全 文 ：核 农 学 报 2010，24(6):1274 ～ 1279
Journal of Nuclear Agricultural Sciences
收稿日期:2010-04-16 接受日期:2010-09-07
基金项目:水稻生物学国家重点实验室开放课题(090402)，国家自然科学基金项目(30700486;30800126)
作者简介:张 浩 (1978-)，男，河南南阳人，博士，主要从事数字农业方面的研究。Tel:0571-86404255;E-mail:zhanghaozju@ 126. com
通讯作者:金千瑜(1959-)，男，安徽舒城人，研究员，主要从事水稻栽培及生理生态方面的研究。Tel:0571-63370325
郑可锋(1963-)，男，浙江浦江人，研究员，主要从事数字农业与农村信息化方面的研究。Tel:0571-86404181
文章编号:1000-8551(2010)06-1274-06
识别不同水稻株型的高光谱模式方法的建立
张 浩1，2 欧阳由男1 王会民1 朱练峰1 金千瑜1 郑可锋2
(1. 中国水稻研究所 /水稻生物学国家重点实验室，浙江 杭州 310006;2. 浙江省农业科学院数字农业研究所，浙江 杭州 310021)
摘 要:提出了一种用高光谱技术快速识别不同水稻株型的新方法。首先在试验田内选择 33 个不同的
水稻品种，测定了每个品种的 14 个株型特征参数，并采用荷兰 Avantes 公司的 AvaSpec-2048 便携式光
谱仪采集不同株型水稻的高光谱数据。通过聚类分析，将所有水稻品种分为差异较大的 3 个株型类别。
再采用平均平滑法和标准归一化方法对光谱数据进行预处理，对光谱数据主成分分析并获得各主成分
数据。最后将主成分数据作为 BP 神经网络的输入变量，株型类别作为输出变量，建立了三层人工神经
网络识别模型，并用模型对预测样本进行预测。结果表明，预测准确率为 100%。该方法实现了对不同
水稻株型的快速、无损识别。
关键词:光谱特征;水稻;主成分分析;人工神经网络
ESTABLISHMENT OF PATTERN RECOGNITION METHOD OR DIFFERENT
RICE TYPE BASED ON HYPERSPECTRAL DATA
ZHANG Hao1，2 OUYANG You-nan1 WANG Hui-min1 ZHU Lian-feng1 JIN Qian-yu1 ZHENG Ke-feng2
(1. State Key Laboratory of Rice Biology /China National Rice Research Institute，Hangzhou，Zhejiang 310006;
2. Institute of Digital Agricultural Research，Zhejiang Academy of Agricultural Sciences，Hangzhou，Zhejiang 310021)
Abstract:Fourteen plant types’parameters and hyperspectral data of 33 different rice varieties in the field were measured
by traditional field methods and Netherlands Avantes’s AvaSpec － 2048 portable spectrometers，respectively. Based on
cluster analysis method，all rice varieties were divided into three different plant type categories. Then，hyperspectral data
were processed by average smoothing method，the standard normalization method and principal component analysis，and
all the main components were obtained. Finally，using principal component data as the BP network input variables，
plant type category as output variables，the identification model of three-layer artificial neural network was established，
and unknown samples were predicted by BP models. The results showed that prediction the accuracy rate was 100%，
and the method could discriminate different plant type of rice rapidly and non-destructively.
