本發(fā)明涉及棉花檢測領(lǐng)域，更具體而言，本發(fā)明涉及棉花全生育期冠層SPAD(“土壤作物分析儀器開發(fā)”的縮寫，Soil and Plant Analyzer Development)值遙感估算及估算模型構(gòu)建方法。

背景技術(shù)：

葉綠素是植物光合作用中最主要的色素，也是植物與外界進(jìn)行能量交換的重要物質(zhì)。葉綠素含量與植株光合能力、發(fā)育階段和氮素狀況密切相關(guān)，已經(jīng)成為評價植物長勢的一種有效手段，對植物葉綠素含量的實(shí)時監(jiān)測有著重要的意義^[1]。SPAD值是一個相對葉綠素含量讀數(shù)，可用作植物單位面積的葉綠素含量^[2]。通常采用SPAD-502葉綠素儀測量植物SPAD值，該儀器通過測量葉子對兩個波長段里的吸收率，來評估當(dāng)前葉子中的葉綠素的相對含量，它已成為當(dāng)前全世界測量葉綠素的常用方法^[3]。研究表明，葉綠素含量與葉片反射率之間存在高度相關(guān)性。因此，近年來，基于高光譜預(yù)測葉綠素含量的研究在國內(nèi)外得到了廣泛地展開。

高光譜遙感具有光譜分辨率高(<10nm)、波段連續(xù)性強(qiáng)、光譜信息量大等特點(diǎn)，其分辨率低于一般地表物質(zhì)的半吸收寬度(約20--40nm)。而逐步成熟的植被高光譜分析算法，為更準(zhǔn)確地探測植被精細(xì)光譜信息、描述各關(guān)鍵生育時期的光譜變化特征、定量反演棉花SPAD值、建立棉花生長信息定量模型提供了可能。

已有研究表明，對作物的近紅外光譜分析中，偏最小二乘算法方法的預(yù)測效果優(yōu)于一般線性模型，且對連續(xù)光譜分析有明顯的優(yōu)勢^[4,5]。偏最小二乘(PLS)回歸分析方法是集多元線性回歸分析、典型相關(guān)分析和主成分分析的基本功能為一體的一種新型多元統(tǒng)計數(shù)據(jù)分析方法，能有效克服一般最小二乘回歸分析方法無法解決的難題。本發(fā)明運(yùn)用PLSR構(gòu)建了棉花全生育期冠層光譜的SPAD預(yù)測模型。

目前國內(nèi)外植被高光譜分析算法研究大多集中在水稻^[6]、小麥^[6]、油菜^[3,8]等糧油作物，對棉花研究的相對較少。國內(nèi)對棉花的研究區(qū)主要集中在我國的新疆干旱地區(qū)^[9-11]，而對于渭北旱塬區(qū)棉花冠層葉片葉綠素含量的研究極少見到。渭北旱塬區(qū)地處陜北丘陵溝壑區(qū)的南部、關(guān)中平原的北部，是陜西省重要的農(nóng)業(yè)基地，因此選取渭北旱塬區(qū)的重要的經(jīng)濟(jì)作物棉花為對象開展研究工作，這對解決當(dāng)?shù)丶Z食問題、農(nóng)民增收和加快農(nóng)村經(jīng)濟(jì)發(fā)展有著重要的戰(zhàn)略意義。同時，以往對棉花冠層葉綠素的研究由于天氣條件限制和實(shí)驗(yàn)條件有限等因素，往往是針對關(guān)鍵生育期的估測，尚未有全生育期的估測，故本發(fā)明以全生育期詳實(shí)的田間棉花基礎(chǔ)數(shù)據(jù)建模，來進(jìn)一步提高估測模型的可靠性，為棉花長勢的高光譜遙感監(jiān)測提供依據(jù)。

參考文獻(xiàn)

[1]姚霞,吳華兵,朱艷,田永超,周治國,曹衛(wèi)星.棉花功能葉片色素含量與高光譜參數(shù)的相關(guān)性研究[J].棉花學(xué)報,2007,19(4):267～272.

