全 文 ：第 32 卷 第 1 期 生 态 科 学 32(1): 084-089
2013 年 1 月 Ecological Science Jan. 2013
收稿日期：2012-03-22 收稿，2012-08-15 接受
基金项目：国家“973”计划前期研究专项（2007CB416608）资助
作者简介：刘彦姝(1976—)，女，湖南祁东人，硕士，副教授，从事信息处理方面的研究
*通讯作者： E-mail: pan_csu1970@163.com
刘彦姝，潘勇. 基于 SVR 算法的林地土壤氮含量高光谱测定[J]. 生态科学, 2013, 32(1): 084-08.
LIU Yan-shu，Pan Yong. Forest soil nitrogen content estimation using hyperspectra technology based on SVR algorithm[J]. Ecological
Science, 2013, 32(1): 084-089.

基于 SVR 算法的林地土壤氮含量高光谱测定
刘彦姝 1*，潘勇 2
1. 湖南大众传媒职业技术学院, 湖南 长沙 410100
2. 中南大学地球科学与信息物理学院, 湖南 长沙 410083

【摘要】提出了一种利用高光谱技术进行杉木林土壤全氮测定的新方法。以 FieldSpec®3 地物光谱仪采集杉木林土壤 148 份，
随机分成校正集（100 份）和检验集（48 份）。以不同方法实现了土壤光谱的预处理，并采用偏最小二乘回归算法（PLS）
建立土壤氮含量估测模型对其进行比较分析，发现小波除噪结合多元散射校正能最有效地消除原始光谱的噪声与背景信息，
此时 PLS 模型校正集与预测集 R2 分别为 0.891 与 0.885。为进一步优化模型，对经小波除噪结合多元散射校正处理后的光谱
采用主成分分析法（PCA）降维，以前 4 个主成份为输入变量，采用小二乘支持向量机回归算法（LS-SVR）建立了土壤氮
含量估测模型，其校正集与预测集 R2 分别提高至 0.921 与 0.917，具有比 PLS 算法更高的精度。结果表明：以高光谱技术进
行林地土壤氮含量快速监测是可行的，其中小波去噪结合多元散射校正系光谱预处理的优选方法，而 LS-SVR 则是建模的优
选方法。
关键词：高光谱；氮；土壤肥力；偏最小二乘；支持向量机
doi:10.3969/j.issn. 1008-8873.2013.01.015 中图分类号：S714.5 , TP722 文献标识码：A 文章编号：1008-8873(2013)01-084-06

Forest soil nitrogen content estimation using hyperspectra technology based on
SVR algorithm
LIU Yan-shu1*，PAN Yong2
1. Hunan Mass Media Vocational Technical College，Changsha, 410151, China
2. School of Geosciences and Info-Physics, Central South University, Changsha, 410083, China
Abstract: A new method was put forward to measure the total N by hyperspectra technology. 148 fir soil samples were collected
using a FieldSpec®3 spectrometer. All samples were divided randomly into 2 groups, one group with 100 samples used as calibrated
set, and the other with 48 samples used as validated set. The original spectra were pretreated by different methods, and then the PLS
model was established with the spectra in the range of 350-2350 nm to compare the different pretreated methods. It was found that
the background information and noise of the spectra could be eliminated by the method of wavelet denoising combined with
multiplicative scatter correction effectively, with the calibration R-square (C-R2) Prediction R-square (P-R2) 0.891 and 0.885,
respectively. In order to optimize the result, the pretreated spectra were analyzed using the principal component analysis(PCA), and
the top 4 principal components were used as the input variables for the least square support vector regression( LS-SVR) model. The
C-R2 and P-R2 of LS-SVR model increased to 0.921 and 0.917, respectively, higher than those of PLS model, which indicated
LS-SVR algorithm was more accurate. The result showed that it is feasible to estimate the nitrogen content of fir soil with
hyperspectra technology, and the estimation model can be improved by the pretreatment method of wavelet denoising combined with
multiplicative scatter correction and the modeling algorithm of LS-SVR.
Key words: hyperspectra; nitrogen; soil fertility; PLS; LS-SVR
1 期 刘彦姝，等. 基于 SVR 算法的林土壤氮含量高光谱测定 85
1 引言 (Introduction)

