基于綜合指標(biāo)的冬小麥長(zhǎng)勢(shì)監(jiān)測(cè)

翟麗婷 魏峰遠(yuǎn) 馮海寬 李長(zhǎng)春 楊貴軍

摘要：通過(guò)單個(gè)指標(biāo)檢測(cè)冬小麥長(zhǎng)勢(shì)的方法很多，但是根據(jù)綜合多個(gè)單個(gè)指標(biāo)分析冬小麥長(zhǎng)勢(shì)的方法相對(duì)較少。利用信息熵將多個(gè)單個(gè)指標(biāo)計(jì)算得到綜合指標(biāo)，進(jìn)而分析冬小麥長(zhǎng)勢(shì)。通過(guò)偏最小二乘回歸反演冬小麥氮素含量、葉綠素含量和水分含量，計(jì)算3個(gè)指標(biāo)的權(quán)重，計(jì)算出綜合長(zhǎng)勢(shì)指標(biāo)監(jiān)測(cè)冬小麥長(zhǎng)勢(shì)。研究結(jié)果表明，冬小麥冠層葉片氮素、葉綠素、水分反演的r2分別為0.72、0.31、0.61，RMSE分別為0.506、1.303、10.320，NRMSE分別為13%、33%、17%，綜合指標(biāo)的r2、RMSE、NRMSE分別為0.75、0.053、8%。結(jié)果表明，基于光譜指數(shù)冬小麥對(duì)冠層葉片氮素和水分反演精度較高，葉綠素反演精度較低，綜合指標(biāo)的反演精度最高。

關(guān)鍵詞：偏最小二乘;氮素;葉綠素;水分;綜合指標(biāo);反演

中圖分類(lèi)號(hào)：S127;S512.1+10.1?文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2020）18-0244-06

收稿日期：2019-08-22

基金項(xiàng)目：國(guó)家重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2016YFD0300602）;國(guó)家自然科學(xué)基金（編號(hào)：41601346、41871333）;河南省科技攻關(guān)項(xiàng)目（編號(hào)：182102110186）。

作者簡(jiǎn)介：翟麗婷（1993—），女，河南偃師人，碩士研究生，研究方向?yàn)榫珳?zhǔn)農(nóng)業(yè)定量遙感。E-mail：842948721@qq.com。

通信作者：馮海寬，助理研究員，主研究方向?yàn)檗r(nóng)業(yè)定量遙感和無(wú)人機(jī)。E-mail：fenghaikuan123@163.com。

氮素是直接反映作物營(yíng)養(yǎng)狀況和代謝的主要組分，葉綠素含量是衡量作物光合能力和作物是否受環(huán)境脅迫的指示器，水分對(duì)冬小麥冠層養(yǎng)分等運(yùn)輸具有促進(jìn)作用[1-2]。氮素、葉綠素、水分對(duì)冬小麥的生長(zhǎng)發(fā)育具有重要的作用[3-4]。楊紹源等利用偏最小二乘算法，利用多角度光譜數(shù)據(jù)估計(jì)冬小麥氮素含量垂直分布，結(jié)果表明，改進(jìn)后的綠光歸一化植被指數(shù)在反演上層、中層、下層葉片氮濃度時(shí)效果最好，達(dá)到了極顯著水平[5]。程曉娟等針對(duì)不同形式的歸一化差值水分指數(shù)（NDWI）存在的飽和性問(wèn)題，引入增強(qiáng)型植被指數(shù)EVI對(duì)其加以適當(dāng)改進(jìn)，構(gòu)建新的植被水分指數(shù)NDWI#（即NDWI×EVI）來(lái)估測(cè)作物水分含量[6]。蔣金豹等將冠層葉綠素密度與高光譜指數(shù)進(jìn)行相關(guān)性分析，選取相關(guān)系數(shù)大于0.7的指數(shù)構(gòu)建反演模型，并對(duì)模型進(jìn)行檢驗(yàn)，結(jié)果表明微分指數(shù)（D750 nm-D550 nm）/（D750 nm+D550 nm）反演精度以及穩(wěn)定性最好[7]。王紀(jì)華等研究表明，運(yùn)用偏最小二乘算法可利用垂向觀測(cè)的冬小麥冠層光譜來(lái)反演不同層次的葉氮濃度[8]。靳彥華等分析了春小麥冠層光譜與葉綠素含量的相關(guān)性，以及對(duì)其紅邊拐點(diǎn)位置與葉綠素含量做回歸分析，分別建立了水澆地和旱地春小麥葉綠素含量估測(cè)模型并檢驗(yàn)了模型精度[9]。韓茜等提出，利用高光譜植被指數(shù)可實(shí)現(xiàn)作物參量的有效反演，且作物參量的定量反演對(duì)不同的指標(biāo)，即中心波長(zhǎng)、波段寬度和信噪比具有較強(qiáng)的敏感性[10]。以上研究主要通過(guò)單一的生長(zhǎng)指標(biāo)進(jìn)行反演。裴浩杰等將氮素、葉綠素、生物量、葉面積指數(shù)等按均等權(quán)重計(jì)算綜合長(zhǎng)勢(shì)指標(biāo)，用偏最小二乘反演綜合指標(biāo)，進(jìn)行冬小麥長(zhǎng)勢(shì)分析，發(fā)現(xiàn)綜合長(zhǎng)勢(shì)指標(biāo)能夠更好地評(píng)價(jià)冬小麥的長(zhǎng)勢(shì)[11]。

