下载:
-
杨树Populus具有生长快、成材早、产量高等特点，除造林绿化外还具有广泛的工业用途，是木材原料的重要来源。同时杨树较娇嫩，是易受灾害的树种。近些年来，由于退耕还林时杨树种植密度过大、林间管理不善，杨树的各种病害类型增多，发生程度也逐年加重，严重影响杨树的成材质量和经济价值[1-2]。为避免经济和生态损失，杨树病害的检测与预防工作变得尤为重要。目前林木的病害识别任务大多根据专业人员的从业经验判断，识别效率低，专业素质要求过高。随着近些年来计算机视觉相关技术的迅速发展，图像识别已成为计算机科学的重要领域。与人眼识别不同的是，图像识别技术通过计算机提取图像特征，以特征向量或矩阵的形式，进行训练识别任务。机器视觉的识别模式已经成为趋势，这为病害识别任务提供了新的方向。近年来，研究者提出了多种针对农作物和经济作物叶部病害的识别方法[3-4]，使用的技术包括支持向量机[5]、BP神经网络及更深层次的卷积神经网络[6]等，多数研究主要通过修改神经网络结构与网络深度[7-8]，以追求更好的识别效果。由于本研究所涉及病害图像特征不显著，导致修改神经网络结构的方式对提高识别能力效果并不理想，而之前的研究缺少此类有效方案。鉴于此，本研究将重心集中在原始图像的预处理上，以确保病害早期的病症得到强化，提出基于卷积神经网络和病症特征分割的杨树叶部病害的识别方案，为杨树病害发病早期的预警工作提供借鉴。
-
杨树叶部图像采集于北京市顺义区东郊湿地公园，采集时间为6−9月，包括杨树黑星病早期图像、杨树花叶病和部分健康杨树叶片图像，其中黑星病早期图像共170张、杨树花叶病图像176张以及健康杨树叶片图像170张，图像文件格式为JPG，像素大小为2912×5184。图像数据集具有如下特征：数量总量小，在识别任务中易出现过拟合现象；杨树黑星病早期的病斑面积小，仅在叶脉附近存在少量浅色亮斑，特征没有其他病害明显。
-
鉴于采集杨树病害叶片图像难度较大，获取的病害叶片图像集数量少，需要对原始数据进行数据集扩充操作，随机变换生成一批可信图像，以增加图像识别训练任务的输入数量，减轻过拟合现象。为提高图像集数据量，防止过拟合，本研究数据扩增主要包括：①翻转。将源图像进行随机水平或垂直翻转。②旋转。以随机角度对源图像进行旋转，若旋转角度不为
$\pi /2$ 或$\pi $ ，图像将以不同尺寸保存为矩形图像。③裁剪。随机从源图像中采样一部分作为新的图像内容，之后将裁剪后图像调整为目标图像的尺寸。④平移。将源图像沿x轴或y轴或同时沿2个方向移动，从而改变图像内部主体目标的相对位置。⑤对比度变换。针对源图像HSV颜色空间，保持色调不变，改变饱和度和亮度分量。 -
图像采集设备为Canon PowerShot SX620 HS，实验依托于主频为3.00 GHz的Inter i5-7400 CPU处理器，8.00 GB内存，Windows 10 64位操作系统，语言环境为Python 3.6。图像识别所使用的框架为tensorflow，版本为1.12.0，搭载显卡为NVIDIA GeForce GTX 1060 3 GB。
-
Canny边缘检测算法[9]主要分为四部分：高斯滤波降噪、计算图像的梯度和梯度方向、非极大值抑制和双阈值筛选边缘。高斯滤波可以对图像邻域内像素进行平滑处理，尽可能保留原灰度图像的分布特征。使用非极大抑制确定目标梯度方向的局部最大值并保留。设置阈值A和B，将大于阈值B的点判定为边缘点，舍弃小于阈值A的点。而介于A与B之间的点，若与B是连通的则判定为边缘点，反之舍弃。为保证检测物体边缘轮廓的完整性，采用霍斯变换修复边缘轮廓。在笛卡尔坐标下，点的坐标用横纵坐标值
$\left( {x,y} \right)$ 表示；在极坐标轴下，直线用角度和极径表示，即$(\rho ,\theta )$ 。例如笛卡尔坐标空间下有共线2点的坐标分别为$({x_i},{y_i})$ 和$({x_j},{y_j})$ ，映射到极坐标参数空间是2条正弦曲线，相交于点$({\rho _0},{\theta _0})$ ，${\rho _0} = x\cos {\theta _0} + y\sin {\theta _0}$ 即为目标直线(图1)。
图 1 笛卡尔坐标系(A)与极坐标系(B)图像
Figure 1. Cartesian coordinate system(A) and polar(B) images
在参数空间建立二维数组累加器矩阵，遍历图像每个前景点，用
$({\rho _i},{\theta _i})$ 表示，通过霍斯矩阵的离散方法表决计算结果获取峰值以确定多散点的共线。以这样的形式追踪图像中每个点对应曲线间的交点，若交于一点的曲线数量超过了阈值，便认定此点所表示的直线为多散点共在的直线，将散点化的部分断裂轮廓图像修复为1条连续轮廓[10]。相比于其他研究采用的边缘检测方法[11-13]，本方法更适用于植物的叶部轮廓提取，且效率更高。 -
限制对比度自适应直方图均衡化[14]是将原始图的直方图变换为均匀分布的形式，通过图像的灰度分布直方图确定1条映射曲线，用以进行图像灰度变换，达到增强图像对比度的目的[15]。为避免对图像进行全局处理造成的灰度值增大问题，将原图像分为若干子块，进行局部对比度处理。在CLAHE中，对每个子块区域进行对比度限幅，以克服局部单独处理产生的图像失真及噪声过度放大的问题[15]。实验发现：对图像RGB三通道进行处理的方式会导致原图色彩失真，故本研究将原图像转化到明度-色差空间(即YCrCb空间)，通过第1分量Y进行限制对比度自适应直方图均衡化处理，之后转换回原模式图像。
-
OTSU又被称为最大类间方差法[16]，是1种自适应阈值的分割方法，按照图像的灰度特征，分割为背景和目标2个部分。背景与目标之间的类间方差越大，说明构成图像的2个部分差别越大，使用类间方差最大化能够保证错分的几率最小，区分效果最好[17]。具体步骤如下：先获取图像的灰度直方图，并进行归一化，设置一个阈值i，从0开始迭代，设定0至i区间的灰度级像素为前景像素，i至255则为背景像素，计算前景像素的占比，记为
${\omega _{\rm{0}}}$ ，平均灰度为${\mu _{\rm{0}}}$ ，同理背景像素占比记为${\omega _{\rm{1}}}$ ，平均灰度为${\mu _{\rm{1}}}$ ，原图像的平均灰度为${\mu _{\rm{2}}}$ ，类间方差记为$g$ 。其中：${\mu _2} = {\omega _0} {\mu _0} + {\omega _1} {\mu _1}$ ；$g = {\omega _0}{({\mu _0} - {\mu _2})^2} + {\omega _1}{({\mu _1} - {\mu _2})^2}$ 。可得$g = {\omega _0}{\omega _1}{({\mu _0} - {\mu _1})^2}$ 。随着i递增，重复以上计算，直到i=256时结束迭代，将g最大时对应的i作为图像的全局阈值，通过此阈值对图像进行背景与前景分割。 -
本研究采用的神经网络模型为AlexNet模型[18]，网络模型为8层结构，其中前5层为卷积层，后3层为全连接层，学习的参数超过6 000万个，神经元数量有650 000个，最后全连接层的输出被送到Softmax函数中产生预测类。具体数据流如图2。AlexNet模型在神经网络发展中具有重要意义，证明了CNN在复杂模型下的有效性。不同于之前的网络模型，AlexNet使用了非线性激活函数：ReLu，表示为
