基于近紅外光譜技術(shù)的春小麥單粒種子活力鑒定

時偉芳，謝宗銘，楊麗明，王建華，孫 群

(1.中國農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院/北京市遺傳改良重點(diǎn)實(shí)驗(yàn)室，北京 100193； 2.新疆農(nóng)墾科學(xué)院分子農(nóng)業(yè)技術(shù)育種中心，新疆石河子 832000； 3.中國農(nóng)業(yè)大學(xué)理學(xué)院，北京 100083)

?

基于近紅外光譜技術(shù)的春小麥單粒種子活力鑒定

時偉芳1，謝宗銘2，楊麗明3，王建華1，孫 群1

(1.中國農(nóng)業(yè)大學(xué)農(nóng)學(xué)與生物技術(shù)學(xué)院/北京市遺傳改良重點(diǎn)實(shí)驗(yàn)室，北京 100193； 2.新疆農(nóng)墾科學(xué)院分子農(nóng)業(yè)技術(shù)育種中心，新疆石河子 832000； 3.中國農(nóng)業(yè)大學(xué)理學(xué)院，北京 100083)

摘要：為研究利用近紅外光譜技術(shù)鑒定春小麥單粒種子活力的效果，以2013年收獲的甘肅春小麥品種寧春4號種子為材料，對300粒小麥種子進(jìn)行近紅外光譜單粒掃描，根據(jù)光譜圖結(jié)合發(fā)芽實(shí)驗(yàn)結(jié)果建立春小麥種子活力預(yù)測模型。結(jié)果表明，以腹面和背面平均光譜的建模效果要優(yōu)于單面光譜。最佳建模比例為建模集與檢驗(yàn)集之比3∶1。應(yīng)用近紅外光譜定性偏最小二乘分析方法建模，在7 000～8 000 cm-1光譜范圍內(nèi)采用中心化預(yù)處理，在主成分為5時，模型的建模集和檢驗(yàn)集的鑒別率分別為86.36%和91.30%，建模效果最佳；采用近紅外光譜偏最小二乘法定量檢測小麥種子活力時，建模效果較差。因此，近紅外光譜定性偏最小二乘分析方法適于進(jìn)行春小麥單粒種子活力定性鑒定。

關(guān)鍵詞：春小麥；種子活力；近紅外光譜

近紅外光(NIR)是一種波長介于可見光(VIS)和中紅外光(MIR)的電磁波，波長范圍為780～2 526 nm。近紅外光譜分析技術(shù)具有成本低、分析速率快、效率高、適應(yīng)樣品范圍廣、測試重現(xiàn)性好等優(yōu)點(diǎn)，是典型的無損檢測手段。 20世紀(jì)80年代以來，近紅外光譜分析技術(shù)伴隨著計(jì)算機(jī)技術(shù)迅速發(fā)展，在農(nóng)產(chǎn)品品質(zhì)和化學(xué)成分的快速檢測方面已有廣泛的應(yīng)用性研究[1-6]，如小麥籽粒蛋白質(zhì)、氨基酸含量測定及硬度的快速檢測等[7-9]。在種子活力檢測方面也有研究。如康月瓊等[10]采用傅里葉變換近紅外光譜法建立了水稻、玉米種子生活力的光譜分析模型。另外，該技術(shù)還可以對不同老化程度的水稻和玉米種子的活力進(jìn)行檢測，取得了良好的建模效果[11-12]。Tigabu等[13]將近紅外光譜技術(shù)應(yīng)用到松樹種子活力檢測中，根據(jù)老化與未老化種子內(nèi)部物質(zhì)成分構(gòu)成的不同建立模型，成功區(qū)分了老化與未老化種子。宋樂等[14]開發(fā)了一種基于近紅外光譜的水稻單籽粒活力無損檢測篩選方法。該方法通過近紅外光譜檢測技術(shù)檢測水稻種子在活力喪失過程中生化物質(zhì)的變化，快速無損地檢測區(qū)分高、低活力種子。在一些中藥種子如苦豆子、決明子種子活力檢測中也有研究[15]。但有關(guān)該技術(shù)在小麥種子活力檢測上的應(yīng)用性研究報(bào)道較少。本研究以春小麥種子為材料，通過近紅外光譜技術(shù)運(yùn)用定性及定量偏最小二乘法進(jìn)行春小麥單粒種子活力的鑒定，探索近紅外光譜技術(shù)用于春小麥種子活力檢測的可行性，以期為春小麥種子活力的快速、無損檢測提供新方法。

