全 文 :
摇 摇 摇 摇 摇 生 态 学 报
摇 摇 摇 摇 摇 摇 摇 渊杂匀耘晕郧栽粤陨 载哉耘月粤韵冤
摇 摇 第 猿猿卷 第 圆猿期摇 摇 圆园员猿年 员圆月摇 渊半月刊冤
目摇 摇 次
前沿理论与学科综述
基于树干液流技术的北京市刺槐冠层吸收臭氧特征研究 王摇 华袁欧阳志云袁任玉芬袁等 渊苑猿圆猿冤噎噎噎噎噎噎
三疣梭子蟹增养殖过程对野生种群的遗传影响要要要以海州湾为例 董志国袁李晓英袁张庆起袁等 渊苑猿猿圆冤噎噎噎
土壤盐分对三角叶滨藜抗旱性能的影响 谭永芹袁柏新富袁侯玉平袁等 渊苑猿源园冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
南美斑潜蝇为害对黄瓜体内 源种防御酶活性的影响 孙兴华袁周晓榕袁庞保平袁等 渊苑猿源愿冤噎噎噎噎噎噎噎噎噎
个体与基础生态
模拟氮沉降对华西雨屏区苦竹林凋落物养分输入量的早期影响 肖银龙袁涂利华袁胡庭兴袁等 渊苑猿缘缘冤噎噎噎噎
茎瘤芥不同生长期植株营养特性及其与产量的关系 赵摇 欢袁李会合袁吕慧峰袁等 渊苑猿远源冤噎噎噎噎噎噎噎噎噎
雷竹覆盖物分解速率及其硅含量的变化 黄张婷袁张摇 艳袁宋照亮袁等 渊苑猿苑猿冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
渍水对油菜苗期生长及生理特性的影响 张树杰袁廖摇 星袁胡小加袁等 渊苑猿愿圆冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
广西扶绥黑叶猴的主要食源植物及其粗蛋白含量 李友邦袁丁摇 平袁黄乘明袁等 渊苑猿怨园冤噎噎噎噎噎噎噎噎噎噎
氮素营养水平对膜下滴灌玉米穗位叶光合及氮代谢酶活性的影响 谷摇 岩袁胡文河袁徐百军袁等 渊苑猿怨怨冤噎噎噎
孕云韵杂对斑马鱼胚胎及仔鱼的生态毒理效应 夏继刚袁牛翠娟袁孙麓垠 渊苑源园愿冤噎噎噎噎噎噎噎噎噎噎噎噎噎
浒苔干粉末提取物对东海原甲藻和中肋骨条藻的克生作用 韩秀荣袁高摇 嵩袁侯俊妮袁等 渊苑源员苑冤噎噎噎噎噎噎
基于柑橘木虱 悦韵玉基因的捕食性天敌捕食作用评估 孟摇 翔袁欧阳革成袁载蚤葬 再怎造怎袁等 渊苑源猿园冤噎噎噎噎噎噎
健康和虫害的红松挥发物对赤松梢斑螟及其寄生蜂寄主选择行为的影响
王摇 琪袁严善春袁严俊鑫袁等 渊苑源猿苑冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
种群尧群落和生态系统
小麦蚕豆间作对蚕豆根际微生物群落功能多样性的影响及其与蚕豆枯萎病发生的关系
董摇 艳袁董摇 坤袁汤摇 利袁等 渊苑源源缘冤
噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
喀斯特峰丛洼地不同生态系统的土壤肥力变化特征 于摇 扬袁杜摇 虎袁宋同清袁等 渊苑源缘缘冤噎噎噎噎噎噎噎噎噎
黄土高原人工苜蓿草地固碳效应评估 李文静袁王摇 振袁韩清芳袁等 渊苑源远苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
景观尧区域和全球生态
粉垄耕作对黄淮海北部土壤水分及其利用效率的影响 李轶冰袁逄焕成袁杨摇 雪袁等 渊苑源苑愿冤噎噎噎噎噎噎噎噎
三峡库区典型农林流域景观格局对径流和泥沙输出的影响 黄志霖袁田耀武袁肖文发袁等 渊苑源愿苑冤噎噎噎噎噎噎
基于 月孕 神经网络与 耘栽酝垣遥感数据的盐城滨海自然湿地覆被分类 肖锦成袁欧维新袁符海月 渊苑源怨远冤噎噎噎噎
寒温带针叶林土壤 悦匀源吸收对模拟大气氮沉降增加的初期响应 高文龙袁程淑兰袁方华军袁等 渊苑缘园缘冤噎噎噎噎
寒温针叶林土壤呼吸作用的时空特征 贾丙瑞袁周广胜袁蒋延玲袁等 渊苑缘员远冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
黄土高原小麦田土壤呼吸季节和年际变化 周小平袁王效科袁张红星袁等 渊苑缘圆缘冤噎噎噎噎噎噎噎噎噎噎噎噎噎
不同排放源周边大气环境中 晕匀猿浓度动态 刘杰云袁况福虹袁唐傲寒袁等 渊苑缘猿苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎
施加秸秆和蚯蚓活动对麦田 晕圆韵排放的影响 罗天相袁胡摇 锋袁 李辉信 渊苑缘源缘冤噎噎噎噎噎噎噎噎噎噎噎噎
资源与产业生态
基于水声学方法的天目湖鱼类资源捕捞与放流的生态监测 孙明波袁谷孝鸿袁曾庆飞袁等 渊苑缘缘猿冤噎噎噎噎噎噎
应用支持向量机评价太湖富营养化状态 张成成袁沈爱春袁张晓晴袁等 渊苑缘远猿冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎
研究简报
亚热带 源种森林凋落物量及其动态特征 徐旺明袁 闫文德袁李洁冰袁等 渊苑缘苑园冤噎噎噎噎噎噎噎噎噎噎噎噎噎
青蒿素对蔬菜种子发芽和幼苗生长的化感效应 白摇 祯袁黄摇 玥袁黄建国 渊苑缘苑远冤噎噎噎噎噎噎噎噎噎噎噎噎
晕韵参与 粤酝真菌与烟草共生过程 王摇 玮袁赵方贵袁侯丽霞袁等 渊苑缘愿猿冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
基于核密度估计的动物生境适宜度制图方法 张桂铭袁朱阿兴袁杨胜天袁等 渊苑缘怨园冤噎噎噎噎噎噎噎噎噎噎噎噎
施氮方式对转基因棉花 月贼蛋白含量及产量的影响 马宗斌袁刘桂珍袁严根土袁等 渊苑远园员冤噎噎噎噎噎噎噎噎噎
学术信息与动态
未来地球要要要全球可持续性研究计划 刘源鑫袁赵文武 渊苑远员园冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
期刊基本参数院悦晕 员员鄄圆园猿员 辕 匝鄢员怨愿员鄢皂鄢员远鄢圆怨圆鄢扎澡鄢孕鄢 预 怨园郾 园园鄢员缘员园鄢猿猿鄢圆园员猿鄄员圆
室室室室室室室室室室室室室室
封面图说院 兴安落叶松林景观要要要中国的寒温带针叶林属于东西伯利亚森林向南的延伸部分袁它是大兴安岭北部一带的地带
性植被类型袁一般可分为落叶针叶林和常绿针叶林两类遥 兴安落叶松林景观地下部分为棕色森林土袁中上部为灰化
棕色针叶林土袁均呈酸性反应遥 随着全球气候持续变暖袁寒温针叶林生态系统潜在的巨大碳库将可能成为大气 悦韵圆
的重要来源袁研究表明袁温度是寒温针叶林生态系统土壤呼吸作用的主要调控因子袁对温度的敏感性随纬度升高而
增加袁根系和凋落物与土壤呼吸作用表现出相似的空间变异性遥
彩图及图说提供院 陈建伟教授摇 北京林业大学摇 耘鄄皂葬蚤造院 糟蚤贼藻泽援糟澡藻灶躁憎岳 员远猿援糟燥皂
第 33 卷第 23 期
2013年 12月
生 态 学 报
ACTA ECOLOGICA SINICA
Vol.33,No.23
Dec.,2013
http: / / www.ecologica.cn
基金项目:中央高校基本科研业务费专项资金项目:区域土地利用的生态保护空间网络研究(KYZ201166)
收稿日期:2012鄄06鄄30; 摇 摇 修订日期:2012鄄11鄄19
*通讯作者 Corresponding author.E鄄mail: wxounj@ 163.com
DOI: 10.5846 / stxb201206300916
肖锦成,欧维新,符海月.基于 BP 神经网络与 ETM+遥感数据的盐城滨海自然湿地覆被分类.生态学报,2013,33(23):7496鄄7504.
Xiao J C, Ou W X, Fu H Y.Land cover classification of Yancheng Coastal Natural Wetlands based on BP neural network and ETM+ remote sensing data.
Acta Ecologica Sinica,2013,33(23):7496鄄7504.
