基于無人機RGB圖像的金沙柚葉片葉綠素含量監(jiān)測研究

曹中盛，李艷大*，潘玉霞，孫濱峰，舒時富，葉 春，彭忻怡

（1.江西省農(nóng)業(yè)科學院 農(nóng)業(yè)工程研究所/江西省智能農(nóng)機裝備工程研究中心/江西省農(nóng)業(yè)信息化工程技術(shù)研究中心，江西 南昌 330200；2.江西省井岡山紅壤研究所，江西 吉安 343016；3.江西農(nóng)業(yè)大學 農(nóng)學院，江西 南昌 330045）

【研究意義】井岡蜜柚是指以“井岡山”為品牌，在江西省吉安市生產(chǎn)栽培的甜柚品種的統(tǒng)稱，當前種植面積約2.67 萬hm2。金沙柚（Citrus grandis（L.）Osbeck）是井岡蜜柚三大主栽品種之一，發(fā)展金沙柚生產(chǎn)對于推動老區(qū)鄉(xiāng)村振興具有重要的支持作用。葉綠素是果樹進行光合作用合成有機物的主要場所，葉片葉綠素含量（leaf chlorophyll content，LCC）是表征果樹光合生產(chǎn)、健康狀況及精確肥水運籌的重要指標[1-3]。傳統(tǒng)的果樹葉片葉綠素含量測定方法主要有室內(nèi)化學分析測定法[4-5]、便攜式葉綠素計SPAD 等儀器測定法[6-7]，雖然結(jié)果較為準確可靠，但需破壞性取樣、費時耗工、只能采集單個葉片信息、難以快速獲取果園等空間尺度的信息。無人機遙感是高效獲取果園、園區(qū)等較大空間范圍內(nèi)目標物信息的重要手段[8]。數(shù)碼相機是無人機遙感中最常用的傳感器之一，具有成本低、操作簡單、影像空間分辨率高等優(yōu)點，能通過獲取高分辨率RGB 圖像監(jiān)測植物不同生長參數(shù)[9-10]。【前人研究進展】當前，基于無人機RGB 圖像監(jiān)測LCC 的研究主要集中在大田作物上。如Saberioont 等[11]利用無人機數(shù)字圖像中的3 個可見光波段構(gòu)建植被指數(shù)對水稻LCC 進行監(jiān)測；孟沌超等[12]利用無人機獲取可見光影像，基于植被指數(shù)+紋理特征構(gòu)建偏最小二乘回歸（partial least squares regression，PLSR）模型對玉米冠層SPAD 值進行反演等。此外，研究者們也圍繞近地面平臺獲取RGB 圖像監(jiān)測植物葉綠素開展了許多研究。如Vesali 等[13]利用智能手機獲取數(shù)字圖像，通過提取顏色特征反演棉花葉片SPAD 值；張沛健等[6]用掃描儀獲取紅樹林葉片彩色圖片信息，提取葉片5 種顏色特征構(gòu)建監(jiān)測模型對葉片SPAD 值和Dualex 值進行估測；程立真等[14]用數(shù)碼相機獲取蘋果葉片圖像，利用圖像處理技術(shù)提取顏色特征對LCC 進行監(jiān)測。盡管前人圍繞RGB 圖像監(jiān)測植物LCC 開展了許多研究，構(gòu)建了許多準確實用的監(jiān)測模型，具有一定的應用價值?！颈狙芯壳腥朦c】由于植物種類、生育時期以及研究方法不同，所建模型形式、模型參數(shù)等不盡相同，單一試驗獲得的結(jié)論往往并不具有普適性[15]，且基于無人機RGB 圖像監(jiān)測金沙柚LCC 的研究也鮮有報道，對金沙柚LCC 監(jiān)測模型構(gòu)建時的ROI 選取模式、敏感圖像特征及監(jiān)測模型尚不明確?！緮M解決的關(guān)鍵問題】本研究以不同氮肥水平的金沙柚田間試驗為基礎(chǔ)，分析無人機RGB 圖像中不同圖像特征與LCC 之間的相關(guān)關(guān)系，構(gòu)建基于無人機RGB 圖像的金沙柚LCC 定量監(jiān)測模型，以期為金沙柚長勢快速監(jiān)測診斷及精確管理提供技術(shù)支持。

