基于實測高光譜數據的鄱陽湖濕地植被光譜差異波段提取*

況潤元，曾 帥，趙 哲，肖 陽

(江西理工大學建筑與測繪工程學院，贛州 341000)

基于實測高光譜數據的鄱陽湖濕地植被光譜差異波段提取*

況潤元，曾 帥，趙 哲，肖 陽

(江西理工大學建筑與測繪工程學院，贛州 341000)

高光譜遙感技術的出現為有效解決濕地植被種類的精細識別和分類提供了可能. 通過實地測取鄱陽湖濕地5種植被的高光譜數據，在對數據預處理的基礎上，提出一種基于數據誤差范圍和植被光譜均值差的植被光譜差異波段提取方法. 將該方法應用于包絡線變換前后的光譜曲線提取植被的光譜差異波段，最后利用馬氏距離法檢驗植被識別效果. 結果表明：本文中的方法有效提取了植被光譜差異波段，其中變換前光譜差異波段分別為663～688 nm，變換后為581～636、660～695和1225～1236 nm. 在光譜差異波段范圍內，同種植被的馬氏距離值小于異種植被的馬氏距離值，可有效對植被進行識別. 研究結果為濕地植被分類識別奠定了理論基礎，同時為湖泊濕地植被以及湖泊生態(tài)環(huán)境的保護決策提供科學依據.

鄱陽湖濕地；植被光譜；光譜差異波段

高光譜數據容易獲取地物的局部精細信息，對光譜細節(jié)特征具有良好的表現能力，在分析植被的反射光譜差異性有較大的潛力[1]. 運用高光譜技術對濕地植被光譜進行識別分析是近些年來研究的熱點和重點之一. 在光譜識別研究中，不同類型地物可根據地物特有光譜特征進行有效區(qū)分，這些光譜特征包括吸收位置、光譜值、反射曲線深度、寬度與強度、峰谷位置以及斜率等[2]. 相關專家和學者在植被光譜分析識別方面的研究成果如下：劉波等[3]依據雅江源區(qū)地面實測高光譜數據，分析高寒區(qū)草地光譜特征和退化過程中的光譜響應變化；任廣波等[4]基于黃河三角洲6種典型植被的實測光譜數據，分析反射光譜特征并篩選出了植被光譜差異波段；安如等[5]分析了三江源中東部草原區(qū)常見草種的反射光譜特征，提取了典型草地植被的光譜特征；柴穎等[6]利用美國Sacramento-San Joaquin三角洲植被的實測高光譜數據，在對光譜特征分析的基礎上對濕地植被進行了分類；劉克等[7]測定野鴨湖濕地典型植被群落的高光譜數據，分析提取了可用于植被分類的光譜識別波段.

縱觀國內外研究現狀，涉及到旱地、鹽沼植被高光譜方面的研究較多,在內湖淡水濕地植被光譜分類方面的成果相對較少，已有的關于植被高光譜反射特征知識有待進一步研究；相對于旱地植被和鹽沼植被，湖泊濕地植被受湖區(qū)水位影響較大，光譜不僅具有高度相似性和空間變異性，且具有較強的時間動態(tài)性；針對淡水湖泊濕地植被光譜分類識別的相關研究還不多見，在植物種類精細分類識別方法上還有進一步研究空間. 本文以鄱陽湖濕地5種優(yōu)勢種植被為研究對象，通過分析濕地植物光譜特征，提出一種新的植物光譜差異波段提取方法，對湖泊濕地植被的種類識別方法方面進行探討.

1 研究區(qū)域與數據方法

1.1 研究區(qū)概況

鄱陽湖濕地(28°22′～29°45′N, 115°47′～116°45′E)位于中國江西省北部、長江中下游南岸，是我國第一大淡水湖泊生態(tài)濕地. 鄱陽湖承接贛江、饒河、信江、修河、撫河五河之水，與長江相通，流域內草洲、泛濫地、河灘地大量分布且面積廣闊. 整個流域內孕育著大量寶貴的物種資源，其中的水生植被起著至關重要的作用，具有固碳、降解有毒物質、改善環(huán)境等功能. 作為初級生產者，濕地植被是食草性魚類主要的食物來源，同時也是各種水生動物和越冬的候鳥活動棲息之地，濕地內多種植被更是人類進行經濟活動重要的生產資料. 隨著近幾年氣候變化和各種因素的影響，鄱陽湖和其他內陸湖泊一樣面臨著水量調蓄能力下降、湖泊環(huán)境污染加重、生物資源退化等問題[8]. 鄱陽湖生態(tài)功能對整個長江中下游地區(qū)經濟發(fā)展、自然資源的保護和利用的重要意義不言而喻. 如何對鄱陽湖濕地中物種資源，特別是植被資源進行科學保護已然成為一項迫不及待的任務之一.