目前，大多數(shù)研究都是通過(guò)對(duì)單一生長(zhǎng)指標(biāo)評(píng)價(jià)作物長(zhǎng)勢(shì)，而很多情況下對(duì)一些生長(zhǎng)指標(biāo)的反演可能受其他因素的影響存在精度低等問(wèn)題，這對(duì)評(píng)價(jià)冬小麥生長(zhǎng)狀況具有一定的局限性。前人研究多集中于單一生長(zhǎng)指標(biāo)的反演，很少考慮綜合生長(zhǎng)指標(biāo)對(duì)冬小麥生長(zhǎng)的影響。本研究主要運(yùn)用熵值法對(duì)氮素、葉綠素、水體進(jìn)行歸一化處理計(jì)算各組分的權(quán)重生成綜合指標(biāo)進(jìn)行反演，分析其相關(guān)性，以期通過(guò)綜合生長(zhǎng)指標(biāo)提高反演精度實(shí)現(xiàn)更精確的作物長(zhǎng)勢(shì)評(píng)價(jià)。

1?材料與方法

1.1?研究區(qū)概況

試驗(yàn)田位于北京市海淀區(qū)，地處40°11′N(xiāo)，116°27′E（圖1），海拔高度為36 m，土地肥沃，地勢(shì)平坦，土壤類(lèi)型為潮土，氣候類(lèi)型為典型的暖溫帶半濕潤(rùn)大陸季風(fēng)氣候，農(nóng)作物為9月底至10月初所種植的冬小麥。

1.2?研究設(shè)計(jì)

選擇京9843、農(nóng)大211作為供試品種，試驗(yàn)在北京市農(nóng)林科學(xué)院進(jìn)行，每個(gè)試驗(yàn)區(qū)面積1.5 m×1.2 m。播種密度為600萬(wàn)株/hm2，播種時(shí)間為2013年9月29日。

1.3?數(shù)據(jù)獲取

1.3.1?葉片氮含量測(cè)定

將每個(gè)小區(qū)選取的植株樣品測(cè)定光譜后，帶回實(shí)驗(yàn)室，將植株器官分離為葉片、莖和根后分別置于紙袋中，然后在105 ℃下殺青，在80 ℃條件下烘干72 h至恒質(zhì)量，最后稱(chēng)各個(gè)器官的質(zhì)量。將各個(gè)器官粉碎，采用凱氏定氮法對(duì)植株氮含量進(jìn)行測(cè)定。

