甘蔗品種優(yōu)選及育種策略的信息化輔助決策

丘剛瑋

摘 要：信息化輔助決策是通過引入信息技術和數(shù)據(jù)分析方法，可加快育種進程，提高育種效率，且能更準確地選擇和改良作物品種。文章從信息化輔助決策在甘蔗品種選育中的應用潛力、信息化輔助決策方法的實現(xiàn)及信息化輔助決策應用分析等方面介紹了甘蔗品種優(yōu)選及育種策略信息化輔助決策的意義，并提出今后應進一步改進優(yōu)化：（1）完善數(shù)據(jù)集的構建與整理工作，提高數(shù)據(jù)的準確性和可靠性；（2）探索更多先進的信息化輔助決策方法，結合多目標優(yōu)化和約束優(yōu)化方法實現(xiàn)個性化的決策支持；（3）研究甘蔗品種的遺傳背景和基因組學特征，為甘蔗育種提供更深入的理論基礎和技術支持；（4）加強與農(nóng)業(yè)其他領域的交流合作，將信息化輔助決策方法應用于實際甘蔗育種場景，進一步提升甘蔗育種的效率。

關鍵詞：甘蔗；品種優(yōu)選；育種策略；信息化輔助決策

中圖分類號：S126? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標志碼：A 文章編號：2095-820X（2023）04-0024-06

0 引言

甘蔗（Saccharum officinarum L.）是一種重要的經(jīng)濟作物，廣泛種植于亞熱帶和熱帶地區(qū)，是世界上重要的糖料作物之一［1，2］。甘蔗具有產(chǎn)量高、糖含量高及適應性廣的特點，對促進農(nóng)民增收、推動農(nóng)業(yè)發(fā)展及緩減全球能源壓力具有重要意義［2］。然而，甘蔗品種的優(yōu)選和育種策略面臨著許多挑戰(zhàn)，包括：（1）甘蔗遺傳背景復雜，基因組巨大，導致傳統(tǒng)的育種方法效率較低；（2）甘蔗的生長環(huán)境和生理特性對品種選擇和育種策略提出了更高要求；（3）市場對甘蔗品質和產(chǎn)量的要求不斷提高，需要更加優(yōu)良的品種以滿足市場需求。甘蔗品種優(yōu)選和育種策略的目標是通過選擇及挖掘優(yōu)良的遺傳資源，培育出產(chǎn)量高、抗病蟲害、適應性強的優(yōu)良品種［3］，但傳統(tǒng)的選育方法存在耗時費力且成本高等問題［4，5］，因此亟待探索出一種高效、準確的信息化輔助決策方法以提高甘蔗育種效率及品種選育的準確性。信息化輔助決策在甘蔗育種中的應用可借助現(xiàn)代信息技術，如數(shù)據(jù)挖掘、機器學習和人工智能等，對大量的甘蔗遺傳數(shù)據(jù)進行處理分析，輔助決策者制定更加科學、準確的品種選擇和育種策略，提高甘蔗育種效率，縮短新品種（系）培育周期及降低育種成本。信息化輔助決策在農(nóng)業(yè)領域已取得一系列重要的應用成果，如在作物品種選育、病蟲害防控和土壤肥力管理等方面［6，7］，但信息化輔助決策在甘蔗育種領域中的應用相對較薄弱。為此，本文通過引入信息技術和數(shù)據(jù)分析方法，結合甘蔗的遺傳背景及生長環(huán)境特點，構建針對甘蔗品種選育的信息化輔助決策系統(tǒng)，探索甘蔗品種優(yōu)選和育種策略的信息化輔助決策方法，為甘蔗育種領域的科學研究和實際生產(chǎn)提供指導，推動甘蔗品種改良及蔗糖產(chǎn)業(yè)的可持續(xù)發(fā)展。

1 信息化輔助決策在甘蔗品種選育中的應用潛力

傳統(tǒng)的甘蔗品種優(yōu)選和育種策略主要依賴于人工經(jīng)驗和實地觀察。決策者通過選擇具有優(yōu)良性狀的親本進行雜交，然后通過對后代的觀察和篩選以獲得優(yōu)良品種，但這種方法存在耗時、費力、成本高及主觀性較強等弊端，且甘蔗的遺傳背景復雜、基因組巨大，致使其育種效率較低。隨著信息技術的快速發(fā)展，農(nóng)業(yè)領域也開始廣泛應用信息化技術以提高生產(chǎn)效率和決策準確性，如利用遙感技術獲取農(nóng)田的生長情況及土壤水分狀況，利用物聯(lián)網(wǎng)技術實時監(jiān)測農(nóng)作物的生長環(huán)境等［8］。

