和猪毛蒿(Artemisia scoparia)为主,在林内选择一块大小为20m×20m,坡向西偏南10°,坡度约为10°的样地。

      2017年5—9月选取立地条件较一致且生长状况良好的6株河北杨(表 1),利用热扩散探针(TDP,Dynamax,USA)对所选样树进行连续监测,共包括7个探针,探针传感器是基于Granier热扩散理论[6-7]。将6个探针安装在所选的6株样树的干基(胸高),另1个探针安装在编号3样树的冠基(4.0m)处。使用DT80数据采集器(Datataker,Australia)记录并存储数据, 数据采样间隔为30min。对编号为2、3和5的样树于9月13日和17日进行灌水处理,具体操作可参考马履一等[17]的方法。

      表  1  被测样树参数
      Table  1.  Parameters of the monitored trees
      编号
      Plot No.
      探头型号
      Type of probe
      胸径/冠基直径
      Diameter at breast height/crown base/cm
      1 TDP-30-2 7.6
      2 TDP-30-3 7.8
      3 TDP-30-12/15 8.7/6.7
      4 TDP-30-13 8.3
      5 TDP-30-14 6.9
      6 TDP-30-16 7.0
      下载: 导出CSV 
      | 显示表格

      使用Granier公式(公式1)计算树干液流密度:

      Fd=0.000119×[(ΔTmax (1)

      式中:Fd是树干液流密度,m3/(m2·h);ΔTmax为24h内无液流时上下探针之间最大温差值;ΔT为瞬时温差值。将一天中太阳辐射为零时段内的树干液流定义为夜间液流。

      距离样地附近的HOBO自动气象监测站记录太阳辐射(W/m2)、气温(℃)、降雨量(mm)、风速(m/s)、空气相对湿度(%)等数据,并在各样树下用HOBO土壤水分传感器(S-SMC-M005,USA)长期测定土壤体积含水量,观测深度为30cm,数据采样间隔为30min。水汽压差(VPD,vapor pressure deficit,kPa)的计算方法如下:

      {\rm{VPD}} = 0.611 \times {{\rm{e}}^{(17.502T)/(T + 240.97)}} \cdot (1 - {\rm{RH}}) (2)

      式中:T为气温(℃);RH为空气相对湿度(%)。

      比较树干下部(干基)与上部(冠基)的树干液流密度日变化差值,可以反映树干储存水释放和补充的变化[13, 18],先将冠基液流密度标准化:

      {F_{{\rm{s}} - {\rm{cnbi}}}} = \left[ {\begin{array}{*{20}{c}} {{F_{{\rm{s}} - {\rm{cbi}}}}}\\ {\sum\limits_{i = 1}^{48} {{F_{{\rm{s}} - {\rm{cbi}}}}} } \end{array}} \right]\sum\limits_{i = 1}^{48} {{F_{{\rm{s}} - {\rm{sbi}}}}} (3)

      式中:Fs-cbni为标准化后的冠基液流密度的瞬时值;Fs-cbi为冠基液流密度的瞬时值;Fs-sbi为干基液流密度的瞬时值;i为采样次数。当Fs-cbni>Fs-sbi时,表示树木正在释放树干储存水,相反,则表示树木在补充树干储存水,由Fs-cbni-Fs-sbi值来表征储存水释放和补充日动态。

      用Excel软件对树干液流密度等数据进行整理和计算,将获取的实验数据中的缺失值和异常值剔除,保证数据质量。取实验组和对照组液流密度的均值作为分析数据。液流密度与环境因子的关系采Pearson相关分析,所有统计分析均利用SPSS 18.0软件完成,作图采用Origin 9.0软件。

      图 1可以看出,河北杨典型晴天树干液流密度呈宽幅双峰形变化:在黎明前保持极低水平,随着太阳辐射增强逐渐上升,液流密度峰值(0.0999m3/(m2·h))出现在11:00左右,峰值之后液流密度出现大约持续1.5h的短暂下降,在17:00左右到达低值,且存在微弱的夜间液流密度,日均液流密度为0.0250m3/(m2·h)。树干液流密度峰值提前于太阳辐射强度峰值约2.5h,提前于水汽压差(VPD)约4h。雨天天气下,雨天VPD在00:00—09:30期间大于晴天,之后开始缓慢下降,日均维持在1.33kPa的较低水平。太阳辐射强度均值比晴天小181.34W/m2,且明显小于晴天峰值。受到太阳辐射强度等气象因子波动的影响,液流密度出现宽幅不规则的波动,虽然仍表现宽幅多峰形,但变化幅度明显不同于晴天。液流启动时间为6:30,晴天提前1.5h,雨天的峰值(0.1092m3/(m2·h))稍大于晴天,夜间液流活动较明显,日均液流密度为0.0254m3/(m2·h),可能与表层土壤水分得到降水补充有关。

      图  1  典型晴天、雨天树干液流密度、水汽压差和太阳辐射强度的日变化
      Figure  1.  Diurnal course of stem sap flow density, vapor pressure deficit, solar radiation in typical sunny day(June 16) and rainy day(June 21)