1.3.2?葉片葉綠素含量測(cè)定

在樣品取回實(shí)驗(yàn)室后，采用Dualex4氮平衡指數(shù)測(cè)量?jī)x對(duì)小麥葉片葉綠素含量進(jìn)行測(cè)定。

1.3.3?葉片水分含量測(cè)定

利用樣本鮮質(zhì)量與干質(zhì)量，計(jì)算葉片含水量。

葉片含水量=葉片鮮質(zhì)量-葉片干質(zhì)量葉片鮮質(zhì)量×100%。

1.3.4?地面冠層光譜數(shù)據(jù)獲取

冬小麥葉片光譜采用美國(guó)ASD FiedSpec FR2500（光譜范圍350～2 500 nm，間隔1 nm）高光譜儀和葉片夾（ASD leaf clip）進(jìn)行測(cè)定。在350～1 000 nm、1 000～2 500 nm內(nèi)光譜儀分辨率間隔分別為3、10 nm，采樣間隔分別為1.4、2.0 nm，光譜重采樣間隔為1 nm。葉片夾探測(cè)器里面安裝有石英鹵化燈，燈的光源穩(wěn)定，冬小麥葉片測(cè)量時(shí)為了獲得相同的探測(cè)面積，消除背景反射、葉片彎曲引起的光譜波動(dòng)的影響，需要保證葉片是平整放置。冬小麥葉片光譜測(cè)量前，用布把葉片表面的浮塵擦去，以減少誤差。冬小麥葉片光譜測(cè)量需要用葉片夾自帶的標(biāo)準(zhǔn)白板進(jìn)行校正。

1.4?研究方法

1.4.1?植被指數(shù)的構(gòu)建

為了更準(zhǔn)確地對(duì)不同水分處理下冬小麥冠層葉片養(yǎng)分進(jìn)行反演，根據(jù)葉片氮素與原始光譜的相關(guān)性分析，挑選敏感波段計(jì)算NDVI、OSAVI、GNDVI、EVI等植被指數(shù)（表1），將植被指數(shù)作為變量對(duì)葉片養(yǎng)分進(jìn)行反演。

1.4.2?偏最小二乘算法

偏最小二乘算法（partial least squares regression，PLSR）是一種新型的多元回歸分析方法，它在回歸建模過(guò)程中采用了數(shù)據(jù)降維、信息綜合與篩選技術(shù)，提取對(duì)系統(tǒng)有最佳解釋能力的新綜合成分[12-14]。PLSR能夠很好地解釋因變量與自變量的關(guān)系，篩選光譜指數(shù)作為PLSR模型的輸入變量，相應(yīng)的葉片養(yǎng)分含量作為PLSR模型的因變量，建立PLSR模型，進(jìn)行葉片養(yǎng)分含量的反演[15-16]。

1.4.3?熵值法

熵值法是指用來(lái)判斷某個(gè)指標(biāo)的離散程度的數(shù)學(xué)方法[17]。離散程度越大，認(rèn)定該指標(biāo)對(duì)綜合評(píng)價(jià)的影響越大，可根據(jù)各項(xiàng)指標(biāo)的變異程度，利用信息熵計(jì)算出各個(gè)指標(biāo)的權(quán)重，為多指標(biāo)綜合評(píng)價(jià)提供依據(jù)[18-20]。

1.4.5?統(tǒng)計(jì)分析

選取2/3的試驗(yàn)樣本進(jìn)行建模，1/3的試驗(yàn)樣本進(jìn)行驗(yàn)證。選取決定系數(shù)r2、均方根誤差RMSE和標(biāo)準(zhǔn)均方根誤差NRMSE作為評(píng)價(jià)精度的標(biāo)準(zhǔn)。

r2=（∑ni=1yi-y-）2（∑ni=1xi-y-）2;（1）

RMSE=∑ni=1，j=1（xi-yi）2n;（2）

NRMSE=∑ni=1，j=1（xi-yi）2n/y-。（3）

xi為葉片養(yǎng)分含量的實(shí)測(cè)值，yi為葉片養(yǎng)分含量的估計(jì)值，y為葉片養(yǎng)分含量的均值，n為樣本個(gè)數(shù)。其中，r2越大，RMSE越小，表示建模精度越高。NRMSE<10%表示葉片養(yǎng)分實(shí)測(cè)值與估計(jì)值一致性較好，10%≤NRMSE<20%時(shí)表示葉片養(yǎng)分實(shí)測(cè)值與估計(jì)值一致性為好，20%≤NRMSE<30%時(shí)表示葉片養(yǎng)分實(shí)測(cè)值與估計(jì)值一致性中等，NRMSE≥30%表示葉片養(yǎng)分實(shí)測(cè)值與估計(jì)值一致性較差。