基于 BP神经网络与 ETM+遥感数据的盐城滨海
自然湿地覆被分类
肖锦成,欧维新*,符海月
(南京农业大学土地管理学院, 南京摇 210095)
摘要:高效而精确的湿地遥感分类是大范围湿地资源动态监测与管理的必要保障。 使用 ETM+遥感数据,借助 Matlab神经网络
工具箱,构建了基于 BP 神经网络的滨海湿地覆被分类模型,并将其应用于江苏盐城沿海湿地珍禽国家级自然保护区的核心区
的自然湿地覆被分类研究中。 选择 3、4、7、8波段作为输入层变量,单隐藏层设为 10个节点,输出层变量对应待划分的 8 种覆
被类型,构建三层式 BP 神经网络滨海湿地覆被分类模型。 结果显示,BP 分类总精度为 85.91%,Kappa 系数为 0郾 8328,与最小
距离法和极大似然法的分类总精度相比,分别提高了 7.99%和 6.08%,Kappa系数也相比提高。 研究结果表明,BP 神经网络分
类法是一种较为有效的湿地遥感影像分类技术,能够提高分类精度。
关键词:BP 神经网络;ETM+遥感影像;湿地覆被分类;盐城滨海湿地
Land cover classification of Yancheng Coastal Natural Wetlands based on BP
neural network and ETM+ remote sensing data
XIAO Jincheng, OU Weixin*, FU Haiyue
College of Land Management, Nanjing Agricultural University, Nanjing 210095, China
Abstract: It is necessary to classify wetland remote sensing efficiently and accurately for monitoring and management of the
wetland resources. In this study we used ETM+ (Enhanced Thematic Mapper) remote sensing data from the United States忆
Landsat鄄7 satellite, after strip processing, to build a coastal wetland classification model. This was based on a back鄄
propagation (BP) neural network using the Matlab neural network toolbox (late 2010 version) . The model was applied to
natural wetland cover classification research in the core area of the Yancheng National Natural Reserve for Coastal Rare
Birds. The natural cover of the study area can be divided into eight types: Spartina alterniflora, Suaeda glauca, Imperata
cylindrica, Phragmites australis, Sandy beach, Muddy beach, Pond water and Shallow water.
The choice of input layer variables for the BP neural network, the hidden layer set and the optimization algorithms,
were quite different from previous studies and this impacted directly on the efficiency and accuracy of classification. In this
study we conducted the following analysis. First, by the analysis of single鄄band information quantity and the correlation
among bands, band 3, band 4, band 7 and band 8 were chosen as input layer variables for the BP neural network and then
fused with each other. This achieved a remote sensing image resolution of 15m 伊 15m. Second, by comparing the training
accuracies of the BP neural network with 2 to 17 single hidden鄄layer nodes, 10 single hidden layer nodes were defined for
the model. Third, the output layer variables of the BP neural network were matched to the 8 natural wetland cover types into
which the area is to be divided. Roughly equal numbers of training samples were chosen for each type, with the total number
http: / / www.ecologica.cn
of training samples reaching 900 pixels. Finally, a cover classification model for coastal wetlands based on three鄄layer BP
neural network was built, and cover classifications were completed for the research area. In addition, we used ENVI 4.8
software to make cover classifications of the research area by the Minimum Distance method and the Likelihood Classification
method, on the premise that the training sample nodes were unchanged. We used an Artificial Visual Interpretation method
to get standard classifications for the research area, based on field surveys. We calculated interpretation accuracies of the
previous three classification results, compared with the standard classification results.
The results showed that this coastal wetland classification model provides efficient land cover classification of the
Yancheng Coastal Natural Wetlands. The overall accuracy of the BP classification was 85.91%, and the Kappa coefficient
was 0.8328. Compared with the Minimum Distance method and Likelihood Classification method, the total classification
accuracy was 7.99% and 6.08% higher, respectively. The Kappa coefficient was also increased. Therefore, the classification
method of BP neural network provides a more effective wetland remote sensing image classification technology that can
improve the accuracy of classification. In future studies, other geographic information should be considered in the input layer
variables for the BP neural network, and other, better, artificial neural network models can be chosen.
Key Words: BP neural network; ETM+ remote sensing images; wetland cover classification; Yancheng Coastal Wetland
借助遥感影像研究土地利用 /覆被变化已成为国际全球变化定量研究的普遍趋势[1鄄2],而遥感影像分类
是遥感信息提取的重要手段,发展分类方法提高分类效率和精度更是遥感应用研究的热点[3]。 目前,更为先
进的基于 BP 神经网络的分类方法体现出独特优势,逐渐受到国内外学者重视[4鄄5],该方法的研究几乎都表明
BP 算法优于其他传统监督分类算法[6鄄8],但国内就如何构建 BP 神经网络的遥感分类模型仍处于探索阶段,
特别是在是否选择遥感数据所有波段及添加何种其他有效地理信息作为输入层变量[9鄄12],使用多少隐藏层及
单隐藏层选用多少节点数[13],采取何种优化算法避免陷入 BP 神经网络的局部最小值[5,14鄄15]等 3 个方面未达
成统一做法,此外用 BP 神经网络来实现遥感影像的湿地覆被分类也并不多见。
近年来,由于人类活动、外来种入侵等干扰了湿地自然演替过程,导致湿地生态系统的覆被破碎化[16],进
而增加了湿地覆被分类调查的难度。 同时,类型多样的滨海湿地各覆被间的遥感影像光谱特征又具有高度相
似性,使用传统的自动分类方法效果欠佳,更高精度的分类技术需求迫切。 结构合理的 BP 神经网络有较好
的容错特性,可以提高分类精度。 鉴此,选用近年来使用较广泛的 LANDSAT鄄7 ETM+遥感影像,在 Matlab
R2010b和 ENVI 4.8等软件平台支持下,尝试用 BP 神经网络方法,通过输入波段优化组合、单隐藏层节点数
测试、BP 激励函数搭配等相关模拟实验,进行盐城局部滨海湿地覆被分类,并将分类结果与监督分类中的最
小距离法和最大似然法的分类结果进行精度对比,以期为智能化遥感影像的覆被分类研究和湿地资源调查提
供技术参考。
1摇 研究区概况及数据说明
1.1摇 研究范围
研究区为江苏盐城沿海湿地珍禽国家级自然保护区的核心区中的 36km2的见方区域(图 1)。 区内地势
平坦,处于亚热带与暖温带的过渡地带,适宜喜温作物生长,该区由于受人类活动干扰、外来种(互花米草)入
侵、潮汐沟系统的演化等影响,原有的植被带状分布格局被打破,出现了许多植被交错带,遥感影像解译时覆
被类型难以识别。
1.2摇 遥感数据源
选用 2010年 9月 21日美国陆地卫星 LANDSAT鄄7 ETM+遥感数据(行列号:P119,R037,云量:< 5%,SLC鄄
OFF产品),并使用同年 8月 20日和 4日数据进行条带修复,修复后数据共有 9个波段,其中 Band(波段)1—
3为可见光波段,Band 4为近红外波段,Band 5、7为中红外波段,分辨率均为 30m,Band 8 为新增加的全色波
段,分辨率可达 15m,Band 61、62为热红外波段,是地面目标热辐射信息的反映,分辨率均为 60m。 在遥感影
7947摇 23期 摇 摇 摇 肖锦成摇 等:基于 BP 神经网络与 ETM+遥感数据的盐城滨海自然湿地覆被分类 摇
http: / / www.ecologica.cn
图 1摇 研究区位置图
Fig.1摇 Location of the study area
像分类时,仅考虑采用除第 6 波段以外的其他 7 个
波段。
1.3摇 研究区湿地覆被类型划分
建立土地利用 /覆被分类方案是遥感解译的基础。
本研究结合实地调查,影像初判读,并根据盐城滨海湿
地土地利用覆被现状和开发利用特点,参考《全国湿地
资源调查技术规程(试行)》和现有盐城滨海湿地覆被