      图 2可以看出,各月树干液流密度的日变化趋势基本一致,在日出后,随着太阳辐射的增强迅速上升,一般在10:00—12:00达到最大值,随后逐渐波动下降,在夜间20:00达到最低值。9月10日的夜间液流较高,可能是因为8月份的大量降雨为河北杨夜间树干木质部补水提供了充足的水分。5月、6月、8月和9月液流密度均值分别为0.0175、0.0250、0.0224、0.0348m3/(m2·h)。河北杨夜间液流密度在前半夜平稳且接近0,在后半夜(00:00—06:00)维持较高液流密度。6—8月河北杨液流密度较高主要是因为这段时期太阳辐射和气温达到一年内最大值,蒸腾作用强烈,9月虽然太阳辐射和气温减弱,但7—8月雨季过后,观测到土壤水分明显增加,影响了树干液流的总体水平。

      图  2  典型晴天树干液流密度不同月份的日变化
      Figure  2.  Diurnal course of stem sap flow density in typical sunny day in varied month

      图 3显示的是灌水前后3d内树干液流密度对比,发现灌水前后液流密度均呈宽幅多峰形变化,夜间液流后半夜活动明显,灌水前实验组(EG)与对照组(CK)液流活动时间进程较一致,实验组冠基液流密度峰值明显大于干基,且峰值出现早,对照组和实验组冠基液流密度到达峰值时间分别为11:00和10:30,提前于太阳辐射强度峰值时间(12:30),实验组干基液流密度到达峰值的时间(13:00)滞后于太阳辐射强度30min。灌水当天实验组干基液流密度峰值出现的时间提前于太阳辐射峰值时间,说明灌水减少了树干液流密度与太阳辐射的之间的时滞。其次,干基液流密度的峰值大小比灌水前提高66.66%,冠基处比灌水前提高73.62%,表明土壤水分的增加引起树干液流密度最大值的变化。冠基液流密度峰值出现时间比其灌水前推迟3h,说明树体水分调节存在时滞,与植物水分利用生理机制有关。灌水处理后实验组连续两日液流密度均值比灌水前减少2.21%,而对照组减少21.89%,结合同期观测到的气象因子(图 4)发现,太阳辐射、气温和VPD均有下降,说明气象因子影响液流密度变化。

      图  3  灌水前(9月12日)后(9月13—14日)树干液流密度的日变化
      Figure  3.  Diurnal course of stem sap flow density before (Sep.12) and after(Sep.13-14) watering
      图  4  灌水前后VPD、气温、风速、实验组和对照组平均土壤体积含水量的变化
      Figure  4.  Variations of the VPD, air temperature, wind speed, soil volumetric moisture content of EG and CK before and after watering

      图 5为河北杨6月16—20日连续5d树干液流密度和土壤含水量变化情况,研究显示5d土壤含水量平均为9.75%。在6月16日14:30点之前液流密度短暂上升,土壤含水量短暂下降,之后液流密度一直下降,于20:30左右达到夜间低值水平;6月17日14:30开始土壤水分迅速下降,之后保持较低的水平,而液流密度在15:00之后才出现上升,并在夜间保持较高液流密度。由此可以推断,树干液流密度与土壤水分的在日动态上存在相关性,并在时间上存在一定的滞后。

      图  5  树干液流密度与土壤体积含水量的日变化(6月16—20日)
      Figure  5.  Diurnal variations of sap flow density and soil volumetric moisture content (June 16-20)

      从环境因子与河北杨树干液流密度之间的相关分析(表 2)表明,晴天条件下,树干液流密度与太阳辐射、VPD、气温和风速极显著正相关(P < 0.01),与土壤含水量显著正相关(P < 0.05),而与相对湿度显著负相关(P < 0.01)。降雨发生时,树干液流密度与环境因子之间的相关系数均减小,太阳辐射、气温和风速是主要影响因子。由表 3可以看出灌水前,影响液流密度的主要因子是太阳辐射和风速。灌水后,太阳辐射、VPD、气温、相对湿度和风速等气象条件是影响树干液流密度的主要因子,土壤含水量与液流密度为负相关关系,反映了根系吸收土壤水分的动态变化规律。但与对照组对比发现,实验组灌水之后与气象因子的相关系数绝对值没有明显增大。

      表  2  河北杨液流密度与环境因子的Pearson相关系数
      Table  2.  Pearson correlation coefficients between sap flow density and environmental factors for Populus hopeiensis
      项目Item 太阳辐射
      Solar radiation/(W·m-2)
      VPD/kPa 气温
      Air temperature/℃
      相对湿度
      Relative humidity/%
      土壤体积含水量
      Soil volumetric moisture content/%
      风速
      Wind speed/(m·s -1)
      晴天Sunny day 0.566** 0.157** 0.227** -0.176** 0.620* 0.352**
      雨天Rainy day 0.233** 0.070* 0.125** -0.062 0.097 0.150**
      注:**表示在P < 0.01水平上差异显著, *表示在P < 0.05水平上差异显著。下同。Notes:** means extremely significant difference at P < 0.01 level, * means significant difference at P < 0.05 level. The same below.
      下载: 导出CSV 
      | 显示表格
      表  3  灌水前后液流密度与环境因子的Pearson相关系数
      Table  3.  Pearson correlation coefficients between sap flow density of monitored trees and environmental factors
      项目Item 太阳辐射
      Solar radiation/(W·m-2)
      VPD/kPa 气温Air
      temperature/℃
      相对湿度
      Relative humidity/%
      土壤体积含水量
      Soil volumetric moisture content/%
      风速
      Wind speed/(m·s -1)
      灌水前Before watering EG 0.594** 0.240 0.239 -0.118 0.543** 0.323*
      CK 0.616** 0.233 0.263 -0.122 -0.107 0.336*
      灌水后After watering EG 0.616** 0.373** 0.288** -0.342** -0.402** 0.295**
      CK 0.624** 0.489** 0.453** -0.438** 0.257* 0.293**
      下载: 导出CSV 
      | 显示表格