Key words:spectra characteristics;rice;principal component analysis (PCA);artificial neural network
水稻株型由群体几何形态、数量和空间散布三方
面性状组成，直接决定太阳光的截获量，影响群体的光
合效率和作物产量。快速获取水稻冠层结构信息不仅
对生理、栽培和育种等学科具有重要的意义，同时对提
高水稻高光谱遥感理化参量的估算精度起到重要的作
用［1 ～ 3］。在水稻理想株型研究中，形态参数的获取是
一项基础性工作，以往主要以人工测量为主，存在着
工作量大、速度慢、效率低等问题。同时，由于受遗传、
环境和随机因素的影响，水稻群体的形态结构具有很
大的时空差异性，田间往往需要设置多次重复处理，
4721
6 期 识别不同水稻株型的高光谱模式方法的建立
使工作量以指数方式递增［4，5］。因此，如何快速、准确
识别水稻株型成为水稻研究中的关键问题之一。
随着高光谱分辨率遥感技术的飞速发展，国外许
多学者对不同品种作物间的光谱差异做了研究。
Shibayama 等和 Patel 等对多个水稻品种间的光谱进行
研究比较后，认为不同水稻品种间的光谱不存在显著
差异，Shibayama 等认为原因可能是测量的误差掩盖了
品种间的差异［6，7］。Gerstl 等则认为，多角度反射光谱
对于植被结构特征的估算及类型鉴别比垂直光谱具有
明显的优越性［8］。近年来，国内学者在不同株型作物
的遥感识别方面也做了大量的研究。田国良等和王延
颐等认为不同水稻品种间的光谱存在显著差异，是由
不同水稻品种的抽穗时间、成熟度、熟相及叶色等差异
所致［9，10］。王人潮等分析了不同类型的多个水稻品种
光谱特性，也认为不同类型水稻品种间的光谱存在差
异［11］。基于多角度的反射光谱对于鉴别作物类型较
垂直光谱具有明显的优越性，黄文江等将多角度观测
数据和核驱动模型结合，构建了基于核参数各向同性
核所占比例(fiso)，几何光学核所占比例(fgeo)和体散
射核所占比例(fvol)的植被结构参数敏感指数(SPEI)
来进行作物株型的遥感识别，并将 SPEI 与结构散射指
数(SSI)和归一化差异参数指数(NDFI)等对紧凑型和
披散型小麦品种的实测多角度冠层方向反射率数据进
行了核参数的反演，取得了较好的识别效果［12］。谭昌
伟等比较不同株型夏玉米在不同时期的反射光谱差异
性，建立了玉米株型预测模型［13］。综合国内外研究，
主要侧重建立株型特征参数与光谱反射率之间的线性
关系，而实际上二者之间并不是简单的线性关系，这在
一定程度上制约了利用高光谱遥感技术进行作物株型
识别研究。
在非线性模型中，神经网络对非线性问题的拟合
有着无可比拟的优势。部分研究者已经把神经网络引
入到高光谱数据分析中来，提高了植被生理生化参数
反演的精度［14 ～ 16］。然而，在水稻株型的高光谱数据分
析中，神经网络处理方法尚不多见。本研究首先对 33
个不同水稻品种的株型特征参数和冠层高光谱进行了
测定;然后依据株型特征参数用聚类分析方法将所有
水稻品种分为 3 个差异较大的株型类别，再对光谱数
据进行主成分分析并获得各主成分数据;最后，将主成
分数据作为 BP 神经网络的输入变量，株型类别作为
输出变量，建立三层人工神经网络识别模型，为实现水
稻株型的快速、无损识别提供研究和应用方法。
1 材料与方法
1. 1 供试材料
选用 33 个不同的水稻品种(组合 /遗传材料)，具
体见表 1。
表 1 试验所用的 33 个不同水稻品种
Table 1 Thirty-three rice types used in the study
序号 No. 水稻品种 rice type 序号 No. 水稻品种 rice types
1 甬优 9 号 Yongyou 9 18 DI444
2 3 － 092 19 3 － 057
3 R402 20 丰两优香 1 号 Fengliangyouxiang 1
4 甬优 12 号 Yongyou 12 21 百克 － 1 Baike-1
5 川香优 6 号 Chuanxiangyou 6 22 D 优 202 D you 202
6 桂农占 Guinongzhan 23 3 － 100
7 3 － 038 24 黄籼占 Huangxianzhan
8 皖稻 153 Wandao 153 25 丰泰占 Neitaizhan
9 3 － 072 26 内香 2550 Neixiang 2550
10 3 － 081 27 协优 9308 Xieyou 9308
11 科优 8377 Keyou 8377 28 Ⅱ优航 1 号 Ⅱyouhang 1
12 3 － 139 29 3 － 008
13 新两优 6 号 Xinliangyou 6 30 明恢 63 Minghui 63