1 材料與方法

1.1 試驗設(shè)計

試驗于2020年11月至2021年12月在江西省吉安市井岡山農(nóng)業(yè)科技園（114°51′40.08″E，27°8′15.88″N）進行。供試品種為金沙柚，樹齡8 年，株行距為4 m×5 m。果園表層土壤（0～20 cm）含全氮1.31 g/kg、堿解氮119.34 mg/kg、速效鉀128.44 mg/kg、有效磷30.14 mg/kg、有機質(zhì)22.17 g/kg；亞表層土壤（20～40 cm）含全氮0.86 g/kg、堿解氮77.06 mg/kg、速效鉀87.01 mg/kg、有效磷10.49 mg/kg、有機質(zhì)13.75 g/kg。依據(jù)前人研究[16-17]，試驗設(shè)7 個施氮水平，分別為全年每株施純氮0，0.25，0.50，0.75，1.00，1.25，1.50 kg（分別記作N0、N1、N2、N3、N4、N5 和N6），重復3 次，每個重復選擇4 棵長勢一致的相鄰柚樹為1 個小區(qū)，共計21 個小區(qū)84 棵柚樹。氮肥按照基肥（11 月）∶萌芽肥（2 月）∶保果肥（5 月）∶壯果肥（7 月）=40%∶15%∶15%∶30%施用。另配P2O50.6 kg/株、K2O 1.0 kg/株，分基肥（70%）和壯果肥（30%）施用。試驗用肥料分別為商品有機肥（有機質(zhì)含量54.7%、氮含量0.75%、P2O5含量1.82%、K2O 含量2.1%）、尿素（氮含量46%）、過磷酸鈣（P2O5含量12%）和硫酸鉀（K2O含量50%），采用條狀溝施，在樹冠下緣兩邊挖寬約50 cm，深約20 cm的深溝，肥料與上層土充分混勻后填入溝內(nèi)，下層土填于上表，施肥位置與前次施肥位置錯開。果園專人管理，其他管理措施與當?shù)厣a(chǎn)實際相同。

1.2 數(shù)據(jù)獲取

為監(jiān)測不同時期氮肥施用對金沙柚長勢的影響，分別于兩次施肥間隙對應的開花期（花后18 d）、幼果期（花后59 d）和果實膨大期（花后120 d）進行葉片采樣和無人機RGB圖像采集。在每個小區(qū)選擇1棵長勢健康的柚樹進行葉片采樣，采樣時分上部和中下部2個葉位進行，其中上部葉位樣本為樹冠不同方位頂梢起向下的第3和第4片大小均勻的健康葉片20片，中下部葉位樣本為樹冠中下部外圍不同方位的成熟營養(yǎng)枝健康葉片20片。用酒精提取法提取葉片中的葉綠素，提取時去除葉脈取葉片中部0.2 g剪成細絲，用95%乙醇25 mL 于暗處提取48 h，然后用紫外-可見分光光度計測定提取液在649 nm 和665 nm處的吸光度，以Lichtenthaler公式計算葉片葉綠素含量（LCC）[18]。

與葉片采樣同步，用大疆御Mavic pro 型無人機（深圳大疆創(chuàng)新科技有限公司）及其自帶的數(shù)碼相機采集蜜柚試驗區(qū)RGB數(shù)字圖像，搭載的數(shù)碼相機有效分辨率為4 000×3 000像素。數(shù)字圖像采集選擇在晴朗、無云天氣進行，采集時間為11：00—13：00，無人機飛行高度為20 m，飛行速度為5 m/s，航向和旁向重疊率均為80%；相機設(shè)置為自動對焦和自動曝光模式。RGB 圖像采集后，用Agisoft Photoscan Professional軟件拼接，得到整個蜜柚試驗區(qū)的RGB數(shù)字正射圖像。

1.3 數(shù)字圖像處理

1.3.1 圖像特征提取 用ENVI 5.0軟件提取蜜柚試驗區(qū)RGB 數(shù)字正射圖像中紅、綠、藍3個通道的像元值，分別記作R、G、B，然后計算不同類型圖像特征，總計包含6 個顏色特征、9 個植被指數(shù)和4 類紋理特征。其中，色調(diào)（hue）、飽和度（saturation）和亮度（intensity）基于色彩空間轉(zhuǎn)換后的HSV 圖像提取，植被指數(shù)用ENVI 軟件的Band Math 工具計算，紋理特征用ENVI 軟件中的Filter 工具提取。不同圖像特征的計算公式及含義如表1所示。