      河北杨树干储存水的日动态总体表现为上午释放,下午补充的日进程(图 6),补充与释放交替进行。在03:00—11:30期间河北杨在释放树干储存水,说明夜间河北杨仍有蒸腾作用发生,且在这段期间经历了持续1h(08:00—09:00)的短暂补充,12:00—20:00期间一直在补充树干储存水,之后又有短暂释放现象。由表 4可以看出树干干基处液流密度更容易受到环境因子影响。从树木水分传输的路径可以推测,树干液流活动先是从下部开始启动,树干下部的液流密度更能准确反映蒸腾耗水规律和根系吸收水分的动态变化规律对环境因子的响应。

      图  6  河北杨树干储存水释放和补充日动态的变化
      Figure  6.  Diurnal courses of discharge and recharge of stem stored water for Populus hopeiensis
      表  4  干基和冠基液流密度与环境因子的Pearson相关系数
      Table  4.  Pearson correlation coefficients of the trunk basal sap flow density and crown basal sap flow density to environmental factors
      项目Item 太阳辐射
      Solar radiation/(W·m-2)
      VPD/kPa 气温
      Air temperature/℃
      相对湿度
      Relative humidity/%
      土壤体积含水量
      Soil volumetric moisture content/%
      风速
      Wind speed/(m·s -1)
      干基Trunk base 0.775** 0.469** 0.473** -0.357** 0.695* 0.565**
      冠基Crown base 0.460** -0.015 0.032 0.101 0.432* 0.100
      下载: 导出CSV 
      | 显示表格

      森林植被蒸腾耗水是森林生态系统水分循环中重要组成部分,其中树木蒸腾作用是植物水分输出的重要途径,也是反映植物水分状况的一个重要指标[11, 19]。研究发现树干液流变化有明显的时间变化规律,其日变化过程主要包括3个形态:单峰、多峰及宽峰形。大部分树木的日变化趋势呈单峰形,例如火炬松(Pinus taeda)[7]、红松(Pinus koraiensis)[15]、马占相思(Acacia mangium)[20]、刺槐[12]、小叶杨[16]和挪威云杉(Picea abies)[21]等树种,单峰曲线的特点是:液流启动在05:30—06:00之间, 11:00左右达到高峰,20:00基本停止,与太阳辐射的日变化趋势相一致。本研究发现河北杨日进程时间上述研究较一致,但午间表现出宽幅双峰及多峰形,与前人对杨属[22-23]研究结果相近,可能是由于白天空气相对湿度低,太阳辐射强,叶片气孔开度要不断调节以维持根系吸水和蒸腾作用之间的平衡,使日变化过程呈现出双峰甚至多峰形[24]。相比毛乌素沙地、冀北坝上三北防护林以及阿拉善荒漠等生境的小叶杨[16]、北京杨(Populus beijingensis)[25]和胡杨(Populus euphratica)[26],陕北黄土区的河北杨液流密度峰值均低于上述地区测定值(表 5)。

      表  5  不同地点不同杨树类树干液流的比较
      Table  5.  Comparison of sap flow of Populus spp. in different site conditions
      树种
      Tree species
      测定时间
      Measuring time
      地点
      Site condition
      测定方法
      Testing method
      样树胸径
      DBH of monitored tree/cm
      液流密度峰值
      Peak value of sap flow density (Fd)/(m3·m-2·h-1)
      小叶杨P. simonii 5—8月
      May-August
      陕西省榆林市
      Yulin City, Shaanxi Province
      热扩散
      Thermal dissipation probe
      20.1 0.303 1~0.502 9
      北京杨P. beijingensis 7月
      July
      河北省张北县
      Zhangbei County, Heibei Province
      热扩散
      Thermal dissipation probe
      21.4~24.8 0.166 2~0.279 4
      胡杨P. euphratica 7月
      July
      内蒙古额济纳绿洲
      Ejina Oasis, Inner Mongolia
      热比率
      Heat ratio method
      43, 52 0.40~0.43
      下载: 导出CSV 
      | 显示表格

      大量研究表明植物的生物学结构决定了树干液流的潜在能力,林地的土壤水分决定了树干液流的总体水平,气象条件决定了树干液流的瞬间变动[9, 15, 27],通过分析树干液流密度在不同环境条件下的变化规律和影响因素能反映出树种对环境的适应能力。在本研究中,太阳辐射强度为零时,河北杨树干仍存在液流活动,研究认为植物可以通过夜间液流运动补充水分来应对干旱环境[19, 28-29],在旱季5—6月的夜间,河北杨的液流活动可能是为了平衡植物体内水分亏缺。在雨季(土壤水分较充足),液流活动表现为在释放树干储存水,且夜间液流密度与水汽压差和风速相关关系显著,可认为河北杨的夜间液流以蒸腾为主[26, 30]。观测期间河北杨液流密度与太阳辐射强度、VPD、气温、相对湿度、风速和土壤含水量显著相关,且发现土壤水分与树干液流密度密切相关。Kanalas等[14]的研究也表明,土壤水分的减少及干旱胁迫的加剧会令无梗花栎(Quercus petraea)产生独特的气孔调节,使最大液流密度从7月到8月下降81%。Darby等[31]对热带山地森林植物液流研究发现减少水分输入后,植物液流速率从0.42cm/h减少到0.22cm/h。