$\max (0,x)$ ，相比sigmoid和tanh激励函数可以很大程度提高随机梯度下降的收敛速度。同时，这样的函数特征能够避免在后向传播的过程中卷积核的输出落入函数的饱和区而造成的梯度弥散现象。
图 2 AlexNet网络数据流
Figure 2. Network data stream of AlexNet
针对训练集过小而产生的过拟合现象，AlexNet提出了Dropout方法，核心思想是训练过程中忽略一半的特征检测器，即在前向传播的过程中，让某个神经元的激活值以一定的概率停止工作，以增强模型的泛化能力，避免过分依赖某些局部的特征。
-
为防止背景与待检测病斑信息相混淆，采用改进的Canny算子对原始图像进行边缘检测，并通过描绘的边缘图像信息进行叶片图像切割，保留完整的正面叶片图像。
首先读取原图像(图3A)，为了消除自然图像中的噪声问题，采用高斯滤波算法扫描原图像，获取平滑图像(图3B)，将上一步骤的结果进行灰度处理，获取灰度图(图3C)，使用Sobel算子获取检测方向的梯度，并通过非极大抑制选择局部最大梯度来确定初定边缘图像，最终使用双阈值筛选的方法锁定最优边缘，获取正面叶片轮廓(图3D)。
图 3 轮廓提取及分割效果
Figure 3. Contour extraction and segmentation effect
分析提取效果发现：提取的轮廓出现不闭合现象，某些边缘区域呈散点形边缘，轮廓内无法实现填充。需进行基于霍夫变换的边缘修复处理，通过调节检索半径参数，将拟合于相同解析直线的相邻轮廓散点连接，形成完整闭合的叶面轮廓(图3E)。填充整个轮廓为纯色得到待提取区域形状，使之与原图做Mask处理，提取完整主体切割图像(图3F)。与原图相比，提取图像不但排除了背景的干扰，同时克服了部分阴影干扰。
-
由于光照影响，叶片产生的反光效果使叶片局部产生亮斑，导致叶片亮度不均匀[19]。在做灰度图或二值化图像转换时，容易将反光部分误判为病斑，为减少图像信息损失，采用限制对比度自适应直方图均衡化来降低光照不均产生的图像干扰[20]。
将黑星病早期图像作为输入对象(图4A)，将输入图像转换至YCrCb空间，并提取第1通道图像限制对比度自适应直方图均衡化，以改变原图像的对比度分布情况，降低局部过多光线造成的亮斑影响(图4B)，将处理后图像进行灰度处理能更明显看出叶片顶部位置的高光部分产生的干扰(图4C)，对比原图与经过处理的图像转化的二值化图像(图4D和图4E)，限制对比度自适应直方图均衡化算法有效降低了局部反光造成的干扰[21-22]。
图 4 杨树黑星病特征增强
Figure 4. Enhanced characteristics of poplar scab
将杨树花叶病图像作为输入对象(图5A)，经过限制对比度自适应直方图均衡化算法后图像病斑区域明显(图5B)，灰度差别更加显著(图5C)，二值化图像中病斑基本被完整提取(图5E)，而原图所对应的二值化图像无法判断病斑区域位置，将期望待选病斑区域混入叶部正常区域，丢失有效信息(图5D)。
图 5 杨树花叶病特征增强
Figure 5. Enhanced characteristics of poplar mosaic disease
-
杨树花叶病病斑主要以块状分布在叶片中央，杨树黑星病早期病斑以散点状分布在叶脉周围。为了保留病斑与主叶脉的空间关系，以叶脉和病斑为分割对象，将RGB三通道原图(图6A和图7A)转换为灰度图，利用自适应阈值的OTSU二值化算法进行前景和背景提取(图6B和图7B)，使用二值化图像与原图做Mask处理完成病斑及叶脉的提取(图6C和图7C)。
图 6 杨树黑星病特征提取
Figure 6. Feature extraction of poplar scab
图 7 杨树花叶病特征提取
Figure 7. Feature extraction of poplar mosaic disease
采用本研究方法分割出的病斑及叶脉图像基本完整，存在的噪声小，针对杨树花叶病和杨树黑星病早期病斑分割效果较好。
-
本研究使用AlexNet神经网络，分别针对叶片病害原始图像(实验1)、病害图像预处理灰度图像(实验2)和病害病斑提取图像(实验3)进行网络训练，将验证准确率作为标准测试图像预处理带来的提升效果。数据集的数据组成见表1。
表 1 图像数据集信息
Table 1. Image data set information
图像类别 训练集数量 验证集数量 总数 健康图像 716 79 895 杨树花叶病 903 102 1 005 杨树黑星病 954 96 1 050 使用相同的训练过程，将图像集分为杨树黑星病、杨树花叶病和健康图像等3个类别，以接近9∶1的比例将每个类别图像集分为训练集(Train)和测试集(Val)。数据集通过TensorFlow转换为tfRecorders类型文件，建立索引文件提高训练效率。最后将图像转化为227×227像素大小的RGB三通道图像，输入网络进行训练。训练过程验证准确率变化趋势及结果(图8)表明：实验1验证准确率达88.77%，损失值约1.40%；实验2验证准确率达93.56%，损失值约0.80%；实验3验证准确率达98.07%，损失值约0.70%。在训练进行至9 500次时，实验3的准确率较其他2组实验有明显提高；在45 000次时，基本稳定在90%以上。实验2与实验3采用的2种图像处理方式对应的识别准确率分别提高了4.79%和9.28%，效果明显。
图 8 3组实验神经网络训练迭代验证准确率
Figure 8. Three groups of experimental neural network training iteration verification accuracy
-
杨树病害叶片图像均在自然条件下拍摄，由于识别模式不同，计算机无法模仿人类进行主观的图像主体提取，故包含背景的叶片图像在进行识别任务时容易受环境干扰。计算机易将自然光条件下的叶片遮挡产生的阴影误判断为叶片主体图像的一部分，继而导致叶片的形态发生变换，使计算机出现错误的判断(图3A)。此外，背景包含的阴影变化产生的影响也会成为计算机进行叶片及病害形态判断的干扰，不利于识别准确率的提高。
本研究为了排除叶片主体图像之外的其他干扰噪声，采用基于改进的Canny算子边缘检测法对原始图像进行第1步预处理，在排除背景影响的基础上提取出叶片主体的图像作为后续实验的新图像数据。与其他研究相比[11-12]，本研究对病害叶片轮廓提取的预处理方式能够最大程度消除非叶片部分的噪声干扰。
-
杨树叶片表面光滑，易产生光线反射现象，反光区域颜色过浅，与病斑特征相似，容易产生识别错误。本研究采用限制对比度自适应直方图均衡化方法对图像的YCrCb空间第1通道信息进行均衡化处理，调整图像的对比度分布情况，进而弱化光照过强导致的亮斑情况，避免计算机将实际病斑信息与亮斑信息混淆。区别于其他研究忽视光照影响的识别结果，本研究采用的预处理方案能够最大程度消除不规则光照带来的噪声。另外在进行新的病害识别分类任务时，对采集环境要求宽松，无需过分考虑光照影响。
-
杨树病害的种类识别主要通过病斑形态、分布规律进行分类处理。本研究提出了从叶片图像提取病斑及主叶脉信息的预处理方案，生成新的无背景特征图，提取效果明显。将生成的病斑特征图与原图分为不同的实验组进行训练识别，结果表明病斑提取后的实验组验证识别准确率较对照组提高了9.28%。由于预处理消除了较多无效图像信息，图像识别速度也得到了较明显提高。