表1 圖像特征信息Tab.1 Information of image features

1.3.2 蜜柚冠層純像元提取 采用雙峰閾值法去除蜜柚試驗區(qū)RGB 數(shù)字正射圖像中的土壤背景和陰影[26]。首先，選取蜜柚冠層與非冠層（背景+陰影）兩類目標物（圖1a），統(tǒng)計生成像素直方圖；然后以兩類目標物像素直方圖峰值之間波谷對應的圖像特征值作為閾值去除背景和陰影。本文統(tǒng)計了表1 所列出的所有圖像特征的像素直方圖（結(jié)果未列出），發(fā)現(xiàn)超綠植被指數(shù)（ExG）在蜜柚冠層與非冠層中差異最顯著，像素直方圖中波谷處的像元數(shù)量最?。▓D1b），其對應的ExG值為48。因此，以ExG＜48為閾值去除背景和陰影，提取蜜柚冠層純像元。

圖1 金沙柚RGB圖像（a）及超綠植被指數(shù)（ExG）像元數(shù)量分布直方圖（b）Fig.1 Jinsha pomelo RGB image（a）and statistical histogram of ExG（b）

1.3.3 感興趣區(qū)選取 感興趣區(qū)（region of interest，ROI）選取是無人機遙感中構(gòu)建監(jiān)測模型的重要步驟。前人用無人機平臺監(jiān)測植物生長參數(shù)時，較少比較過不同ROI選取模式對監(jiān)測效果的影響。當前，圖像ROI 選取模式主要可概述為葉片ROI 模式和冠層/小區(qū)ROI 模式兩類。前者常見于近地面平臺，主要以葉片為ROI 構(gòu)建監(jiān)測模型[27]；后者常見于無人機平臺，主要以整棵果樹樹冠或整個田間小區(qū)為ROI構(gòu)建監(jiān)測模型[28-29]。本文分別基于葉片ROI和冠層ROI兩種模式選取感興趣區(qū)構(gòu)建監(jiān)測模型。葉片ROI模式下，利用人工目視選取蜜柚RGB圖像中顏色較淺的未成熟葉片作為上部葉位ROI（A：紅圈），選擇外圍顏色較深的成熟葉片作為中下部葉位ROI（B：藍圈），分別與取樣時獲取的上部葉位樣本LCC 及中下部葉位樣本LCC 構(gòu)建監(jiān)測模型（圖2a）。為方便比較，保證兩種模式下建模和檢驗樣本數(shù)量一致，冠層ROI 模式下，以冠層中心為界，分別選擇東半部分冠層（C：紅圈）和西半部分冠層（D：藍圈）作為ROI，與整棵果樹葉片樣本LCC的平均值建立監(jiān)測模型（圖2b）。

圖2 感興趣區(qū)選取模式Fig.2 Region of interest（ROI）selection mode.（a）Leaf ROI mode，（b）Canopy ROI mode

1.3.4 模型構(gòu)建與檢驗 采用等距抽樣法篩選建模樣本和檢驗樣本[30]。在每個生育時期將選取的21 棵采樣果樹按照施氮水平從小到大排序，根據(jù)建?！脵z驗=2∶1 的比例進行等間距抽樣，最終獲取84 個建模樣本和42 個檢驗樣本。基于建模樣本，用SPSS 20 軟件分析不同圖像特征與LCC 之間的相關(guān)性，根據(jù)相關(guān)系數(shù)大小評價不同圖像特征的監(jiān)測效果并篩選敏感圖像特征；然后擬合敏感圖像特征與LCC之間的線性方程，通過比較擬合方程決定系數(shù)（coefficient of determination，R2）確定最優(yōu)圖像特征并建立監(jiān)測模型。利用檢驗樣本對建立的監(jiān)測模型進行檢驗，通過計算預測值與實測值之間的歸一化均方根誤差（normalized root mean square error，nRMSE）檢驗監(jiān)測模型的精確度[31]，通過計算偏差（bias）判斷模型高估或低估[32]。

式中，n為樣本數(shù)，Pi為LCC 預測值，Oi為LCC 實測值，max（O）為檢驗樣本中所有LCC 實測值的最大值，min（O）為檢驗樣本中所有LCC實測值的最小值。