林地土壤肥力监测是林业管理的基础，而氮含
量的监测是其中关键的一环。目前，林地土壤氮含
量的监测一般采用传统的化学分析方法，即在林间
采取土样后，带回实验室以半微量凯氏定氮法测定
全氮含量[1]。化学分析方法虽具有结果可靠的特点，
但存在耗费大，耗时长，操作复杂等缺陷，在大批
量取样检测中的应用受到很大限制。故如何实现林
地土壤氮含量的快速与准确测定，还是一个尚待解
决的问题。
高光谱技术因其快速、高效以及无损的特点，已
在各领域引起了广泛关注[2]。近年来，高光谱技术在
农作物、农产品的分析以及有机体营养元素含量的测
定等方面获得了成功的应用，表现出巨大的应用潜力
[3-8]。因此，若能将高光谱技术应用于土壤氮含量的
测定，将有望为土壤肥力指标的快速获取提供一种新
方法。本文将探讨利用高光谱技术进行林地土壤氮含
量快速测定的可行性，并寻找优化的光谱预处理方法
与建模算法以求取更精准的估测结果。

2 材料与方法 (Materials and methods)

2.1 试验仪器
试验仪器包括 FieldSpec®3 地物光谱仪、恒温
箱以及直径 75 mm 的玻璃皿。FieldSpec®3 地物光
谱仪系美国 ASD 公司产品，配有用于数据采集的笔
记本电脑、卤素灯与参考板，采用漫反射方式进行
光谱采集。仪器光谱范围为 350~2 500 nm；采样间
隔在 350~1 050 nm 波段为 1.4 nm，1 000~2 500 nm
波段为 2 nm；光谱分辨率在 700 nm处为 3 nm，1 400
与 2 100 nm 处为 10 nm。

2.2 数据采集
于杉木林中以环刀采取土样带回实验室，将土
壤恒温干燥后粉碎搅匀，再将其盛放于玻璃皿中进
行光谱扫描。光谱采集于暗室中进行，以卤素灯为
光源，选用 3°视场角探头。探测器头部与样本之间
保持垂直，下部距样本 0.5 cm；光源与水平面保持
45°角，距样本 350 cm。每一样本均重复测量 30 次
后取均值。光谱数据在 ASD View Spec Pro 软件中
以 ASCII 码形式导出，再导入 Unscramble 9.8 与
Matlab 7.0 中进行处理。光谱数据采集后，以半微
量凯氏定氮法测定各样本的全氮含量。共采集数据
148 份，随机抽取其中的 100 份作为训练集，其余
48 份作为检验集。

2.3 光谱数据预处理
杉木林土壤原始反射光谱包含了待测目标的特
征信号、土壤的背景信号以及由仪器暗电流以及环
境中无法控制的变化所引起的噪声信号这三个方面
的信息。其中目标物的特征信号是需要提取的对象，
后两者则为要消除的对象。为提高估测模型的精度，
本文首先采用小波阈值去噪法对光谱进行去噪[9]，
并与传统的平滑与滤波方法进行比较以选取较优的
噪声去除方法。然后将去噪后的光谱以基线校正、
标准化、归一化以及多元散射校正等方法进行处理，
比较分析后选用较优的背景去除方法。由于光谱曲
线在 2 350~2 500 nm 波段信噪比过低，将其引入模
型会产生较大误差，故本文将这一波段去除，仅选
用 350~2 350 nm 范围的反射光谱波段进行分析。

2.4 建模分析
偏最小二乘（Partial Least Squares, PLS）算法
是被广泛的回归建模方法。这一方法通过因子分析
以实现光谱数据的降维，同时去除干扰组分和干扰
因素的影响，消除自变量间存在的复共线性关系，
仅仅选取有用的组分参与定量回归，具有稳健、简
单、预测精度较高、无需剔除任何解释变量或样本
点的优点[10]。支持向量机（Support Vector Machine,
SVM）则是一种基于结构风险最小化原理的机器学
习算法，可在保证训练精度的同时降低学习机器的
复杂度以获得良好的泛化能力，在解决小样本、非
线性问题等方面表现出诸多优势[8]，已在光谱分析
方面获得了成功的应用[9,11,12]。本文将分别利用 PLS
算法与 SVM 中的最小二乘支持向量机回归 (Least
Square Support Machine Regression, LS-SVR) 算法
建立林地土壤氮含量的测定模型，进行比较分析后
实现建模方法的优化选择。

3 结果与分析 (Results and analysis)