1材料與方法

1.1試驗(yàn)材料

試驗(yàn)材料為2013年收獲的寧春4號小麥種子，產(chǎn)地甘肅，發(fā)芽率82.7%。該品種為2012年全國推廣面積最大的春小麥品種。

1.2試驗(yàn)方法

1.2.1光譜采集

將300粒春小麥種子編號，利用德國布魯克儀器公司生產(chǎn)的MPA傅立葉變換近紅外光譜儀掃描種子，設(shè)置光譜分辨率為8 cm-1，掃描范圍4 000～12 000 cm-1，掃描次數(shù)32次，掃描方式采用積分球照射。室溫下，將300粒種子依次置于樣品杯中心，掃描小麥種子腹面和背面采集光譜。將采集光譜后的種子依編號擺放整齊，進(jìn)行垂直玻璃板發(fā)芽實(shí)驗(yàn)。

1.2.2發(fā)芽試驗(yàn)

首先準(zhǔn)備好透明玻璃板，將滅菌后的發(fā)芽紙覆蓋于玻璃板上，小麥種子用1%次氯酸鈉溶液消毒8 min后，每塊玻璃板中上部整齊放置30粒小麥種子，蓋上另1塊玻璃板，兩邊用皮筋繃緊，最后在玻璃板上標(biāo)明每粒小麥種子的編號。置于發(fā)芽槽中發(fā)芽，發(fā)芽槽加水。第5天記錄每粒種子發(fā)芽情況，并稱取每株幼苗鮮重。

1.2.3數(shù)據(jù)統(tǒng)計(jì)分析

采用中國農(nóng)業(yè)大學(xué)開發(fā)的CAUNIRS軟件進(jìn)行近紅外光譜分析，利用定性和定量偏最小二乘法分別建立寧春4號小麥種子活力的定量和定性分析模型。將300個種子樣品劃分為建模集和檢驗(yàn)集。根據(jù)對光譜低頻、合頻和高頻區(qū)的劃分，選擇4 000～5 000 cm-1、4 000～6 000 cm-1、4 000～7 000 cm-1、4 000～8 000 cm-1、4 000～9 000 cm-1、4 000～10 000 cm-1、5 000～6 000 cm-1、5 000～7 000 cm-1、5 000～8 000 cm-1、5 000～9 000 cm-1、5 000～10 000 cm-1、6 000～7 000 cm-1、6 000～8 000 cm-1、6 000～9 000 cm-1、6 000～10 000 cm-1、7 000～8 000 cm-1、7 000～9 000 cm-1、7 000～10 000 cm-1、8 000～9 000 cm-1、8 000～10 000 cm-1、9 000～10 000 cm-1譜區(qū)進(jìn)行建模。分析過程建模集采用內(nèi)部交叉驗(yàn)證方法，比較不同光譜區(qū)范圍內(nèi)建模集和檢驗(yàn)集的鑒別率，選擇最合適的光譜范圍。定量分析以檢驗(yàn)集的決定系數(shù)(R2)、平均相對誤差(AARD)和預(yù)測標(biāo)準(zhǔn)差(SEP)評價(jià)模型的預(yù)測能力和穩(wěn)定性[16]；定性分析以檢驗(yàn)集鑒別率評價(jià)模型預(yù)測能力和穩(wěn)定性。

2結(jié)果與分析

2.1小麥種子的近紅外光譜特征

圖1 為300粒小麥種子的雙面平均近紅外光譜圖。從光譜圖來看，每粒種子的光譜相似，無法從光譜曲線的差別上判別種子活力。10 000～12 000 cm-1譜區(qū)范圍的光譜普遍存在高頻隨機(jī)噪聲的影響，因此，選取4 000～10 000 cm-1波段的光譜進(jìn)行光譜分析。

