全 文 ：物候模式识别在生态动力预报中的应用*
裴铁 * * 金昌杰
(中国科学院沈阳应用生态研究所, 沈阳 110016)
=摘要> 以物候资料和数值天气预报模式输出图为基础,应用模式识别和数理逻辑判断的自动化技术 ,阐
述制作生态动力预报的原理、方法和步骤.生态动力预报技术使传统的物候学在气象学和自动化技术支持
下, 扩展应用到生态预报业务领域,使物候预报从单站预报阶段发展到区域预报阶段, 同时促进了农业气
象预报方法从定性、统计阶段向动力预报阶段发展. 该方法在农作物播种、长势、灌溉与施肥、病虫害防治
等方面具有广阔的应用前景.
关键词 生态动力预报 物候学 数值天气预报 数理逻辑 模式识别
文章编号 1001- 9332(2005) 09- 1661- 06 中图分类号 S165 文献标识码 A
Application of phenological pa ttern r ecognition in ecological dynamic for ecasting. PEI Tiefan, JIN Changjie
(I nstitute of Applied Ecology , Chinese Academy of Sciences, Shenyang 110016, China ) . 2Chin. J . Appl .
Ecol . , 2005, 16( 9) : 1661~ 1666.
This paper descr ibed the principles, met hods, and procedures of ecological dynamic forecasting by the automation
techniques of pattern recognition and mathematical logic judgment on the basis of phenological data and model
output maps from T42L9 numerical weather prediction model. This new forecasting method proposed on t he basis
of modern meteorology and automation techniques enables the classic phenology to apply to a new field ecological
forecasting. It enables phenological for ecasting to develop from single2station forecast ing stage to regional fore2
casting stage, which is gr eatly corresponded to the development stage from single station forecasting stage to syn2
optic stage in weather forecasting, and enables agro2meteorological for ecasting to develop from qualitat ive and sta2
tistical forecasting stage to ecological dynamic forecasting stage. With t his new qualitative forecasting method,
both the predicted objective and predictors ar e of considerable bio2physical interests. The ecological dynamic fore2
casting method could be applied to crop sowing, crop growth, irr igation and fertilization, and diseases and pests
control.
Key words Ecological dynamic forecasting, Phenology, Numerical weather prediction, Mathematical logic,
Pattern r ecognition.
* 中国科学院知识创新工程重要方向项目 ( YCXZY0203) 和国家重
点基础研究发展规划资助项目( 2002CB111503) .
* * 通讯联系人.
2005- 04- 06收稿, 2005- 05- 05接受.
1 引 言
农业气象预报方法依赖天气预报技术和有关作
物的生物学特性.目前,天气预报的先进技术是数值
天气预报方法, 而农业气象预报仍停留在概率统计
预报阶段.因预报因子、预报量及二者之间关系缺乏
明确的生物物理意义,使预报质量难以进一步提高,
寻求新的预报方法势在必行. 本文提出一个以数值
天气预报产品和有关生物学特征为基础, 应用自动
化技术的预报新方法 ) ) ) 生态动力预报.
20多年来, 数值天气预报领域有重大进展. 早
在20世纪 70~ 80年代,丑纪范等[6, 7]、曾庆存[ 20]从
数学物理基础上研究了数值预报理论, 取得了举世
瞩目的成果. 中国 T42L9谱模式, 改进了欧洲中期
天气中心预报模式,并应用于动力气象预报研究及
其输出产品, 为生态动力预报提供了物理基础. 同
时, 中 国 有 长 期 物 候 观 测 数 据 与 研 究 成
果[ 1~ 3, 5, 8~ 10, 12~ 15, 17~ 18, 21] , 又为生态动力预报提供
了生物学依据.因此,二者相结合有力地促进生态动
力预报迅速发展.
生态动力预报依赖于数值天气预报和作物生物
学特征. 前者的基础是大气动力学和数值计算方
法[ 11, 16] ;而后者通常依靠物候观测, 其结果系在生
态动力源驱动下作物生态过程几个主要时段的生物
学特征,隶属生态动力学研究范畴[16] .
近年发展起来的生态动力模式识别技术[ 16]可
用于物候图、天气图和模式输出图的自动化识别,是
生态动力预报的技术支撑.生态模式识别技术将以
往定性观察无法实现的预报业务得以实现,通过计
算机应用自动模式识别技术在短时间内即可完成大
量物侯图的识别任务. 基于此,作者提出生态动力预
应 用 生 态 学 报 2005 年 9 月 第 16 卷 第 9 期
CHINESE JOURNAL OF APPLIED ECOLOGY, Sep. 2005, 16( 9)B1661~ 1666
报新途径,旨在提高预报质量,服务于农业可持续发
展.