1.2 數據采集及預處理

采集地點為鄱陽湖南磯鄉(xiāng)自然保護區(qū)，采集時間為2016年4月18、19日和11月3日，天空晴朗無云或局部少云，此時湖區(qū)水位較低，植物長勢良好，與其他季節(jié)相比，植被光譜在此時相似度較高、分類難度較大. 利用美國ASD公司生產的FieldSpec 4便攜式地物光譜儀采集植被高光譜數據. 光譜采樣的波長范圍為350～2500 nm，其中350～1000 nm光譜分辨率為3 nm、1000～2500 nm為10 nm，光譜采樣間隔350～1000 nm為1.4 nm、1000～2500 nm為2 nm，數據采樣間隔為1 nm，光纖前視場角為25°. 測量的植被有菖蒲(Acoruscalamus)、狗牙根(Cynodondactylon)、苔草(Carexcinerascens)、水蓼(Persicariahydropiper)、虉草(Phalarisarundinacea)5種植被. 在植被光譜測量過程中，選取植被單一、長勢良好、植被蓋度較高的植叢布置樣方，樣方大小設置為1 m×1 m，樣方之間的距離大于3 m，為使數據具有代表性，采樣點均勻分布于研究區(qū). 為保證良好的光照條件，測量時間選定在10:00-14:30，測量過程中每隔最多20 min需進行一次白板優(yōu)化，測量前需提前開機預熱30 min. 所有的測量數據均采用垂直觀測法，距離植被冠層上方1 m左右測取數據，每個采樣點測取10條光譜曲線，每種植物測量30個樣點，隨機抽取10個樣點數據用以實驗分析，剩下的20個樣點數據對本文中提出的方法進行識別效果檢驗. 本文使用協(xié)方差來衡量每種植被樣點的離散程度，5種植被30個樣點之間的協(xié)方差平均值分別為0.0208(菖蒲)、0.0219(狗牙根)、0.0321(水蓼)、0.0344(苔草)和0.2941(虉草).

植被反射光譜曲線采集后，室內利用儀器自帶的ViewSpecPro軟件對植被光譜曲線進行以下預處理：①剔除異常光譜數據. 受光照及野外環(huán)境因素影響，波譜曲線在測量過程中難免存在有偏差程度較大的異常數據，本文參照王錦地等[9]所提到的強度大小檢驗法對數值偏差較大的數據進行剔除. ②去除噪聲波段. 去除水汽噪聲波段1350 nm+及邊緣效應噪聲波段350～400 nm，所以本次實驗截取的波段范圍為400～1350 nm. ③數據平滑去噪處理. 本文采用移動平均法對所測植被光譜曲線進行平滑去噪處理[10]. ④對數據求取均值光譜曲線并導出到Execl中求取數據的誤差范圍，以便后續(xù)的植被光譜特征分析和提取植被光譜差異波段.

1.3 光譜變換方法

已有研究表明：利用包絡線法(Continuum Removal,CR)在一定程度上可以放大植被光譜間的差異性，有效消除由噪聲引起的誤差，有效突出光譜曲線的吸收和反射特征，有利于植被光譜分類識別研究[11]. 其中包絡線變換公式如(1)～(3)表示.

CRi=Ri/RHi

(1)

RHi=Rstart+k(λi-λstart)

(2)

k=(Rend-Rstart)/(λend-λstart)

(3)

式中，CRi為波段i處的包絡線值；Ri為波段i處的光譜反射率；RHi為波段i處的“外殼”值；Rstart、Rend分別為吸收起點和終點處所對應的反射率；λstart、λend、λi分別為吸收起點、終點和波長i處對應的波長值；k為吸收起、終點之間的“外殼”斜率.