3.1 杉木林土壤反射光谱
图 1 为杉木林土壤的反射光谱曲线，其中 2 350 nm 后
生 态 科 学 Ecological Science 32 卷 86
的波段因信噪比过低，已截除。由图可知，土壤反

图 1 杉木林土壤反射光谱曲线
Fig.1 Reflective spectra of fir soil

射光谱曲线在可见光部分（350~780 nm）反射率呈上
升趋势，在 800 nm 达到一峰值，形成一小波谷后缓慢
上升，于 1 350 nm 处达到峰值后再缓慢下降，表现出
较典型的土壤光谱特征。

3.2 光谱预处理方法的评价与选优
为获得最佳的光谱预处理结果，须对不同的预
处理方法进行比较分析。本文所采用的各光谱预处
理方法见表 1。利用校正集的 100 份样本，用 PLS
算法对经各种方法处理后的光谱数据分别建模，并
以校正决定系数（Calibration R-Square，C-R2）、校
正 均 方 根 误 差 （ Root Mean Square Error of
Calibration，RMSEC）以及预测集决定系数(Prediction
R-Square，P-R2）、检验均方根误差（Root Mean Square
Error of Prediction，RMSEP）为指标进行比较分析，
筛选出效果最佳的光谱预处理方法（表 1）。

表 1 不同预处理模型的 R2 与 RMSE
Table 1 R2 and RMSE of model with different pretreatment methods
模型评价指标
Evalutiaon Indicator of the model 预处理方法
Pretreatment methods 校正决定系数
C-R2
校正均方根误
差 RMSEC
检验集决定
系数 P-R2
检验均方根误差
RMSEP
不处理
Unrteatment 0.792 0.093 0.779 0.072
均值平滑
Mean value Smoothing 0.835 0.088 0.817 0.066
S.Golay 平滑
S.Golay Smoothing
0.837 0.087 0.818 0.066
小波去噪
Wavelet domain denosing 0.846 0.083 0.821 0.064
小波去噪+标准归一化
Wavelet domain denosing and Standard
normalization
0.884 0.074 0.873 0.055
小波去噪+多元散射校正
Wavelet domain denosing and Multiple
Scattering correction
0.891 0.071 0.885 0.052
小波去噪+标准化
Wavelet domain denosing and Stanardzation 0.887 0.073 0.876 0.054
小波去噪+基线校正
Wavelet domain denosing and Transit
calibration
0.890 0.072 0.877 0.054

经比较发现，直接采用原始光谱所建立的模型
效果最差，C-R2 与 P-R2 仅为 0.792 与 0.779，RMSEC
与 RMSEP 高达 0.093 与 0.072。对光谱进行除噪后，
模型精度有一定程度的改善。在均值平滑、S.Golay
平滑以及小波除噪三种方法中，以小波除噪的效果
最好，其模型 C-R2 与 P-R2在分别达 0.846 与 0.821，
RMSEC 与 RMSEP 分别为 0.083 与 0.064，优于均
值平滑与 S.Golay 平滑的处理结果。
光谱经小波除噪后，再经标准归一化等处理方
法处理均可有效消除背景值的影响，使模型精度得
以明显提高。相比其他背景去除方法，多元散射校
正处理效果尤佳：建模型 C-R2 与 P-R2分别达 0.891
与 0.885，在各种处理方法中最高；而 RMSEC 与
RMSEP 分别为 0.071 与 0.052，在各种处理方法中
最低。说明小波去噪结合多元散射校正可有效地去
除背景信息与抑制噪声，既对校正集样本有良好的
拟合结果，也对检验集样本有良好预测结果，是光
谱预处理的优选方法。