2 材料与方法
211 资料来源
用于本研究的旱 柳 ( Salix ma tsudana ) 和 冬小麦
( Tr iticum aestivam)物候资料取自 1958~ 2003 年全国有关
气象站的实测记录1 这些数据经由县、市、省三级气象局按
中国气象局[ 4]发布的标准进行审核, 数据可靠,而且具有代
表性和比较性.同期地面天气图、500 hPa等压面图取自中央
气象台编绘的历史天气图.所用数值预报产品系国家气象中
心 T42L9 谱模式的模式输出图.
图 1 2002年 3月 31日中国旱柳物候状况
Fig. 1 Ph enological situation map of Hankow willow in China on 31
Mar12002.
d)花芽膨大 Bud inflation; e)花芽开放 Bud open; f0) 现蕾 Budding; f1)
开花始期 Beginning stage of flowering; f2)开花盛期 Full bloom stage;
f3)开花末期 Final stage of flowering; g)种子成熟Seed maturity.
212 数据整理
任一具体日期识别的物候图均是在处理大量数据基础
上绘制的.以 2002年 3月 31 日旱柳物候状态图的制作过程
为例: 1)从 2002 年的5农气表236 [ 4]查出全国各站记录的旱
柳 3月 31 日所处的物候期. 约定 d 表示花芽膨大期, e 表示
花芽开放期, f0 表示现蕾期, f1 表示开花始期, f2 表示开花盛
期, f3表示开花末期, g表示种子成熟期. 2)由原始物候数据
计算出 3月 31 日的物候状况(如新疆和田)1 其结果是 3 月
19 日为花芽开放日. 3 月 19 日到 3 月 31 日的日数为: 31-
19= 12 d;即在和田, 2002 年 3 月 31日为旱柳花芽开放后的
第 12 天,用 e12表示. 3)填图, 将从第 2 步计算出来的结果填
在空白的中国地图上. 4)绘等值线. 根据第 3 步给出的同一
张地图上的物候状况,画出等值线,得出图 1. 对于其他站点
和其他物候期,作类似计算并给出类似的地图 .
对于农作物的物候状况, 以冬小麦中熟品种为例, 用与
图 1绘制过程类似的程序绘出 2002 年 3 月 31 日冬小麦物
候状况图.其中, f表示分蘖, b 表示拔节, y 表示孕穗, z表示
抽穗, k 表示开花.由此可以得出不同年份、不同日期的一整
套物候图(图略) ,以便用于相应的物候模式识别中.
3 物候模式识别的原理和程序
311 最适识别方法的选定
现有模式识别方法很多[19] ,根据研究数据和方
法特征, 选择了抗干扰能力强的语言结构方法 ) ) )
句法方法.它既能反映模式结构特征,又能描述其性
质,同时对图形(图像)畸变的抗干扰能力强.如果两
个模块的结构相似, 应进一步考虑其所处发育期是
否相近.为此, 在句法方法基础上引进属性.物候属
性可以用物候状况图中相邻两个发育期在相邻两模
块中所占面积的比例来衡量.如在图 2中,左模块中
/花芽开放期及以后其他物候期0在矩形区域中所占
面积是区域总面积的 50%以上;而右模块相应面积
比率也在 50%以上. 这样,左( a)、右( b)两模块之间
的关系用属性 $ 表示, 即 CAT ( a, b) = $. 一般地
说,左、右模块中、前、后物候期的面积比例作为属性
研究的标准(表 1) .
图 2 物候属性判定的示意图
Fig. 2 Judgement of phenological at t ributes.
a)左模块 Left2module; b)右模块 Right2module. Ñ 1 芽膨大期 Bud in2
flate; Ò 1 花开放期及其他物候期 Bud open and following penological
stages.
表 1 模块、物候期与属性的关系
Table 1 Relat ionships between modules, phenological phase and at2
tr ibutes
物候期所占面积比例
Phenological phase(% )
前 Former 后 Latter
属 性
CAT( a, b)
At tr ibutes
模块 Module a < 50 > 50 v
b < 50 > 50
模块 Module a < 50 > 50 ý
b > 50 < 50
模块 Module a > 50 < 50 v
b > 50 < 50
模块 Module a > 50 < 50 ý
b < 50 > 50
1662 应 用 生 态 学 报 16卷
312 中国物候图的区域分割
中国物候状况图是一个复杂的模式.为了识别,
将它分割为 6个区域(图 3) .