2 結(jié)果與分析

2.1 不同施氮水平下的金沙柚冠層LCC變化特征

表2 展示了不同施氮水平下的金沙柚冠層上部和中下部葉片葉綠素含量（LCC）的變化特征。由表2 可知，冠層中下部的LCC 較上部高。在開花期，冠層上部和中下部的LCC 平均值分別為1.28 mg/g、1.45 mg/g；在幼果期，冠層上部和中下部的LCC 平均值分別為1.09 mg/g、1.98 mg/g；在果實膨大期，冠層上部和中下部的LCC 平均值分別為2.02 mg/g、2.44 mg/g。施氮量對金沙柚LCC 有影響但表現(xiàn)不明顯，LCC 總體隨施氮量的增加而升高。如幼果期上部葉位N0 至N6 的LCC 分別為0.90，0.95，1.02，1.09，1.09，1.33，1.23 mg/g。LCC 隨生育時期變化比較明顯，如中下部葉位開花期、幼果期和果實膨大期的LCC 分別為1.45、1.98、2.44 mg/g。綜合比較發(fā)現(xiàn)，葉位和生育時期對LCC 的影響顯著，施氮量對LCC 存在影響，但與葉位和生育時期的影響相比不顯著。

表2 不同施氮水平下的金沙柚LCC變化特征Tab.2 Change of Jinsha pomelo LCC under different fertilizer-N application rates

2.2 不同圖像特征與金沙柚LCC之間的相關(guān)性

表3 展示了不同ROI 模式、不同生育時期，圖像特征與金沙柚LCC 之間的相關(guān)性。結(jié)果顯示，葉片ROI模式下圖像特征與LCC之間的相關(guān)性較高。不同圖像特征相比，6個顏色特征中，紅光值（R）與LCC之間的相關(guān)性最高，兩種ROI模式下其在開花期、幼果期、果實膨大期及全生育期（開花期+幼果期+果實膨大期，下同）均與LCC 表現(xiàn)為極顯著相關(guān)。9個植被指數(shù)中，超紅植被指數(shù)（ExR）表現(xiàn)優(yōu)于其他植被指數(shù)，兩種ROI模式下，其在所有單生育時期和全生育期均與LCC表現(xiàn)為極顯著相關(guān)。4個紋理特征中，基于紅光波段提取的均值（MEA-R）表現(xiàn)較好，葉片ROI下，其在所有單生育期和全生育期均與LCC表現(xiàn)為極顯著相關(guān)；冠層ROI 模式下，其在幼果期、果實膨大期和全生育期與LCC 表現(xiàn)出極顯著相關(guān)。綜合比較上述3個圖像特征，發(fā)現(xiàn)超紅植被指數(shù)（ExR）表現(xiàn)最好，葉片ROI模式下，其與LCC 之間的相關(guān)系數(shù)在開花期、幼果期、果實膨大期和全生育期分別為-0.747、-0.955、-0.845 和-0.914；冠層ROI 模式下，其與LCC 之間的相關(guān)系數(shù)在上述4 個時期分別為-0.678、-0.684、-0.644 和-0.762。不同生育時期相比較，超紅植被指數(shù)（ExR）在幼果期和全生育期表現(xiàn)較好。

表3 圖像特征與金沙柚LCC之間的相關(guān)性Tab.3 Relationships between image features and Jinsha pomelo LCC