3.3 建模方法的选优
为优化建模方法，进一步采用经小波除噪结合
多元散射校正预处理的数据建立 LS-SVR 模型，与
波长/nm
1 期 刘彦姝，等. 基于 SVR 算法的林土壤氮含量高光谱测定 87
上文中最优PLS模型比较分析后进行建模算法的选
优。由于支持向量机算法并不包括降维步骤，故在
建 模 前 需 要 采 用 主 成 分 分 析 法 （ Principal
Component Analysis，PCA）对光谱数据进行降维处
理。经 PCA 分析后的前 6 个主成分的累积方差贡献
率如图 2，其中前 4 个主成分的累积贡献率达 81.82
%，包含了原始光谱绝大部分的特征信息。因此，
选用前 4 个主成分作为新的输入变量，以校正集的
100 份样本在 LIBSVM 中建立 LS-SVR 模型。
LS-SVR 模型的核函数选用径向基核（RBF），对结
果影响较大的两个参数，即惩罚系数 C 与 RBF 核
函数系数 γ 通过交叉验证确定，其余参数采用默认
值。交叉验证采用格网搜索法（grid-search）进行。
由于格网搜索法的结果对初始值有一定的依赖性，
经多次尝试后，得知将 C 的初始值设为 10，γ 初始
值设为 0.100 时可得到最佳参数组合，其参数值 C
与 γ 分别为 7.53 与 3.42。
为比较 LS-SVR 模型与 PLS 模型的精度，将两
种模型对校正集的拟合结果与标准值进行回归分
析，并以模型复相关系数（R2）与均方根误差（RMSE）
60
65
70
75
80
85
PC_01 PC_02 PC_03 PC_04 PC_05 PC_06
主因子数
累
积
方
差
贡
献
率
/%

图 2 PCA 降维后前 6 个主因子的累积方差贡献率
Fig.2 Cumulative variance contribution of top 6 principals
after principal component analysis

作为主要依据，结合斜率（Slope）与偏移（Offset）
两个指标对模型进行评价。两类模型对校正集的拟
合结果如图 3 所示。两类模型均具有较高的精度，
但 LS-SVR 模型的样本点在回归线附近更为集中，
其校正集决定系数（ R2=0.921）比 PLS 模型
（R2=0.891）高，校正集误差均方根（RMSEC=0.061）
比 PLS 模 型 （ RMSEC=0.071 ） 低 ， 而 斜 率
（Slope=0.933）则比 PLS 模型（Slope=0.908）更接
近于 1，偏移（Offset=0.071）也比 PLS 模型
（Offset=0.090）更小。各指标均表明 LS-SVR 模型
对校正集样本具有更好的拟合结果。
为进一步比较 PLS 模型与 LS-SVR 模型对未知
样本的预测能力，利用二者对预测集样本进行预测，
并将其预测结果分别与实测值进行回归拟合以评价
其预测精度，其结果见图 4。可知 LS-SVR 模型预
测集决定系数的取值(R2=0.917)要高于 PLS 模型
(R2=0.885)，预测误差均方根的取值(RMSEP=0.044)
则比 PLS 模型（RMSEP=0.052）低，而斜率
PLS 模型
y = 0.908x + 0.090
R 2 = 0.891
RMSEC =0.071
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8
实测值(Measured value)
拟
合
值
(F
it
te
d
va
lu
e)

LS-SVR 模型
y = 0.933x + 0.071
R 2 = 0.921
RMSEC =0.061
0.2
0.4
0.6
0.8
1.0
1.2
1.4
1.6
1.8
0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8
实测值(Measured value)
拟
合
值
(F
itt
ed
v
al
ue
)

图 3 PLS 模型与 LS-SVR 模型对校正集样本的拟合结果
Fig.3 Measured value versus fitted value of PLS model and
LS-SVR model in calibration set

LS-SVR 模型
y = 0.885x + 0.103
R 2 = 0.917
RMSEP=0.044
0.2
0.4
0.6
0.8
1
1.2
1.4
0.2 0.4 0.6 0.8 1.0 1.2 1.4
实测值(Measured value)
预
测
值
(P
re
di
ct
io
n
va
lu
e)
PLS 模型
y = 0.878x + 0.102
R2 = 0.885
RMSEP=0.052
0.2
0.4
0.6
0.8
1
1.2
1.4
0.2 0.4 0.6 0.8 1 1.2 1.4
实测值(Measured value)
预
测
值
(P
re
di
ct
io
n
va
lu
e)
图 4 PLS 模型与 LS-SVR 模型对预测集样本的预测结果
Fig.4 Measured value versus predicted value of PLS model
and LS-SVR model in prediction set
生 态 科 学 Ecological Science 32 卷 88
(Slope=0.885)则比 PLS 模型（Slope=0.878）更接近
于 1，只有偏移量（Offset=0.103）比 PLS 模型
（Offset=0.102）稍大，但总体而言，LS-SVR 模型
具有更高的预测精度。结合上文的分析可知，与 PLS
模型相比，LS-SVR 模型不但对检验集样本具有更
好的拟合结果，也具有更佳的预测结果，是建模的
优选方法。

4 结论与讨论 (Conclusions and discussion)