2.2小麥種子活力的近紅外光譜定性分析

依據(jù)發(fā)芽實(shí)驗(yàn)結(jié)果將種子分成發(fā)芽種子和死種子，分別為260粒和40粒。根據(jù)不同建模比例(建模集和檢驗(yàn)集種子數(shù)量的比值)下模型的建模集和檢驗(yàn)集鑒別率選擇最佳建模比例(表1)。腹面單次光譜、背面單次光譜和雙面平均光譜均在建模比例為3∶1時模型鑒別效果最佳，因此選擇在建模比例為3∶1下，數(shù)據(jù)無任何預(yù)處理，對小麥種子活力進(jìn)行定性分析，并根據(jù)模型鑒別率判斷近紅外光譜技術(shù)定性分析能否用于種子活力的鑒定。結(jié)果(表2)表明，雙面平均光譜的建模結(jié)果明顯優(yōu)于腹面單次光譜的建模結(jié)果。在5 000～9 000 cm-1、5 000～10 000 cm-1、6 000～8 000 cm-1、7 000～8 000 cm-1、7 000～9 000 cm-1、8 000～9 000 cm-1光譜波段內(nèi)，雙面平均光譜的模型鑒別率明顯優(yōu)于背面單次光譜鑒別率。在5 000～9 000 cm-1、5 000～10 000 cm-1、8 000～9 000 cm-1光譜波段內(nèi)，模型建模集和檢驗(yàn)集的鑒別率分別為84.55%和82.61%；在7 000～8 000 cm-1光譜波段內(nèi)，主成分為5時，模型的建模集和檢驗(yàn)集的鑒別率分別為84.85%和91.30%；在7 000～9 000 cm-1光譜波段內(nèi)，主成分為4時，模型的建模集和檢驗(yàn)集的鑒別率分別為83.33%和86.96%。綜合考慮各光譜范圍的建模效果，選擇雙面平均光譜在7 000～8 000 cm-1光譜波段作為小麥單粒種子活力建模譜區(qū)。

圖1　春小麥種子的近紅外原始光譜圖

建模比例Ratio腹面單次光譜Ventralgroove主成分Principalcomponent建模集鑒別率Calibration/%檢驗(yàn)集鑒別率Validation/%背面單次光譜Reverseside主成分Principalcomponent建模集鑒別率Calibration/%檢驗(yàn)集鑒別率Validation/%雙面平均光譜Bothsides主成分Principalcomponent建模集鑒別率Calibration/%檢驗(yàn)集鑒別率Validation/%1∶1779.5582.22779.5577.78777.2775.562∶1986.4473.33881.366.67981.3676.673∶1983.3382.611081.8278.26781.8278.263∶2981.1375.00881.9177.11573.5875.004∶1878.8777.78881.6570.37874.6577.787∶31180.6566.67880.6570.37683.8774.07

在7 000～8 000 cm-1和4 000～10 000 cm-1光譜波段內(nèi)，選用中心化、極差歸一、矢量校正、散射校正、一階導(dǎo)數(shù)、二階導(dǎo)數(shù)等數(shù)據(jù)預(yù)處理方法進(jìn)行建模分析，結(jié)果(表3)表明，對比4 000～10 000 cm-1光譜波段，在7 000～8 000 cm-1光譜波段內(nèi)，各預(yù)處理方法對模型的建模集和檢驗(yàn)集鑒別率均有明顯的提高，可見預(yù)處理方法對模型的穩(wěn)定性影響較大。在7 000～8 000 cm-1光譜波段內(nèi)，若采用中心化預(yù)處理方法(表3)，可將模型建模集識別率由84.85%提高到86.36%，但檢驗(yàn)集識別率沒有提高，依然保持在91.30%。因此，在7 000～8 000 cm-1光譜波段內(nèi)宜采用中心化預(yù)處理方法來改善模型的模擬效果。

2.3小麥種子活力的近紅外光譜定量分析

從300粒種子中剔除未發(fā)芽的40粒種子，選用260粒發(fā)芽種子的光譜進(jìn)行定量分析，以幼苗鮮重作為建模的化學(xué)值。光譜范圍選擇4 000～10 000 cm-1，建模過程采用無預(yù)處理、中心化、極差歸一等預(yù)處理方式，分析不同預(yù)處理方法對小麥種子近紅外模型鑒別率的影響(表4)；表5為無任何預(yù)處理下不同光譜區(qū)段對小麥種子近紅外模型預(yù)測效果的影響，決定系數(shù)(R2)用來判斷模型的穩(wěn)定性。由表4和表5可見，在各種預(yù)處理和4 000～10 000 cm-1光譜波段內(nèi)，基于幼苗鮮重建立的近紅外光譜模型的建模集和檢驗(yàn)集的決定系數(shù)普遍太低，甚至出現(xiàn)負(fù)值，說明模型擬合效果不佳。因此，基于幼苗鮮重的近紅外光譜技術(shù)不適于進(jìn)行小麥單粒種子活力的定量分析。