      有研究表明冠层蒸腾与树干液流在土壤水分充足的情况下几乎不存在时滞,且液流密度与VPD和太阳辐射强度等因子更为相关[7, 16],本研究通过灌水试验后发现,河北杨灌水后液流密度对气象因子的相关系数绝对性增加不明显,但对土壤含水量呈现显著负相关关系,可能与林地较缺水的土壤环境有关,说明了土壤水分的亏缺在一定程度上限制了树木的蒸腾作用。另外,典型晴天条件下河北杨树干液流密度与气象因子的变化存在时滞现象,且冠基液流密度到达峰值时间比干基提前2.5h。启动时间发生滞后原因可能是因为树干储存水的存在,冠层叶片优先利用储存水进行蒸腾,然后水势开始降低,传递到木质部导致树干液流出现上升。之后树干水分消耗较多且太阳辐射强烈,植物遭受水分抑制或光抑制, 气孔暂时关闭,液流密度迅速降低,导致液流密度峰值出现时间早于太阳辐射和“午休”现象[7, 11, 30]。本研究发现在河北杨树干储存水在上午的释放过程中经历了一次短暂地补充, 在下午大量补充储存水,在一天内出现了两个较明显树干储存水的释放-补充周期,显示出了河北杨的水分利用策略及其对环境条件变化的适应性。

      利用热扩散探针和自动气象监测系统,研究陕北水蚀风蚀交错区乡土树种河北杨树干液流密度发现,观测期间河北杨树干液流密度日变化呈宽幅单峰形,夜间液流活动明显,峰值时间与太阳辐射强度、VPD、气温等气象因子存在时滞现象,土壤水分的增加可缩短液流密度与气象因子峰值的时间差,恢复树体正常的蒸腾耗水规律。观测期间,河北杨树干液流密度主要受太阳辐射强度、VPD、气温、相对湿度、风速和土壤含水量的影响,河北杨冠基与干基液流密度大小和日进程均存在差异,树干储存水的日动态总体表现为上午释放,下午补充的日进程,并存在两次较明显的释放-补充周期。

    • 图  1   125份建模样品的近红外吸收光谱图

      Figure  1.   NIRS of 125 modeling samples

      图  2   经二阶导数+SNV处理后的光谱图

      Figure  2.   Line plot of NIRS after 2nd-derivative + SNV pre-treatment

      图  3   NIRS定标模型线性回归图

      Y1是近红外模型内部验证集合的拟合结果;Y2是校正集合的拟合结果。

      Figure  3.   Linear regression plot of the NIRS calibration model

      Y1 was the fitting results of inner revised set of the calibration model using near infrared spectroscopy, Y2 was the fitting results of validation set.

      表  1   125份建模样品种子含油量化学值描述性统计表

      Table  1   Descriptive statistics of investigated value of seed oil content among 125 samples

      分析项目
      Analysis item
      平均值±标准差
      Mean±SD/%
      最大值
      Max./%
      最小值
      Min./%
      中位数
      Median/%
      变异系数
      Variable coefficient/%
      方差
      Variance
      化学测定值Chemical determination value 33.91±2.64 39.73 25.23 34.31 7.79 6.97
      下载: 导出CSV

      表  2   不同光谱预处理方法的模型参数

      Table  2   Model parameters of each pre-treatment method

      模型
      Model
      预处理方法
      Pre-treatment method
      删除点数
      Outlier number
      RC RMSEC RCV RMSECV
      1 SNV 7 0.718 1.392 0.632 1.612
      2 MSC 7 0.733 1.353 0.679 1.501
      3 标准化Normalization 9 0.749 1.325 0.688 1.505
      4 一阶导数1st-derivative 8 0.851 1.013 0.771 1.254
      5 二阶导数2nd-derivative 3 0.857 0.980 0.750 1.310
      6 1st-derivative +SNV 4 0.813 1.139 0.760 1.303
      7 1st-derivative +MSC 7 0.824 1.108 0.769 1.280
      8 1st-derivative +normalization 11 0.783 1.195 0.709 1.404
      9 2nd-derivative +SNV 9 0.910 0.784 0.833 1.076
      10 2nd-derivative +MSC 10 0.904 0.799 0.824 1.086
      11 2nd-derivative +normalization 7 0.818 1.075 0.729 1.328
      12 SNV+1st-derivative 9 0.782 1.237 0.726 1.404
      13 MSC+1st-derivative 9 0.784 1.184 0.730 1.341
      14 Normalization+1st-derivative 9 0.808 1.150 0.729 1.376
      15 SNV+2nd-derivative 9 0.859 0.919 0.767 1.201
      16 MSC+2nd-derivative 10 0.837 0.968 0.740 1.249
      17 Normalization+2nd-derivative 10 0.885 0.860 0.774 1.211
      注:RC为校正模型相关系数;RMSEC为校正模型标准偏差;RCV为交互验证相关系数;RMSECV为交互验证标准偏差;SNV为标准正态变量转换法;MSC为乘积分散校正法。下同。
      Notes: RC, calibration model correlation coefficient; RMSEC, calibration model standard deviation; RCV, cross-validation correlation coefficient; RMSECV, cross-validation standard deviation; SNV, standard normal variable; MSC, multiplicative scatter correction. The same below.
      下载: 导出CSV