14 准两优 527 Zhunliangzhou 527 31 两优培 9 Liangyoupei 9
15 678 32 株两优 819 Zhuliangyou 819
16 Ⅱ优 7 号 Ⅱyou 7 33 粤晶丝苗 2 号 Yuejingsimiao 2
17 玉香油占 Yuxiangyouzhan
1. 2 试验设计
试验于 2009 年在中国水稻研究所试验基地(119°
56′ E，30°05 N′，浙江省富阳市皇天畈)进行，试验田
为冬闲田，青紫泥土壤，耕作层土壤有机质含量为
5721
核 农 学 报 24 卷
3. 68%，全 氮 0. 265%，碱 解 氮 142mg /kg，速 效 磷
17mg /kg，速效钾 14. 1mg /kg，pH 值 6. 9。施氮水平为
120kg·hm2纯氮，按基肥 50%、分蘖肥 30% 和穗肥
20%施入。所用水稻材料配施过磷酸钙 450kg / hm2，
KCl 150kg / hm2。试验小区随机区组排列，3 次重复，
小区面积 4m × 6m，株行距为 0. 25m × 030m。5 月 23
日左右播种，6 月 13 日移栽，抽穗期和灌浆期防治病
虫害 2 次，其他管理同常规高产田。
1. 3 测定项目与方法
1. 3. 1 株型特征参数测定 在参试水稻的分蘖、拔节
期和开花期，田间调查茎蘖数、株高、茎秆长、冠层高、
基部宽度、最远分蘖间宽度、主茎分蘖角、倒全展叶角
度等 14 个株型指标［17］。
1. 3. 2 冠层光谱测定 在水稻株型特性测定的同时，
进行冠层光谱测定。测定采用荷兰 Avantes 公司的
AvaSpec － 2048 便携式光谱仪，其光谱采样间隔(波段
宽)0. 6nm，测定范围 200 ～ 1100nm，分辨率 2. 5nm。
所有光谱测量时选择风速很小的晴朗天气，测定时间
在 10:00 － 14:00，水稻距地表 1. 3m。测定时视场角
为 25°，在视场范围内重复 2 次，取平均值，各处理测
定前后，进行参考板校正。
1. 4 数据分析
1. 4. 1 光谱数据预处理 光谱数据预处理采用平均
平滑 法，选 用 平 滑 窗 口 大 小 为 9，进 行 MSC
(multiplicative scatter correction)处理。由于光谱曲线
在首端和末端有较大噪音，所以只取 400 ～ l000nm 波
段的光谱用于分析。
1. 4. 2 主成分分析(PCA)和聚类分析 数据分析采
用 DPS 9. 5 软件和 Unscramble V9. 7 软件。其中，主成
分分析根据水稻冠层光谱反射率的变量相关关系矩阵
计算特征根、特征向量及贡献值［18］计算。而聚类分析
是采用离差平方和法对株型特征样本数据进行欧氏距
离系数计算分析［19］。
1. 4. 3 BP 神经网络 采用 Matlab 6. 5 软件进行网络
结构设计。试验共获得 66 个样本数据，去除 6 个异常
样本数据，将其中的 60 个样本数据(每个样本数据为
单个水稻冠层光谱数据及其对应的株型类别)分成 2
组:一组作为训练样本，共 50 个;另一组为预测样本，
共 10 个。3 层网络的拓扑结构由输入层、单隐层和输
出层组成。PCA 分析得到的主成分数据作为网络的
输入，水稻株型类别作为网络的输出。在进行网络训
练之前，对神经网络的输入和输出数据进行归一化和
标准化处理，以加快网络的训练速度。神经网络模型
中的输入层和隐层采用 Tan-sigmoid 传输函数，输出层
则采用 Purelin 线性传输函数。网络的最小训练速率
为 0. 75，设定训练迭代次数为 300 次。
2 结果与分析
2. 1 水稻株型性状的聚类分析
33 个不同水稻株型聚类结果见图 1。根据欧氏距
离，可以将水稻分为 3 大类群，1、3 和 5 号水稻为第 1
类，2、4、6、7、8、9、10、12、13 和 14 号水稻为第 2 类，其
余为第 3 类。根据田间株型特征，第 1、2 和 3 类分别
为披散型、紧凑型和中间型。对于具体性状，如最远分
蘖间宽度、主茎分蘖角、最远叶尖间距离等株型特征，
第 1 类披散型的值相对较大，第 2 类紧凑型的值相对
较小，第 3 类中间型的值则居中。对于其他株型特征，
这 3 类的值则差异不大。
图 1 33 个水稻品种的株型特征聚类分析图
Fig. 1 Cluster analysis of type characteristics
of 33 rice varieties
2. 2 水稻冠层高光谱的主成分分析
近红外光谱仪采集得到的所有水稻的冠层高光谱
曲线见图 2，图中横坐标为波长，范围 400 ～ 1000nm，
纵坐标为光谱反射率。从图中可以看出，不同品种水
稻的光谱曲线存在一定差异。每个样本的光谱曲线包
含 1070 个反射率值，如此庞大的数据集不能直接用
于反向传播神经网络模型的建立。为了提高建模运算
速度和精度，减少运算量，通过主成分分析对原始光