[2]趙艷茹,余克強(qiáng),李曉麗,何勇.基于高光譜成像的南瓜葉片葉綠素分布可視化研究[J].光譜學(xué)與光譜分析,2014,34(5):1378～1382

[3]丁希斌,劉飛,張初,何勇.基于高光譜成像技術(shù)的油菜葉片SPAD值檢測[J].光譜學(xué)與光譜分析,2015,(2):486～491

[4]楊國棟.基于變量篩選的偏最小二乘回歸方法及其應(yīng)用[D].中南大學(xué),2013.

[5]王紀(jì)華,黃文江,勞彩蓮,張錄達(dá),羅長兵,王韜,劉良云,宋曉宇,馬智宏.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

[6]陳君穎,田慶久,施潤和.水稻葉片葉綠素含量的光譜反演研究[J].遙感信息,2005,(6):12～16.

[7]賀可勛,趙書河,來建斌,羅云霄,覃志豪.水分脅迫對小麥光譜紅邊參數(shù)和產(chǎn)量變化的影響[J].光譜學(xué)與光譜分析,2013,33(8):2143～2147.

[8]李嵐?jié)?馬驛,魏全全,汪善勤,任濤,李小坤,叢日環(huán),王振,王少華,魯劍巍.基于高光譜的冬油菜植株氮素積累量監(jiān)測模型[J].農(nóng)業(yè)工程學(xué)報,2015,31(20):147～156

[9]蔣桂英.新疆棉花主要栽培生理指標(biāo)的高光譜定量提取與應(yīng)用研究[D].湖南農(nóng)業(yè)大學(xué),2004.

[10]黃春燕.基于高光譜數(shù)據(jù)的北疆棉花遙感監(jiān)測研究[D].石河子大學(xué),2005.

[11]王克如，潘文超，李少昆，等.不同施氨量棉花冠層高光譜特征研究[J].光譜學(xué)與光譜分析.2011,31(7):1868-1872.

[12]程國鋒，竇慎，許瑋.渭北旱塬區(qū)氣溫變化與冬小麥物候的響應(yīng)[J].干旱地區(qū)農(nóng)業(yè)研究.2014(05):112-115.

[13]祁亞琴,呂新,陳冠文,林海榮,陳燕,楊坤.基于高光譜數(shù)據(jù)提取棉花冠層特征信息的研究[J].棉花學(xué)報,2011,23(2):167～171

[14]李粉玲,王力,劉京,常慶瑞.基于高分一號衛(wèi)星數(shù)據(jù)的冬小麥葉片SPAD值遙感估算[J].農(nóng)業(yè)機(jī)械學(xué)報,2015,46(9):273～281

[15]陸洪濤.偏最小二乘回歸數(shù)學(xué)模型及其算法研究[D].華北電力大學(xué),2014.

[16]秦占飛，常慶瑞，申健，等.引黃灌區(qū)水稻紅邊特征及SPAD高光譜預(yù)測模型[J].武漢大學(xué)學(xué)報(信息科學(xué)版).2016:1-8.

[17]袁杰.基于高光譜紅邊參數(shù)定量提取棉花冠層特征信息的研究[D].石河子大學(xué),2007.