      表  3   不同回归方法处理后的模型参数

      Table  3   Model parameters with varied regression methods

      预处理方法
      Pre-treatment method
      回归方法
      Regression method
      删除点数
      Outlier number
      RC RMSEC RCV RMSECV
      2nd-derivative +SNV PLS 9 0.910 0.784 0.833 1.076
      2nd-derivative +SNV PCR 9 0.677 1.358 0.612 1.495
      2nd-derivative +MSC PLS 10 0.904 0.799 0.824 1.086
      2nd-derivative +MSC PCR 10 0.624 1.410 0.542 1.553
      下载: 导出CSV

      表  4   检验样品的化学测定值、模型预测值及相关参数

      Table  4   Chemical determination values, model predictive values and their relative parameters of test samples

      检测值类型
      Detection value item
      平均值
      Mean/%
      最大值
      Max./%
      最小值
      Min./%
      相关系数
      Correlation coefficient
      预测标准偏差
      Predictive standard deviation
      化学测定值Chemical determination value 35.22 38.25 30.57 0.9556** 0.6536
      预测值Predicted value 35.51 37.56 31.04
      注:**表示相关性极显著,P<0.01。Notes: ** means the very significant level, P<0.01.
      下载: 导出CSV
    • [1] 惠文凯, 杨舒贻, 陈涵斌, 等.赤霉素诱导麻疯树雌雄花分化的研究[J].南京林业大学学报(自然科学版), 2016, 40(6): 174-180. http://d.old.wanfangdata.com.cn/Periodical/njlydxxb201606027

      Hui W K, Yang S Y, Chen H B, et al. Female and male flower bud differentiation of Jatropha curcas L. induced by gibberellins[J]. Journal of Nanjing Forestry University(Natural Science Edition), 2016, 40(6): 174-180. http://d.old.wanfangdata.com.cn/Periodical/njlydxxb201606027

      [2]

      Koh M Y, Ghazi T I M. A review of biodiesel production from Jatropha curcas L. oil[J]. Renewable and Sustainable Energy Reviews, 2011, 15(5): 2240-2251. doi: 10.1016/j.rser.2011.02.013

      [3]

      Baldini M, Bulfoni E, Ferfuia C. Seed processing and oil quality of Jatropha curcas L. on farm scale: a comparison with other energy crops[J]. Energy for Sustainable Development, 2014, 19: 7-14. doi: 10.1016/j.esd.2013.12.005

      [4] 惠文凯, 陈晓阳, 刘明骞, 等.麻风树种源间种实性状变异研究[J].北京林业大学学报, 2014, 36(3): 110-114. doi: 10.13332/j.cnki.jbfu.2014.03.012

      Hui W K, Chen X Y, Liu M Q, et al. Variations of fruit and seed traits of Jatropha curcas L. among provenances[J]. Journal of Beijing Forestry University, 2014, 36(3): 110-114. doi: 10.13332/j.cnki.jbfu.2014.03.012

      [5] 李维莉, 杨辉, 林南英, 等.可再生能源麻疯树种子油化学成分研究[J].云南大学学报(自然科学版), 2000, 22(5): 324. doi: 10.3321/j.issn:0258-7971.2000.05.022

      Li W L, Yang H, Lin N Y, et al. Study on the chemical composition of seed oil of Jatropha as renewable energy[J]. Journal of Yunnan University (Natural Sciences Edition), 2000, 22(5): 324. doi: 10.3321/j.issn:0258-7971.2000.05.022

      [6] 佘珠花, 刘大川, 刘金波, 等.麻疯树籽油理化特性和脂肪酸组成分析[J].中国油脂, 2005, 30(5): 30-31. doi: 10.3321/j.issn:1003-7969.2005.05.008

      She Z H, Liu D C, Liu J B, et al. Physicochemical properties and fatty acid composition of Jatropha curcas L. seed oil[J]. China Oils and Fats, 2005, 30(5): 30-31. doi: 10.3321/j.issn:1003-7969.2005.05.008

      [7]

      Kaushik N, Kumar K, Kumar S, et al. Genetic variability and divergence studies in seed traits and oil content of Jatropha (Jatropha curcas L.) accessions[J]. Biomass and Bioenergy, 2007, 31(7): 497-502. doi: 10.1016/j.biombioe.2007.01.021

      [8]

      Roggo Y, Chalus P, Maurer L, et al. A review of near infrared spectroscopy and chemometrics in pharmaceutical technologies[J]. Journal of Pharmaceutical and Biomedical Analysis, 2007, 44(3): 683-700. doi: 10.1016/j.jpba.2007.03.023

      [9] 方彦, 王汉宁.利用近红外光谱法测定玉米籽粒含油量的研究[J].西北农业学报, 2007, 16(1): 111-113. doi: 10.3969/j.issn.1004-1389.2007.01.026

      Fang Y, Wang H N. Studies on the determining of oil contents for maize kernels using near infrared spectroscopy[J]. Acta Agriculturae Boreali-Occidentalis Sinica, 2007, 16(1): 111-113. doi: 10.3969/j.issn.1004-1389.2007.01.026

      [10] 原姣姣, 王成章, 陈虹霞.近红外光谱技术及其在植物油品质分析中的应用[J].生物质化学工程, 2010, 44(6): 59-65. doi: 10.3969/j.issn.1673-5854.2010.06.013

      Yuan J J, Wang C Z, Chen H X. Near infrared spectroscopy technology and analysis in quality traits of vegetable oil[J]. Biomass Chemical Engineering, 2010, 44(6): 59-65. doi: 10.3969/j.issn.1673-5854.2010.06.013