分类成果[17鄄18],将研究区中的自然覆被划分成 8 类,分
别为互花米草 ( Spartina alterniflora )、碱蓬 ( Suaeda
glauca)、茅草 ( Imperata cylindrica)、芦苇 ( Phragmites
australis)、砂质海滩(潮间植被盖度<30%,底质以砂、砾
石为主)、淤泥海滩(植被盖度<30%,洼地、潮汐沟的滨
水过渡带,底质以淤泥为主)、坑塘水体(含洼地、潮汐
沟)和浅海水域。 研究区遥感影像(RGB:743)及其解
译标志见图 2。
2摇 基于 BP神经网络的遥感影像分类模型
图 2摇 研究区 ETM+ Band 743合成图像及样本分布图
摇 Fig. 2 摇 Synthetic image of the ETM + ( Band 743 ) and
Sample distribution
BP 神经网络用于遥感影像分类一般包括网络设
计、样本选择与训练和影像自动分类三阶段[11,19],而网
络设计又主要包括网络的层数、网络各层的节点数以及
神经元的激励函数的确定。
2.1摇 BP 分类模型的网络设计
本研究采用最为普及的单隐藏层结构的 BP 神经
网络,以求得网络输入及输出的一种函数关系[11],其结
构如图 3所示。 BP 学习过程包括正向传播和反向传播
两个过程,为提高学习效率,输入变量的标准化处理必
须遵循两项原则[20]:淤训练集包含的输入变量应该是
不相关的;于去相关后的输入变量应调整至单位区间。
文献调研发现,现有学者几乎都遵循了第二项原则,但
多数却忽视了第一项原则,致使在构建 BP 神经网络的
遥感分类模型时出现了上述第一类不一致问题。 皆知
ETM+数据波段间往往存在一定的相关性,即直接使用
所有波段数据必将影响 BP 学习效率,故选择出合理的
波段作为 BP 分类模型的输入层数据是有必要的。 本
研究选取了 ETM+数据的 3、4、7、8 波段融合处理后的
数据作为输入变量。 同时,考虑到研究区地势平坦,而
未加入 DEM 等其他地理数据,所以输入层节点数设
为 4。
BP 网络隐藏层节点数的确定,除了参考 Kolmogorov定理,大多数仍依据经验采用试凑的方式[21],本研究
经实验测试后,确定使用 10个节点。 输出层节点数则等于欲分类的滨海湿地类型的数目,即本模型网络输出
层节点数为 8。 借鉴 Matlab 中最新的 BP 神经网络工具的设计原则,隐藏层和输出层激励函数分别使用
Sigmoid函数和线性函数。
8947 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
http: / / www.ecologica.cn
图 3摇 三层式 BP神经网络结构示意图
Fig.3摇 Structure of the three鄄tier BP neural network
2.2摇 模型中输入波段的选择
ETM+的不同波段包含有不同的地类特征数据,需
选出波段信息量大、波段间的相关性小、波段组合对所
研究地物类型的光谱差异大的 3 个波段作为最佳组合
波段。 针对研究区,利用 ENVI 软件依次完成遥感影像
几何校正、辐射校正和规则裁切,并使用 Statistics 功
能[22]得到 ETM+各波段的统计信息和各个波段之间的
相关系数矩阵,其结果见表 1。
标准差的大小与波段信息量的丰富度程正相关,在
仅考虑单波段时,由表 1 得知,Band 5、3 和 7 是较理想
的波段子集,但此时尚未考虑波段间的相关性。 分析得
知,可见光波段 Band 1、2、3 三者间相关性显著,系数达 0.936—0.951,而与其它波段相关性均相对较小;短波
红外 Band 5、7波段间相关性较强,达到了 0.930;相对而言,近红外波段 Band 4 与短波红外 Band 7 波段间的
相关性要小于与 Band 5的相关性。 根据相关性小的原则和植被指数计算原理(即 3、4 波段组合可提供最大
量的绿色植被信息[23],从 Band 1、2、3 中选出 Band 3,Band 5、7 中选出 Band7,并与 Band 4 分别赋予蓝、红、
绿,此时在 ENVI中的图像色调明快,层次清晰,信息完整丰富,干扰信息少(图 2)。 同时 743波段组合图像具
有兼容中红外、近红外及可见光波段信息的优势,适合分类过程中训练样本的选择。
表 1摇 研究区 ETM+各波段光谱信息与波段间相关系数矩阵表
Table 1摇 Spectral information and Matrix of correlation coefficient among ETM+ bands
项目
Item
基本统计信息 Basic stats
最小值
Min
最大值
Max
平均值
Mean
标准差
Stdev
相关系数矩阵 Correlation
第 1波段
Band 1
第 2波段
Band 2
第 3波段
Band 3
第 4波段
Band 4
第 5波段
Band 5
第 7波段
Band 7
Band 1 67 135 76.751 4.832 1
Band 2 47 117 60.231 6.862 0.951 1
Band 3 38 128 57.388 11.628 0.936 0.951 1
Band 4 24 99 49.998 6.837 -0.312 -0.31 -0.442 1
Band 5 8 87 49.842 13.186 -0.132 -0.208 -0.212 0.577 1
Band 7 6 67 28.177 7.549 0.096 0.008 0.047 0.354 0.93 1
由于此项研究工作选用的遥感数据源为 ETM+数据,其全色波段 Band 8 的空间分辨率为 15m,且与自身
所有的多光谱波段几何配准精确,故将全色波段与多光谱波段进行融合,融合后的新图像既保留了全色波段
的高清晰度纹理特征,又具有多光谱波段的光谱信息。 经过上述预处理,研究区遥感影像的分辨率为 15m伊
15m,图像大小为 400伊400个像元。
2.3摇 模型中训练样本的选择
根据已掌握的研究区的覆被情况,在图像上选择各类别的训练样本,以便获得 BP 连接权值矩阵。 现有
研究表明,训练样本的多少和质量好坏在很大程度上影响着不同分类器的分类效果[24]。 在对研究区调查了
解的基础上,人工选取有代表性的训练样本区域,对每一种湿地类型选取 7 至 23 个不等的训练样本(表 2)。
样本均匀分布于整个研究区(图 2),共计 900个像元,占整个研究区总像元数的 5.625译,且任意类别样本间
的可分离性较好(表 3)。
3摇 MATLAB中 BP神经网络的遥感影像分类的实现
Matlab是一个交互式的基于矩阵运算的快速数值计算软件,具有很强的开放性和适应性[25],在此主要运
用其推出的神经网络工具箱和图像处理工具箱,完成建摸与仿真、数据分析与可视化。 用 Matlab 创建 BP 神
经网络并实现滨海湿地覆盖分类主要包括:影像输入与降维,网络创建、训练与仿真,影像自动分类与结果输
9947摇 23期 摇 摇 摇 肖锦成摇 等:基于 BP 神经网络与 ETM+遥感数据的盐城滨海自然湿地覆被分类 摇
http: / / www.ecologica.cn
出这 3 个环节,其中科学的图像数据转换和合理设定 BP 神经网络隐藏层节点数是该阶段的核心,并直接影
响分类结果和分类速率。
表 2摇 训练样本数统计表
Table 2摇 Number of the training samples
覆被类型 Cover types C1 C2 C3 C4 C5 C6 C7 C8 合计 Total
样本区个数 Sample area number 11 23 11 11 11 11 15 7 100
总像元个数 Total pixel number 99 207 99 99 99 99 135 63 900
摇 摇 淤每个样本区均为 3伊3个像元; 于C1:互花米草;C2:碱蓬;C3:茅草;C4:芦苇;C5:砂质海滩;C6:淤泥海滩;C7:坑塘水体;C8:浅海水域
表 3摇 训练样本可分离性统计表
Table 3摇 The Jeffries鄄Matusita Parameter of ROI
组别
Class
可分离性
Separability
组别
Class
可分离性
Separability
组别
Class
可分离性
Separability
组别
Class
可分离性
Separability
C1—C2 1.99392044 C2—C3 1.99016894 C3—C5 1.98984170 C4—C8 2.00000000
C1—C3 1.99932739 C2—C4 1.99999807 C3—C6 1.99768283 C5—C6 1.99874836
C1—C4 1.99959657 C2—C5 1.98417489 C3—C7 1.99999755 C5—C7 1.99998515
C1—C5 1.99999822 C2—C6 1.99998865 C3—C8 2.00000000 C5—C8 2.00000000
C1—C6 1.99915487 C2—C7 1.98808817 C4—C5 1.99987504 C6—C7 1.99999975
C1—C7 1.99567585 C2—C8 2.00000000 C4—C6 1.90495547 C6—C8 2.00000000
C1—C8 2.00000000 C3—C4 1.99346366 C4—C7 2.00000000 C7—C8 1.79066399
摇 摇 可分离性值在 0—2之间,大于 1.9说明样本之间可分离性较好,小于 1.8需要重选样本,小于 1可以考虑合并[22]
3.1摇 影像输入与降维
利用 importdata函数加载预处理后的遥感图像各波段二维灰度数据,但这些图像数据不能直接输入到 BP
神经网络里面,必须先将其变为双精度一维向量形式,并归一化到[-1,1]之间,此过程可依次使用 im2double
函数、cat函数和 mapminmax函数实现。 根据训练样本所在位置提取出 BP 神经网络训练模块输入数据,最后
把输出目标矩阵从 1行变成 8行,完成该训练模块目标数据的设定,如图 4所示。
图 4摇 BP训练运算示意图
Fig.4摇 Computing schematic of BP training
3.2摇 BP 神经网络创建、训练与仿真
利用 ANN工具箱中最新的 feedforwardnet 函数可以很方便地创建一个 BP 神经网络,其格式为 net =
feedforwardnet(hiddenSizes,trainFcn),其中 hiddenSizes 表示隐藏层节点数,trainFcn 表示训练功能函数。 在
0057 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
http: / / www.ecologica.cn
trainFcn中 trainlm常常是最快捷的函数,该函数根据 Levenberg鄄Marquardt 算法优化了权重和偏置值的计算,
即最低性能梯度为 1e鄄10、学习速率基值为 0.001、学习速率减少率为 0.1、学习速率增加率为 10、最大学习速
率为 1e10。 而 train函数和 sim函数则可轻松训练出特定的输入与输出对应关系的连接权值矩阵,当误差小
于期望值时代表训练成果,训练结束后,网络就可对输入数据自动地进行覆被分类。
但是,由于应用对象和网络结构的不同,隐藏层的神经元节点数很难用统一的模式确定,为了获得特定的
湿地遥感影像分类模型[26],在此分别就含 2至 17个隐藏层节点数的三层式 BP 神经网络依次进行训练和测
试,并分别用 norm函数和 corr函数计算样本真实值与模拟值的误差均方根 Res 和 Pearson 相关系数的平方
(R2),比较结果见表 4。 结果发现,当隐含层有 10 个节点时,测试样本网络的输出效果最好,R2值最大,Res
值最小,因此,选用隐含层有 10个节点的三层式 BP 神经网络模型用于湿地遥感影像分类。
表 4摇 隐藏层不同节点数的 R2和 Res值
Table 4摇 R2and Res value on different hide nodes
隐藏层节点数
Hidden layer nodes
相关系数
R2
误差均方根
Res
步数
Epoch
隐藏层节点数
Hidden layer nodes
相关系数
R2
误差均方根
Res
步数
Epoch
2 0.3882 10.0643 18 10 0.9814 3.7955 18
3 0.5123 9.9715 39 11 0.9701 3.8296 37
4 0.6336 9.9632 31 12 0.9560 4.3110 23
5 0.7055 9.9641 20 13 0.9786 3.9033 29
6 0.8238 10.0082 36 14 0.9738 3.9061 41
7 0.9331 4.9813 27 15 0.9636 4.4052 44
8 0.9317 6.0559 55 16 0.9756 3.8315 40