1.4 光譜差異波段選擇

基于植被光譜特征分析，選擇植被光譜差異波段是對植被進行分類識別的方法之一，主要可歸類為基于光譜特征[4,12]和基于統(tǒng)計分析方法[2-3,13]分析. 由于濕地植被光譜具有較強的空間變異性和時間動態(tài)性，前者對光譜差異性較小的波段容易錯提、漏提，植被識別效果受區(qū)域因素制約較明顯；基于統(tǒng)計學分析法在一定程度上可有效降低外界因素的影響，擁有較好的識別效果，其中應用較為廣泛的有均值置信區(qū)間帶法[13]. 高光譜數據具有波段數目較多，數據冗余程度大，如何對數據進行降維處理和相關變換對于光譜差異波段的選擇尤為重要[14]. 本文提出了一種基于數據誤差范圍和植被光譜均值差的植被光譜差異波段提取方法，與前人提出的方法不同的是，本方法能捕捉到植被光譜間反射率值的微小差異，在保留植被光譜物理意義的同時提取出植被光譜差異波段，在方法操作上方便快捷.

在光譜測量過程中，由于外界因素的影響造成光譜數值在一定范圍內波動，這個數值波動范圍即誤差范圍，我們用統(tǒng)計學中的置信水平來衡量這個誤差范圍的可靠程度[15]. 置信水平表示樣本統(tǒng)計值的精確度，它是指樣本統(tǒng)計值落在參數值某一區(qū)域內的概率. 本文方法的基本思路為：對于兩種植被a、b,設定在光譜波段i處，若兩種植被的光譜數據均值差之絕對值大于兩種植被光譜數據在0.95置信水平下的誤差范圍值之和，則便可認為在波段i處兩種植被存在明顯的差異性，即波段i為兩者可相互區(qū)別的光譜差異波段. 最后，將所有植被兩兩間的光譜差異波段進行交集運算，即可得到同時有效區(qū)分5種植被光譜的光譜差異波段. 此外，為方便后期實測高光譜數據與高光譜遙感遙感影像結合，規(guī)定所選出的光譜差異波段范圍必須大于高光譜遙感數據光譜分辨率(10 nm左右). 其公式分別為：

(4)

Va(i)=T(1-α,n-1)·Stea(i)·n1/2

(5)

Vb(i)=T(1-α,n-1)·Steb(i)·n1/2

(6)

1.5 識別效果分析方法

馬氏距離由印度統(tǒng)計學家P.C. Mahalanobis提出，用以表示數據的協(xié)方差距離，是一種計算兩個未知樣本集之間相似度的有效方法[16]，馬氏距離具有既消除變量間的相關性干擾且不受量綱的影響等優(yōu)點[17]，其中馬氏距離公式為：

Dk=(Xk-μ)T·S-1(Xk-μ)

(7)

式中，Dk為不同植被光譜曲線在k波段處的馬氏距離；Xk為不同光譜曲線在k波段處的差值矩陣；μ為零點向量矩陣；T為矩陣的轉置；S-1為協(xié)方差矩陣逆矩陣.

運用馬氏距離法評價本文提出的方法對5種植被的識別效果. 首先計算每種植被20個驗證樣點的光譜平均值，然后以任一種植被為比較植被，分別計算每種植被每個驗證樣點與比較植被的平均值之間的馬氏距離，然后計算這20個樣點的馬氏距離平均值，最后對所有光譜差異波段內的馬氏距離值求算術平均值作為最終的馬氏距離值. 如果不同植被間的馬氏距離大于同種植被的馬氏距離，則說明所提取的光譜差異波段能有效識別不同植被，進而說明本文提出的方法具有可行性.

2 結果與討論

2.1 光譜分析及差異波段選擇

圖1為植被的原始反射光譜，5種植被曲線都表現出植被特有的曲線特征. 受植被本身生化組分和冠層結構的影響，植被光譜曲線表現出細微的差別，通過對光譜分析識別不同植被間的細小差異，實現對植被種類的精細分類[18]. 在可見光波段，5種植被的光譜曲線上都表現為低反射率，其中在藍光(400～530 nm)和紅光(550～730 nm)波段吸收較為強烈，形成藍谷和紅谷2個吸收谷，介于兩者間的綠光波段則形成1個凸起的反射峰. 在波段670～740 nm的“紅邊”反射率迅速增高，增長率大約為40%～50%，780～950 nm范圍內繼續(xù)保持高反射率值. 在近紅外波段，以960、1200 nm為中心形成了水分的吸收帶，形成了吸收谷. 根據本文提出的方法，提取出的光譜差異波段為663～688 nm，此區(qū)間處于光譜曲線的紅光波段.