-
本研究以杨树黑星病早期病害和杨树花叶病害图像为研究对象，提出了对原始数据进行预处理以提高AlexNet网络模型训练识别准确率的方案。采用改进的Canny算子边缘检测法获取叶片轮廓以去除图像背景影响，分割出完整的叶片主体图像；采用限制对比度自适应直方图均衡化影响算法消除叶片局部反光影响；采用自适应阈值的OTSU二值化算法提取病斑图像。本研究表明：此方案能够准确提取叶片主体，并消除局部反光带来的影响，分割算法同样提取出较为完整的病斑及叶脉图像。将完整叶片的二值化图像和病斑图像分别作为新的图像集进行训练，与原始图像相比，通过图像病症增强和病斑提取2种预处理后验证识别准确率分别提高了4.79%和9.28%。
Image recognition of poplar leaf diseases with feature segmentation and lesion enhancement
-
摘要:
目的 针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点，提出通过对图像集进行预处理的方法以提高识别精度的方案。 方法 为去除图像背景的影响，采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓；借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征；使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像，分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。 结果 研究最终分别获得93.56%和98.07%的验证集识别精度，较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像，有效避免目标叶片的背景干扰；限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果，有效降低反光等因素的干扰。 结论 几种病害图像预处理对提高识别精度效果明显，识别能力远超过未经处理的原始病害图像识别，有助于提高杨树叶部病害的智能识别能力。图8表1参22 Abstract:Objective In view of the inconspicuous characteristics of poplar(Populus) scab and mosaic disease, this paper is aimed to propose a method to improve the disease recognition accuracy by means of the pre-treatment of the original image set. Method Firstly, the contour of the blade was extracted employing the improved Canny operator edge detection method combined with Hoss Transformation so as to remove the disturbance of the image background. After that, the contrast limited adaptive histogram equalization was adopted to reduce the impact of local illumination unevenness. Thirdly, the OTSU segmentation algorithm with adaptive threshold was used to extract leaf lesion images. At last, the binarized images with lesion and the leaf lesion images were fed into the Alexnet which consists of 5 convolutional layers, 3 full-connection layers, 650 000 neurons and over 60 million learning parameters. Result Both groups came back with a significantly higher recognition accuracy rate than that of the the original image experiment group (93.56% and 98.05% VS 88.77%). The hybrid method proposed in this paper could help completely extract the images of the main body of the blade with different backgrounds and effectively avoid the background interference of the target blade. And the adaptive histogram equalization algorithm with limited contrast helped in dealing with the uneven light produced by natural environment and reducing the interference of reflective factors like reflected light. Conclusion The pre-treatment of the images of the above-mentioned diseases has significantly improved the recognition accuracy, and is highly recommended in future tasks. [Ch, 8 fig. 1 tab. 22 ref.] -
喜树Camptotheca acuminata是中国特有树种，属于蓝果树科Nyssaceae喜树属Camptotheca植物，因叶片含有抗癌物质喜树碱（camptothecin），被认为是重要药用植物。施肥是高效培育喜树、增加叶片产量的重要措施之一[1]。氮素是植物生长和产量形成的首要因素，植物吸收氮素的形式主要有铵态氮（NH4+-N）和硝态氮（NO3--N）。研究表明：合理增施氮肥可以促进植物生长，提升植物品质[2]；除了影响光合作用，氮素还影响植物中抗氧化酶和膜脂过氧化物的生理代谢。过量氮肥会打破植物内活性氧代谢的平衡，破坏膜系统结构[3]，导致植物生理系统的紊乱，影响植物类囊体数量和类囊体蛋白形成。psbA，psbB和psbC是光系统Ⅱ核心复合体（PSⅡ）中重要的蛋白编码基因。卡尔文循环中，核酮糖-1, 5-二磷酸羧化酶（rubisco）是光合特性中碳同化的关键酶，主要由大、小2个亚基组成，在植物碳同化过程中具有重要作用，影响植物的光合特性[4]。不同植物在不同环境和生育期表现出对不同氮素形态吸收的显著性差异[5-6]。三叶青Tetrastigma hemsleyanum[7]和铁核桃Juglans sigillata[8]都表现出对NO3--N吸收的偏向性，而水稻Oryza sativa的叶绿素荧光动力学参数在2种氮素营养下没有差异[9]；出现差异的原因可能与研究对象和条件都存在一定的相关性[10]，但氮素形态对植物叶绿素荧光动力学过程及其参数的影响机制，目前尚无明确定论。总的来说，不同植物对氮素形态吸收具有偏向性，而后者直接影响了植物生长和叶绿素荧光特性，从而影响植物生长的产量和品质，因此合适的氮肥水平及形态对植物生长具有重要意义。近年来，关于氮肥对喜树生长的研究，主要集中在氮肥处理的不同水平[11]，而尚未采用不同氮素形态的不同水平对喜树进行处理研究。因此，本研究以2年生喜树实生苗为实验材料，采用不同水平的铵态氮和硝态氮施肥处理，通过研究叶片生长、叶绿素荧光特性和叶绿体相关基因的表达，来探究适于喜树生长的最佳氮素水平和氮素形态，为喜树施肥栽培提供一定的理论依据。