信息化輔助決策通過引入信息技術和數(shù)據(jù)分析方法，可加快育種進程，提高育種效率，且能更準確地選擇和改良作物品種，目前已在作物育種領域取得良好的應用效果［6］。在水稻育種方面，利用基因組學與生物信息學方法結合大規(guī)模的遺傳數(shù)據(jù)及表型數(shù)據(jù)，可快速篩選出具有抗病蟲害、產(chǎn)量高和適應性強的優(yōu)良品種。此外，在玉米、小麥等作物育種過程中也有類似的研究與應用，并逐漸覆蓋到蔬菜、花卉和果樹育種等領域，表明信息化輔助決策在作物育種中具有巨大的應用潛力［6，9］。由此可見，甘蔗品種優(yōu)選及育種策略的信息化輔助決策將是今后甘蔗育種研究的熱點，在借鑒其他作物育種領域的成功經(jīng)驗與方法，結合甘蔗的遺傳背景和生長環(huán)境特點，開發(fā)出適用于甘蔗育種信息化輔助決策的方法，提高甘蔗育種效率和品種選育準確性，進而推動蔗糖產(chǎn)業(yè)的可持續(xù)發(fā)展。

2 信息化輔助決策方法的實現(xiàn)

2.1 數(shù)據(jù)采集與處理

信息化輔助決策的第一步是數(shù)據(jù)采集和處理（圖1）。在甘蔗育種中，數(shù)據(jù)采集涉及到多個方面，包括遺傳數(shù)據(jù)、表型數(shù)據(jù)和生長環(huán)境數(shù)據(jù)等，而這些數(shù)據(jù)可通過現(xiàn)代技術手段獲取，如基因測序及高通量表型分析等［10］。

2.1.1 遺傳數(shù)據(jù)采集

遺傳數(shù)據(jù)是甘蔗育種中至關重要的部分，包括甘蔗基因組信息、基因型數(shù)據(jù)和遺傳標記數(shù)據(jù)等。其中，基因組信息可通過基因測序技術獲取，如甘蔗基因組序列、基因位置信息等；基因型數(shù)據(jù)可通過分子標記技術獲取，如單核苷酸多態(tài)性（SNP）分子標記、簡單重復序列（SSR）分子標記等；遺傳標記數(shù)據(jù)可用于構建遺傳圖譜、遺傳連鎖圖和關聯(lián)分析等。

2.1.2 表型數(shù)據(jù)采集

表型數(shù)據(jù)是指甘蔗的性狀表現(xiàn)，包括產(chǎn)量、糖含量及抗病性等。表型數(shù)據(jù)的采集主要通過田間觀察、實驗室測定和高通量表型分析等方法。其中，田間觀察可直接記錄甘蔗的生長情況、葉片形態(tài)、莖稈高度等；實驗室測定可進行甘蔗生化分析，如糖含量測定、抗病性評估等；高通量表型分析是利用先進的儀器設備，自動化測量大量甘蔗樣本的性狀，如高通量酚酸測定、高通量圖像分析等。

2.1.3 生長環(huán)境數(shù)據(jù)采集

生長環(huán)境數(shù)據(jù)是甘蔗生長過程中的環(huán)境因素數(shù)據(jù)，如溫度、濕度、光照及土壤水分等［3］，可通過氣象站、土壤傳感器、遙感技術等手段進行采集。其中，氣象站可記錄甘蔗生長地區(qū)的氣溫、降水量及日照時數(shù)等氣象數(shù)據(jù)；土壤傳感器可實時監(jiān)測土壤水分、土壤溫度和土壤養(yǎng)分等土壤條件；遙感技術是利用衛(wèi)星圖像獲取廣域范圍的生長環(huán)境數(shù)據(jù)，包括植被指數(shù)和土地利用類型等。