通過對原始光譜的分析，可以看出5種濕地植被的反射光譜曲線有4個較為明顯的吸收谷，分別為400～530 nm的藍光波段、550～730 nm的紅光波段、930～1000 nm的水吸收波段以及1100～1250 nm的水和氧吸收波段，對這4個吸收谷進行包絡線光譜計算(圖2). 濕地植被在4個吸收波段具有不同的吸收強度，第二波段吸收強度最大，其次為第一波段，在近紅外的第三波段吸收強度最弱. 苔草和菖蒲在第一波段的吸收強度較大，而狗牙根、水蓼和虉草的相對較小. 5種植被在第二波段強度都很大，而在第三波段中吸收深度都小于0.1(深度值=1-CRi)，第四波段中吸收強度也較小，其中虉草的強度最大而狗牙根的最小. 根據本文提出的方法，提取出的光譜差異波段有418～451、487～507、621～637、658～685和1222～1245 nm. 其中418～451和487～507 nm對應第一吸收谷，621～637和658～685 nm對應第二吸收谷，1222～1245 nm對應第四吸收谷.

圖1 植被的反射光譜Fig.1 The spectrum of vegetation species

圖2 植被包絡線光譜Fig.2 The spectrum of vegetation species after transforming

2.2 識別結果分析

利用馬氏距離法檢驗特征波段對5種植被的識別效果，分別計算5種植被的馬氏距離值(表1)，其中對角線右上方為變換前植被在光譜差異波段范圍內(663～688 nm)的馬氏距離值，左下方為包絡線變換后的馬氏距離值，對角線括號外是變換前同種植被的馬氏距離值，括號內是變換后同種的馬氏距離值.無論是變換前還是變換后，在對應的光譜差異波段范圍內，同種植被間的馬氏距離值均小于異種植被間的馬氏距離值，不同植被差異顯著，識別效果明顯，且變換后異種植被的馬氏距離較變換前數值有所增大，植被間的差異更加明顯. 以上分析表明，本文中所提出的光譜差異波段提取方法可有效用于植被光譜識別；通過包絡線變換后，在光譜差異波段范圍內不同植被光譜差異性更加明顯，識別效果更佳.

表1 5種植被光譜差異波段馬氏距離值

3 結論

本文利用高光譜技術實地測取了鄱陽湖5種植被的高光譜數據，針對湖泊濕地植被光譜相似度高、難以分類識別等特點，提出了一種基于數據誤差范圍和植被光譜均值差的植被光譜差異波段提取方法，對植被光譜包絡線變換前后的曲線進行了分析并提取出了5種植被的光譜差異波段，最后運用馬氏距離法檢驗了該方法的識別效果. 得出以下結論：

馬氏距離法較好地檢驗了本文所提出方法的有效性，利用所提出的方法能有效提取出可以識別鄱陽湖濕地5種典型植被的光譜差異波段，同時達到了高光譜降維的目的，其中5種植被原始光譜曲線的差異波段為663～688 nm，包絡線光譜曲線的差異波段為418～451、487～507、621～637、658～685和1222～1245 nm. 在光譜差異波段范圍內，同種植被間的馬氏距離值小于異種植被間的馬氏距離值，植被間的光譜差異顯著. 與原始光譜曲線相比，通過包絡線變換后植被在光譜差異波段范圍內的差異性更加明顯.

地物光譜識別是高光譜遙感地物屬性識別分類的基礎，不同類型地物可根據某些光譜差異顯著的波段進行有效識別，如何對這些光譜差異波段范圍進行界定和篩選則需要一定的方法，本文提出的方法正可解決了這一問題. 在通過對植被光譜差異波段進行選取，有利于衛(wèi)星傳感器波段選擇，可以更好地應用于多光譜或高光譜影像數據分類研究. 研究成果為濕地遙感影像解譯、濕地植被制圖奠定了理論基礎，同時在方法上也為淡水湖泊濕地植被光譜識別分類提供借鑒意義. 本文重點在于植被光譜差異波段提取方法研究，本次實驗測取了鄱陽湖豐水期前5種植被光譜數據并提取了光譜差異波段，其他季節(jié)還會繼續(xù)跟進深入研究. 此外，對于如何利用地面實測光譜數據結合相應的遙感影像數據進行應用分析也是未來的研究重點.