图 3 物候状况分区示意图
Fig. 3 Demarcation of phenological states.
313 几种主要子模块特征
为了对分割出来的模块进行分类,以图 1的物
候期为例,将子模块分为以下 6种类型: 1)西南高东
北低斜线型(用 A表示) ; 2)低槽型(用 C表示) ; 3)两
脊一槽型(用B表示) ; 4)高脊型(用D表示) ; 5)稀疏
平直线型(用 K表示) ; 6)有闭合高值区型(用 N表
示) .
314 模式基元抽取
通过抽取物候状况图中的模式基元可以说明轮
廓线逐段线性近似方法. 以高值闭合线的模式基元
为例,说明有关程序.
该闭合线(图 4)取自图 1. 在图 4中, x 轴表示
纬线, y 轴表示经线, 并将轮廓线绘于该图.
图中轮廓线的点构成一个有序点集:
Q = {( x j , yj ) / j = 1, 2, , , n} ( 1)
图 4 高值闭合区示意图
Fig. 4 Closed area with the highest numerical value.
在一维模式 f ( x ) 的情形下, xj = j $x 和yj =
f ( xj )
在二维模式的情形下, x j , y j是轮廓线上的点的
坐标,其序则给出轮廓线的一次围绕遍历中的前后
串接关系,即模式基元的前后串接关系.逐段线性近
似方法的目的是寻找一组理论上完备的直线段作为
外形元素.其基本点是要求经过预先给定的点作出
合适的直线.
对于通过( x j , yj ) 和( xk, yk ) 的一条直线,用二
点式可将其直线方程表示为:
( x - x j ) / ( xk - x j ) = ( y - y j ) / ( yk - y j )
该式可改写为:
( yj - yk ) x + ( xk - x j ) y = ( xk - x j ) yj -
( yk - yj ) xj
或用点斜式表示:
Ax + By + C = 0 (2)
则曲线上某点 P i ( x i , y i ) 到上述直线的垂直距离 Si
为:
Si = | Ax i + Byi + Cf | / A2+ B2 (3)
因而,某段曲线上的点集
Qi = {( x j , yj ) / j = 1, 2, , , n } A P (4)
的近似误差可选择为最大距离
Ea ( S) = max
j
{Sj} (5)
或均方距离
Em ( S) =
1
n i 6
ni
j = 1
Sj (6)
对一个模式的边界轮廓线, 通过逐步近似, 可以
得到一系列线段元素 Vi ( i = 1, 2, , , m ) . 这些元
素可用长度为 L i的线段及其与x轴的夹角K i表征,
即 L i 与Ki 成为表征基元 Vi 的参数对.
为表征一条曲线 y = f ( x ) , 也可用局部曲线
法.设 A为曲线的正切线与x 轴的夹角, L 为弧长,
则曲线局部曲率 K 被定义为:
K = d
2A
dL =
d2f ( x) / dx 2
{1 + [ df ( x ) / dx ] 2}
3
2
在量化了的曲线中,用差分代替微分,可近似地
确定各段的曲率.
315 用属性文法识别的实例
观察图 1, 并经过必要计算,确定属性后, 可以
用属性文法 GA按如下步骤作模式识别.
由 Chemsky四元式
GA= ( VN, VT, P, S)
式中, VN是非终止符的有穷集, VT 是终止符的有
穷集, P 是生成规则集, S 是开始符.
16639 期 裴铁 等:物候模式识别在生态动力预报中的应用
可以写出:
VN= {S, N 1, N 2, N 3, N 4, N 5, N 6}
VT= {A, C, B, D, K,N}
P:
S y AN 1
N 1 y CN 2
CAT (A, C) = v
N 2 yBN 3
CAT (C, B) = v
N 3 yDN 4
CAT (B, D) = v
N 4 yKN 5
CAT (D, K) = v
N 5 yNN 6
CAT (K, N) = ý
4 物候模式识别在低温灾害生态动力预报中的应用
411 冬小麦春季低温灾害的物候2动力预报原理
一年中, 生物物候推移的驱动力来自自然生态
动力源[ 16] . 植物物候期到来的根本原因在植物内
部.生态动力是通过植物生理和生物化学这个内因
而起作用的.