近年来，由于栽培措施与经营方式的不合理，
国内人工林土壤退化严重，导致林地生产力出现了
普遍下降的情况[13-15]。如何维护与提高林地土壤肥
力，实现林地的可持续利用，已成为营林生产中亟
需解决的问题[16]。而实现土壤肥力的快速监测，便
是其中关键的一环。因此，探索一种廉价、快速的
土壤肥力监测方法具有重要意义。本文以高光谱技
术实现了林地土壤氮含量这一肥力指标的获取，从
而为林地土壤肥力的快速监测提供了一种新方法。
与传统化学分析方法相比，高光谱测定法具有明显
的优势。其估测模型一旦建立，便可在十几分钟内
完成化学分析法几天甚至几星期才能完成的样品测
定工作，且不消耗试剂，不产生污染，具有快速、
低耗与环保的特点，可作为传统分析的辅助或替代
方法在生产实践中推广应用。
国内外学者对土壤肥力的快速监测已进行过一
系列的研究。Confalonieri 等[17-20]通过利用傅立叶变
换近红外光谱仪获取各类土壤的近红外光谱，对包
括氮含量在内的土壤组分进行预测分析，得了令人
满意的结果。何勇与李伟等[21,22]利用这一技术进行
碱解氮、速效磷和速效钾含量的估测，发现其预测
值与实测值之间的决定系数可达 0.9 以上，具有较
高的精度。但傅立叶变换近红外光谱仪相对笨重，
需专用的实验室，而本文所采用的 FieldSpec®3 地
物光谱仪不足 5 kg，既可用于实验室测量，也可用
于野外实时测量，使用方法比傅立叶变换近红外光
谱仪更便捷，而测量精度相当，是进行林地土壤肥
力监测的理想选择。
为更精确地实现土壤氮含量的估测，需要尽量
提高模型精度。适当的预处理方法是提高模型精度
的有效手段之一。本文的分析表明，采用小波去噪
结合多元散射校正可有效去除光谱的噪声与背景
值，使模型 C-R2 与 P-R2从未处理的 0.792 与 0.779
分别提高至 0.891 与 0.885。其次，建模方法的选择
对结果也具有较大影响。在本研究中，分别采用 PLS
与 LS-SVR 算法建立了土壤氮含量的估测模型，发
现采用 LS-SVR 模型 C-R2 与 P-R2 分别达 0.921 与
0.917，均高于 PLS 的 0.891 与 0.885，具有更好的
拟合精度与预测能力，是建模的优选算法。

参考文献(Reference)