9 0.9638 4.0579 33 17 0.9732 3.9470 59
3.3摇 BP 影像自动分类与结果输出
BP 影像自动分类,即在同一个 BP 神经网络下,使用训练得到的连接权值矩阵,以单个像元为单位,计算
出分类判断值,并将各像元归并到最可能的覆被类型中。 最后,逆向转换分类结果,将一维数据转变为 400 行
400列二维灰度图像。 其中,待分类的遥感数据的输入预处理过程与训练样本数据输入预处理过程相似。 在
Matlab下完成研究区遥感影像自动分类,结果见图 5。
3.4摇 解译精度对比
使用与 BP 分类相同的波段融合数据和训练样本,在 ENVI中分别实施最小距离分类和最大似然分类,分
类后的图像见图 5。 同时,根据野外实地调查和影像纹理特征,人工目视解译出研究区精准的各覆被分类(图
5)。 统一将 BP 神经网络、最小距离、最大似然的 3个分类结果图,分别与人工目视解译标准分类图进行混淆
矩阵的计算,得出 3种分类方法下的不同覆被的分类精度及其 Kappa 系数和分类总精度(表 5),以实现分类
结果的精度对比。
表 5摇 不同分类方法的分类精度对比表
Table 5摇 Classification accuracy compared with different classification methods / %
分类方法
Classification
methods
C1 C2 C3 C4 C5 C6 C7 C8
Kappa系数
Kappa
coefficient
总精度
Total
accuracy
BP 神经网络
BP Neural Network 84.14 94.17 81.09 75.78 83.72 90.76 85.67 89.15 83.28 85.91
最小距离法
Minimum Distance 44.80 85.14 93.20 79.00 64.92 87.38 64.22 94.49 73.66 77.92
最大似然法
Maximum Likelihood 85.38 97.79 65.18 85.91 71.34 70.09 93.74 76.25 76.16 79.83
1057摇 23期 摇 摇 摇 肖锦成摇 等:基于 BP 神经网络与 ETM+遥感数据的盐城滨海自然湿地覆被分类 摇
http: / / www.ecologica.cn
图 5摇 各方法分类结果图
Fig.5摇 Classification results used different classification methods
摇 摇 从表 5可以看出,BP 神经网络分类方法的精度最高,总精度可达 85.91%,Kappa系数为 0.8328,与最小距
离法、极大似然法的分类总精度相比,分别提高了 7.99%和 6.08%,同时 Kappa系数也有类似程度的提高。 这
种滨海湿地覆被分类精度的提高与分类算法的优越性有关,BP 神经网络算法具有高度的容错能力和自学习
能力,有利于区分高度相似的滨海湿地各覆被间遥感影像的光谱特征,即在分类模型训练阶段,允许输入样本
中带有个别误差,个别样本误差不会左右正确规律的连接权值。
4摇 结论与讨论
4.1摇 结论
本研究利用盐城沿海滩涂及珍禽自然保护区核心区的 ETM+遥感数据,构建了“4鄄10鄄8冶的三层式 BP 神
经网络湿地覆被分类模型,并应用于核心区内 36km2的自然湿地覆被分类研究中。 实验表明:淤BP 神经网络
分类法简单实用,收敛速度快,在一定程度上消除异物同谱的现象,网络仿真输出效果好,能够提高滨海湿地
遥感图像的分类总精度,是一种较为有效的湿地遥感影像分类技术;于在使用 BP 神经网络进行遥感数据解
译分类时,合理的波段组合与融合,不仅可以提高影像分辨率,而且可以提高 BP 分类效率与精度。 盂强大的
Matlab神经网络工具箱,为用户提供了丰富的网络训练与仿真函数,为 BP 神经网络用于遥感图像分类建立
了高效的试验平台,免去了许多编程的烦恼,取得了事半功倍的效果。
4.2摇 讨论
随着近年来遥感技术与计算机技术的日益成熟,为湿地信息的采集与处理提供了有效手段。 分辨率的高
低在很大程度上决定其解译精度,与高分辨率数据相比,ETM+数据具有价格低、景幅覆盖范围大、用户多等特
点,在大范围的湿地研究中,使用合理的解译手段,充分挖掘 ETM+所包含的波段信息数据,不仅可为湿地研
究提供较为可靠数据保障,而且可降低研究成本,从而吸引更多的学者参与湿地研究。
本研究使用 BP 神经网络构建起了适用于盐城滨海湿地的覆被分类模型,但该模型未必适用于其他非湿
地覆被的分类,且当欲分覆被类型数有增减时,也必须调整模型单隐藏层节点数,鉴于此,本研究更多地体现
为方法上的探讨,更多特定区域覆被分类模型有待进一步研究。
就湿地覆被分类模型而言,通过选择更为合理或更多的训练样本,或使用改良的 BP 神经网络模型,可能
仍会进一步提高分类精度,这可以在以后的 BP 神经网络模型设计研究中改进。 该领域更是期待着更多的研
究者将其他人工神经网络或智能算法用于遥感影像的解译,进一步推进遥感图像处理技术的发展。
致谢:感谢南京师范大学吕恒副教授对模型构建的帮助。
References:
[ 1 ]摇 Xiao J Y, Ge J F, Shen Y J, Liang Y Q. Research on Land Use / Cover Change in Shijiazhuang Using Landsat TM and ETM+Data. Scientia
2057 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
http: / / www.ecologica.cn
Geographica Sinica, 2005, 25(4): 113鄄118.
[ 2 ] 摇 Yu X X, Yang G S. The Advances and Problems of Land Use and Land Cover Change Research in China. Progress In Geography, 2002, 21(1):
51鄄57.
[ 3 ] 摇 Jia K, Li Q Z, Tian Y C, Wu B F. A Review of Classification Methods of Remote Sensing Imagery. Spectroscopy and Spectral Analysis, 2011, 31
(10): 2618鄄2623.
[ 4 ] 摇 Wang Y Y, Li J. Classification Methods of Land Use / Cover Based on Remote Sensing Technology. Remote Sensing Information, 2004(1): 53鄄59.
[ 5 ] 摇 Luo J C, Zhou C H, Yang Y. ANN Remote Sensing Classification Model and Its Integration Approach with Geo鄄knowledge. Journal of Remote
Sensing, 2001, 5(2): 122鄄129.
[ 6 ] 摇 Liu X S, Li F, Zan G S, Zhang X L, Wang J H. Artificial Neural Network Classification for Forest Vegetation Mapping with Combination of Remote
Sensing and GIS. Journal of Remote Sensing, 2007, 11(5): 710鄄717.
[ 7 ] 摇 Wang J M, Qin W Z. BP Neural Network Classifier Based on Levenberg鄄Marquardt Algorithm. Editorial Board of Geomatics and Information Science
of Wuhan University, 2005, 30(10): 928鄄931.
[ 8 ] 摇 Jia Y H. Application of Artificial Neural Network to Classification of Multi鄄source Remote Sensing Imagery. Bulletin of Surveying and Mapping,
2000(7): 7鄄8.
[ 9 ] 摇 Yang J, Chi H K, Mo M. Vegetation Classification of Multispectral Remotely Sensed Data Using Neural Network. Acta Phytoecologica Sinica,
2002, 26(2): 185鄄188.
[10] 摇 Wang Y J. Artificial Neural Network Models in Remote Sensing And Multisource Geographic Data Classification. Scientia Geographica Sinica, 1997,
17(2): 10鄄17.
[11] 摇 Li X D, Guo Z Y, Zhu Y L, Dai X Y. Artificial neural network classification of wetland integrating GIS data:A case study of Dongtan wetland in
Chongming,Shanghai. Journal of East China Normal University(Natural Science), 2010(4): 26鄄34.
[12] 摇 Zhang Y S, Feng X Z, Ruan R Z. Application of Back鄄Propagation Neural Network Supported by GIS in the Classification of Remote Sensing Image.
Journal of Nanjing University (Natural Sciences), 2003, 39(6): 806鄄813.
[13] 摇 Han M, Cheng L, Xing J. Research on classification of land cover in Zhalong wetland area based on neural network. Journal of Dalian University of
Technology, 2004, 44(4): 582鄄588.
[14] 摇 Luo C F, Liu Z J, Wang C Y, Niu Z. Optimized BP neural network classifier based on genetic algorithm for land cover classification using remotely鄄
sensed data. Transactions of the Chinese Society of Agricultural Engineering, 2006, 22(12): 133鄄137.
[15] 摇 Liu X W. Remote Sensing Image Study of Classification Based on Improved BP Neural Network. Chang忆an University, 2009.
[16] 摇 Bai J H, Ou Y H, Cui B S, Wang Q G, Chen H. Changes in landscape pattern of alpine wetlands on the Zoige Plateau in the past four decades.
Acta Ecologica Sinica, 2008, 28(5): 2245鄄2252.
[17] 摇 Ou W X, Yang G S. Approach of Evaluation and Zoning for Wetland Ecological and Economic Functions Based on Ecological Niche. Wetland
Science, 2009, 7(2): 125鄄129.
[18] 摇 Zhang H B, Liu H Y, Hao J F, Li Y F. Spatiotemporal characteristics of landscape change in the coastal wetlands of Yancheng caused by natural
processes and human activities. Acta Ecologica Sinica, 2012, 32(1): 101鄄110.