2.1.4 數(shù)據(jù)處理

數(shù)據(jù)采集后，需要進行數(shù)據(jù)處理和整理，以便后續(xù)的分析及應用。數(shù)據(jù)處理包括數(shù)據(jù)清洗、數(shù)據(jù)標準化和數(shù)據(jù)存儲等步驟。其中，數(shù)據(jù)清洗是為了排除異常值和錯誤數(shù)據(jù)，確保數(shù)據(jù)的準確性和可靠性；數(shù)據(jù)標準化可將不同來源或格式的數(shù)據(jù)轉化為統(tǒng)一格式，方便后續(xù)比較分析；數(shù)據(jù)存儲是利用數(shù)據(jù)庫或云平臺等方式，實現(xiàn)數(shù)據(jù)管理與共享。在數(shù)據(jù)采集和處理過程中，還需要注意數(shù)據(jù)的安全保護。尤其是甘蔗育種涉及到大量敏感數(shù)據(jù)，如基因組信息和遺傳標記數(shù)據(jù)，必須采取相應措施以確保數(shù)據(jù)的安全性。

2.2 特征提取與選擇

特征提取與選擇是甘蔗品種優(yōu)選及育種策略信息化輔助決策的重要環(huán)節(jié)，是通過統(tǒng)計分析、機器學習和圖像處理等方法進行特征提取，再利用統(tǒng)計方法、機器學習和領域知識進行特征選擇，可提取出最具有代表性和預測能力的特征［11］，為甘蔗品種優(yōu)選及育種策略的決策提供科學依據(jù)。

2.2.1 特征提取

特征提取是從原始數(shù)據(jù)中提取出具有代表性和區(qū)分性的特征，以描述甘蔗的性狀和特性。在甘蔗育種中，需要利用統(tǒng)計分析、機器學習和圖像處理等方法進行特征提取［12］。首先，統(tǒng)計分析方法可計算甘蔗的平均值、方差、相關系數(shù)等統(tǒng)計特征，有助于了解甘蔗的平均水平、變異程度及不同特征間的相關性。其次，機器學習方法可通過訓練模型來學習和提取與目標變量相關的特征。如使用監(jiān)督學習算法能將甘蔗的性狀和特性作為輸入變量，將目標變量（產(chǎn)量、抗病性等）作為輸出變量，訓練模型來模擬學習特征與目標變量間的關系。在訓練過程中，模型還可以自動選擇和提取與目標變量相關的特征。此外，圖像處理方法可通過對甘蔗圖像進行處理分析，提取出與生長狀態(tài)和形態(tài)特征相關的信息，如測量甘蔗的葉片面積、葉片顏色、葉脈密度等特征，而掌握其生長狀態(tài)和形態(tài)特征。

2.2.2 特征選擇

特征選擇是從提取得到的特征中篩選出最具預測能力和解釋性的特征，以減少特征的維度和冗余，提高模型的效果和解釋性，其方法包括統(tǒng)計方法、機器學習和領域知識等。其中，統(tǒng)計方法包括相關系數(shù)、方差分析等，可評估特征與目標變量間的相關性和顯著性。機器學習是通過特征重要性評估或特征選擇算法篩選出最具預測能力的特征，如使用決策樹模型或隨機森林模型評估特征的重要性，并根據(jù)重要性排序選擇前幾個重要的特征；也可使用特征選擇算法，如LASSO（Least absolute shrinkage and selection operator）和遞歸特征消除等，通過迭代過程選擇最具預測能力的特征。此外，領域知識也常用于特征選擇。根據(jù)對甘蔗生長和性狀的理解，可選擇與目標變量相關的特征。

2.3 模型構建與優(yōu)化

在甘蔗品種優(yōu)選及育種策略的信息化輔助決策中，模型的構建與優(yōu)化是關鍵。模型構建是根據(jù)已有的數(shù)據(jù)和特征，建立數(shù)學模型以描述甘蔗的性狀和特性與遺傳背景間的關系，常用模型有線性回歸模型、決策樹模型、支持向量機模型及神經(jīng)網(wǎng)絡模型等。由于不同模型類型對數(shù)據(jù)的擬合能力和解釋性有所不同，因此需根據(jù)具體問題和數(shù)據(jù)特點選擇適宜的模型類型。以預測甘蔗產(chǎn)量為目標時，可選擇線性回歸模型；若目標是分類甘蔗的抗病性，則選擇決策樹或支持向量機模型。在選擇模型類型后，還需要根據(jù)已有的數(shù)據(jù)和特征進行模型訓練。模型訓練的目標是通過調整模型參數(shù)，使其能更好地擬合已有的數(shù)據(jù)，常用的訓練方法包括最小二乘法和梯度下降法等。此外，在訓練過程中可使用交叉驗證方法評估模型的性能及其最佳參數(shù)組合。