2.3 基于圖像特征的金沙柚LCC監(jiān)測模型構(gòu)建

利用建模樣本分別基于紅光值（R）、超紅植被指數(shù)（ExR）和均值（MEA-R）構(gòu)建金沙柚LCC 監(jiān)測模型，并用檢驗數(shù)據(jù)進行檢驗。結(jié)果（表4）顯示，葉片ROI 模式下，基于R 構(gòu)建的監(jiān)測模型在開花期、幼果期、果實膨大期和全生育期的決定系數(shù)（R2）分別為0.66、0.81、0.58和0.72；基于ExR構(gòu)建的監(jiān)測模型在上述時期的R2分別為0.55、0.91、0.71 和0.83；基于MEA-R 構(gòu)建的監(jiān)測模型在上述時期的R2分別為0.66、0.81、0.58 和0.72。冠層ROI 模式下，基于R 構(gòu)建的監(jiān)測模型在上述時期的R2分別為0.59、0.44、0.62 和0.32；基于ExR 構(gòu)建的監(jiān)測模型在上述時期的R2分別為0.30、0.47、0.60 和0.48；基于MEA-R 構(gòu)建的監(jiān)測模型在上述時期的R2分別為0.52、0.32、0.52和0.48?？傮w來看，葉片ROI模式下構(gòu)建的LCC 監(jiān)測模型精度較冠層ROI模式下構(gòu)建的監(jiān)測模型高。圖3具體展示了基于上述3個圖像特征構(gòu)建的LCC 監(jiān)測模型。由圖3 可知，葉片ROI 模式下（圖3a、圖3b、圖3c），不同生育時期的LCC 監(jiān)測模型趨勢基本一致，和冠層ROI模式下構(gòu)建的監(jiān)測模型相比較（圖3d、圖3e、圖3f），更有利于建立全生育期通用模型，對不同生育時期LCC進行監(jiān)測。

圖3 基于不同圖像特征的金沙柚LCC監(jiān)測模型Fig.3 Estimation models of Jinsha pomelo leaf chlorophyll content（LCC）based on different image features

2.4 基于圖像特征的金沙柚LCC監(jiān)測模型檢驗

利用檢驗數(shù)據(jù)對基于紅光值（R）、超紅植被指數(shù)（ExR）和均值（MEA-R）構(gòu)建的LCC監(jiān)測模型進行檢驗。結(jié)果顯示（表4），在葉片ROI模式下，LCC 監(jiān)測模型精度較高，如全生育期基于R、ExR、MEA-R 構(gòu)建的LCC監(jiān)測模型檢驗歸一化均方根誤差（nRMSE）分別為0.33、0.24和0.33；在冠層ROI模式下，基于上述3個圖像特征構(gòu)建的LCC監(jiān)測模型的nRMSE分別為0.27、0.27和0.32。3個圖像特征相比，基于ExR構(gòu)建的LCC監(jiān)測模型精度最高，在葉片ROI模式下，其在開花期、幼果期、果實膨大期和全生育期的nRMSE分別為0.20、0.21、0.15 和0.24，bias分別為0.01、0.04、-0.09 和0.01；冠層ROI 模式下，其在上述時期的nRMSE分別為0.11、0.15、0.22和0.27，bias分別為0.07、-0.09、0.08和0.05。綜上所述，在利用無人機RGB圖像構(gòu)建井岡蜜柚LCC 監(jiān)測模型時，在葉片ROI模式下，可基于ExR 構(gòu)建精度和通用性較高的全生育期監(jiān)測模型。圖4展示了兩種ROI模式下（葉片ROI模式為圖4a、圖4b、圖4c；冠層ROI模式為圖4d、圖4e、圖4f），分別基于R、ExR和MEA-R構(gòu)建的LCC監(jiān)測模型的檢驗效果。由圖4可知，在葉片ROI模式下，不同生育時期之間的通用性表現(xiàn)較好，且模型的可預測數(shù)值范圍更大。

圖4 基于不同圖像特征的金沙柚LCC監(jiān)測模型檢驗Fig.4 Validation of Jinsha pomelo leaf chlorophyll content（LCC）estimation models based on different image features

表4 基于圖像特征的金沙柚LCC監(jiān)測模型構(gòu)建和檢驗Tab.4 Calibration and validation of Jinsha pomelo LCC estimation models based on image features

2.5 果園金沙柚冠層葉綠素分布

圖5 展示了葉片和冠層ROI 模式下，基于ExR 構(gòu)建的金沙柚LCC 監(jiān)測模型反演的果園金沙柚冠層LCC分布。如圖所示，基于葉片ROI模式構(gòu)建的LCC監(jiān)測模型反演金沙柚LCC時變異程度較大，整個展示區(qū)域內(nèi)LCC為0.8～2.7 mg/g；基于冠層ROI模式構(gòu)建的LCC監(jiān)測模型反演井岡蜜柚LCC時變異程度較小，整個展示區(qū)域內(nèi)LCC變化為1.0～2.4 mg/g。表明，葉片ROI模式下構(gòu)建的LCC監(jiān)測模型靈敏度更高。