1. 材料与方法
1.1 供试材料与试验方法
于2017年4月5日选取无病虫害、生长健壮、规格基本一致的优质2年生喜树实生苗270株（江西九江森淼绿化苗木公司），栽植在直径30.0 cm，高40.0 cm的花盆中。栽植基质为V（泥炭）:V（珍珠岩）:V（园土）＝1:1:3，填土（10.0±0.2）kg·盆-1，土壤pH值为6.8，土壤电导率（EC）为0.305 mS·cm-1，水解氮为86.6 mg·kg-1，速效磷为3.2 mg·kg-1，速效钾为94.6 mg·kg-1。苗木于浙江农林大学平山试验基地（30°15′50.09″N，119°42′54.67″E）缓苗2月，缓苗期间正常浇水，待全部成活后，于6月18日搬于浙江农林大学温室内（30°15′30.39″N，119°43′26.92″E）进行施肥处理。
试验以清水组为对照（ck），铵态氮处理组使用硫酸铵[（NH4）2SO4]施肥，施氮量分别为2.5（T1），5.0（T2），7.5（T3）和10.0（T4）g·株-1，硝态氮处理组使用硝酸钾（KNO3）施肥，施氮量分别为2.5（W1），5.0（W2），7.5（W3）和10.0（W4）g·株-1。所有盆栽苗均随机摆放，叶片之间无重叠，各盆配有直径40.0 cm的托盘，防止养分流失，每处理设置10株，重复3次。试验从6月18日至10月4日，隔15 d施肥1次。供试氮肥均为分析纯（AR99%），购自国药（硫酸铵CAS#: 7783-20-2，硝酸钾CAS: 7757-7）。施铵态肥时，肥料中加入7.0 μmol·L-1二氰二氨（C2H4N4, DCD）以抑制硝化反应，于0，30，60，90，105 d测定相关数据。试验期间进行正常的管理。
1.2 测定项目和方法
叶长：分别于处理前后（0，105 d）选第2轮叶的倒数第3，4，5片叶子，用直尺测量苗木的叶长（测量3株，取平均值），从叶片与叶柄连接基部到叶片尖端，精确到0.1 cm。叶面积：于处理前后（0，105 d）选第2轮叶的倒数第3，4，5片叶子，用方格纸测定苗木的叶面积（测量3株，取平均值），从叶片与叶柄连接基部到叶片尖端的整个范围，精确到0.01 cm2。叶绿素a和叶绿素b：采集喜树顶端第5，6片叶，参照李合生[12]乙醇浸提法测定叶绿素质量分数。叶绿素荧光参数：采用Li-6400便携式光合仪（LI-COR，Lincoln，美国），于晴天上午9：00-11：00测定植株上位叶（第2轮叶倒数3，4片）叶绿素荧光参数。叶片暗适应30 min后测定初始荧光产量（Fo），随后施加1次强闪光（6 000 μmol·m-2·s-1，脉冲时间0.7 s）测最大荧光产量（Fm），然后在自然光下适应20 min，待荧光基本稳定再测得稳态荧光产量（Fs），最后给予1次强闪光，获得光适应下的最大荧光产量（Fm′）和最小荧光（Fo′）。各处理均3次重复。暗反应下PSⅡ最大光化学效率Fv/Fm=（Fm-Fo）/Fm，光系统下PSⅡ最大捕获效率Fv′/Fm′=（Fm′-Fo′）/Fm′，光化学猝灭系数qP＝（Fm′-Fs）/（Fm′-Fo′），非光化学猝灭系数qNP＝1-Fv′/Fm′[13]。测定叶绿素荧光参数时，同时任选3株，从各株顶端6~9片叶中任意采集3片，放入液氮罐中带回实验室置于-80 ℃冰箱中保存，用于测定光合酶基因的表达。叶绿体基因的表达：采用RNAperp Pure Plant Kit（TIANGEN，北京）试剂提取喜树RNA；参照Reverse Transcriptase M-MLV（Takara，大连）试剂说明书合成cDNA，于-20 ℃储存备用。从美国国立生物技术信息中心（NCBI）上获得喜树叶绿体基因序列，以Actin为内参基因，用Primer Express software（Applied Bio systems）设计引物（表 1）。反转录产物cDNA稀释10倍后，用SYBR®Primix Ex TaqTM试剂盒（Takara，大连）进行实时荧光定量聚合酶链式反应（qRT-PCR），利用Light Cycler 480 Ⅱ（Roche）荧光定量仪器进行目的基因qRT-PCR表达分析，反应体系为20.0 μL，其中SYBR®Primix Ex TaqTM荧光染料10.0 μL，cDNA模板2.0 μL，上下游引物（10 μmol·L-1）各0.8 μL，双蒸水6.4 μL。两步法PCR扩增标准程序：预变性95 ℃ 30 s；聚合酶链式反应95 ℃ 5 s，61 ℃ 30 s，40个循环，每个样品重复3次，采用2-ΔΔCt算法分析结果。
表 1 荧光定量PCR引物Table 1. Primers sequence of target genes基因 正向引物（5′→3′） 反向引物（5′→3′） psbA ACAGATTCGGTCAAGAGGAAGA CAGTGAACCAGATACCTACTACAG psbB GGAGGAATCGCTTCTCATCATAT CGGACGCTAAGATGGAATAGAC psbC GTCAATTATGTCTCGCCTAGAAGT GACCTACGAAGAAGAAGAATCCTAA RbcL CTTGGCAGCATTCCGAGTAAC GTTGTCCATGTACCAGTAGAAGATT Actin GGTACTCGTTCACAACAACTGCTG CTGTCCATCGGGCAACTCATAG 1.3 数据统计与分析
采用Excel 2007和SPSS 20.0软件对数据进行统计分析。采用单因素（one-way ANOVA）和Duncan法进行方差分析和多重比较（α＝0.05）。利用Origin 9.0软件作图。图表中数据为平均值±标准差。
2. 结果与分析
2.1 氮素处理水平对喜树叶片生长的影响
表 2显示：喜树生长至105 d，叶长和叶面积均增加，处理组叶长和叶面积均显著高于ck（P＜0.05）。随着氮素处理水平的提高，叶长和叶面积均呈先上升后下降趋势。与其他处理相比，T3和W3叶长和叶面积最大，叶长较ck（8.10±0.02）cm分别增加了32.3%和78.5%，叶面积较ck（25.43±0.15）cm2依次增加了130.0%和242.0%；且硝态氮处理水平下的叶长和叶面积均高于铵态氮，说明硝态氮更有利于植物生长。