表2　光譜區(qū)段對寧春4號近紅外模型預(yù)測效果的影響(無預(yù)處理 )

表3　不同預(yù)處理方法對不同光譜區(qū)段下近紅外模型識別率的影響

表4　不同預(yù)處理方法對寧春4號近紅外模型鑒別率的影響

表5　光譜區(qū)段對寧春4號近紅外模型預(yù)測效果的影響(無預(yù)處理)

3討 論

本研究運(yùn)用了近紅外光譜分析技術(shù)，結(jié)合偏最小二乘法分別對單粒小麥種子的活力進(jìn)行了定性和定量鑒定。結(jié)果表明，當(dāng)建模比例為3∶1時腹面單次光譜、背面單次光譜和雙面平均光譜所建模型建模集和檢驗(yàn)集的鑒別率均較高，腹面和背面兩次平均光譜的建模效果要優(yōu)于單次光譜，因此以此建模比例和雙面平均光譜進(jìn)行定性分析最佳。在近紅外光譜與作物種子活力的定性研究中，有近紅外光譜結(jié)合BP神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用主成分分析(PCA)和離散小波變換法(DWT)智能檢測不同老化程度的玉米種子活力[11]，也有將近紅外光譜技術(shù)與主成分-馬氏距離識別法相結(jié)合研究經(jīng)劣變處理的燕麥種子的活力差異等[17]。此外，近紅外光譜技術(shù)在水稻種子、決明子和苦豆子等種子活力檢測中也均有應(yīng)用性研究[18]。本試驗(yàn)利用近紅外光譜技術(shù)，通過對不同光譜范圍區(qū)段和不同預(yù)處理方法下建模集和檢驗(yàn)集的鑒別率比較發(fā)現(xiàn)，在光譜范圍為7 000～8 000 cm-1，采用中心化預(yù)處理方法，主成分為5時，模型的建模集和檢驗(yàn)集的鑒別率分別為86.36%和91.30%，建模效果最優(yōu)，說明近紅外偏最小二乘分析方法可用于單粒小麥種子活力的定性鑒定。

應(yīng)用近紅外偏最小二乘定量分析單粒小麥的活力時，不同光譜區(qū)段和預(yù)處理方法下所建模型的決定系數(shù)(R2)均在0.2以下，說明近紅外定量分析技術(shù)在鑒定小麥單粒種子活力上效果欠佳。可能是因?yàn)樾←湻N子在其生產(chǎn)及后期發(fā)芽實(shí)驗(yàn)過程中，由于受其自身發(fā)育情況及培養(yǎng)環(huán)境的影響，小麥種子活力不能完全由幼苗鮮重大小來衡量，加上表現(xiàn)不同活力程度小麥種子的幼苗鮮重差異較小，各單粒小麥種子的掃描光譜也極為相似，因此與近紅外光譜結(jié)合來鑒定小麥種子活力存在一定的局限性，該技術(shù)應(yīng)用于單粒種子活力的定量檢測還有待于進(jìn)一步研究。

參考文獻(xiàn)：

[1]楊翠玲,陳文杰,張文學(xué),等.近紅外光譜和紙層析法分析單粒油菜籽脂肪酸的研究[J].西北農(nóng)業(yè)學(xué)報(bào),2005,14(6):72-77.

Yang C L,Chen W J,Zhang W X,etal.Study on analysis of fatty acid in single rape seed by near infrared reflectance spectroscopy(NIRS) and reversed phase chromatography(RPC) [J].ActaAgricultraeBoreali-occidentalisSinica,2005,14(6):72-77.

[2]林家永,范維燕,邢 鄲.近紅外光譜技術(shù)在稻米品質(zhì)分析中的應(yīng)用[J].糧食與食品工業(yè),2008(6):48-53.