      [11] 杨翠玲, 陈文杰, 赵兴忠, 等.近红外光谱法同时分析油菜9种品质参数的研究[J].西北农林科技大学学报(自然科学版), 2006, 34(3): 61-67. doi: 10.3321/j.issn:1671-9387.2006.03.013

      Yang C L, Chen W J, Zhao X Z, et al. Determination of quality factors in intact rapeseed by near infrared reflectance spectroscopy(NIRS)[J]. Journal of Northwest Sci-Tech University of Agricultural and Forestry(Natural Science Edition), 2006, 34(3): 61-67. doi: 10.3321/j.issn:1671-9387.2006.03.013

      [12]

      Jiang H Y, Zhu Y J, Wei L M, et al. Analysis of protein, starch and oil content of single intact kernels by near infrared reflectance spectroscopy (NIRS) in maize (Zea mays L.)[J]. Plant Breeding, 2007, 126(5): 492-497. doi: 10.1111/pbr.2007.126.issue-5

      [13] 杨小红, 郭玉秋, 傅旸, 等.利用近红外光谱法分析玉米籽粒脂肪酸含量的研究[J].光谱学与光谱分析, 2009, 29(1): 106-109. doi: 10.3964/j.issn.1000-0593(2009)01-0106-04

      Yang X H, Guo Y Q, Fu Y, et al. Measuring fatty acid concentration in maize grain by near-infrared reflectance spectroscopy[J]. Spectroscopy and Spectral Analysis, 2009, 29(1): 106-109. doi: 10.3964/j.issn.1000-0593(2009)01-0106-04

      [14] 刘波, 张丽娟, 苗保河, 等.近红外光谱法与国标法测定大豆蛋白质和脂肪的比较[J].山东农业科学, 2007 (1): 109-111. doi: 10.3969/j.issn.1001-4942.2007.01.037

      Liu B, Zhang L J, Miao B H, et al. Comparison between near infrared spectroscopy and GB method used to determine protein and fat in soybean[J]. Shandong Agricultural Sciences, 2007 (1): 109-111. doi: 10.3969/j.issn.1001-4942.2007.01.037

      [15] 朱文秀, 赵继献, 张品, 等.近红外光谱分析与化学方法检测油菜种子品质参数的比较[J].安徽农学通报, 2010, 16(17): 182-183, 185. doi: 10.3969/j.issn.1007-7731.2010.17.091

      Zhu W X, Zhao J X, Zhang P, et al. The comparison study of NIR and chemical method for determining quality parameters in Rapeseed[J]. Anhui Agricultural Science Bulletin, 2010, 16(17): 182-183, 185. doi: 10.3969/j.issn.1007-7731.2010.17.091

      [16]

      Posom J, Sirisomboon P. Evaluation of the moisture content of Jatropha curcas kernels and the heating value of the oil-extracted residue using near-infrared spectroscopy[J]. Biosystems Engineering, 2015, 130: 52-59. doi: 10.1016/j.biosystemseng.2014.12.003

      [17]

      Vaknin Y, Ghanim M, Samra S, et al. Predicting Jatropha curcas seed-oil content, oil composition and protein content using near-infrared spectroscopy: a quick and non-destructive method[J]. Industrial Crops and Products, 2011, 34(1): 1029-1034. doi: 10.1016/j.indcrop.2011.03.011

      [18]

      Luque De Castro M D, Priego-capote F. Soxhlet extraction: past and present panacea[J]. Journal of chromatography A, 2010, 1217(16): 2383-2389. doi: 10.1016/j.chroma.2009.11.027

      [19] 中华人民共和国国家质量监督检验检疫总局, 中国国家标准化管理委员会.粮油检验粮食中粗脂肪含量测定: GB/T5512—2008[S].北京: 中国标准出版社, 2008.

      General Administration of Quality Supervision, Inspection and Quarantine of the People's Republic of China, Standardization Administration of the People's Republic of China. Inspect of grain and oilseeds: determination of crude fat content in grain: GB/T5512—2008[S]. Beijing: Standards Press of China, 2008.

      [20] 吴建国.作物种子品质研究中近红外光谱分析模型的创建和应用[D].杭州: 浙江大学, 2004.

      Wu J G. NIR spectroscopy model construction and application in the research of crop seed qualities[D]. Hangzhou: Zhejiang University, 2004.

      [21] 奚如春, 钟燕梅, 邓小梅, 等.基于近红外光谱的油茶种子含油量定标模型构建[J].林业科学, 2013, 49(4): 1-6. doi: 10.3969/j.issn.1672-8246.2013.04.001

      Xi R C, Zhong Y M, Deng X M, et al. Models for determining oil contents in Camellia oleifera seeds by using near infrared spectroscopy[J]. Scientia Silvae Sinicae, 2013, 49(4): 1-6. doi: 10.3969/j.issn.1672-8246.2013.04.001

      [22] 李勇, 魏益民, 王锋.影响近红外光谱分析结果准确性的因素[J].核农学报, 2005, 19(3): 236-240. doi: 10.3969/j.issn.1000-8551.2005.03.017

      Li Y, Wei Y M, Wang F. Affecting factors on the accuracy of near-infrared spectroscopy analysis[J]. Acta Agriculturae Nucleatae Sinica, 2005, 19(3): 236-240. doi: 10.3969/j.issn.1000-8551.2005.03.017

      [23]