6721
6 期 识别不同水稻株型的高光谱模式方法的建立
谱输 入 变 量 进 行 降 维 压 缩，此 步 骤 应 用 软 件
Unscrambler 9. 7 进行主成分分析，得到如表 2 所示的
14 个主成分累计贡献率。由于前 6 个主成分的累计
可信度已达 97. 44%，而后面 8 个主成分的累计可信
度仅为 0. 99%，所以仅前 6 个主成分就可以表示原始
近红外光谱的主要信息。
2. 3 水稻株型的高光谱模式识别
图 3 为主成分在整个波长范围的载荷图，可以看
出各个主成分与全波长变量的相关程度。其中横坐标
表示波长范围 400 ～ 1000nm，纵坐标表示各波长变量
对于主成分的载荷值，即是各个波长变量与主成分的
相关性大小。从图 3 可以看出，6 个主成分分别与波
长 700nm、750 ～ 950nm 范围的反射值的相关性较强，
所以 700nm、750 ～ 950nm 是水稻株型的特征波长。从
此波长范围选出 50 个采样点的反射值作为 BP 网络
的输入变量建立识别模型，通过调整隐含层的节点数
来优化网络结构，经过反复试验得到最佳网络结构为
50(输入)－ 30(隐含)－ 1(输出)三层 BP 神经网络模
型，对 50 个建模样本(训练样本)的拟合残差为 2. 77
× 10 － 5，利用训练好的模型对未知的 10 个预测样本进
行预测，预测准确率为 100% (见表 3)。
表 3 BP 神经网络的预测结果
Table 3 Prediction result for unknown
samples by BP model
样本序号
sample No.
真实值
real value
预测值
prediction value
1 3 2. 9948
2 1 0. 9940
3 2 1. 9943
4 2 1. 9946
5 1 0. 9937
6 3 2. 9965
7 1 0. 9911
8 2 1. 9902
9 1 0. 9954
10 3 2. 9937
表 2 主成分及累积可信度
Table 2 Principal components(PCs)and reliabilities
编号
No.
主成分
principal component
累积可信度
reliabilities(%)
编号 主成分
No. principal component
累积可信度
reliabilities(%)
PC1 主 茎 分 蘖 角 (30cm)stem tiller angle
(30cm)
45. 27
PC 8 倒二全展叶夹角 angle of second bottom
leaf
97. 72
PC2 主 茎 分 蘖 角 (10cm) stem tiller angle
(10cm)
66. 14 PC 9 株高 plant height 97. 85
PC3 最远叶尖间距离(30cm)distance between
farthest leaf apex (30cm)
76. 59 PC 10 茎蘖数 stem tiller number 97. 95
PC4 最远叶尖间距离(10cm)distance between
farthest leaf apex (10cm)
86. 96 PC 11 基部宽度(30cm)ground width (30cm) 98. 06
PC5 最远分蘖间距离 (30cm)distance between
farthest tillers (30cm)
92. 25 PC 12 基部宽度(10cm)ground width (10cm) 98. 15
PC6 最远分蘖间距离(10cm)distance between
farthest tillers (10cm)
97. 44 PC 13 茎秆长 stalk length 98. 24
PC7 倒一全展叶夹角 angle of first bottom leaf 97. 59 PC 14 冠层高 height between crown and ground 98. 33
3 讨论
卢艳丽等利用作物叶向值(LOV)和叶面积指数
(LAI)2 个冠层指标聚类分析的结果与相应冠层光谱
反射特征结合，通过其冠层光谱反射率的差异来识别
小麦冠层结构［18］，证实 LOV 和 LAI 是决定冠层结构
的主要因素。但从总的方面看，水稻高光谱冠层反射
光谱由群体密度、叶面积指数、叶倾角(叶向值)等综
合因素决定，同时与其生育时期密切相关。因此，作物
株型与高光谱反射率二者之间存在比较复杂的关系。
本研究采用人工神经网络的方法，可以模拟水稻株型
与高光谱反射率之间的复杂关系，实现水稻株型的高
光谱识别。
从应用角度看，本研究运用简便、快捷的高光谱反
射率，成功地用于不同株型水稻品种的分类和识别，其
结果将更好地指导水稻的栽培与育种，同时，为遥感技
术快捷、非破坏地识别不同株型水稻的光分布特征提