[19] 摇 Chen Y M. Application of Neural Network to Classification of Remote Sensing Image. Wtusm Bulletin of Science and Technology, 2002, 27(3):
6鄄8.
[20] 摇 Simon H. Neural network and learning machines. Beijing: Mechanical Industry Press, 2011.
[21] 摇 Wu C X, Liu L, Wang B Y. The Study of the Method to Determining the Number of Hidden Units of Three layer BP Neural Networks. Journal of
Wuhan Technical University of Surveying and Mapping, 1999, 24(2): 85鄄87.
[22] 摇 Deng S B. ENVI Remote Sensing Image Processing Method. Beijing: Science Press, 2010.
[23] 摇 Cao Y, Cheng H, Ou Y H, Xiao D N. Landscape Ecological Classification Using Vegetation Indices Based on Remote Sensing Data:A Case Study
of Ejin Natural Oasis Landscape. Journal of Natural Resources, 2006, 21(3): 481鄄488.
[24] 摇 Zhu X F, Pan Y Z, Zhang J S, Wang S, Gu X H, Xu C. The Effects of Training Samples on the Wheat Planting Area Measure Accuracy in TM
Scale:The Accuracy Response of Different Classifiers to Training Samples. Journal of Remote Sensing, 2007(6): 826鄄837.
[25] 摇 Tu R N G L, Zhang X F. Studies on Classification of Remote Sensing Image Processing Based on Artificial Neural Network. Journal of Changchun
Normal University, 2006, 25(1): 81鄄84.
[26] 摇 Lv H, Li X G, Cao K. Quantitative Retrieval of Suspended Solid Concentration in Lake Taihu Based on BP Neural Net. Geomatics and Information
Science of Wuhan University, 2006, 31(8): 683鄄686.
参考文献:
[ 1 ]摇 肖捷颖, 葛京凤, 沈彦俊, 梁彦庆. 基于 TM和 ETM+遥感分析的石家庄市土地利用 /覆被变化研究. 地理科学, 2005, 25(4): 113鄄118.
3057摇 23期 摇 摇 摇 肖锦成摇 等:基于 BP 神经网络与 ETM+遥感数据的盐城滨海自然湿地覆被分类 摇
http: / / www.ecologica.cn
[ 2 ]摇 于兴修, 杨桂山. 中国土地利用 /覆被变化研究的现状与问题. 地理科学进展, 2002, 21(1): 51鄄57.
[ 3 ] 摇 贾坤, 李强子, 田亦陈, 吴炳方. 遥感影像分类方法研究进展. 光谱学与光谱分析, 2011, 31(10): 2618鄄2623.
[ 4 ] 摇 王圆圆, 李京. 遥感影像土地利用 /覆盖分类方法研究综述. 遥感信息, 2004(1): 53鄄59.
[ 5 ] 摇 骆剑承, 周成虎, 杨艳. 人工神经网络遥感影像分类模型及其与知识集成方法研究. 遥感学报, 2001, 5(2): 122鄄129.
[ 7 ] 摇 王建梅, 覃文忠. 基于 L鄄M算法的 BP 神经网络分类器. 武汉大学学报(信息科学版), 2005, 30(10): 928鄄931.
[ 8 ] 摇 贾永红. 人工神经网络在多源遥感影像分类中的应用. 测绘通报, 2000(7): 7鄄8.
[ 9 ] 摇 杨健, 池宏康, 莫沫. 应用神经网络和多谱段遥感数据对大屿山岛土地覆盖分类的研究. 植物生态学报, 2002, 26(2): 185鄄188.
[10] 摇 王野乔. 遥感及多源地理数据分类中的人工神经网络模型. 地理科学, 1997, 17(2): 10鄄17.
[11] 摇 栗小东, 过仲阳, 朱燕玲, 戴晓燕. 结合 GIS数据的神经网络湿地遥感分类方法:以上海崇明岛东滩湿地为例. 华东师范大学学报(自然
科学版), 2010(4): 26鄄34.
[12] 摇 张友水, 冯学智, 阮仁宗. 基于 GIS的 BP 神经网络遥感影像分类研究. 南京大学学报(自然科学版), 2003, 39(6): 806鄄813.
[13] 摇 韩敏, 程磊, 邢军. 基于神经网络的扎龙湿地土地覆盖分类研究. 大连理工大学学报, 2004, 44(4): 582鄄588.
[14] 摇 骆成凤, 刘正军, 王长耀, 牛铮. 基于遗传算法优化的 BP 神经网络遥感数据土地覆盖分类. 农业工程学报, 2006, 22(12): 133鄄137.
[15] 摇 刘香伟. 基于改进型 BP 神经网络的遥感影像分类研究. 长安大学, 2009.
[16] 摇 白军红, 欧阳华, 崔保山, 王庆改, 陈辉. 近 40年来若尔盖高原高寒湿地景观格局变化. 生态学报, 2008, 28(5): 2245鄄2252.
[17] 摇 欧维新, 杨桂山. 基于生态位的湿地生态鄄经济功能评价与区划方法探讨. 湿地科学, 2009, 7(2): 125鄄129.
[18] 摇 张华兵, 刘红玉, 郝敬锋, 李玉凤. 自然和人工管理驱动下盐城海滨湿地景观格局演变特征与空间差异. 生态学报, 2012, 32(1):
101鄄110.
[19] 摇 陈玉敏. 基于神经网络的遥感影像分类研究. 测绘信息与工程, 2002, 27(3): 6鄄8.
[20] 摇 Simon H 加. 神经网络与机器学习. 北京: 机械工业出版社, 2011.
[21] 摇 伍春香, 刘琳, 王葆元. 三层 BP 网隐层节点数确定方法的研究. 武汉测绘科技大学学报, 1999, 24(2): 85鄄87.
[22] 摇 邓书斌. ENVI遥感图像处理方法. 地理信息系统理论与应用丛书, 第一版. 北京: 科学出版社, 2010.
[23] 摇 曹宇, 陈辉, 欧阳华, 肖笃宁. 基于多项植被指数的景观生态类型遥感解译与分类———以额济纳天然绿洲景观为例. 自然资源学报,
2006, 21(3): 481鄄488.
[24] 摇 朱秀芳, 潘耀忠, 张锦水, 王双, 顾晓鹤, 徐超. 训练样本对 TM尺度小麦种植面积测量精度影响研究———训练样本与分类方法间分类
精度响应关系研究. 遥感学报, 2007, 11(6): 826鄄837.
[25] 摇 吐热尼古丽, 张晓帆. 基于人工神经网络的遥感图像分类研究. 长春师范学院学报, 2006, 25(1): 81鄄84.
[26] 摇 吕恒,李新国,曹凯. 基于 BP 神经网络模型的太湖悬浮物浓度遥感定量提取研究. 武汉大学学报(信息科学版), 2006, 31(8): 683鄄686.