表 2 氮素处理水平对喜树叶长和叶面积的影响Table 2. Effects of different concentrations of ammonium nitrogen and nitrate on leaf lengh of Camptotheca acuminata处理 叶长/cm 叶面积/cm2 ck 13.00 ± 0.12 Ad 58.83 ± 0.14 Ae T1 15.80 ± 0.12 Ac 79.07 ± 0.08 Bd T2 16.70 ± 0.03 Bb 98.93 ± 0.08 Bc T3 16.70 ± 0.03 Bb 124.03 ± 0.12 Ba T4 16.40 ± 0.05 Bb 116.37 ± 0.31 Bb ck 13.00 ± 0.12 Ad 53.83 ± 0.14 Ae W1 19.20 ± 0.06 Ac 139.73 ± 0.24 Ad W2 20.80 ± 0.08 Ab 152.07 ± 0.35 Ab W3 23.20 ± 0.21 Aa 184.30 ± 0.05 Aa W4 20.50 ± 0.03 Ab 150.97 ± 0.12 Ac 说明:不同小写字母表示同种氮素不同水平间差异显著(P < 0.05)，不同大写字母表示同种氮素相同水平下与ck差异显著(P < 0.05) 2.2 氮素处理水平对喜树叶片叶绿素质量分数的影响
2.2.1 铵态氮不同处理水平对喜树叶片叶绿素质量分数的影响
由表 3可知：随生长时长，植株叶片叶绿素质量分数总体升高，除T4外，其他处理叶绿素质量分数60 d较30 d时有所下降，90 d时又有所上升，至105 d时达到最大值。相同生长时长下，不同处理水平间差异较小。生长至105 d时，T3叶绿素质量分数显著高于其余处理（P＜0.05），较ck，T1，T2和T4依次上升了35.2%，17.2%，23.8%和15.2%。
表 3 不同铵态氮处理水平对喜树叶片叶绿素质量分数的影响Table 3. Effects of different concentrations of ammonium nitrogen and nitrate on chlorophyll content in C. acuminata处理 w叶绿素/（mg·g－1） 0 d 30 d 60 d 90 d 105 d ck 1.61 ± 0.26 Da 1.90 ± 0.26 Db 2.80 ± 0.10 Cb 3.96 ± 0.22 Ba 4.38 ± 0.16 Ac T1 1.63 ± 0.19 Da 4.54 ± 0.83 Aa 4.30 ± 0.08 Ca 3.72 ± 0.85 Ca 5.05 ± 0.12 ABb T2 1.61 ± 0.09 Da 4.78 ± 0.49 Aa 4.36 ± 0.19 Ca 4.72 ± 0.39 Ca 5.14 ± 0.36 ABb T3 1.67 ± 0.14 Da 5.25 ± 0.32 Ba 4.53 ± 0.17 Ca 4.80 ± 0.32 Ca 5.92 ± 0.11 Aa T4 1.61 ± 0.11 Da 4.88 ± 0.11 Ba 4.39 ± 0.15 ABa 4.26 ± 0.23 ABa 4.78 ± 0.22 Ab 说明：不同小写字母表示同种氮素不同水平间差异显著(P < 0.05)，不同大写字母表示同种氮素相同水平下与ck差异显著(P < 0.05) 2.2.2 硝态氮不同处理水平对喜树叶片叶绿素质量分数的影响
表 4表明：随处理时间的延长，硝态氮处理下喜树叶片叶绿素质量分数变化显著；但不同处理水平相比，质量分数差异较小。处理30~60 d，所有铵态氮处理下叶绿素质量分数均显著高于ck，各处理水平相比，W3处理下叶绿素质量分数最高，较ck和其他处理依次高出73.9%，44.5%，10.2%和31.3%。处理90~105 d，ck和W1的叶绿素质量分数继续上升，W2，W3和W4先上升后下降，105 d时，W1叶绿素质量分数高于其他处理，W4最低。
表 4 不同硝态氮处理水平对喜树叶片叶绿素质量分数的影响Table 4. Effects of different concentrations of ammonium nitrogen and nitrate on the chlorophyll content in C. acuminata处理 w叶绿素/（mg·g－1） 0 d 30 d 60 d 90 d 105 d ck 1.61 ± 0.17 Ca 1.90 ± 0.26 Ba 2.80 ± 0.10 ABc 4.38 ± 0.16 Ba 3.69 ± 0.22 Aab W1 1.65 ± 0.24 Ca 2.97 ± 0.84 Ba 3.37 ± 0.16 Ab 4.39 ± 0.10 Aa 4.41 ± 0.13 ABa W2 1.63 ± 0.12 Ba 3.84 ± 0.09 Aa 4.42 ± 0.38 Aab 3.68 ± 0.11 Abc 3.95 ± 0.11 Aa W3 1.67 ± 0.19 Ca 3.89 ± 0.14 Aa 4.87 ± 0.23 Aa 3.15 ± 0.49 Ac 3.83 ± 0.29 Ba W4 1.61 ± 0.11 Ba 3.45 ± 0.10 Aa 3.71 ± 0.28 Ab 3.22 ± 0.13 Ac 3.80 ± 0.35 Aa 说明:不同小写字母表示同种氮素不同水平间差异显著(P < 0.05)，不同大写字母表示同种氮素相同水平下与ck差异显著(P < 0.05) 2.3 氮素处理水平对喜树叶片叶绿素荧光参数的影响
2.3.1 铵态氮不同处理水平对喜树叶片叶绿素荧光参数的影响
由图 1可知：至30 d，Fv/Fm，Fv′/Fm′和qP呈显著上升趋势（P＜0.05），qNP呈下降趋势，T4处理下Fv/Fm，Fv′/Fm′和qP达到最大。到60 d时，T2和T3处理下Fv/Fm，Fv′/Fm′和qP达到最大值，与ck相比，依次提高了1.4%，9.2%和84.8%。60 d时T3处理组各测试参数显著高于其他处理（P＜0.05），T4显著低于其他处理。处理90~105 d，T2，T3和T4处理下Fv/Fm，Fv′/Fm′和qP值呈下降趋势，T1处理下Fv/Fm下降，Fv′/Fm′和qP值呈上升趋势，T3依然高于其余处理。90 d时，T3处理下qNP显著低于其他同类处理，与ck相比下降了12.9%；105 d时，T4处理下Fv/Fm，Fv′/Fm′和qP降到最小，显著低于其他处理；与ck相比，依次下降了11.1%，3.3%和5.6%。
图 1 铵态氮不同处理水平对喜树叶片叶绿素荧光参数的影响Figure 1. Effects of different concentrations of ammonium nitrogen on chlorophyll fluorescence characteristics of Camptotheca acuminata2.3.2 硝态氮不同处理水平对喜树叶片叶绿素荧光参数的影响
图 2显示：30 d时，不同硝态氮处理下Fv/Fm，Fv′/Fm′和qP显著上升，qNP显著下降，其中W4处理Fv/Fm和Fv′/Fm′达到最大值，此后显著下降（P＜0.05）。60 d时，W2和W3处理下Fv/Fm，Fv′/Fm′和qP达到最大值，与ck相比，依次上升了2.6%，12.3%和115.8%；此时W3处理下这3个参数值显著高于其他处理。处理90~105 d，W2，W3和W4处理Fv/Fm，Fv′/Fm′和qP值呈下降趋势；W1处理Fv/Fm下降，Fv′/Fm′和qP值上升；W3处理Fv′/Fm′和qP值依然高于其他处理，qNP显著低于其他处理，与ck相比下降了29.9%。至105 d时，W4处理Fv/Fm，Fv′/Fm′和qP显著低于其他处理，与ck相比，依次下降了11.1%，3.3%和5.6%。