在春季, 冬小麦抗低温灾害的内因在于冬小麦
抗低温能力,如果处于分蘖、返青或起身这几个发育
期之一,它抗低温的生态动力比较强;而若处于拔节
期及以后其他发育期,抗低温生态动力则较弱.冬小
麦春季物候期的中期预报实质上是关于抗低温能力
的生态动力内因的预报. 另一方面,小麦受低温灾害
的外因是中期天气形势.未来 4 d 内是否会出现导
致低温灾害的天气形势, 是冬小麦是否会受低温灾
害的外因.灾害预报是内因和外因相结合的预报. 内
因的预报可用物候模式识别技术完成, 外因的预报
则借助于数值天气预报模式.
在本研究中,物候预报的原理是:小麦拔节等物
候期到来, 从内因上说依赖于其前/ 指示植物0 ) ) )
旱柳的物候期. 如在旱柳花芽膨胀始期之后的第 n
天,冬小麦可能拔节. 这是依其内因所作出的推测.
在利用模式识别技术作预报时, 依据多年春季旱柳
物候状况图(图 1) ,用属性文法识别其相似性, 进而
把相似图出现后未来冬小麦物候期的状况图加以比
较,给出冬小麦未来物候期状况的预报图.从该预报
图可预报冬小麦未来 5 d 内可能处在的发育期, 并
按预报图,依据冬小麦生物学特性,把处于返青或起
身期的区域视为/不能受低温害区0,把处在拔节开
始之后第 5天的区域视为/可能轻度受害区0,而把
拔节开始之后第 6天以后的区域视为/可能重度受
害区0.这样预报出来的冬小麦可能受害程度,是其
可能受害程度的生物学依据.但还不能据此给出/冬
小麦是否受低温之害0的最终预报结果.
对于大气动力因素,经模式识别给出几种导致
降温的天气形势的模式类型. 例如图 5 和图 6分别
表示的地面天气形势和 500 hPa等压面上等高线形
势,是其中最典型的形势.
图 5 春季典型降温天气形势中期数值预报图:地面图
Fig. 5 Typical temperature2decreasing synopt ic topography in spring on a
surface synopt ic map: The topography from a middle2range numerical
weather predict ion map1
本研究用 T42L9谱模式[11]输出图与降温形势
的标准模式图对照.如相似,则预报冬小麦可能受低
温灾害.
412 具体应用的逻辑判断
在实际预报中,用模式识别中逻辑判断程序,使
生态动力预报实现自动化. 为说明逻辑判断程序,把
待识别的问题分为 7个类别,所需要的产生式规则
就比较少.在产生式中,有 4条用于确定冬小麦在未
来 4 d内的物候状态.如果在未来 4 d内, 冬小麦处
于拔节期或拔节后的其他物候期,用 BA 表示;如果
未来 4 d内尚未达到拔节期,则用 FA表示.
P 1 就被观察的冬小麦地块来说, 如果麦苗高
度 \ 115 cm,则冬小麦物候期状况是 BA;
P 2 若麦苗有茎节, 则其物候期状况是 BA;
P 3 若麦苗高度< 115 cm,则其物候期状况是
FA;
P 4 若麦苗无茎节, 则其物候期状况是 FA.
P 1~ P 4 这一组规则, 可用于分辨冬小麦是否
处在拔节期或拔节以后其他物候期.
1664 应 用 生 态 学 报 16卷
图 6 春季典型降温天气形势中期数值预报图( 500 hPa)
Fig. 6 T ypical temperature2decreasing synopt ic topography in spring on a
500 hPa isobar surface map.
如果某地块冬小麦未达到拔节期, 即识别结果
为FA,那么, 暂时终止识别;反之,识别结果是 BA,
就必须识别未来 4 d内的自然物候状况和数值预报
给出的天气形势.
P 5 若某地块在未来 4 d 内, 旱柳将进入发芽
期,则有必要考虑生态控制的决策问题.
P 05 若某地块在未来 4 d 内, 旱柳不会进入发
芽期,则不必考虑控制决策问题.
P 6 若某地块在未来 4 d内可能会出现导致低
温的冷锋类天气过程(能使气温降至- 115b或以下
的过程) , 则准备采用防御低温的水文生态动力
源[16]方面的生态控制措施 ) ) ) 灌溉.
P 06 无冷锋天气过程
P 7 有可能导致低温的低压和槽天气形势(河
套低压、华北低压、东北低压、横槽及东亚大槽) , 准
备灌溉.