2?結(jié)果與分析

基于地面高光譜數(shù)據(jù)對(duì)冬小麥葉片氮素、葉綠素、水分通過(guò)偏最小二乘反演模型進(jìn)行定量反演，分析反演精度。將冬小麥葉片氮素、葉綠素、水分歸一化處理，然后挑選相關(guān)性高的光譜指數(shù)通過(guò)偏最小二乘對(duì)葉片養(yǎng)分進(jìn)行反演。

2.1?基于光譜指數(shù)的冬小麥葉片水分定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片水分含量進(jìn)行相關(guān)性分析。通過(guò)偏最小二乘進(jìn)行葉片水分含量反演，建立預(yù)測(cè)葉片水分含量與實(shí)測(cè)葉片水分含量線性關(guān)系模型，計(jì)算r2、RMSE、NRMS以評(píng)價(jià)反演精度，結(jié)果見(jiàn)圖2。

圖2-A為偏最小二乘反演模型對(duì)冬小麥葉片水分反演建模結(jié)果，r2為0.609 2，RMSE為10.32，NRMSE為17%;圖2-B為偏最小二乘反演模型對(duì)冬小麥葉片水分反演驗(yàn)證，結(jié)果r2為0.681 8，RMSE為5.199，NRMSE為16%。

2.2?基于光譜指數(shù)的冬小麥葉片葉綠素定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片葉綠素含量進(jìn)行相關(guān)性分析。通過(guò)偏最小二乘進(jìn)行葉片葉綠素含量反演，建立預(yù)測(cè)葉片葉綠素含量與實(shí)測(cè)葉片葉綠素含量線性關(guān)系模型，計(jì)算r2、RMSE、NRMS評(píng)價(jià)反演精度，結(jié)果見(jiàn)圖3。

圖3-A為偏最小二乘反演模型對(duì)冬小麥葉片葉綠素反演建模結(jié)果，r2為0.305 4，RMSE為1303，NRMSE為33%;圖3-B為偏最小二乘反演模型對(duì)冬小麥葉片葉綠素反演驗(yàn)證結(jié)果，r2為 0233 0，RMSE為1.021，NRMSE為32%。冬小麥葉片葉綠素反演精度較低，未能達(dá)到顯著相關(guān)性水平。

2.3?基于光譜指數(shù)的冬小麥葉片氮素定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片氮素含量進(jìn)行相關(guān)性分析。通過(guò)偏最小二乘進(jìn)行葉片氮素含量反演，建立預(yù)測(cè)葉片氮素含量與實(shí)測(cè)葉片氮素含量線性關(guān)系模型，計(jì)算r2、RMSE、NRMSE以評(píng)價(jià)反演精度，結(jié)果見(jiàn)圖4。

圖4-A為偏最小二乘反演模型對(duì)冬小麥葉片氮素反演建模結(jié)果，r2為0.724 4，RMSE為0.506，NRMSE為13%;圖4-B為偏最小二乘反演模型對(duì)冬小麥葉片氮素反演驗(yàn)證結(jié)果，r2為0.728 9，RMSE為0.142，NRMSE為12%。

2.4?基于光譜指數(shù)的冬小麥葉片綜合指標(biāo)定量反演

依據(jù)光譜指數(shù)NDVI、OSAVI、GNDVI、EVI與冬小麥葉片綜合指標(biāo)進(jìn)行相關(guān)性分析。通過(guò)偏最小二乘進(jìn)行葉片氮素含量反演， 建立預(yù)測(cè)葉片綜合指標(biāo)與計(jì)算綜合指標(biāo)線性關(guān)系模型，計(jì)算r2、RMSE、NRMSE以評(píng)價(jià)反演精度，結(jié)果見(jiàn)圖5。

圖5-A為偏最小二乘反演模型對(duì)冬小麥葉片綜合指標(biāo)反演建模結(jié)果，r2為0.754 1，RMSE為0053，NRMSE為8%;圖5-B為偏最小二乘反演模型對(duì)冬小麥葉片綜合指標(biāo)反演驗(yàn)證結(jié)果，r2為0834 7，RMSE為0.021，NRMSE為9%。綜合指標(biāo)的反演精度最高，對(duì)氮素和水分的反演結(jié)果雖然可以達(dá)到顯著性相關(guān)但是其反演精度均低于對(duì)綜合指標(biāo)的反演，偏最小二乘對(duì)冬小麥葉片葉綠素的反演精度最低。