[1] 中国科学院南京土壤研究所.土壤理化分析[M]. 上海：
上海科技出版社，1978. 1-320.
[2] 褚小立，袁洪福，陆婉珍. 近年来我国近红外光谱分析技
术的研究与应用进展[J]. 分析仪器，2006，(2)：1-10.
[3] 梁亮，刘志霄，杨敏华，张佑群，汪承华. 基于可见-
近红外反射光谱的稻米品种与真伪鉴别[J]. 红外与毫
米波学报，2009，28(5)：353-356，391.
[4] Darvishzadeh R, Skidmore A, Atzberger C, et al.
Estimation of vegetation LAI from hyperspectral
reflectance data: Effects of soil type and plant
architecture[J]. International Journal of Applied Earth
Observation and Geoinformation, 2008, 10(3): 358-373.
[5] Müller K, Böttcher U, Meyer-Schatz F, et al. Analysis of
vegetation indices derived from hyperspectral reflection
measurements for estimating crop canopy parameters of
oilseed rape(Brassica napus L.)[J]. Biosystems
engineering, 2008, 101(2): 172-182.
[6] Viña A, Gitelson A A, Nguy-Robertson A L, et al.
Comparison of different vegetation indices for the remote
assessment of green leaf area index of crops[J]. Remote
Sensing of Environment, 2011, 115(12): 3468-3478.
[7] Peng Y, Gitelson A A. Remote estimation of gross
primary productivity in soybean and maize based on total
crop chlorophyll content[J]. Remote Sensing of
Environment, 2012, 117(2): 440-448.
[8] Vines L L, Kays S E, Koehler P E. Near-infrared
reflectance model for the rapid prediction of total fat in
cereal foods[J]. Journal of Agriculture and Food
Chemistry, 2005, 53(5): 1550-1555.
[9] 梁亮，杨敏华，臧卓. 基于小波去噪与 SVR 的小麦冠
层氮含量高光谱测定[J]. 农业工程学报，2010，26(12)：
248-253.
[10] 王惠文. 偏最小二乘法回归方法及其应用[M]. 北京：
1 期 刘彦姝，等. 基于 SVR 算法的林土壤氮含量高光谱测定 89
国防工业出版社，1999. 10-274.
[11] Vapnik V N. Statistical Learning Theory[M]. New York:
Wiley, 1998: 1-50.
[12] Sun D Y, Li Y M, Wang Q. A unified model for remotely
estimating chlorophyll a in lake Taihu, China, based on
SVM and in situ hyperspectral data[J]. IEEE Transaction
on Geoscience and Remote Sensing, 2009, 47(8):
2957-2965.
[13] 杨玉盛，李振问，俞新妥，等. 南平溪后杉木林取代杂
木林后土壤肥力变化的研究[J]. 植物生态学报，1994，
18(3)：236-242.
[14] 方乐金，张运斌. 杉木幼林地土壤肥力变化研究[J]. 土
壤学报，2003，40(2)：316-319.
[15] 巫志龙，周新年，郑丽凤. 天然林择伐 10 年后林地土壤理
化性质研究[J]. 山地学报，2008，26(2): 180-184.
[16] 俞元春. 杉木林土壤肥力变化和长期生产力维持研究
[D]. 南京：南京林业大学，1999：1-85.
[17] Confalonieri M, Fornasier F, Ursino A, et al. The potential
of near infrared reflectance spectroscopy as a tool for the
chemical characterization of agricultural soils[J]. Journal
of Near Infrared Spectroscope, 2001, (9): 123-131.
[18] 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[J]. Computers and
Electronics in Agriculture, 2001, 32(2): 149-165.
[19] Russell C A, Angus J F, Batten G D, et al. The potential of
NIR spectroscopy to predict nitrogen mineralization in
rice soils[J]. Plant and Soil, 2002, 247: 243-252.
[20] Elena V, Patrick L, Edmundo B, et al. Evaluating soil
quality in tropical agroecosystems of Colombia using
NIRS[J]. Soil Biology & Biochemistry, 2005, 37:
889-898.
[21] He Y, Song H Y, Pereira A G, et al. A new approach to
predict N,P,K and OM content in a loamy mixed soil by
using near infrared reflectance spectroscopy[J]. ICIC
2005, 3644: 859-867.
[22] 李伟，张书慧，张倩，董朝闻，张守勤. 近红外光谱法
快速测定土壤碱解氮、速效磷和速效钾含量[J]. 农业工
程学报，2007，23(1)：55-59.





《生态科学》征订启事

《生态科学》是经国家新闻出版署和科技部批准，由暨南大学和广东省生态学会联合主办，国内外公
开发行的学术期刊，创刊于 1982 年。本刊为《中文核心期刊要目总览》、《中国科学引文数据库(CSCD)》
和《中国核心期刊(遴选)数据库》等检索工具和数据库收录的核心期刊。主要刊登陆地生态、海洋生态、
淡水生态、湿地生态、动物生态、植物生态、微生物生态、农业生态、森林生态、草地生态、土壤生态、
景观生态、区域生态、化学生态、污染生态、经济生态、城市生态等生态学各领域的学术论文；能反映现
代生态学发展方向的优秀综述性文章；原创性研究报告和研究简报；生态学新理论、新方法、新技术介绍；
新书评介和学术、科研动态及开放实验室介绍等。本刊秉承“弘扬生态学术精华、服务生态学者精英”的办
刊宗旨，以满足广大读者对生态学术文化的需求，适合从事生态学科研、教学和管理等各类人员阅读参考。
本刊为双月刊，国内统一刊号 CN44-1215/Q，国际标准刊号 ISSN1008-8873，每期 128 页，国内外公
开发行。国内定价 30 元/期，全年 180 元（含邮费）。本刊由编辑部自办发行，欢迎订阅者直接与本刊编辑
部联系，订刊费只能通过银行汇款方式汇给《生态科学》编辑部，必须在汇款用途栏注明“《生态科学》购
刊款”字样。
开户行：中国工商银行广州暨南大学支行；户名：暨南大学；账号：3602015819100000858。
编辑部地址：广州市天河区暨南大学水生态所《生态科学》编辑部；邮编：510632；电话：020–85228257；
E-mail：ecosci@jnu.edu.cn；网址：http://ecology.jnu.edu.cn。