技術(shù)實(shí)現(xiàn)要素：

鑒于此，本發(fā)明提供了一種棉花全生育期冠層SPAD值遙感估算模型構(gòu)建方法，包括以下步驟：選擇多個實(shí)驗(yàn)小區(qū)，在每個實(shí)驗(yàn)小區(qū)選擇多個樣點(diǎn)；分別于棉花的不同成長關(guān)鍵生育期進(jìn)行冠層光譜測量；每個樣點(diǎn)測多條完整曲線，最后取其均值作為該樣點(diǎn)的平均反射光譜，每個小區(qū)取多個樣點(diǎn)的反射光譜平均值作為該小區(qū)的反射光譜；在測定光譜的樣點(diǎn)處，選擇棉花冠層展開的第二、三片葉片進(jìn)行測量，每個樣點(diǎn)隨機(jī)測量多個SPAD值，取其平均值作為該樣點(diǎn)的冠層葉綠素值；將棉花原始冠層光譜反射率與葉片SPAD值進(jìn)行單相關(guān)分析；將棉花冠層光譜反射率作一階微分后與葉片SPAD值進(jìn)行相關(guān)分析；將選取的多種遙感光譜參數(shù)與SPAD值進(jìn)行相關(guān)分析，選取相關(guān)性最大的遙感光譜參數(shù)進(jìn)行建模。

優(yōu)選地，將得到的原始光譜進(jìn)行處理后得到光滑完整的光譜曲線，再對反射光譜做一階微分處理以消除噪聲影響、減小誤差。

優(yōu)選地，測量時避開葉脈部分，SPAD測量時間與光譜數(shù)據(jù)采集同步。

優(yōu)選地，選取對SPAD值相關(guān)性最顯著的特征光譜參數(shù)為自變量，對全生育期SPAD值作線性擬合，構(gòu)建模型。

優(yōu)選地，應(yīng)用預(yù)測模型偏最小二乘回歸法PLSR對全生育期的所有測試樣本的光譜特征參數(shù)建立棉花冠層葉片的SPAD預(yù)測模型。

優(yōu)選地，所述成長關(guān)鍵生育期包括：苗期、盛蕾期、盛花期、盛鈴期、吐絮期。

優(yōu)選地，所述棉花全生育期冠層SPAD值遙感估算模型構(gòu)建方法包括：利用檢驗(yàn)樣本對不同輸入變量的模型精度進(jìn)行檢驗(yàn)，采用決定系數(shù)R²、均方根誤差RMSE和回歸方程斜率三個指標(biāo)來檢驗(yàn)全生育期模型的預(yù)測能力，決定系數(shù)R²和斜率絕對值越接近1，RMSE值越小，則預(yù)測模型精度越高。

本發(fā)明還提供了一種棉花全生育期冠層SPAD值遙感估算方法，包括利用根據(jù)上述方法構(gòu)建的模型來估算棉花全生育期冠層SPAD值。

根據(jù)在下文中所描述的附圖和實(shí)施例，本發(fā)明的這些和其它方面將是清楚明白的，并且將參考在下文中所描述的實(shí)施例而被闡明。

附圖說明

將參考附圖中所說明的優(yōu)選實(shí)施例而在下文中更詳細(xì)地解釋本發(fā)明。

圖1示出了根據(jù)本發(fā)明實(shí)施例的棉花葉片SPAD與冠層原始光譜的相關(guān)性。

圖2示出了根據(jù)本發(fā)明實(shí)施例的棉花葉片SPAD與冠層一階微分光譜的相關(guān)性。

圖3示出了根據(jù)本發(fā)明實(shí)施例的葉片SPAD預(yù)測值與實(shí)測值分布。

具體實(shí)施方式

以下結(jié)合附圖詳細(xì)描述本發(fā)明的優(yōu)選實(shí)施例。

1材料與方法

1.1研究區(qū)概況

試驗(yàn)于2014-2015年在渭北旱塬區(qū)的乾縣梁山鄉(xiāng)三合村(108°00′13″E～108°24′18″E，34°19′36″N～34°45′05″N)進(jìn)行，當(dāng)?shù)貙儆谂瘻貛О敫珊?、半濕潤大陸性季風(fēng)氣候，年降水量為550-730mm，雨熱同季，干旱威脅大。因水土流失嚴(yán)重，導(dǎo)致土壤貧瘠化，使農(nóng)業(yè)基礎(chǔ)特別薄弱，嚴(yán)重制約農(nóng)業(yè)可持續(xù)發(fā)展。研究區(qū)前茬作物棉花，供試品種為魯棉研28號。本發(fā)明設(shè)計46個實(shí)驗(yàn)小區(qū)，小區(qū)大小為5m*6m。棉花種植方式為地膜覆蓋壟種。