[1] Zomer RJ, Trabucco A, Ustin SL. Building spectral libraries for wetlands land cover classification and hyperspectral remote sensing.JournalofEnvironmentalManagement, 2009,90(7): 2170-2177.

[2] He Mingyi, Chang Wenjuan, Mei Shaohui. Advance in feature mining from hyperspectral remote sensing data.SpacecraftRecovery&RemoteSensing,2013,34(1): 1-12. [何明一, 暢文娟, 梅少輝. 高光譜遙感數據特征挖掘技術研究進展. 航天返回與遙感, 2013,34(1): 1-12.]

[3] Liu Bo, Shen Weishou, Li Ruetal. Spectral characteristics of alpiine grassland during degradation process in the source region of Yarlung Zangbo.SpectroscopyandSpectralAnalysis, 2013,33(6): 1598-1602. [劉波, 沈渭壽, 李儒等. 雅魯藏布江源區(qū)高寒草地退化光譜響應變化研究. 光譜學與光譜分析, 2013,33(6): 1598-1602.]

[4] Ren Guangbo, Zhang Jie, Ma Yi. Spectral discrimination and separable feature lookup table of typical vegetation species in Yellow River Delta wetland.MarineEnvironmentalScience, 2015,34(3): 420-426. [任廣波， 張杰， 馬毅. 黃河三角洲典型植被地物光譜特征分析與可分性查找表. 海洋環(huán)境科學, 2015,34(3): 420-426.]

[5] An Ru, Jiang Danping, Li Xiaoxueetal. Using hyperspectral data to determine spectral characteristics of grassland vegetation in central and eastern parts of Three-River source.RemoteSensingTechnologyandApplication, 2014,29(2): 202-211. [安如, 蔣丹萍, 李曉雪等. 基于地面實測高光譜數據的三江源中東部草地植被光譜特征研究. 遙感技術與應用, 2014,29(2): 202-211.]

[6] Chai Ying, Ruan Renzong, Fu Qiaoni. Extraction of wetland vegetation information using hyperspectral image data.JournalofNanjingForestryUniverity:NaturalSciencesEdition, 2015,39(1): 181-184. [柴穎, 阮仁宗, 傅巧妮. 高光譜數據濕地植被類型信息提取. 南京林業(yè)大學學報: 自然科學版, 2015,39(1): 181-184.]

[7] Liu Ke, Zhao Wenji, Guo Xiaoyuetal. Spectral bands of typical wetland vegetation in Wild Duck Lake.ActaEcologicaSinica, 2010,30(21): 5853-5861. [劉克, 趙文吉, 郭逍宇等. 野鴨湖典型濕地植物光譜特征. 生態(tài)學報, 2010,30(21): 5853-5861.]

[8] Yang Guishan, Ma Ronghua, Zhang Luetal. Lake status,major problems and protection strategy in China.JLakeSci, 2010,22(6): 799-810. DOI:10.18307/2010.0601. [楊桂山, 馬榮華, 張路等. 中國湖泊現狀及面臨的重大問題與保護策略. 湖泊科學, 2010,22(6): 799-810.]

[9] Wang Jindi, Zhang Lixin, Liu Qinhuoetaleds. Chinese typical feature spectrum knowledge base. Beijing: Science Press, 2008: 71-73. [王錦地, 張立新, 柳欽火等. 中國典型地物波譜知識庫. 北京: 科學出版社, 2008: 71-73.]

[10] Zhao Zhao. Analysis of spectral features based on water content of Xinjiang Desert Plants[Dissertation]. Urumqi: Xinjiang Agricultural University, 2011. [趙釗. 新疆荒漠植物含水率高光譜特征分析[學位論文]. 烏魯木齊: 新疆農業(yè)大學, 2011.]

[11] Schmidt KS, Skidmore AK. Spectral discrimination of vegetation types in coastal wet land.RemoteSensingofEnvironment, 2003,85(1): 92-108.

[12] Feng Shuangshuang, Tian Bing, Hu Yincuietal. The hyper-spectra characteristics of degradation indicator species in the grassland of Bashang region.JournalofAridLandResourcesandEnvironment, 2016,30(3): 133-139. [馮雙雙,田冰, 胡引翠等. 壩上草原退化指示種光譜特征研究. 干旱區(qū)資源與環(huán)境,2016,30(3): 133-139.]