模型優(yōu)化可通過參數(shù)調整、特征選擇和模型評估等方法來實現(xiàn)。參數(shù)調整是通過調整模型參數(shù)，使其能更好地擬合數(shù)據(jù)和預測目標變量，常用方法有網(wǎng)格搜索和交叉驗證。其中，網(wǎng)格搜索是通過遍歷參數(shù)空間中的所有可能組合，而選擇最優(yōu)參數(shù)組合；交叉驗證是將數(shù)據(jù)集劃分為訓練集和驗證集，在不同的參數(shù)組合下進行多次訓練和驗證，選擇具有最佳性能的參數(shù)組合。特征選擇是從已有的特征中篩選出最具預測能力的特征，以減少特征的維度和冗余，提高模型的效果和解釋性，通常通過統(tǒng)計方法、機器學習和領域知識等來實現(xiàn)。模型評估是通過各種評價指標來評估模型的性能和穩(wěn)定性，常用評價指標包括均方根誤差（RMSE）、準確率和召回率等。通過評估模型的性能，可有效判斷模型是否具有足夠的預測能力和泛化能力，并進行必要的調整和改進。

2.4 決策支持系統(tǒng)的設計與實現(xiàn)

甘蔗品種優(yōu)選及育種策略信息化輔助決策支持系統(tǒng)的設計是為決策者提供科學、準確的決策支持，并基于數(shù)據(jù)采集與處理、特征提取與選擇、模型構建與優(yōu)化等提供在線決策功能（圖2），該系統(tǒng)的設計與實現(xiàn)需要考慮以下幾個方面：①數(shù)據(jù)管理和處理。決策支持系統(tǒng)應有效管理和處理甘蔗品種相關數(shù)據(jù)，包括建立數(shù)據(jù)庫用于存儲和組織數(shù)據(jù)，確保數(shù)據(jù)的完整性和一致性。同時，決策支持系統(tǒng)應具備數(shù)據(jù)清洗、轉換和集成的能力，以確保數(shù)據(jù)的質量和可用性。②特征提取與選擇。決策支持系統(tǒng)需要從大量的甘蔗品種數(shù)據(jù)中提取有用的特征，并進行特征選擇以減少冗余和噪音，基于統(tǒng)計方法、機器學習和領域知識來提取與決策目標相關的關鍵特征，提高決策的準確性。③模型構建與優(yōu)化。決策支持系統(tǒng)應根據(jù)甘蔗品種優(yōu)選及育種策略的需求，選擇適宜的數(shù)學模型，如線性回歸模型、決策樹模型、支持向量機模型、神經(jīng)網(wǎng)絡模型等，通過參數(shù)調整、特征選擇和模型評估等提高模型的預測能力和泛化能力。④決策支持功能。決策支持系統(tǒng)需要提供多元化的決策支持功能，以滿足決策者的不同需求，包括甘蔗品種的推薦和排序功能等［13］。在基于模型預測分析的基礎上，為決策者提供所需的信息和建議，并根據(jù)反饋意見進行動態(tài)調整及優(yōu)化。⑤技術支持和用戶界面。決策支持系統(tǒng)要提供直觀友好的用戶界面，確保用戶能便捷地理解和使用系統(tǒng)功能，提供易于操作和導航的技術支持，同時要提供幫助文檔、培訓材料和技術支持渠道，以解決用戶在使用過程中遇到的問題和困惑。

決策支持系統(tǒng)的實現(xiàn)需要借助現(xiàn)代信息技術，如云計算、大數(shù)據(jù)分析和人工智能等。其中，云計算可提供強大的計算和存儲能力，支持系統(tǒng)的擴展和靈活性；大數(shù)據(jù)分析技術能處理大規(guī)模的甘蔗品種數(shù)據(jù)，提供高效的數(shù)據(jù)管理和分析能力［14］；人工智能則主要用于模型構建與優(yōu)化，以及決策支持功能的實現(xiàn)。通過合理的數(shù)據(jù)管理和處理、特征提取與選擇、模型構建與優(yōu)化，以及多元化的決策支持功能，可建立一個科學、準確的決策支持系統(tǒng)，為甘蔗品種優(yōu)選及育種策略提供有力支持。同時，借助現(xiàn)代信息技術的應用可提高系統(tǒng)性能及用戶體驗感，促進決策的科學化和智能化。