4057 摇 生摇 态摇 学摇 报摇 摇 摇 33卷摇
粤悦栽粤 耘悦韵蕴韵郧陨悦粤 杂陨晕陨悦粤 灾燥造援猿猿袁晕燥援圆猿 阅藻糟援袁圆园员猿渊杂藻皂蚤皂燥灶贼澡造赠冤
悦韵晕栽耘晕栽杂
云则燥灶贼蚤藻则泽 葬灶凿 悦燥皂责则藻澡藻灶泽蚤增藻 砸藻增蚤藻憎
韵扎燥灶藻 怎责贼葬噪藻 葬贼 贼澡藻 糟葬灶燥责赠 造藻增藻造 蚤灶 砸燥遭蚤灶蚤葬 责泽藻怎凿燥葬糟葬糟蚤葬 蚤灶 月藻蚤躁蚤灶早 遭葬泽藻凿 燥灶 泽葬责 枣造燥憎 皂藻葬泽怎则藻皂藻灶贼泽
宰粤晕郧 匀怎葬袁 韵哉再粤晕郧 在澡蚤赠怎灶袁 砸耘晕 再怎枣藻灶袁 藻贼 葬造 渊苑猿圆猿冤
噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
郧藻灶藻贼蚤糟 蚤皂责葬糟贼 燥枣 泽憎蚤皂皂蚤灶早 糟则葬遭 孕燥则贼怎灶怎泽 贼则蚤贼怎遭藻则糟怎造葬贼怎泽 枣葬则皂蚤灶早 燥灶 憎蚤造凿 早藻灶藻贼蚤糟 则藻泽燥怎则糟藻泽 蚤灶 匀葬蚤扎澡燥怎 月葬赠
阅韵晕郧 在澡蚤早怎燥袁 蕴陨 载蚤葬燥赠蚤灶早袁 在匀粤晕郧 匝蚤灶早择蚤袁 藻贼 葬造 渊苑猿猿圆冤
噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
栽澡藻 藻枣枣藻糟贼 燥枣 泽燥蚤造 泽葬造蚤灶蚤贼赠 贼燥 蚤皂责则燥增藻 贼澡藻 凿则燥怎早澡贼 贼燥造藻则葬灶糟藻 燥枣 葬则则燥憎造藻葬枣 泽葬造贼遭怎泽澡
栽粤晕 再燥灶早择蚤灶袁 月粤陨 载蚤灶枣怎袁 匀韵哉 再怎责蚤灶早袁 藻贼 葬造 渊苑猿源园冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 蕴蚤则蚤燥皂赠扎葬 澡怎蚤凿燥遭则藻灶泽蚤泽 蚤灶枣藻泽贼葬贼蚤燥灶 燥灶 贼澡藻 葬糟贼蚤增蚤贼蚤藻泽 燥枣 枣燥怎则 凿藻枣藻灶泽蚤增藻 藻灶扎赠皂藻泽 蚤灶 贼澡藻 造藻葬增藻泽 燥枣 糟怎糟怎皂遭藻则 责造葬灶贼泽
杂哉晕 载蚤灶早澡怎葬袁 在匀韵哉 载蚤葬燥则燥灶早袁 孕粤晕郧 月葬燥责蚤灶早袁 藻贼 葬造 渊苑猿源愿冤
噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤怎贼藻糟燥造燥早赠 驭 云怎灶凿葬皂藻灶贼葬造泽
耘葬则造赠 藻枣枣藻糟贼泽 燥枣 泽蚤皂怎造葬贼藻凿 灶蚤贼则燥早藻灶 凿藻责燥泽蚤贼蚤燥灶 燥灶 葬灶灶怎葬造 灶怎贼则蚤藻灶贼 蚤灶责怎贼 枣则燥皂 造蚤贼贼藻则枣葬造造 蚤灶 葬 孕造藻蚤燥遭造葬泽贼怎泽 葬皂葬则怎泽 责造葬灶贼葬贼蚤燥灶 蚤灶 砸葬蚤灶赠
粤则藻葬 燥枣 宰藻泽贼 悦澡蚤灶葬 载陨粤韵 再蚤灶造燥灶早袁 栽哉 蕴蚤澡怎葬袁 匀哉 栽蚤灶早曾蚤灶早袁 藻贼 葬造 渊苑猿缘缘冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
砸藻造葬贼蚤燥灶泽澡蚤责 遭藻贼憎藻藻灶 灶怎贼则蚤藻灶贼 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 葬灶凿 赠蚤藻造凿泽 燥枣 贼怎皂燥则燥怎泽 泽贼藻皂 皂怎泽贼葬则凿 葬贼 凿蚤枣枣藻则藻灶贼 早则燥憎贼澡 泽贼葬早藻
在匀粤韵 匀怎葬灶袁蕴陨 匀怎蚤澡藻袁 蕴譈 匀怎蚤枣藻灶早袁藻贼 葬造 渊苑猿远源冤
噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
阅藻糟燥皂责燥泽蚤贼蚤燥灶 则葬贼藻 葬灶凿 泽蚤造蚤糟燥灶 凿赠灶葬皂蚤糟 燥枣 皂怎造糟澡蚤灶早 则藻泽蚤凿怎藻 怎灶凿藻则 孕澡赠造造燥泽贼葬糟澡赠泽 责则葬藻糟燥曾 泽贼葬灶凿泽
匀哉粤晕郧 在澡葬灶早贼蚤灶早袁 在匀粤晕郧 再葬灶袁 杂韵晕郧 在澡葬燥造蚤葬灶早袁 藻贼 葬造 渊苑猿苑猿冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 憎葬贼藻则造燥早早蚤灶早 燥灶 贼澡藻 早则燥憎贼澡 葬灶凿 责澡赠泽蚤燥造燥早蚤糟葬造 责则燥责藻则贼蚤藻泽 燥枣 躁怎增藻灶蚤造藻 燥蚤造泽藻藻凿 则葬责藻
在匀粤晕郧 杂澡怎躁蚤藻袁 蕴陨粤韵 载蚤灶早袁 匀哉 载蚤葬燥躁蚤葬袁 藻贼 葬造 渊苑猿愿圆冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
栽澡藻 糟则怎凿藻 责则燥贼藻蚤灶 糟燥灶贼藻灶贼 燥枣 皂葬蚤灶 枣燥燥凿 责造葬灶贼泽 燥枣 云则葬灶觭燥蚤泽忆 造葬灶早怎则 渊栽则葬糟澡赠责蚤贼澡藻糟怎泽 枣则葬灶糟燥蚤泽蚤冤 蚤灶 云怎泽怎蚤袁 郧怎葬灶早曾蚤袁 悦澡蚤灶葬
蕴陨 再燥怎遭葬灶早袁阅陨晕郧 孕蚤灶早袁匀哉粤晕郧 悦澡藻灶早皂蚤灶早袁藻贼 葬造 渊苑猿怨园冤
噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 灶蚤贼则燥早藻灶 燥灶 责澡燥贼燥泽赠灶贼澡藻贼蚤糟 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 葬灶凿 藻灶扎赠皂藻 葬糟贼蚤增蚤贼赠 燥枣 灶蚤贼则燥早藻灶 皂藻贼葬遭燥造蚤泽皂 蚤灶 皂葬蚤扎藻 怎灶凿藻则鄄皂怎造糟澡鄄凿则蚤责 蚤则则蚤鄄
早葬贼蚤燥灶 郧哉 再葬灶袁 匀哉 宰藻灶澡藻袁 载哉 月葬蚤躁怎灶袁 藻贼 葬造 渊苑猿怨怨冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘糟燥贼燥曾蚤糟燥造燥早蚤糟葬造 藻枣枣藻糟贼泽 燥枣 藻曾责燥泽怎则藻 贼燥 孕云韵杂 燥灶 藻皂遭则赠燥 葬灶凿 造葬则增葬 燥枣 扎葬遭则葬枣蚤泽澡 阅葬灶蚤燥 则藻则蚤燥
载陨粤 允蚤早葬灶早袁 晕陨哉 悦怎蚤躁怎葬灶袁 杂哉晕 蕴怎赠蚤灶 渊苑源园愿冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤造造藻造燥责葬贼澡蚤糟 藻枣枣藻糟贼泽 燥枣 藻曾贼则葬糟贼泽 枣则燥皂 哉造增葬 责则燥造蚤枣藻则葬 责燥憎凿藻则泽 燥灶 贼澡藻 早则燥憎贼澡 燥枣 孕则燥则燥糟藻灶贼则怎皂 凿燥灶早澡葬蚤藻灶泽藻 葬灶凿 杂噪藻造藻贼燥灶藻皂葬 糟燥泽贼葬贼怎皂
匀粤晕 载蚤怎则燥灶早袁 郧粤韵 杂燥灶早袁 匀韵哉 允怎灶灶蚤袁 藻贼 葬造 渊苑源员苑冤
噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
孕则藻凿葬贼蚤燥灶 藻增葬造怎葬贼蚤燥灶 燥枣 阅蚤葬责澡燥则蚤灶葬 糟蚤贼则蚤忆泽 渊匀燥皂燥责贼藻则葬院 悦澡藻则皂蚤凿葬藻冤 灶葬贼怎则葬造 藻灶藻皂蚤藻泽 怎泽蚤灶早 贼澡藻 悦韵玉 皂葬则噪藻则 早藻灶藻
酝耘晕郧 载蚤葬灶早袁韵哉再粤晕郧 郧藻糟澡藻灶早袁载陨粤 再怎造怎袁藻贼 葬造 渊苑源猿园冤
噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼 燥枣 增燥造葬贼蚤造藻泽 枣则燥皂 澡藻葬造贼澡赠 燥则 憎燥则皂 遭燥则藻凿 运燥则藻葬灶 责蚤灶藻 燥灶 澡燥泽贼 泽藻造藻糟贼蚤增藻 遭藻澡葬增蚤燥则 燥枣 阅蚤燥则赠糟贼则蚤葬 泽赠造增藻泽贼则藻造造葬 葬灶凿 蚤贼泽 责葬则葬泽蚤贼燥蚤凿