[13] Chen Yonggang, Ding Lixia, Ge Honglietal. Hyperspectral feature band selection based on mean confidence interval and tree species discrimination.SpectroscopyandSpectralAnalysis, 2011,31(9): 2462-2466. [陳永剛, 丁麗霞, 葛宏立等. 基于均值置信區(qū)間帶的高光譜特征波段與樹種識別. 光譜學與光譜分析, 2011,31(9): 2462-2466.]

[14] Su Hongjun, Du Peijun. Study on feature selection and extraction of hyperspectral data.RemoteSensingTechnologyandApplication, 2006,21(4): 288-293. [蘇紅軍, 杜培軍. 高光譜數據特征選擇與特征提取研究. 遙感技術與應用, 2006,21(4): 288-293.]

[15] Sheng Zhou, Xie Shiqian, Pan Chenyi eds. Probability and mathermatical statistics. Beijing: Higher Education Press, 2008: 161-169. [盛驟, 謝式千, 潘承毅. 概率論與數理統(tǒng)計. 北京: 高等教育出版社, 2008: 161-169.]

[16] Li Yurong, Xiang Guobo. A linear discriminant analysis classification algorithm based on mahalanobis distance.ComputerSimulation, 2006,23(8): 86-88. [李玉榕, 項國波. 一種基于馬氏距離的線性判別分析分類算法. 計算機仿真, 2006,23(8): 86-88.]

[17] Wu Xianghua, Niu Shengjie, Wu Chenouetal. An improvement on estimating coveriance matrix during cluster analysis using mahalanobis distance.JournalofAppliedStatisticsandManagement, 2011,30(2): 240-245. [吳香華, 牛生杰, 吳誠鷗等. 馬氏距離聚類分析中協(xié)方差矩陣度算的改進. 數理統(tǒng)計與管理, 2011,30(2): 240-245.]

[18] Yu Xuchu, Feng Wufa, Yang Guopengetaleds. Analysis and application of hyperspectral image. Beijing: Science Press, 2013: 12-14. [余旭初, 馮伍法, 楊國鵬等. 高光譜影像分析與應用. 北京: 科學出版社, 2013: 12-14.]

ExtractionofthediscriminativebandsofLakePoyangwetlandvegetationbasedonthemeasuredhyperspectraldata

KUANG Runyuan, ZENG Shuai, ZHAO Zhe & XIAO Yang

(SchoolofArchitecturalandSurveying&MappingEngineering,JiangxiUniversityofScienceandTechnology,Ganzhou341000,P.R.China)

Identification and classification of wetland vegetation by spectral data is often one of the key points and difficulties in vegetation remote sensing. Compared with multispectral data, hyperspectral ones have the characteristics of more bands, larger amount of data and higher redundancy. The emergence of hyperspectral remote sensing technology provides chance for solving problems of identifying and classifying wetland vegetation species precisely. For the discrimination of wetland vegetation species with hyperspectral remote sensing technology, the extraction of the discriminative bands is very important. The hyperspectral data onAcoruscalamus,Cynodondactylon,Carexcinerascens,Persicariahydropiper,Phalarisarundinaceain Lake Poyang wetland are measured by using ASD FieldSpec 4 spectrometers. A new method is proposed to extract the discriminative bands between vegetation species of original spectra and envelope spectra. Finally, we use the method of Mahalanobis distance to examine the vegetation identification effects. The research results show that: The new method can extract the discriminative bands between vegetation species effectively. The discriminative bands of original spectra is 663-688 nm, and the discriminative bands of envelope spectra are: 418-451 nm, 487-507 nm, 621-637 nm, 658-85 nm, 1222-1245 nm. In those discriminative bands, the Mahalanobis distance values between the same species is less than those among different species, so it could help us to identify different types of vegetation species effectively. The research results lay a foundation for the wetland vegetation classification, and provide a scientific basis for the protection of the lake wetland vegetation and the ecological environment of lakes.

Lake Poyang wetland; hyperspectral data; discriminative bands

*國家自然科學基金項目(41101322)、江西省自然科學基金項目(20114BAB213022)和江西省教育廳科學技術研究項目(GJJ160617)聯(lián)合資助. 2016-07-16收稿; 2017-03-09收修改稿. 況潤元(1976～)，男，博士，副教授；E-mail： rykuang@163.com.