      Shabanimofrad M, Rafii M Y, Wahab P E M, et al. Phenotypic, genotypic and genetic divergence found in 48 newly collected Malaysian accessions of Jatropha curcas L.[J]. Industrial Crops and Products, 2013, 42: 543-551. doi: 10.1016/j.indcrop.2012.06.023

      [24] 祝诗平, 王一鸣, 张小超.农产品近红外光谱品质检测软件系统的设计与实现[J].农业工程学报, 2003, 19(4): 175-179. doi: 10.3321/j.issn:1002-6819.2003.04.043

      Zhu S P, Wang Y M, Zhang X C. Design and implementation of near infrared spectroscopy analysis software system for agricultural product quality detection[J]. Transactions of the Chinese Society of Agricultural Engineering, 2003, 19(4): 175-179. doi: 10.3321/j.issn:1002-6819.2003.04.043

      [25] 王毅.近红外光谱分析技术在食用植物油品质检测中的应用[D].镇江: 江苏大学, 2010.

      Wang Y. Application of near-infrared spectroscopy analysis in quality detection of edible vegetable oil[D]. Zhenjiang: Jiangsu University, 2010.

      [26] 陈锋, 何中虎, 崔党群.利用近红外透射光谱技术测定小麦籽粒硬度的研究[J].作物学报, 2004, 30(5): 455-459. doi: 10.3321/j.issn:0496-3490.2004.05.009

      Chen F, He Z H, Cui D Q. Measurement of wheat hardness by near infrared transmittance spectroscopy[J]. Acta Agronomica Sinica, 2004, 30(5): 455-459. doi: 10.3321/j.issn:0496-3490.2004.05.009

      [27] 王刚.花椒挥发油含量近红外光谱无损检测研究[D].重庆: 西南大学, 2008.

      Wang G. Nondestructive detection of volatile oil content in Zanthoxylum bungeagum Maxim. by near infrared spectroscopy[D]. Chongqing: Southwest University, 2008.

      [28] 韩智彪.棉籽油份含量近红外测定技术研究[D].武汉: 华中农业大学, 2012.

      Han Z B. Studies on the determination of cotton seed oil by near infrared reflectance spectroscopy[D]. Wuhan: Huazhong Agricultural University, 2012.

      [29] 高建芹, 张洁夫, 浦惠明, 等.近红外光谱法在测定油菜籽含油量及脂肪酸组成中的应用[J].江苏农业学报, 2007, 23(3): 189-195. doi: 10.3969/j.issn.1000-4440.2007.03.006

      Gao J Q, Zhang J F, Pu H M, et al. Analysis of oil, oleic acid and erucic acid contents in rapeseed by near infrared reflectance spectroscopy(NIRS)[J]. Jiangsu Journal of Agricultural Sciences, 2007, 23(3): 189-195. doi: 10.3969/j.issn.1000-4440.2007.03.006

      [30] 李君霞, 张洪亮, 严衍禄, 等.水稻蛋白质近红外定量模型的创建及在育种中的应用[J].中国农业科学, 2006, 39(4): 836-841. doi: 10.3321/j.issn:0578-1752.2006.04.029

      Li J X, Zhang H L, Yan Y L, et al. Establishment of math models of NIRS analysis for protein contents in seed and its application in rice breeding[J]. Scientia Agricultura Sinica, 2006, 39(4): 836-841. doi: 10.3321/j.issn:0578-1752.2006.04.029

      [31] 张学锋, 周新奇, 陈智锋, 等.新型国产近红外分析仪的菜籽菜粕快速检测技术研究[J].计算机与应用化学, 2010, 27(12): 1625-1628. doi: 10.3969/j.issn.1001-4160.2010.12.008

      Zhang X F, Zhou X Q, Chen Z F, et al. The research of rapid analysis for rapeseed and rapeseed meal based on a new type domestic near infrared analyzer[J]. Computers and Applied Chemistry, 2010, 27(12): 1625-1628. doi: 10.3969/j.issn.1001-4160.2010.12.008

    • 期刊类型引用(27)