7721
核 农 学 报 24 卷
图 2 水稻光谱反射率随波长的变化
Fig. 2 Change of spectral reflectance
with wavelength in rice
图 3 主成分(PC)与光谱反射率的相关性
Fig. 3 Correlation between principal components (PC)and reflectance
供了可能。当然，从研究的角度看，由于人工神经网络
方法不能解释水稻株型与高光谱反射率之间的生物学
关系。因此，还是要结合其他研究方法，才能建立水稻
株型与高光谱反射率之间的机理关系。
4 结论
本文通过主成分分析得到与水稻株型密切相关的
特征波段为 700nm、750 ～ 950nm，并且用特征波段初
步建立了人工神经网络的水稻株型识别模型，识别效
果很好，说明该波段是株型识别的指纹波段，也说明在
模式识别方面采用主成分分析(PCA)和 BP 神经网络
相结合的方法，优化了常规的模式识别方法，大大提高
了识别的精确度。
8721
Journal of Nuclear Agricultural Sciences
2010，24(6):1274 ～ 1279
参考文献:
［1 ］ 吕川根，谷福林，邹江石，陆曼丽 .水稻理想株型品种的生产潜力
及其相关特性研究［J］. 中国农业科学，1991，24(5):15 － 23
［2 ］ 杨建昌，朱庆森，曹显祖 . 水稻群体冠层结构与光合特性对产量
形成作用的研究［J］.中国农业科学，1992，25(4):7 － 14
［3 ］ 杨守仁 . 水稻超高产育种新动向—理想株型与优势利用相结合
［J］.沈阳农业大学学报，1987，18(1):1 － 5
［4 ］ 孟 军，陈温福 . 计算机辅助水稻株型指标测量方法研究［J］.
安徽农业科学，2006，34(7):1313 － 1314
［5 ］ 孙林静 .水稻理想株型及其育种模式［J］.天津农业科学，1998，4
(4):52 － 54
［6 ］ Shibagama M. Estimating grain yield of maturing rice canopies using
high spectral resolution reflectance measurement［J］. Remote Sensing
of Environment，1991，36(1):45 － 53
［7 ］ Pate1. Spectral response of rice and its relation to yield and yield
attributes［J］. International Journal of Remote sensing，1985，6(5):
657 － 664
［8 ］ Gerstl SAW，Simmer C. Radiation physics and modeling for off-
nadir satellite sensing of non-Lambertian surfaces［J］. Remote
Sensing of Environment，1986，20(1):1 － 29
［9 ］ 田国良，郭世忠 . 水稻的光谱反射特性［J］. 资源科学，1982，6
(2):73 － 81
［10］ 王延颐 .水稻长势、产量结构与水稻光谱参数的关系［C］. 环境
监测与作物估产的遥感研究论文集 . 北京:北京大学出版社，
1991
［11］ 王人潮，黄敬峰 . 水稻遥感估产［M］. 北京:中国农业出版社，
2002
［12］ 黄文江，王锦地，穆西晗，王纪华，刘良云，刘 强，牛 铮 . 基
于核驱动模型参数反演的作物株型遥感识别［J］. 光谱学与光
谱分析，2007，27(10):1921 － 1924
［13］ 谭昌伟，王纪华，黄文江，刘良云，赵春江，郭新宇 . 不同株型夏
玉米群体冠层反射光谱特征及其应用研究［J］. 遥感技术与应
用，2004，19(4):225 － 231
［14］ Gong P，Wang D X，Liang S. Inverting a canopy reflectance model
using a neural network［J］. International Journal of Remote Sensing，
1999，20(1):111 － 122
［15］ 宋开山，张 柏，王宗明，张渊智，刘焕军 . 基于人工神经网络
的大豆叶面积高光谱反演研究［J］. 中国农业科学，2006，39
(6):1138 － l145
［16］ 张 浩，姚旭国，张小斌，金千瑜，郑可锋 . 水稻籽粒蛋白质含
量的高光谱估测研究［J］. 中国粮油学报 . 2009，24(11):1 － 5
［17］ 浙江农业科学编辑部编 . 农作物田间试验记载项目及标准
［M］. 浙江科学技术出版社，1981