Lin J Y ,Fan W Y,Xing H.Application of near infrared spectroscopy technique [J].CerealandFoodIndustry,2008(6):48-53.

[3]孫 群,李 欣,李 航,等.烏拉爾甘草種子硬實(shí)率的近紅外光譜分析[J].光譜學(xué)與光譜分析,2010(1):70-73.

Sun Q,Li X,Li H,etal.Determination of hard rate of licorice(GlycyrrhizauralensisF.) seeds using near infrared reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis,2010(1):70-73.

[4]段國輝,張 圓,高海濤,等.近紅外光譜分析法測定冬小麥主要品質(zhì)性狀[J].西北農(nóng)業(yè)學(xué)報(bào),2011,20(9):25-30.

Duan G H,Zhang Y,Gao H T,etal.Determination of the main quality characters of winter wheat by near-infrared spectroscopy [J].ActaAgricultraeBoreali-occidentalisSinica,2011,20(9):25-30.

[5]黃艷艷,朱麗偉,李軍會,等.應(yīng)用近紅外光譜技術(shù)快速鑒別玉米雜交種純度的研究[J].光譜學(xué)與光譜分析,2011,31(3):661-664.

Huang Y Y,Zhu L W,Li H J,etal.Rapid and nondestructive discrimination of hybrid maize seed purity using near infrared spectroscopy [J].SpectroscopyandSpectralanalysis,2011,31(3):661-664.

[6]Zhu L W,Huang Y Y,Wang Q,etal.Nondestructive identification of hard seeds of three legume plants using near infrared spectroscopy [J].TransactionsoftheChineseSocietyofAgriculturalEngineering,2012,28(S2):237-242.

[7]吳靜珠,吳勝男,劉翠玲,等.近紅外和高光譜技術(shù)用于小麥籽粒蛋白含量預(yù)測探索[J].傳感器與微系統(tǒng),2013,32(2):60-62.

Wu J Z,Wu S N,Liu C L,etal.Explorations of wheat grain protein content prediction using NIR and hyperspectrum technology [J].TransducerandMicrosystemTechnologies,2013,32(2):60-62.

[8]李軍濤,楊文軍,陳義強(qiáng),等.近紅外反射光譜技術(shù)快速測定小麥中必需氨基酸含量的研究[J].中國畜牧雜志,2014,50(9):50-55.

Li J T,Yang W J,Chen Y Q,etal.Study on rapid determination of essential amino acid contents in wheat by near-infrared reflectance spectroscopy(NIRS) [J].ChineseJournalofAnimalScience,2014,50(9):50-55.

[9]張紅濤,田 媛,孫志勇,等.基于近紅外高光譜圖像分析的麥粒硬度分類研究[J].河南農(nóng)業(yè)科學(xué),2015,44(4):181-184.

Zhang H T,Tian Y,Sun Z Y,etal.Hardness classification of wheat kernel based on near-infrared hyperspectral imaging technology [J].JournalofHenanAgriculturalSciences,2015,44(4):181-184.

[10]康月瓊,郝 風(fēng).傅里葉變換近紅外光譜法檢測種子水分和生活力的研究[J].種子,2004,23(7):10-16.

Kang Y Q,Hao F.The study of determination of seed moisture and seed vigor with fourier transform near-infrared spectroscopy [J].Seed,2004,23(7):10-16.

[11]楊冬風(fēng),尹淑欣,姜 麗,等.玉米種子活力近紅外光譜智能檢測方法研究[J].核農(nóng)學(xué)報(bào),2013,27(7):0957-0961.

Yang D F,Yin S X,Jiang L,etal.Research on maize vigor intelligent detection based on near infrared spectroscopy [J].JournalofNuclearAgriculturalSciences,2013,27(7):0957-0961.

[12]李毅念,姜 丹,劉瓔瑛,等.基于近紅外光譜的雜交水稻種子發(fā)芽率測試研究[J].光譜學(xué)與光譜分析,2014(6):1528-1532.

Li Y N,Jiang D,Liu Y Y,etal.Testing of germination rate of hybrid rice seeds based on near-infrared reflectance spectroscopy [J].SpectroscopyandSpectralAnalysis,2014,34(6):1528-1532.