酝葬糟则燥糟藻灶贼则怎泽 泽责援 宰粤晕郧 匝蚤袁再粤晕 杂澡葬灶糟澡怎灶袁再粤晕 允怎灶曾蚤灶袁藻贼 葬造 渊苑源猿苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
孕燥责怎造葬贼蚤燥灶袁 悦燥皂皂怎灶蚤贼赠 葬灶凿 耘糟燥泽赠泽贼藻皂
砸藻造葬贼蚤燥灶泽澡蚤责 遭藻贼憎藻藻灶 则澡蚤扎燥泽责澡藻则藻 皂蚤糟则燥遭蚤葬造 糟燥皂皂怎灶蚤贼赠 枣怎灶糟贼蚤燥灶葬造 凿蚤增藻则泽蚤贼赠 葬灶凿 枣葬遭葬 遭藻葬灶 枣怎泽葬则蚤怎皂 憎蚤造贼 燥糟糟怎则则藻灶糟藻 蚤灶 憎澡藻葬贼 葬灶凿
枣葬遭葬 遭藻葬灶 蚤灶贼藻则糟则燥责责蚤灶早 泽赠泽贼藻皂 阅韵晕郧 再葬灶袁 阅韵晕郧 运怎灶袁 栽粤晕郧 蕴蚤袁 藻贼 葬造 渊苑源源缘冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
悦澡葬则葬糟贼藻则蚤泽贼蚤糟泽 燥枣 泽燥蚤造 枣藻则贼蚤造蚤贼赠 蚤灶 凿蚤枣枣藻则藻灶贼 藻糟燥泽赠泽贼藻皂泽 蚤灶 凿藻责则藻泽泽蚤燥灶泽 遭藻贼憎藻藻灶 噪葬则泽贼 澡蚤造造泽
再哉 再葬灶早袁 阅哉 匀怎袁 杂韵晕郧 栽燥灶早择蚤灶早袁 藻贼 葬造 渊苑源缘缘冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘增葬造怎葬贼蚤燥灶 燥灶 糟葬则遭燥灶 泽藻择怎藻泽贼则葬贼蚤燥灶 藻枣枣藻糟贼泽 燥枣 葬则贼蚤枣蚤糟蚤葬造 葬造枣葬造枣葬 责葬泽贼怎则藻泽 蚤灶 贼澡藻 蕴燥藻泽泽 孕造葬贼藻葬怎 葬则藻葬
蕴陨 宰藻灶躁蚤灶早袁 宰粤晕郧 在澡藻灶袁 匀粤晕 匝蚤灶早枣葬灶早袁 藻贼 葬造 渊苑源远苑冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
蕴葬灶凿泽糟葬责藻袁 砸藻早蚤燥灶葬造 葬灶凿 郧造燥遭葬造 耘糟燥造燥早赠
耘枣枣藻糟贼泽 燥枣 凿藻藻责 增藻则贼蚤糟葬造造赠 则燥贼葬则赠 贼蚤造造葬早藻 燥灶 泽燥蚤造 憎葬贼藻则 葬灶凿 憎葬贼藻则 怎泽藻 藻枣枣蚤糟蚤藻灶糟赠 蚤灶 灶燥则贼澡藻则灶 悦澡蚤灶葬忆泽 匀怎葬灶早鄄澡怎葬蚤鄄澡葬蚤 砸藻早蚤燥灶
蕴陨 再蚤遭蚤灶早袁孕粤晕郧 匀怎葬灶糟澡藻灶早袁再粤晕郧 载怎藻袁藻贼 葬造 渊苑源苑愿冤
噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 造葬灶凿泽糟葬责藻 责葬贼贼藻则灶泽 燥灶 则怎灶燥枣枣 葬灶凿 泽藻凿蚤皂藻灶贼 藻曾责燥则贼 枣则燥皂 贼赠责蚤糟葬造 葬早则燥枣燥则藻泽贼则赠 憎葬贼藻则泽澡藻凿泽 蚤灶 贼澡藻 栽澡则藻藻 郧燥则早藻泽 砸藻泽藻则增燥蚤则
葬则藻葬袁 悦澡蚤灶葬 匀哉粤晕郧 在澡蚤造蚤灶袁栽陨粤晕 再葬燥憎怎袁载陨粤韵 宰藻灶枣葬袁藻贼 葬造 渊苑源愿苑冤噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
蕴葬灶凿 糟燥增藻则 糟造葬泽泽蚤枣蚤糟葬贼蚤燥灶 燥枣 再葬灶糟澡藻灶早 悦燥葬泽贼葬造 晕葬贼怎则葬造 宰藻贼造葬灶凿泽 遭葬泽藻凿 燥灶 月孕 灶藻怎则葬造 灶藻贼憎燥则噪 葬灶凿 耘栽酝垣 则藻皂燥贼藻 泽藻灶泽蚤灶早 凿葬贼葬
载陨粤韵 允蚤灶糟澡藻灶早袁 韵哉 宰藻蚤曾蚤灶袁 云哉 匀葬蚤赠怎藻 渊苑源怨远冤
噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘葬则造赠 则藻泽责燥灶泽藻泽 燥枣 泽燥蚤造 悦匀源 怎责贼葬噪藻 贼燥 蚤灶糟则藻葬泽藻凿 葬贼皂燥泽责澡藻则蚤糟 灶蚤贼则燥早藻灶 凿藻责燥泽蚤贼蚤燥灶 蚤灶 葬 糟燥造凿鄄贼藻皂责藻则葬贼藻 糟燥灶蚤枣藻则燥怎泽 枣燥则藻泽贼
郧粤韵 宰藻灶造燥灶早袁悦匀耘晕郧 杂澡怎造葬灶袁云粤晕郧 匀怎葬躁怎灶袁藻贼 葬造 渊苑缘园缘冤
噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
栽藻皂责燥则葬造鄄泽责葬贼蚤葬造 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 燥枣 泽燥蚤造 则藻泽责蚤则葬贼蚤燥灶 蚤灶 悦澡蚤灶藻泽藻 遭燥则藻葬造 枣燥则藻泽贼 藻糟燥泽赠泽贼藻皂
允陨粤 月蚤灶早则怎蚤袁 在匀韵哉 郧怎葬灶早泽澡藻灶早袁 允陨粤晕郧 再葬灶造蚤灶早袁 藻贼 葬造 渊苑缘员远冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
杂藻葬泽燥灶葬造 葬灶凿 蚤灶贼藻则葬灶灶怎葬造 增葬则蚤葬遭蚤造蚤贼赠 蚤灶 泽燥蚤造 则藻泽责蚤则葬贼蚤燥灶 蚤灶 憎澡藻葬贼 枣蚤藻造凿 燥枣 贼澡藻 蕴燥藻泽泽 孕造葬贼藻葬怎袁 悦澡蚤灶葬
在匀韵哉 载蚤葬燥责蚤灶早袁 宰粤晕郧 载蚤葬燥噪藻袁 在匀粤晕郧 匀燥灶早曾蚤灶早袁 藻贼 葬造 渊苑缘圆缘冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
阅赠灶葬皂蚤糟泽 燥枣 葬贼皂燥泽责澡藻则蚤糟 葬皂皂燥灶蚤葬 糟燥灶糟藻灶贼则葬贼蚤燥灶泽 灶藻葬则 凿蚤枣枣藻则藻灶贼 藻皂蚤泽泽蚤燥灶 泽燥怎则糟藻泽
蕴陨哉 允蚤藻赠怎灶袁 运哉粤晕郧 云怎澡燥灶早袁栽粤晕郧 粤燥澡葬灶袁 藻贼 葬造 渊苑缘猿苑冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
陨灶枣造怎藻灶糟藻 燥枣 则藻泽蚤凿怎藻泽 葬灶凿 藻葬则贼澡憎燥则皂泽 葬责责造蚤糟葬贼蚤燥灶 燥灶 晕圆韵 藻皂蚤泽泽蚤燥灶泽 燥枣 憎蚤灶贼藻则 憎澡藻葬贼 蕴哉韵 栽蚤葬灶曾蚤葬灶早袁 匀哉 云藻灶早袁 蕴陨 匀怎蚤曾蚤灶 渊苑缘源缘冤噎
砸藻泽燥怎则糟藻 葬灶凿 陨灶凿怎泽贼则蚤葬造 耘糟燥造燥早赠
耘糟燥造燥早蚤糟葬造 皂燥灶蚤贼燥则蚤灶早 燥枣 贼澡藻 枣蚤泽澡 则藻泽燥怎则糟藻泽 糟葬贼糟澡蚤灶早 葬灶凿 泽贼燥糟噪蚤灶早 蚤灶 蕴葬噪藻 栽蚤葬灶皂怎 遭葬泽蚤灶早 燥灶 贼澡藻 澡赠凿则燥葬糟燥怎泽贼蚤糟 皂藻贼澡燥凿
杂哉晕 酝蚤灶早遭燥袁 郧哉 载蚤葬燥澡燥灶早袁 在耘晕郧 匝蚤灶早枣藻蚤袁 藻贼 葬造 渊苑缘缘猿冤
噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤责责造蚤糟葬贼蚤燥灶 燥枣 泽怎责责燥则贼 增藻糟贼燥则 皂葬糟澡蚤灶藻 贼燥 藻增葬造怎葬贼藻 贼澡藻 藻怎贼则燥责澡蚤糟葬贼蚤燥灶 泽贼葬贼怎泽 燥枣 栽葬蚤澡怎 蕴葬噪藻
在匀粤晕郧 悦澡藻灶早糟澡藻灶早袁 杂匀耘晕 粤蚤糟澡怎灶袁 在匀粤晕郧 载蚤葬燥择蚤灶早袁 藻贼 葬造 渊苑缘远猿冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
砸藻泽藻葬则糟澡 晕燥贼藻泽