      1. 杨佳悦,丁国玉,田秀君. 最大熵模型在物种生境预测中的应用研究进展. 应用生态学报. 2025(02): 614-624 . 百度学术
      2. 杨福成,洪兆春,丁红秀,邵明勤. 基于最大熵模型的鸳鸯潜在越冬分布区预测. 湿地科学. 2024(01): 60-71 . 百度学术
      3. 陈飞,张杰京,王利繁,熊朝永,樊辉. 中国和老挝跨境区域亚洲象生境时空变化及保护成效. 生态学报. 2024(22): 10222-10233 . 百度学术
      4. 刘夫仁,赛罕,贺伟,张正一,冯中华,张梓琪,鲍伟东. 内蒙古赛罕乌拉自然保护区马鹿夏季肠道菌群多样性. 野生动物学报. 2023(01): 90-97 . 百度学术
      5. 张洁,王凯,张翼,严如玉,杨军飞,刘星辰,计勇. 潦河中源段水生条背萤生境适宜性评价. 安徽农业科学. 2023(03): 52-56+61 . 百度学术
      6. 宋慧芳,党晓宏,高永,蒙仲举,孙艳丽. 基于MaxEnt模型的内蒙古自治区樟子松潜在分布研究. 四川农业大学学报. 2023(02): 203-208+248 . 百度学术
      7. 张杰京,陈飞,谢菲,张鑫,尹文萍,樊辉. 亚洲象生境长时序变化及其对人象冲突的影响——基于融合MaxEnt与HSI模型的生境适宜性评价方法. 生态学报. 2023(09): 3807-3818 . 百度学术
      8. 张旭,王玲玲,黄峰,田玉清,杨涛,张玉铭,刘亚恒. 长江中游地区麋鹿生境适宜性分析与生态廊道构建. 华中师范大学学报(自然科学版). 2023(03): 404-411 . 百度学术
      9. 刘伟,李旭琴,李忠伦,李英,油志远,蒋勇,阮光华,鲁碧耕,杨楠. 四川贡嘎山中华斑羚和中华鬣羚的时空分布及重叠性. 应用生态学报. 2023(06): 1630-1638 . 百度学术
      10. 申立泉,吴佳忆,周鑫,吕青昕,王燕群,袁乃秀,孟秀祥. 基于MaxEnt模型的北京周边山区野生狍(Capreolus pygargus)的生境适宜性评价. 生态学杂志. 2023(10): 2555-2560 . 百度学术
      11. 吕环鑫,夏少霞,顾婧婧,苏常红,王春晓,崔鹏. 基于MaxEnt模型的仙居县大型兽类和珍稀鸟类栖息地适宜性评价. 生态学杂志. 2023(11): 2797-2805 . 百度学术
      12. 邹珮雯,徐昉. 生态安全格局构建及景观生态风险预测——以赛罕乌拉国家级自然保护区为例. 生态学报. 2023(23): 9981-9993 . 百度学术
      13. 杨超,范韦莹,蔡晓斌,王学雷,张玉铭,李鹏飞. 基于MaxEnt模型的湖北石首麋鹿国家级自然保护区散养麋鹿夏季生境适宜性评价. 长江流域资源与环境. 2022(02): 336-344 . 百度学术
      14. 秦委,张虹,杨明霞,罗汉,江素萍,刘守金. 基于MaxEnt模型和ArcGIS的东南茜草潜在分布研究. 中国中医药信息杂志. 2022(05): 1-4 . 百度学术
      15. 刘红彩,赵纳勋,庄钰琪,杨梅玲,赵惠茹,叶新平. 基于MaxEnt模型的秦岭山地斑羚生境适宜性评价. 生态学报. 2022(10): 4181-4188 . 百度学术
      16. 滕扬,张沼,张书理,杨永昕,贺伟,王娜,张正一,鲍伟东. 大兴安岭南段马鹿生境适宜性分析与生态廊道构建. 生态学报. 2022(14): 5990-6000 . 百度学术
      17. 王金凤,徐基良,李建强,周春发,邓文洪. 基于动物适宜栖息地的北京市自然保护地保护成效评估. 生态学报. 2022(19): 7807-7817 . 百度学术
      18. 刘艳华,李卫东,张子栋,梁卓,杨娇,牛莹莹,周绍春. 黑龙江省老爷岭南部野猪种群现状及栖息地适宜性. 生态学杂志. 2022(11): 2208-2215 . 百度学术
      19. 刘夫仁,贺伟,赛罕,冯中华,杨永昕,张正一,鲍伟东. 同域分布马鹿与中华斑羚的冬夏季食物构成比较. 动物学杂志. 2022(06): 845-854 . 百度学术
      20. 孙珊,齐增湘,周敏,白瑾瑾,吕婧玮,刘鑫. 野生哺乳动物生态廊道构建——以云豹为例. 安徽农业科学. 2021(07): 81-84+96 . 百度学术
      21. 陈智强,赵增辉,王远飞,韦力,丁国骅,林植华. 基于红外相机技术和MaxEnt模型的黑麂(Muntiacus crinifrons)活动节律分析和潜在适生区预测. 生态学报. 2021(09): 3535-3547 . 百度学术
      22. 钟雪,杨楠,张龙,程跃红,冯茜,胡强,金义国. 卧龙国家级自然保护区绿尾虹雉种群分布和生境质量评价. 四川动物. 2021(05): 509-516 . 百度学术
      23. 郭飞龙,徐刚标,卢孟柱,孟艺宏,袁承志,郭恺琦. 基于MaxEnt模型分析胡杨潜在适宜分布区. 林业科学. 2020(05): 184-192 . 百度学术
      24. 龚旭,付强,王磊,杨彪,张全建,张远彬. 四川鞍子河保护地水鹿和羚牛栖息地适宜性评价与重叠性分析. 生态学报. 2020(14): 4842-4851 . 百度学术
      25. 李响,张成福,贺帅,王雨晴,苗林. MaxEnt模型综合应用研究进展分析. 绿色科技. 2020(14): 14-17 . 百度学术
      26. 张晓晨,邵长亮,葛炎,陈晨,徐文轩,杨维康. 新疆卡拉麦里山有蹄类野生动物自然保护区夏季蒙古野驴适宜生境与种群数量评估. 应用生态学报. 2020(09): 2993-3004 . 百度学术
      27. Jing Yang,Guo-Fen Zhu,Jian Jiang,Chang-Lin Xiang,Fu-Li Gao,Wei-Dong Bao. Non-invasive genetic analysis indicates low population connectivity in vulnerable Chinese gorals:concerns for segregated population management. Zoological Research. 2019(05): 439-448 . 必应学术

      其他类型引用(24)

    图(3)  /  表(4)
    计量
    • 文章访问数:  2127
    • HTML全文浏览量:  372
    • PDF下载量:  94
    • 被引次数: 51
    出版历程
    • 收稿日期:  2017-10-26
    • 修回日期:  2017-11-12
    • 发布日期:  2017-12-31

    目录

    /

    返回文章
    返回