從表2可以看出，反演綜合指標(biāo)的建模r2比反演氮素含量、葉綠素含量、水分含量的r2分別高003、0.44、0.14，NRMSE分別低5、25、9百分點(diǎn);驗(yàn)證r2比反演氮素含量、葉綠素含量、水分含量的r2分別高0.11、0.61、0.16，NRMSE分別低3、23、7百分點(diǎn)。綜合指標(biāo)的反演結(jié)果精度最高，葉綠素的反演精度最低。

3?討論與結(jié)論

筆者通過(guò)構(gòu)建綜合指標(biāo)，以期提供新的長(zhǎng)勢(shì)檢測(cè)方法。利用光譜指數(shù)構(gòu)建基于PLSR的冬小麥葉片氮素、葉綠素、水分和綜合指標(biāo)的反演模型，其綜合指標(biāo)的反演精度高于對(duì)氮素含量、葉綠素含量、水分含量的反演精度，可能是因?yàn)椋海?）綜合指標(biāo)根據(jù)氮素含量、葉綠素含量、水分含量計(jì)算所得，氮素含量、葉綠素含量、水分含量之間可能存在相互關(guān)系，綜合指標(biāo)結(jié)合各自?xún)?yōu)勢(shì)，使反演精度提高。（2）挑選出與綜合指標(biāo)相關(guān)性較高的光譜指數(shù)構(gòu)建PLSR模型。

本研究存在的不足之處是綜合指標(biāo)的計(jì)算是根據(jù)信息熵計(jì)算冬小麥葉片氮素含量、葉綠素含量、水分含量的權(quán)重所得，而信息熵在計(jì)算權(quán)重時(shí)根據(jù)數(shù)據(jù)的離散程度分配權(quán)重，這在一定程度上忽略了不同養(yǎng)分在冬小麥的生長(zhǎng)過(guò)程的重要程度。進(jìn)一步的研究中應(yīng)考慮不同生育時(shí)期葉片不同養(yǎng)分對(duì)冬小麥的生長(zhǎng)過(guò)程的影響程度，根據(jù)對(duì)冬小麥生長(zhǎng)的重要程度分配權(quán)重。

本研究基于光譜指數(shù)和偏最小二乘反演模型反演冬小麥葉片氮素含量、葉綠素含量、水分含量和綜合指標(biāo)，得出以下結(jié)論：（1）基于光譜指數(shù)，利用偏最小二乘反演模型對(duì)冬小麥葉片氮素含量、葉綠素含量、水分含量、綜合指標(biāo)進(jìn)行估測(cè)，其中建模r2、RMSE、NRMSE分別為0.72、0.506、13%，031、1.303、33%，0.61、10.320、17%和0.75、0.053、8%;驗(yàn)證r2、RMSE、NRMSE分別為0.73、0.142、12%，023、1.021、32%，0.68、5.199、16%和083、0021、9%。（2）反演綜合指標(biāo)的建模r2比反演氮素含量、葉綠素含量、水分含量的r2分別高0.03、044、014，NRMSE分別低5、25、9百分點(diǎn);驗(yàn)證r2比反演氮素含量、葉綠素含量、水分含量的r2分別高0.11、0.61、0.16，NRMSE分別低3、23、7百分點(diǎn)。（3）綜合指標(biāo)的反演精度r2均高于氮素含量、葉綠素含量、水分含量;RMSE和NRMSE均低于氮素含量、葉綠素含量、水分含量。綜合考慮冬小麥綜合指標(biāo)的反演精度最高，具有最優(yōu)的估測(cè)精度。因此可以通過(guò)綜合指標(biāo)去進(jìn)行長(zhǎng)勢(shì)分析，其效果會(huì)更好。

參考文獻(xiàn)：

[1]Guo J，Tian G L，Yi Z，et al. Evaluation of the grain yield and nitrogen nutrient status of wheat （Triticum aestivum L.） using thermal imaging[J]. Field Crops Research，2016，196：463-472.

[2]Noura Z，Gilles B，Claessens A，et al. Determination of a critical nitrogen dilution curve for spring wheat[J]. Agronomy Journal，2010，102（1）：241-250.