图 2 铵态氮不同处理水平对喜树叶片叶绿素荧光参数的影响Figure 2. Effects of different concentrations of nitrate nitrogen on chlorophyll fluorescence characteristics of C. acuminata2.4 氮素形态和处理水平对喜树叶片核心复合体叶绿体基因和光合酶基因表达的影响
以不同处理在0 d时的表达量为ck，增施氮肥对PSⅡ蛋白编码基因psbA（图 3A和图 3B），psbB（图 3C和图 3D），psbC（图 3E和图 3F）和光合酶基因RbcL（图 3G和图 3H）表达的影响显著（P＜0.05）。由图 3可知：生长30 d，所有基因表达量显著提高。处理60 d时，T3处理下psbA表达上调，其余处理下所有基因表达显著下调（P＜0.05），T3和W3处理下psbA，psbC和RbcL表达量显著高于其他同类处理（P＜0.05），所有铵态氮处理psbB随处理水平的升高而升高，T2处理psbB表达量显著低于其他同类处理（P＜0.05）；与T1，T2和T4相比，T3处理psbA表达量上升了76.3%，50.8%和55.6%，psbC表达量上升了15.8%，16.5%和52.5%，RbcL表达量上升了66.8%，34.4%和39.9%。与W1，W2和W4相比，W3处理psbA表达量上升了71.9%，57.9%和75.6%；psbC表达量上升了8.7%，61.7%和15.4%；RbcL表达量上升了47.1%，22.3%和79.1%，处理90~105 d，T3和W3也保持显著优势，90 d时，T3较T1，T2和T4依次增加了88.9%，28.7%，379.1%，W3较W1，W2，W4依次增加了201.8%，52.3%和45.5%。105 d时，T4处理psbA和RbcL表达量显著低于其他同类水平处理，达到最小值。
图 3 氮素形态和氮素水平对喜树叶绿体基因和光合酶基因表达的影响Figure 3. Effects of different ammonium nitrogen and nitrate on the expression of chloroplast genes and photosynthetic enzyme genes in C. acuminata3. 讨论
植物不同生长过程对氮肥需求不同，在合理范围内增施氮肥，可以显著促进植物生长，提高植物的产量和品质[14]。研究认为：与铵态氮相比，硝态氮具有更好的亲和力、氮转运和吸收效果[15]。本研究发现：铵态氮和硝态氮均提高了喜树的叶面积和叶长生长量，以T3和W3优势最为明显；相比而言，硝态氮处理下喜树生长更优；随着氮素水平的继续提高，喜树叶长和叶面积显著下降，说明植物吸收利用氮素存在一定限度，过量添加不利于生物量的积累[16]。
叶绿素参与光能的吸收传递及分配，是重要的光合色素；不同氮素形态对植物叶绿素合成及对光能吸收、传递、捕获和转换具有重要影响[17]。研究表明：适量增加氮素可促进米老排Mytilaria laosensis[18]和菘蓝Isatis indigotica[19]叶绿素合成，提高光合效率。本研究发现：合理范围内（T1~T3，W1~W3）增施氮肥，喜树叶片叶绿素合成和光合效率显著提高，以T3和W3效果最佳。对油麦菜Lactuca sativa var. longifoliaf[20]和黄瓜Cucumis sativus[21]而言，硝态氮处理下叶绿素相对含量和叶绿素荧光参数高于铵态氮处理；本研究同样发现，处理初期，相同氮素水平下，硝态氮处理组叶绿素质量分数和叶绿素荧光参数显著高于铵态氮，这可能与植物对氮素形态的吸收代谢有关。李晓静等[22]发现铵态氮以被动吸收为主，扩散进入生物膜并破坏生物膜结构，阻碍质子动力势的建立和碳同化物的形成；而硝态氮以主动吸收为主，进入生物膜并储存于液泡中，对植物体内离子平衡、碳同化物的形成有利。RAAB等[23]研究发现：高氮会造成叶绿素酶失活，叶绿素分解，光系统Ⅱ遭到破环，光子传递受阻，使植物发生光抑制现象；如小麦Triticum aestivum在高氮处理下，植物光合结构和功能受到伤害，光合特性降低[24]。本研究发现，处理中后期（60~105 d）高氮水平下（T4和W4），喜树的叶绿素质量分数、叶绿素荧光特性显著下降。原因可能是高铵态氮造成铵离子在体内积累，类囊体结构被破坏，质子形成受阻，形成氧化磷酸化，破坏碳水化合物的形成，导致叶绿素合成受阻和植物光合特性降低[25]；高硝态氮处理破坏土壤理化性质，造成喜树缺素症，表现出对铁、镁等元素吸收的拮抗作用，从而影响植物光合特性[26]。不同氮素形态或水平对qNP影响无显著规律，其原因还需要进一步研究。
光系统Ⅱ（PSⅡ）由多亚基复合组成，吸收外界光能并将激发能转移到反应中心；psbA，psbB和psbC是编码PSⅡ反应中心蛋白质基因，RbcL基因编码核酮糖二磷酸羧化酶的大亚基。研究发现：增施氮肥可以提高植物碳同化能力，促进RbcL表达[27]。以甜菜Beta vulgaris[28]为例，铵态氮处理，其叶片中Rubisco酶基因表达高于硝态氮处理。本研究中，处理初期（30 d）不同氮素形态处理均促进了叶绿体基因的表达，相同水平下硝态氮处理RbcL的表达高于铵态氮；至中后期，T1和W1处理下RbcL的表达显著高于其他同类处理，说明适宜的铵态氮和硝态氮处理提高了植物的碳同化能力；相比之下，硝态氮较铵态氮更有利于提高喜树的碳同化能力，进一步说明了喜树是喜硝植物[29]。叶绿素荧光过程极其复杂，受各种刺激调控，植物碳同化和氮同化可能存在相应的竞争关系。本试验60 d时，叶绿体基因表达下调，可能原因是随着植物对长期环境变化的响应和适应，相关叶绿体基因表达受到影响[30-31]。环境胁迫造成PSⅡ中的蛋白质破坏，受蛋白编码基因刺激表达的影响，受损的蛋白质不断被新合成的蛋白质替代。SHAO等[32]发现：2.0 mg·L-1氮处理下，连苯三酚引起的铜绿假单胞菌Pseudomonas aeruginosa损害可通过psbA的刺激表达弥补。本实验中psbA，psbB和psbC在不同氮素水平处理下表达差异不显著，可能是氮素刺激了PSⅡ的蛋白质合成，形成自我保护机制[33]。高氮处理下，植物光电子传递受阻、热耗散能力显著下降、碳同化能力下降，发生了明显的光抑制现象[34]，也会造成叶绿体基因的表达显著下调。高铵态氮下铵离子的积累破坏了类囊体蛋白，降低了Rubisco酶活力，而高硝态氮下，植物对三价铁离子、二价镁离子的吸收下降，Rubisco酶活力受损，导致叶绿体基质中类囊体光驱电子的转移受阻碍，从而影响质子中铁硫-氧化蛋白的还原[35]。
-
图 8 3组实验神经网络训练迭代验证准确率
Figure 8 Three groups of experimental neural network training iteration verification accuracy
表 1 图像数据集信息
Table 1. Image data set information