粤皂燥怎灶贼 葬灶凿 凿赠灶葬皂蚤糟 糟澡葬则葬糟贼藻则蚤泽贼蚤糟泽 燥枣 造蚤贼贼藻则枣葬造造 蚤灶 枣燥怎则 枣燥则藻泽贼 贼赠责藻泽 蚤灶 泽怎遭贼则燥责蚤糟葬造 悦澡蚤灶葬
载哉 宰葬灶早皂蚤灶早袁 再粤晕 宰藻灶凿藻袁 蕴陨 允蚤藻遭蚤灶早袁 藻贼 葬造 渊苑缘苑园冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
粤造造藻造燥责葬贼澡蚤糟 藻枣枣藻糟贼泽 燥枣 葬则贼藻皂蚤泽蚤灶蚤灶 燥灶 泽藻藻凿 早藻则皂蚤灶葬贼蚤燥灶 葬灶凿 泽藻藻凿造蚤灶早 早则燥憎贼澡 燥枣 增藻早藻贼葬遭造藻泽
月粤陨 在澡藻灶袁 匀哉粤晕郧 再怎藻袁 匀哉粤晕郧 允蚤葬灶早怎燥 渊苑缘苑远冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
晕蚤贼则蚤糟 燥曾蚤凿藻 责葬则贼蚤糟蚤责葬贼藻泽 泽赠皂遭蚤燥泽蚤泽 遭藻贼憎藻藻灶 葬皂 枣怎灶早蚤 葬灶凿 贼燥遭葬糟糟燥 责造葬灶贼泽 宰粤晕郧 宰藻蚤袁 在匀粤韵 云葬灶早早怎蚤袁 匀韵哉 蕴蚤曾蚤葬袁 藻贼 葬造 渊苑缘愿猿冤噎噎
酝葬责责蚤灶早 憎蚤造凿造蚤枣藻 澡葬遭蚤贼葬贼 泽怎蚤贼葬遭蚤造蚤贼赠 怎泽蚤灶早 噪藻则灶藻造 凿藻灶泽蚤贼赠 藻泽贼蚤皂葬贼蚤燥灶
在匀粤晕郧 郧怎蚤皂蚤灶早袁 在匀哉 粤忆曾蚤灶早袁 再粤晕郧 杂澡藻灶早贼蚤葬灶袁 藻贼 葬造 渊苑缘怨园冤
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
耘枣枣藻糟贼泽 燥枣 灶蚤贼则燥早藻灶 枣藻则贼蚤造蚤扎藻则 皂藻贼澡燥凿泽 燥灶 贼澡藻 糟燥灶贼藻灶贼 燥枣 月葬糟蚤造造怎泽 贼澡怎则蚤灶早蚤藻灶泽蚤泽 蚤灶泽藻糟贼蚤糟蚤凿葬造 责则燥贼藻蚤灶 葬灶凿 赠蚤藻造凿 燥枣 贼则葬灶泽早藻灶蚤糟 糟燥贼贼燥灶
酝粤 在燥灶早遭蚤灶袁蕴陨哉 郧怎蚤扎澡藻灶袁再粤晕 郧藻灶贼怎袁藻贼 葬造 渊苑远园员冤
噎噎噎
噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎噎
源员远苑 摇 生摇 态摇 学摇 报摇 摇 摇 猿猿卷摇
叶生态学报曳圆园员源年征订启事
叶生态学报曳是由中国科学技术协会主管袁中国生态学学会尧中国科学院生态环境研究中心主办的生态学
高级专业学术期刊袁创刊于 员怨愿员年袁报道生态学领域前沿理论和原始创新性研究成果遥 坚持野百花齐放袁百家
争鸣冶的方针袁依靠和团结广大生态学科研工作者袁探索生态学奥秘袁为生态学基础理论研究搭建交流平台袁
促进生态学研究深入发展袁为我国培养和造就生态学科研人才和知识创新服务尧为国民经济建设和发展服务遥
叶生态学报曳主要报道生态学及各分支学科的重要基础理论和应用研究的原始创新性科研成果遥 特别欢
迎能反映现代生态学发展方向的优秀综述性文章曰研究简报曰生态学新理论尧新方法尧新技术介绍曰新书评价和
学术尧科研动态及开放实验室介绍等遥
叶生态学报曳为半月刊袁大 员远开本袁圆愿园页袁国内定价 怨园元 辕册袁全年定价 圆员远园元遥
国内邮发代号院愿圆鄄苑袁国外邮发代号院酝远苑园
标准刊号院陨杂杂晕 员园园园鄄园怨猿猿摇 摇 悦晕 员员鄄圆园猿员 辕 匝
全国各地邮局均可订阅袁也可直接与编辑部联系购买遥 欢迎广大科技工作者尧科研单位尧高等院校尧图书
馆等订阅遥
通讯地址院 员园园园愿缘 北京海淀区双清路 员愿号摇 电摇 摇 话院 渊园员园冤远圆怨源员园怨怨曰 远圆愿源猿猿远圆
耘鄄皂葬蚤造院 泽澡藻灶早贼葬蚤曾怎藻遭葬燥岳 则糟藻藻泽援葬糟援糟灶摇 网摇 摇 址院 憎憎憎援藻糟燥造燥早蚤糟葬援糟灶
本期责任副主编摇 王德利摇 摇 摇 编辑部主任摇 孔红梅摇 摇 摇 执行编辑摇 刘天星摇 段摇 靖
生摇 态摇 学摇 报渊杂匀耘晕郧栽粤陨摇 载哉耘月粤韵冤渊半月刊摇 员怨愿员年 猿月创刊冤
第 猿猿卷摇 第 圆猿期摇 渊圆园员猿年 员圆月冤
粤悦栽粤 耘悦韵蕴韵郧陨悦粤 杂陨晕陨悦粤摇渊杂藻皂蚤皂燥灶贼澡造赠袁杂贼葬则贼藻凿 蚤灶 员怨愿员冤摇灾燥造郾 猿猿摇 晕燥郾 圆猿 渊阅藻糟藻皂遭藻则袁 圆园员猿冤
编摇 摇 辑摇 叶生态学报曳编辑部
地址院北京海淀区双清路 员愿号
邮政编码院员园园园愿缘
电话院渊园员园冤远圆怨源员园怨怨憎憎憎援藻糟燥造燥早蚤糟葬援糟灶泽澡藻灶早贼葬蚤曾怎藻遭葬燥岳 则糟藻藻泽援葬糟援糟灶
主摇 摇 编摇 王如松
主摇 摇 管摇 中国科学技术协会
主摇 摇 办摇 中国生态学学会
中国科学院生态环境研究中心
地址院北京海淀区双清路 员愿号
邮政编码院员园园园愿缘
出摇 摇 版摇
摇 摇 摇 摇 摇 地址院北京东黄城根北街 员远号
邮政编码院员园园苑员苑
印摇 摇 刷摇 北京北林印刷厂
发 行摇
地址院东黄城根北街 员远号
邮政编码院员园园苑员苑
电话院渊园员园冤远源园猿源缘远猿耘鄄皂葬蚤造院躁燥怎则灶葬造岳 糟泽责早援灶藻贼
订摇 摇 购摇 全国各地邮局
国外发行摇 中国国际图书贸易总公司
地址院北京 猿怨怨信箱
邮政编码院员园园园源源
广告经营
许 可 证摇 京海工商广字第 愿园员猿号
耘凿蚤贼藻凿 遭赠摇 耘凿蚤贼燥则蚤葬造 遭燥葬则凿 燥枣
粤悦栽粤 耘悦韵蕴韵郧陨悦粤 杂陨晕陨悦粤
粤凿凿院员愿袁杂澡怎葬灶早择蚤灶早 杂贼则藻藻贼袁匀葬蚤凿蚤葬灶袁月藻蚤躁蚤灶早 员园园园愿缘袁悦澡蚤灶葬
栽藻造院渊园员园冤远圆怨源员园怨怨
憎憎憎援藻糟燥造燥早蚤糟葬援糟灶
泽澡藻灶早贼葬蚤曾怎藻遭葬燥岳 则糟藻藻泽援葬糟援糟灶
耘凿蚤贼燥则鄄蚤灶鄄糟澡蚤藻枣摇 宰粤晕郧 砸怎泽燥灶早
杂怎责藻则增蚤泽藻凿 遭赠摇 悦澡蚤灶葬 粤泽泽燥糟蚤葬贼蚤燥灶 枣燥则 杂糟蚤藻灶糟藻 葬灶凿 栽藻糟澡灶燥造燥早赠
杂责燥灶泽燥则藻凿 遭赠摇 耘糟燥造燥早蚤糟葬造 杂燥糟蚤藻贼赠 燥枣 悦澡蚤灶葬
砸藻泽藻葬则糟澡 悦藻灶贼藻则 枣燥则 耘糟燥鄄藻灶增蚤则燥灶皂藻灶贼葬造 杂糟蚤藻灶糟藻泽袁 悦粤杂
粤凿凿院员愿袁杂澡怎葬灶早择蚤灶早 杂贼则藻藻贼袁匀葬蚤凿蚤葬灶袁月藻蚤躁蚤灶早 员园园园愿缘袁悦澡蚤灶葬
孕怎遭造蚤泽澡藻凿 遭赠摇 杂糟蚤藻灶糟藻 孕则藻泽泽
粤凿凿院员远 阅燥灶早澡怎葬灶早糟澡藻灶早早藻灶 晕燥则贼澡 杂贼则藻藻贼袁
月藻蚤躁蚤灶早摇 员园园苑员苑袁悦澡蚤灶葬
孕则蚤灶贼藻凿 遭赠摇 月藻蚤躁蚤灶早 月藻蚤 蕴蚤灶 孕则蚤灶贼蚤灶早 匀燥怎泽藻袁
月藻蚤躁蚤灶早 员园园园愿猿袁悦澡蚤灶葬
阅蚤泽贼则蚤遭怎贼藻凿 遭赠摇 杂糟蚤藻灶糟藻 孕则藻泽泽
粤凿凿院员远 阅燥灶早澡怎葬灶早糟澡藻灶早早藻灶 晕燥则贼澡
杂贼则藻藻贼袁月藻蚤躁蚤灶早 员园园苑员苑袁悦澡蚤灶葬
栽藻造院渊园员园冤远源园猿源缘远猿
耘鄄皂葬蚤造院躁燥怎则灶葬造岳 糟泽责早援灶藻贼
阅燥皂藻泽贼蚤糟 摇 摇 粤造造 蕴燥糟葬造 孕燥泽贼 韵枣枣蚤糟藻泽 蚤灶 悦澡蚤灶葬
云燥则藻蚤早灶 摇 摇 悦澡蚤灶葬 陨灶贼藻则灶葬贼蚤燥灶葬造 月燥燥噪 栽则葬凿蚤灶早
悦燥则责燥则葬贼蚤燥灶
粤凿凿院孕援韵援月燥曾 猿怨怨 月藻蚤躁蚤灶早 员园园园源源袁悦澡蚤灶葬
摇 陨杂杂晕 员园园园鄄园怨猿猿悦晕 员员鄄圆园猿员 辕 匝 国内外公开发行 国内邮发代号 愿圆鄄苑 国外发行代号 酝远苑园 定价 怨园郾 园园元摇