P 07 无低压和槽天气过程
为用集合论和概率论原理表示实施水文生态动
力优化控制的概率,首先设定: Gu 表示灌水, Wea表
示天气, Tr 表示低压和槽天气系统,其中 Tr1为河套
低压, Tr2为华北低压, Tr3为东北低压, T r4为横槽,
T r5为东亚大槽, Fr 为冷锋, Phe表示自然物候, Yf 表
示旱柳发芽, En表示环境, BA表示冬小麦拔节或拔
节后, Dep表示作物物候期.然后, 写出用于逻辑判断
的有关概率表达式:
P [Gu/ ( En HDep) ] = P ( BAHEn) ( 7)
P ( En) = P ( Wea HPhe) ( 8)
P (Wea) = P ( T r GFr) ( 9)
P ( Phe) = P (Yf) ( 10)
P [Gu/ ( En HDep) ]
= P {BA HEn}
= P {BA H[Wea HPhe] }
= P {BA H[ Tr GFr] HYf}
= P {BA H [ ( ( Tr1 GT r2 GTr3 GTr4 GTr5) GFr)
HYf] }
以上识别工作均用 FORTRAN 语言在 POW2
ERTAION410上完成.
5 结 论
以物候资料和数值天气预报模式输出图为基
础,在模式识别和数理逻辑自动化判别技术支持下
制作生态动力预报. 生态动力预报使用肉眼无法识
别的物候图,能自动化识别,物候学借助气象学和自
动化技术可扩展应用到生态预报领域, 使物候预报
技术由单站预报阶段进展到区域预报阶段,同时也
促进农业气象预报从定性和统计预报阶段推向动力
预报阶段.
该预报方法尚处于研制的最初阶段, 有许多问
题尚待进一步探索. 对物候资料, 可进一步订正, 使
其具有更好的代表性和比较性. 本研究只对农业生
产中有直接意义的中期预报进行了试验, 实际上也
可考虑相应的短期或短时生态动力预报方法的研
制.在运用新方法的同时,要结合具体地点的实际情
况作出订正,使预报结果更接近实际.
参考文献
1 Beaubien EG, Freelan dHJ. 2000. Spring phenology t rends in Alber2
ta Canada: Links to ocean temperature. I nt J Biometeorol , 44( 1 ) :
53~ 59
2 Bradley NL, Leopold AC, Ross J , et al . 1999. Phenological changes
reflect climate change in Wisconsin. Proc Nat Acad Sci United
States Amer ica, 96: 9701~ 9704
3 Chemielewski FM ,RÊt zer T. 2002. Annual and spat ial variability of
the beginning growing season in Europe in relat ion to air tempera2
ture changes. Clim Res , 19( 1) : 257~ 264
4 China Meteorological Bureau (中国气象局 ) . 1993. Agrometeo2
rological Observat ion Standard. Beijing: Meteorological Press. 1~ 4
( in Chinese)
5 Chmielewski FM, M™ller A, Bruns E. 2004. Climate changes and
t rends in ph enology of fruit t rees and field crops in Germany, 1961
~ 2000. Agric For Meteor ol , 121( 1) : 69~ 78
6 Chou J2F(丑纪范) , Du X2Y(杜行远) , Guo B2R( 郭秉荣) . 1980.
Numerical Weather Prediction. Beijing:Meteorological Press. 1~ 10
( in Chinese)
7 Chou J2F(丑纪范) . 1986. Long2Range Numerical Weath er Predic2
tion. Beijing: Meteorological Press. 1~ 3( in Chinese)
8 Chuin e I, Bour P, Rousseau DD. 1999. Selecting models to predict
the t iraing of flowering of temperate trees: Implicat ion for tree phe2
nology modeling. Plant Cel l Envi ron , 22( 1) : 1~ 13
9 Fornaciari MF, Orland CA, Bomano B. 2003. Technigues for recon2
struct ing data on flowering. Ekologiya, 13( 1) : 63~ 65( in Russian)
10 Hense A, Glowienka2Hense R, Muller M, et al . 2002. Spatial mod2
16659 期 裴铁 等:物候模式识别在生态动力预报中的应用
elling of phenological observations to analyse their interannual
vait ions in Germany. Agr ic For Meteorol , 112( 2) : 161~ 178
11 Hu G2L(胡广隆) . 2002. Practical Medium2Range and Long2Range
Weather Forecasting. Beijing: Nat ion Defence Indust ry Press. 1 ~
21( in Chinese)
12 Kramer K, Leinonen I, Loustau D. 2000. T he importance of phenol2
ogy for th e evaluation of impact of climate change on growth of bo2
real temperate and Mediterranean forest ecosystems: An overview.