3 信息化輔助決策應用分析

3.1 數(shù)據(jù)集的構建與整理

在甘蔗品種優(yōu)選及育種策略的信息化輔助決策中，數(shù)據(jù)集的質量和完整性直接影響后續(xù)決策的準確性和可靠性。首先，需要系統(tǒng)收集與甘蔗品種相關的數(shù)據(jù)，包括甘蔗的生長環(huán)境數(shù)據(jù)、品種特征數(shù)據(jù)和生長過程監(jiān)測數(shù)據(jù)等，而數(shù)據(jù)的來源可通過實地觀測、實驗室測量及傳感器監(jiān)測等途徑。收集到的數(shù)據(jù)盡可能全面和準確，并覆蓋不同品種和不生長環(huán)境的多樣性。其次，對收集的數(shù)據(jù)進行整理和清洗，包括去除重復數(shù)據(jù)、處理缺失值及處理異常值等；同時需要對數(shù)據(jù)進行標準化或歸一化處理，以確保不同特征間的可比性和一致性，為后續(xù)的決策分析打下基礎。

3.2 信息化輔助決策方法的實施與評估

在數(shù)據(jù)集構建與整理完成后，可開始實施和評估信息化輔助決策方法，基于機器學習、數(shù)據(jù)挖掘和統(tǒng)計分析等技術提取模式、建立預測模型，然后通過特征提取和選擇從數(shù)據(jù)集中提取與甘蔗品種優(yōu)選及育種策略相關的特征，一般通過統(tǒng)計分析、特征工程和領域知識等方式來實現(xiàn)。提取到的特征應反映甘蔗品種的生長特性、抗病性及產(chǎn)量等重要信息，并建立預測模型對甘蔗品種進行評估和預測，常用的預測模型包括線性回歸模型、決策樹模型、支持向量機模型和神經(jīng)網(wǎng)絡模型等［15］。這些模型可根據(jù)特征和標簽數(shù)據(jù)進行訓練，并用于預測甘蔗新品種的性能表現(xiàn)。此外，基于決策樹、規(guī)則推理等方法設計決策支持規(guī)則，輔助決策者進行最優(yōu)品種選擇及育種策略的制定。信息化輔助決策的評估可采用交叉驗證、誤差分析及指標評估等方法，評估模型的預測能力和決策支持的準確性，并與傳統(tǒng)的決策方法進行比較，驗證信息化輔助決策方法的優(yōu)勢和效果。

3.3 信息化輔助決策方法的驗證

在實施和評估信息化輔助決策方法后，需要對評估結果進行驗證，包括對預測模型性能分析及評估模型的準確性、穩(wěn)定性和泛化能力，同時對決策支持規(guī)則有效性進行評估，判斷其對決策結果的影響及貢獻。結果分析還可探討不同特征對甘蔗品種優(yōu)選及育種策略的影響程度，尤其是通過特征重要性分析及相關分析可確定哪些特征對決策結果有重要影響，從而進一步優(yōu)化決策支持系統(tǒng)的設計與實現(xiàn)。此外，需要對不同決策的策略效果進行比較。基于不同目標函數(shù)和約束條件，設計并實施不同決策方案，對其效果進行評估，有助于決策者了解不同策略的利弊，為甘蔗品種優(yōu)選及育種提供更科學的決策支持。

4 展望

信息化輔助決策在甘蔗育種中具有廣闊的應用前景。首先，信息化輔助決策可提供全面、準確的數(shù)據(jù)支持，幫助決策者更好地了解甘蔗品種的特性和生長環(huán)境，從而做出更科學、有效的決策。其次，信息化輔助決策方法是利用大數(shù)據(jù)分析和機器學習等技術挖掘隱藏在數(shù)據(jù)中的模式和規(guī)律，通過建立預測模型和決策支持規(guī)則可預測甘蔗品種性能及優(yōu)化育種策略，提供個性化的決策建議。此外，信息化輔助決策可提高決策的效率和準確性，如通過自動化和智能化的決策支持系統(tǒng)能快速進行大規(guī)模的數(shù)據(jù)處理和決策分析，減少人工決策的主觀誤差。