[13]Tigabu M,Fjellstrom J,Ode’n P C,etal.Germination ofJuniperusproveraseeds in response to stratitification and smoke treatments,and detection of insect-damaged seeds with VIS+NIR spectroscopy[J].NewOrests,2007,33:155-169.

[14]宋 樂,吳躍進(jìn),劉斌美,等.基于近紅外光譜的水稻單籽粒活力無損檢測篩選方法[P].中國:CN 102960096 A,2013.03.13.

Song L,Wu Y J,Liu B M,etal.Testing of seed vigor of single rice seed based on near infrared spectroscopy [P].China:CN 102960096 A,2013.03.13.

[15]朱麗偉,黃艷艷,楊麗明,等.用近紅外光譜法快速無損檢測苦豆子和決明子單粒種子生活力的研究[J].紅外,2011,32(4):35-39.

Zhu L W,Huang Y Y,Yang L M,etal.Rapid and nondestructive identification of single seed viability ofSophoraalopecuroideandCassiatoraL.using near infrared spectroscopy [J].Infrared,2011,32(4):35-39.

[16]Wu J G,Shi C H.Prediction of grain weight,brown rice weight and amylase content in single rice grains using near infrared reflectance spectroscopy [J].FieldCropsResearch,2004,87(12):13.

[17]陰佳鴻,毛培勝,黃 鶯,等.不同含水量劣變燕麥種子活力的近紅外光譜分析[J].紅外,2010,31(1):39-44.

Yin J H,Mao P S,Huang Y,etal.Analysis of vigour level of deteriorated oat seeds containing different moisture with near infrared spectroscopy [J].Infrared,2010,31(1):39-44.

[18]韓亮亮,毛培勝,王新國,等.近紅外光譜技術(shù)在燕麥種子活力測定中的應(yīng)用研究[J].紅外與毫米波學(xué)報(bào),2008,27(2):86-90.

Han L L,Mao P S,Wang X G,etal.Study on vigour test of oat seeds with near infrared reflectance spectroscopy [J].InfraredMillimeterWaves,2008,27(2):86-90.

Identification of Single Seed Vigor of Spring Wheat Based on Near-Infrared Spectroscopy

SHI Weifang1,XIE Zongming2,YANG Liming3,WANG Jianhua1,SUN Qun1

(1.Beijing Key Laboratory of Crop Genetic Improvement,China Agricultural University,Beijing 100193,China;2.Center for Molecular Agro-biotechnology and Breeding,Xinjiang Academy of Agricultural and Reclamation Science,Shihezi,Xinjiang 832000,China; 3.College of Science,China Agricultural University,Beijing 100083,China)

Abstract:To optimize the identification of single seed vigor by near infrared spectroscopy,Ningchun 4 seeds harvested in Gansu in 2013 were selected as sample. Spectrums of 300 single seeds were collected by Fourier near-infrared spectrometer,combing with the results of the germination experiments. The results showed that the modeling based on the average spectrum at both sides was better than that based on single side of one seed. The best ratio between calibration and validation sets was 3∶1. By using distinguished partial least squares (DPLS) and centralized pretreatment method,the best modeling performed that the identification rates of the calibration and validation sets were 86.36% and 91.30% with the spectrum range from 7 000 cm-1to 8 000 cm-1and the main component was 5,respectively.The quantitative partial least squares (QPLS) modeling based on fresh weight could not be used for seed vigor analysis. DPLS based on Near-infrared spectroscopy is suitable to analyse the single seed vigor of spring wheat.

Key words:Spring wheat; Seed vigor; Near-infrared spectroscopy

中圖分類號：S512.1；S311

文獻(xiàn)標(biāo)識碼：A

文章編號：1009-1041(2016)02-0200-06

通訊作者：孫 群(E-mail:sunqun@cau.edu.cn)

基金項(xiàng)目：農(nóng)業(yè)部公益性行業(yè)(農(nóng)業(yè))科研專項(xiàng)(201303002)；新疆生產(chǎn)建設(shè)兵團(tuán)“十二五”項(xiàng)目(2012BD046)

收稿日期：2015-08-31修回日期：2015-10-14

網(wǎng)絡(luò)出版時間：2016-01-26

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1359.S.20160126.1945.018.html

第一作者E-mail：shiweifang618@foxmail.com