Int J Biometeorol , 44( 1) : 67~ 75
13 Liu DL, Kingston G, Bull TA. 1998.A new technique for determin2
ing the thermal parameters of phenological development in sugar2
cane, in cluding subopimum and supra2optimum temperature
regimes. Ag ric For Meteorol , 90( 2) : 119~ 139
14 Liu X2Z(刘秀珍) , Yu X2M(于系民) . 1999. Language of th e Na2
ture. Beijing: Meteorolagical Press. 1~ 25( in Chinese)
15 Olsen JK, McMahon CR, Hammet GL. 1993. Predict ion of sweet
corn phenology in subtropical environments. Agron J , 85 ( 3) : 410
~ 415
16 Pei TF, Jin CJ, Guan DX. 2004. Ecological Dynamics and Cybernet2
ics Principle. Beijing: Science Press; Monmouth Junct ion: Scien ce
Press USA In c. 25, 199~ 204
17 Qi R2Y(祁如英) , Ning X2J (宁新江) , Yan J2R(严进瑞) . 2004.
Phenologico2season division and it s applicat ion in Normuhong Re2
gion, Qinghai Province. Chin Ag rometeorol (中国农业气象 ) , 23
( 2) : 33~ 35( in Chinese)
18 Schwartz MD. 1999. Advancing to full bloom: Planning phenologi2
cal research for the 21st century. I nt J Biometeorol , 42( 1) : 113~
118
19 Theodoridis S,Koutroumbas K. 2003. Pat tern Recognit ion. 2nd edi2
tion. New York: Elsevier Science Ltd. 1~ 5
20 Zeng Q2C(曾庆存) . 1979. Mathemat ico2physical Basis of Numeri2
cal Weather Predict ion. Beijing: Science Press. 1~ 25( in Chin ese)
21 Zhu K2Z(竺可桢) , Wan M2W(宛敏谓) . 1999. Phenology. Chang2
sha: Hunan Educat ion Press. 1~ 15( in Chinese)
作者简介 裴铁 , 男, 1942 年生,研究员. 主要从事生态水
文和生态气候研究, 发表研究论文近百篇,出版专著 4 部, 参
编专著 7 部. T el: 024283970337; E2mail: TFPei @ iae. ac. cn
5浙江林学院学报62006年征订启事
5浙江林学院学报6是全国/林业类0核心期刊和/综合性农业科学类0核心期刊之一, 荣获第二届国家期
刊奖百种重点期刊奖,首届浙江省优秀科技期刊二等奖,第二届浙江省优秀科技期刊一等奖,首届和第二届
全国优秀科技期刊三等奖,全国高校优秀科技期刊一等奖. 5浙江林学院学报6主要刊登报道林学基础学科、
森林培育学、森林经理学、经济林学、林业工程、森林保护学、林木遗传育种学、森林生物学、生态学、生物技
术、园林学和园艺学等学科的学术论文、问题讨论和研究简报,适当刊登与农林相关的其他学科的稿件, 供农
林科技工作者、园林绿化和规划设计人员、大专院校师生、基层干部、农林科技专业户及科技信息人员参阅.
本刊为双月刊, A4开本,每期 112页. 季末月出版.国内外公开发行.所刊文章被国内外多种文摘刊物和
数据库收录.附英文目次和英文摘要. 2006年定价, 每期 10. 00元, 全年 60. 00元/份.欢迎订阅, 欢迎投稿.
国内订户请向全国非邮发报刊联合发行部订阅. 地址: 300381 天津市大寺泉集北里别墅 17 号. 电话:
( 022) 23973378, E2mail: LHZD@ public. tpt . t j. cn . 也可直接向浙江林学院学报编辑部汇款订购. 邮汇:
311300浙江临安 浙江林学院学报编辑部, 电话: ( 0571) 63732749, E2mail: zlxb@zjfc. edu. cn.银行汇款:建
行临安市支行营业部.账号: 330617335010022304266. 户名:浙江林学院.
国外读者请向中国出版对外贸易总公司办理,地址: 100011北京 782信箱.
1666 应 用 生 态 学 报 16卷