圖5 葉片ROI模式（a）和冠層ROI模式下（b）監(jiān)測模型反演的金沙柚LCC分布Fig.5 Distribution of Jinsha pomelo LCC inverted by estimation models under leaf ROI mode（a）and canopy ROI mode（b）

3 討論

葉綠素是植物吸收、轉(zhuǎn)化光能合成有機物的主要物質(zhì)，其含量能反映植物光合能力和健康狀況[33]。利用無人機搭載數(shù)碼相機可對果園農(nóng)情信息進行快速獲取。

本文分析了不同圖像特征與金沙柚LCC 之間的相關(guān)性。發(fā)現(xiàn)顏色特征、植被指數(shù)和紋理特征3 類圖像特征中，與金沙柚LCC 相關(guān)性最高的為紅光值（R）、超紅植被指數(shù)（ExR）和基于紅光波段提取的均值（MEA-R）。根據(jù)前人研究，葉綠素、類胡蘿卜素、花青素以及其他色素主要對光譜中的可見光區(qū)域產(chǎn)生響應[31]。因此，基于可見光RGB圖像提取的圖像特征具有監(jiān)測金沙柚LCC的潛力。進一步分析上述3個圖像特征的構(gòu)成和提取過程，發(fā)現(xiàn)3個圖像特征均與紅光通道有關(guān)，其中包含紅光通道信息最多的超紅植被指數(shù)（ExR）監(jiān)測精度最高，這與前人研究結(jié)論一致[34]。由于葉綠素主要對紅光波段和藍光波段強烈吸收，而ExR 與其他圖像特征相比，進一步放大了圖像中的紅光信息，因而可被用于監(jiān)測LCC，尤其是在綠色葉片因色素缺失的黃綠轉(zhuǎn)化情景之中[35]。

感興趣區(qū)（ROI）選取對于金沙柚LCC 監(jiān)測模型構(gòu)建存在影響。本文比較了葉片ROI 和冠層ROI 兩種模式下金沙柚LCC監(jiān)測模型精度的變化。結(jié)果顯示，葉片ROI模式下的LCC監(jiān)測模型精度明顯升高。其主要原因在于以冠層為ROI時，將整個冠層作為一個混合像元進行處理，忽略了不同葉片之間LCC 的變化，僅反映不同柚樹之間由氮肥處理造成的LCC 差異。本研究表明，LCC 總體隨施氮量的增加而升高，葉位和生育時期對LCC 的影響大于施氮量對LCC 的影響。這與前人研究發(fā)現(xiàn)的施氮量對果樹葉片氮含量的影響相似[36-37]。因此，在利用RGB 圖像監(jiān)測LCC 時，冠層ROI 模式下的監(jiān)測模型精度會出現(xiàn)降低。但從本研究來看，利用無人機RGB 圖像選取ROI 時，需保證獲取到的RGB 圖像具有較高的空間分辨率才能基于葉片選取ROI。

當然，本研究建立的金沙柚LCC 監(jiān)測模型尚未考慮不同生態(tài)點、不同樹齡等因素的影響，可能會導致監(jiān)測模型在普適性方面存在局限。因此，今后還需在金沙柚主產(chǎn)區(qū)不同生態(tài)點采集不同樹齡的數(shù)據(jù)對模型進行優(yōu)化和完善，以提高監(jiān)測模型的適用性。

4 結(jié)論

本文基于不同施氮水平試驗數(shù)據(jù)，分析了無人機RGB 圖像中不同圖像特征與金沙柚LCC 之間的相關(guān)性并構(gòu)建監(jiān)測模型，主要結(jié)論如下：

（1）與金沙柚LCC相關(guān)性最高的RGB圖像特征為超紅植被指數(shù)（ExR）；（2）不同感興趣區(qū)（ROI）選取模式相比較，在葉片ROI模式下構(gòu)建的LCC 監(jiān)測模型精度高于在冠層ROI模式下構(gòu)建的LCC 監(jiān)測模型；（3）利用無人機RGB圖像監(jiān)測金沙柚LCC時，最佳的監(jiān)測模型為LCC=-0.01×ExR+2.83。

致謝：國家紅壤改良工程技術(shù)研究中心開放基金資助項目（2020NETRCRSI-16）和江西現(xiàn)代農(nóng)業(yè)科研協(xié)同創(chuàng)新專項（JXXTCXQN202214）同時對本研究給予了資助，謹致謝意！