甘蔗品種優(yōu)選及育種策略信息化輔助決策還需從以下幾個方面進一步改進優(yōu)化：（1）完善數(shù)據(jù)集的構建與整理工作。收集更多、更全面的甘蔗品種相關數(shù)據(jù)，包括不同地區(qū)、不同生長條件下的數(shù)據(jù)，并加強數(shù)據(jù)質量控制，提高數(shù)據(jù)的準確性和可靠性。（2）探索更多先進的信息化輔助決策方法。引入深度學習和神經(jīng)網(wǎng)絡等技術以提高預測模型的性能及精準度，同時結合多目標優(yōu)化和約束優(yōu)化方法實現(xiàn)個性化的決策支持。（3）研究甘蔗品種的遺傳背景和基因組學特征，結合基因測序和基因表達數(shù)據(jù)，探索基于基因組學的信息化輔助育種方法，為甘蔗育種提供更深入的理論基礎和技術支持。（4）加強與農(nóng)業(yè)其他領域的交流合作，將信息化輔助決策方法應用于實際甘蔗育種場景，與農(nóng)業(yè)專家、育種者及決策者密切合作，將研究成果轉化為實際生產(chǎn)力，進一步提升甘蔗育種的效率。

參考文獻

［1］ 胡水鳳. 轉基因技術在我國現(xiàn)代農(nóng)業(yè)和甘蔗產(chǎn)業(yè)中的應用［J］. 廣西糖業(yè)，2022，42（6）：1-4.

［2］ 李楊瑞. 廣西甘蔗生產(chǎn)中的主要問題及幾點建議［J］. 廣西糖業(yè)，2020，40（4）：3-7.

［3］ 唐偉萍，黃欣，陳泳锨. 基于深度學習的甘蔗生長監(jiān)測模型設計［J］. 廣西糖業(yè)，2023，43（3）：14-19.

［4］ 楊榮仲，周會，唐仕云，等. 廣西甘蔗育種思考［J］. 中國糖料，2021，43（3）：18-27.

［5］ 付瑜華，盧加舉，李向勇. 甘蔗主要病害抗病遺傳育種研究進展［J］. 生物技術通報，2014（2）：1-6.

［6］ 劉忠強. 作物育種輔助決策關鍵技術研究與應用［D］.北京：中國農(nóng)業(yè)大學，2016.

［7］ 孫建龍. 信息技術在農(nóng)機技術推廣中的應用探究［J］. 山東農(nóng)機化，2023（5）：40-42.

［8］ 黃欣，趙志剛，萬榮澤. 面向精細農(nóng)業(yè)的無線傳感器網(wǎng)絡關鍵技術研究［J］. 農(nóng)機化研究，2017，39（11）：208-211.

［9］ 秦丹丹，董靜，許甫超，等. 分子育種時代的作物種質資源創(chuàng)新與利用［J］. 大麥與谷類科學，2016，33（3）：1-4.

［10］ 董春水，才卓. 高通量數(shù)據(jù)采集技術在現(xiàn)代玉米育種中的應用［J］. 玉米科學，2014，22（1）：1-6.

［11］ 劉忠強，趙向宇，王開義，等. 基于序相關的作物育種評價性狀特征選擇方法［J］. 農(nóng)業(yè)機械學報，2015，46（S1）：283-289.

［12］ 楊萬能. 水稻產(chǎn)量相關性狀參數(shù)自動提取的數(shù)字化技術研究［D］. 武漢：華中科技大學，2011.

［13］ 黃震華，張佳雯，田春岐，等. 基于排序學習的推薦算法研究綜述［J］. 軟件學報，2016，27（3）：691-713.

［14］ 樊龍江，王衛(wèi)娣，王斌，等. 作物育種相關數(shù)據(jù)及大數(shù)據(jù)技術育種利用［J］. 浙江大學學報（農(nóng)業(yè)與生命科學版），2016，42（1）：30-39.

［15］ 池濤，曹廣溥，李丙春，等. 基于高光譜數(shù)據(jù)和SVM方法的土壤鹽漬度反演［J］. 山東農(nóng)業(yè)大學學報（自然科學版），2018，49（4）：585-590.

（責任編輯 蘭宗寶）