图像类别 训练集数量 验证集数量 总数 健康图像 716 79 895 杨树花叶病 903 102 1 005 杨树黑星病 954 96 1 050 
下载: 导出CSV
-
[1] 曾大鹏. 我国杨树病害的研究现状与防治[J]. 中国森林病虫, 2002, 21(1): 20 − 26. ZENG Dapeng. Review of current situation of research and control on poplar diseases in China [J]. For Pest Dis, 2002, 21(1): 20 − 26. [2] 徐梅卿, 周旭东, 朴春根. 中国不同栽培区杨树品系及其病害种类[J]. 林业科学研究, 2009, 22(5): 705 − 714. XU Meiqing, ZHOU Xudong, PU Chungen. Populus cultivation-clones in different cultivated area and its diseases in China [J]. For Res, 2009, 22(5): 705 − 714. [3] 蒋丰千, 李旸, 余大为, 等. 基于Caffe卷积神经网络的大豆病害检测系统[J]. 浙江农业学报, 2019, 31(7): 1177 − 1183. JIANG Fengqian, LI Yang, YU Dawei, et al. Soybean disease detection system based on convolutional neural network under Caffe frame-work [J]. Acta Agric Zhejiang, 2019, 31(7): 1177 − 1183. [4] 张善文, 谢泽奇, 张晴晴. 卷积神经网络在黄瓜叶部病害识别中的应用[J]. 江苏农业学报, 2018, 34(1): 56 − 61. ZHANG Shanwen, XIE Zeqi, ZHANG Qingqing. Application research on convolutional neural network for cucumber leaf disease recognition [J]. Jiangsu J Agric Sci, 2018, 34(1): 56 − 61. [5] 邹永杰, 张永军, 秦永彬, 等. 应用于番茄病虫害检测的HOG特征与LBP特征的结合[J]. 南京师范大学学报(工程技术版), 2019, 19(3): 21 − 28. ZOU Yongjie, ZHANG Yongjun, QIN Yongbin, et al. The combination of HOG features with LBP features applied to tomato disease and pest detection [J]. J Nanjing Norm Univ Eng Technol Ed, 2019, 19(3): 21 − 28. [6] 王佳. 计算机视觉在香芋病害检测中的应用研究[J]. 农机化研究, 2020, 42(8): 241 − 244. WANG Jia. Application of computer vision in the detection of sweet potato disease [J]. J Agric Mech Res, 2020, 42(8): 241 − 244. [7] 张善文, 张晴晴, 李萍. 基于改进深度卷积神经网络的苹果病害识别[J]. 林业工程学报, 2019, 4(4): 107 − 112. ZHANG Shanwen, ZHANG Qingqing, LI Ping. Apple disease identification based on improved deep convolutional neural network [J]. China For Sci Technol, 2019, 4(4): 107 − 112. [8] 苏婷婷, 牟少敏, 董萌萍, 等. 深度迁移学习在花生叶部病害图像识别中的应用[J]. 山东农业大学学报(自然科学版), 2019, 50(5): 865 − 869. SU Tingting, MOU Shaomin, DONG Mengping, et al. Application of deep transfer learning in image recognition of peanut leaf diseases [J]. J Shandong Agric Univ Nat Sci Ed, 2019, 50(5): 865 − 869. [9] 孙金岭, 庞娟, 张泽龙. 基于颜色特征和改进Canny算子的车牌图像定位[J]. 吉林大学学报(理学版), 2015, 53(4): 693 − 697. SUN Jinling, PANG Juan, ZHANG Zelong. Recognition of vehicle license plate locating based on color feature and improved Canny operator [J]. J Jilin Univ Sci Ed, 2015, 53(4): 693 − 697. [10] 李亚丽, 付威, 赵岩, 等. 自然环境下杏树的边缘信息检测及轮廓提取[J]. 新疆农机化, 2019(4): 31 − 34. LI Yali, FU Wei, ZHAO Yan, et al. Edge information detection and contour extraction of a single apricot tree in natural environment [J]. Xinjiang Agric Mech, 2019(4): 31 − 34. [11] 柳小波, 张育维. 基于U-Net和Res_UNet模型的传送带矿石图像分割方法[J]. 东北大学学报(自然科学版), 2019, 40(11): 1623 − 1629. LIU Xiaobo, ZHANG Yuwei. Ore image segmentation method of conveyor belt based on U-Net and Res_UNet models [J]. J Northeast Univ Nat Sci, 2019, 40(11): 1623 − 1629. [12] 张晗, 钱育蓉, 王跃飞, 等. 基于图像边缘增强与弱化的边缘检测[J]. 计算机工程与设计, 2019, 40(11): 3106 − 3110. ZHANG Han, QIAN Yurong, WANG Yuefei, et al. Edge detection based on image edge enhancement and weakening [J]. Comput Eng Des, 2019, 40(11): 3106 − 3110. [13] 张麟瑞, 贾玉林, 程科. 简单图像闭合外边缘轮廓提取[J]. 