[3]何樹(shù)斌，沈禹穎，王冬梅，等. 水分和氮素對(duì)隴育216冬小麥氣體交換和葉綠素?zé)晒獾挠绊慬J]. 麥類(lèi)作物學(xué)報(bào)，2012，32（5）：912-917.

[4]李振山，王?龍. 不同水分條件下施氮對(duì)小麥幼苗生長(zhǎng)發(fā)育的影響[J]. 種業(yè)導(dǎo)刊，2016（3）：24-26.

[5]楊紹源，黃文江，梁?棟，等. 利用多角度光譜數(shù)據(jù)探測(cè)冬小麥氮素含量垂直分布方法研究[J]. 光譜學(xué)與光譜分析，2015，35（7）：1956-1960.

[6]程曉娟，楊貴軍，徐新剛，等. 新植被水分指數(shù)的冬小麥冠層水分遙感估算[J]. 光譜學(xué)與光譜分析，2014，34（12）：3391-3396.

[7]蔣金豹，陳云浩，黃文江. 用高光譜微分指數(shù)估測(cè)條銹病脅迫下小麥冠層葉綠素密度[J]. 光譜學(xué)與光譜分析，2010，30（8）：2243-2247.

[8]王紀(jì)華，黃文江，勞彩蓮，等. 運(yùn)用PLS算法由小麥冠層反射光譜反演氮素垂直分布[J]. 光譜學(xué)與光譜分析，2007，27（7）：1319-1322.

[9]靳彥華，熊黑鋼，張?芳，等. 不同地類(lèi)春小麥拔節(jié)期冠層光譜與葉綠素差異研究[J]. 光譜學(xué)與光譜分析，2013，33（4）：1043-1047.

[10]韓?茜，張瀟元，王樹(shù)東，等. 冬小麥典型多參量冠層高光譜反演的光譜指標(biāo)敏感性研究[J]. 科學(xué)技術(shù)與工程，2017，17（25）：89-97.

[11]裴浩杰，馮海寬，李長(zhǎng)春，等. 基于綜合指標(biāo)的冬小麥長(zhǎng)勢(shì)無(wú)人機(jī)遙感監(jiān)測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2017，33（20）：74-82.

[12]Welman C E，Renato E，Tábata R S，et al. Screening the formation of silver nanoparticles using a new reaction kinetics multivariate analysis and assessing their catalytic activity in the reduction of nitroaromatic compounds[J]. Journal of Physical Chemistry C，2014，118（24）：12962-12971.

[13]Chen P F，Qi J. A comparison of two adaptive multivariate analysis methods （PLSR and ANN） for winter wheat yield forecasting using Landsat-8 OLI images[J]. Advances in Space Research，2017，59（4）：987-995.

[14]Ayvaz H，Adnan B，Giusti M M，et al. Improving the screening of potato breeding lines for specific nutritional traits using portable mid-infrared spectroscopy and multivariate analysis[J]. Food Chemistry，2016，211：374-382.

[15]Bardwell W A，Ziegler M G，Ancoli-Israel A S，et al. Does caffeine confound relationships among adrenergic tone，blood pressure and sleep apnoea？[J]. Journal of Sleep Research，2000，9（3）：269-272.

[16]Goodenough A E，Elliot S L，Adam G H. The challenges of conservation for declining migrants：are reserve-based initiatives during the breeding season appropriate for the Pied Flycatcher Ficedula hypoleuca？[J]. IBIS，2009，151（3）：429-439.

[17]Jiang C，Zhang Y L，Chen Z Y，et al. Improving assessment of groundwater sustainability with analytic hierarchy process and information entropy method：a case study of the Hohhot Plain，China[J]. Environmental Earth Sciences，2015，73（5）：2353-2363.

[18]Kuttner H. The economic impact of rural telecommunications：he greater gains[J]. Veterinary Record，2011，146：634-637.

[19]Furberg D，Ban Y F. Satellite monitoring of urban sprawl and assessment of its potential environmental impact in the greater Toronto area between 1985 and 2005[J]. Environmental Management，2012，50（6）：1068-1088.

[20]Lubbe S J，Bernardo M D，Broderick P，et al. Comprehensive evaluation of the impact of 14 genetic variants on colorectal cancer phenotype and risk[J]. American Journal of Epidemiology，2012，175（1）：1-10.