［18］ 何 勇，李晓丽，邵咏妮 . 基于主成分分析和神经网络的近红外
光谱苹果种鉴别方法研究［J］. 光谱学与光谱分析，2006，26
(5):850 － 853
［19］ 卢艳丽，李少昆，王纪华，谢瑞芝，黄文江，高世菊，刘良云 . 冬
小麦不同株型品种光谱响应及株型识别方法研究［J］. 作物学
报，2005，31(10):1333 － 1339
(责任编辑 邱爱枝
櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀櫀
)
(上接第 1273 页)
［13］ Yamaguchi T，Minami E，Ueki J，Shibuya N. Elicitor-induced
activation of phospholipases plays an important role for the induction
of defense responses in suspension-cultured rice cells［J］. Plant and
Cell Physiology，2005，46(4):579 － 587
［14］ 李合生 . 植物生理生化实验原理和技术 ［M］. 北京:高等教育
出版社，2000:278 － 279
［15］ 张宪政 . 作物生理研究法［M］. 北京:中国农业出版社，1992:
117 － 205
［16］ 鲍士旦 . 土壤农化分析 ［M］. 北京:中国农业出版社，2000:
257 － 282
［17］ 宋莉璐，张 荃 . 植物中参与活性氧调控的基因网络 ［J］. 生命
科学，2007，19(3):346 － 352
［18］ 田 敏，饶龙兵，李纪元 . 植物细胞中的活性氧及其生理作用
［J］. 植物生理学通讯，2005，41(2):235 － 241
［19］ 赵天宏，孙加伟，付 宇 . 逆境胁迫下植物活性氧代谢及外源调
控机理的研究进展［J］. 作物杂志，2008，3:10 － 13
［20］ Tuteja N. Mechanisms of High Salinity Tolerance in Plants ［J］.
Methods in Enzymology，2007，428:419 － 438
［21］ 李佐同，靳学慧，张亚玲，吴成龙 . 水稻幼苗可溶性糖及可溶性
蛋白含量与抗瘟性的关系［J］. 北方水稻，2009，39(4):6 － 10
［22］ Ashley M K，Grant M，Grabov A. Plant responses to potassium
deficiencies:a role for potassium transport proteins［J］. Journal of
Experimental Botany，2006，57(2):425 － 436
［23］ 万纪珍 . 农作物干旱及防御措施［J］. 江西农业学报，2006，18
(4):132 － 133
［24］ Bartels D，Sunkar R. Drought and salt tolerance in plants ［J］.
Critical Reviews in Plant Sciences，2005:23 － 58
［25］ Chaves M M，Oliveira M M. Mechanisms underlying plant resilience
to water deficits:prospects for water saving agriculture［J］. Journal
of Experimental Botany，2005，55:2365 － 2384
［26］ 王贺正 . 水稻抗旱性研究及其鉴定指标的筛选 ［D］. 四川农业
大学，2007
［27］ 李德全，邹 琦，程炳嵩 . 土壤干旱下不同抗性小麦品种的渗透
调节和渗透调节物质［J］. 植物生理学报，1992，18(1):37 －
44
［28］ McCue K F，Hanson A D. Drought and salt tolerance: towards
understanding and application［J］. Trends in Biotechnology，1990，
8:358 － 362
［29］ Munns R，Brady C J，Barlow E W R. Solute accumulation in the
apex and leaves of wheat during water stress［J］. Australian Journal
of Plant Physiology，1979，6(3):379 － 389
［30］ 王 娟，李德全 . 逆境条件下植物体内渗透调节物质的积累与活
性氧代谢［J］. 植物学通报，2001，18(4):459 － 465
(责任编辑 邱爱枝)
9721