红外与激光工程, 2006, 35(3): 367 − 370. ZHANG Linrui, JIA Yulin, CHENG Ke. Method of obtaining close exterior outlines of simple images [J]. Infrared Laser Eng, 2006, 35(3): 367 − 370. [14] VELUCHAMY M, SINGH J F. Contrast limited fuzzy adaptive histogram equalization for enhancement of brain images [J]. Int J Imaging Syst Technol, 2017, 27(1): 98 − 103. [15] SHARMA D P. Intensity transformation using contrast limited adaptive histogram equalization [J]. Int J Eng Res, 2013, 2(4): 282 − 285. [16] 程培英. 一种新颖的Ostu图像阈值分割方法[J]. 计算机应用与软件, 2009, 26(5): 228 − 231. CHENG Peiying. A novel Ostu segmentation algorithm for image threshold [J]. Comput Appl Software, 2009, 26(5): 228 − 231. [17] 魏帅均, 张彦娥, 梅树立. 基于俯视图像的玉米株心快速识别方法研究[J]. 农业机械学报, 2017, 48(增刊 1): 136 − 141. WEI Shuaijun, ZHANG Yan’e, MEI Shuli. Fast recognition method of maize core based on top view image [J]. Trans Chin Soc Agric Mach, 2017, 48(suppl 1): 136 − 141. [18] KRIZHEVSKY A, SUTSKEVER I, HINTON G E, et al. ImageNet classification with deep convolutional Neural Networks [J]. Commun ACM, 2017, 60(6): 84 − 90. [19] 郭佳, 刘晓玉, 吴冰, 等. 一种光照不均匀图像的二值化方法[J]. 计算机应用与软件, 2014, 31(3): 183 − 186, 202. GUO Jia, LIU Xiaoyu, WU Bing, et al. Binarisation method for images acquired under non-uniform illumination [J]. Comput Appl Software, 2014, 31(3): 183 − 186, 202. [20] 陈卫, 邓志良. 基于颜色和形状的不均匀光照条件下球体识别[J]. 电子设计工程, 2019, 27(21): 177 − 181. CHEN Wei, DENG Zhiliang. Ball recognition based on color and shape under uneven illumination conditions [J]. Electron Des Eng, 2019, 27(21): 177 − 181. [21] 席佳祺, 陈晓冬, 汪毅, 等. 细节保持的非均匀光照图像亮度均衡算法[J]. 光电工程, 2019, 46(4): 47 − 58. XI Jiaqi, CHEN Xiaodong, WANG Yi, et al. Details preserved brightness equalization algorithm for non-uniform illumination images [J]. Opto-Electron Eng, 2019, 46(4): 47 − 58. [22] 王礼, 洪祖兵, 方陆明, 等. 基于iOS系统的观赏植物识别[J]. 浙江农林大学学报, 2018, 35(5): 900 − 907. WANG Li, HONG Zubing, FANG Luming, et al. iOS-based recognition of ornamental plants [J]. J Zhejiang A&F Univ, 2018, 35(5): 900 − 907. 期刊类型引用(13)
1. 张兴月，陈金鑫，刘国元，余春梅，张健，姚彬，魏辉. 有刺枸骨和无刺枸骨在不同CO_2浓度下的光合能力分析. 安徽农学通报. 2024(04): 49-54 . 
百度学术2. 张彬润. 叶面喷施氨基酸水溶肥对喜树生长及喜树碱含量的影响. 特种经济动植物. 2023(06): 73-74+77 . 百度学术3. 廖向研，谭鹰，邬桥平，刘志贤. 外源钙对干旱胁迫下喜树幼苗缓解效应. 温带林业研究. 2023(04): 21-26 . 百度学术4. 陈志青，刘梦竹，王锐，崔培媛，卢豪，魏海燕，张洪程，张海鹏. 纳米镁对水稻产量形成和氮素吸收利用的影响. 中国水稻科学. 2022(02): 195-206 . 百度学术5. 张海鹏，陈志青，王锐，卢豪，崔培媛，杨艳菊，张洪程. 氮肥配施纳米镁对水稻产量、品质和氮肥利用率的影响. 作物杂志. 2022(04): 255-261 . 百度学术6. 杜明慧，成玉婷，吴小莲，霍锦林，何子豪，陈永骥，何坤航，洪文泓，王海龙. 不同形态氮肥降低菜心吸收累积环丙沙星(CIP)的生理生化机制. 安徽农业大学学报. 2022(04): 630-637 . 百度学术7. 马道承，庞艳萍，田湘，王凌晖. 植物不同氮素形态配比施肥及其分子机制研究进展. 西部林业科学. 2022(05): 164-170 . 百度学术8. 崔云浩，刘俊清，张帆，王军娥，王艳芳，石玉. 不同氮素形态配比对辣椒幼苗生长及生理特性的影响. 江苏农业科学. 2022(20): 161-168 . 百度学术9. 郑钢，顾翠花，林琳，王杰. 20种千屈菜科植物rbcL基因密码子使用偏好性分析. 浙江农林大学学报. 2021(03): 476-484 . 本站查看10. 逯玉兰，李广，闫丽娟，燕振刚，聂志刚，董莉霞. 基于APSIM模型的不同氮肥方案小麦叶面积指数的模拟研究. 甘肃农业大学学报. 2020(03): 38-44+53 . 百度学术11. 时怡，梁博文，胡俊峰，董玥琪，杜培华，李中勇，张学英，徐继忠. 不同形态及浓度氮素对矮砧红富士苹果幼树生长和氮素吸收、运转的影响. 河南农业科学. 2020(09): 112-119 . 百度学术12. 刘向东，尹陈茜，陈雪峰，甘德欣，于晓英，许璐. 废弃物基质对高温气候下‘金丝皇菊’生长的影响. 江西农业大学学报. 2020(04): 707-717 . 百度学术13. 林劲草，肖莉，吴酬飞，张绍勇，杨惠宁，张立钦. 基于响应面法的马比木中喜树碱提取工艺的优化. 浙江农林大学学报. 2020(05): 1014-1019 . 本站查看其他类型引用(17)
-
-
链接本文:
https://zlxb.zafu.edu.cn/article/doi/10.11833/j.issn.2095-0756.20190752
点击查看大图
计量
- 文章访问数: 1505
- HTML全文浏览量: 524
- PDF下载量: 49
- 被引次数: 30