1.2數(shù)據(jù)獲取

1.2.1棉花冠層高光譜數(shù)據(jù)的測量

采用美國的SVCHR1024i便攜式全波段地物光譜儀，光譜范圍350-2500nm，其中350-1000nm區(qū)間光譜分辨率為1.4nm，1000-1850nm區(qū)間光譜分辨率為3.8nm，1850-2500nm為2.4nm，選擇晴朗無云無風(fēng)天氣的10:00-14:00，在每個小區(qū)選取3個具有代表性的、均勻的無病蟲危害的樣點(diǎn)，分別在棉花的成長關(guān)鍵生育期(苗期、盛蕾期、盛花期、盛鈴期、吐絮期)進(jìn)行冠層光譜測量。每次測定均進(jìn)行參考白板的標(biāo)定，傳感器探頭垂直向下，距離棉花冠層頂部約50cm，光譜掃描時間設(shè)為3s，每樣點(diǎn)測3-5條完整曲線，最后取其均值作為該樣點(diǎn)的平均反射光譜，每個小區(qū)取三個樣點(diǎn)的反射光譜平均值作為該小區(qū)的反射光譜。

1.2.2 SPAD值的測量

采用SPAD儀進(jìn)行無破壞性的田間即時測定，測量光譜對應(yīng)的冠層葉綠素。在測定光譜的樣點(diǎn)處，選擇棉花冠層展開的第二、三片葉片進(jìn)行測量，每個樣點(diǎn)隨機(jī)測量10個SPAD值，取其平均值作為該樣點(diǎn)的冠層葉綠素值。為了減小誤差，在每片葉子的中部選取均勻分布的10個點(diǎn)，測量時避開葉脈部分。SPAD測量時間與光譜數(shù)據(jù)采集同步。

1.3數(shù)據(jù)處理

1.3.1高光譜圖像信息選擇

為了剔除背景、大氣散射的影響和提高不同吸收特征的對比度，在實(shí)際分析處理高光譜數(shù)據(jù)的過程中，常常需要對原始高光譜數(shù)據(jù)進(jìn)行各種變換^[13]?；镜淖儞Q形式主要是微分變換、對數(shù)變換和對數(shù)的微分變換。

將得到的原始光譜首先用SVC HR-1024i軟件做Overlap/Matching處理，得到光滑完整的光譜曲線，再采用origin對反射光譜做一階微分處理以消除噪聲影響、減小誤差，其原理：

式中λ_i為通道i處的波長值，R(λ_i)為波長λ_i處的光譜反射值，Δλ為相鄰波長間隔。

1.3.2遙感光譜參數(shù)選擇

遙感植被光譜參數(shù)通過不同波段反射率的線性或非線性組合變化，削弱背景信息對植被光譜特征的干擾，有助于提高遙感數(shù)據(jù)表達(dá)葉綠素含量的精度。本發(fā)明提取了22種對葉綠素含量敏感的寬波段光譜指數(shù)和7種紅邊參數(shù)來構(gòu)建棉花冠層葉片SPAD值估算模型。光譜參數(shù)計算方式見表1。

表1 遙感光譜參數(shù)及其計算公式

注：R為原始光譜的反射率，NIR為近紅外范圍內(nèi)第一個拐點(diǎn)對應(yīng)的波長。

1.3.3特征光譜建模預(yù)測

將上述29種光譜參數(shù)與SPAD值進(jìn)行相關(guān)分析，選取相關(guān)性最大的遙感光譜參數(shù)進(jìn)行建模。全生育期觀測得到920個樣本，其中800個作為測試樣本，120個留作檢驗(yàn)樣本。

2結(jié)果與分析

2.1 SPAD值與光譜反射率的相關(guān)性

2.1.1 SPAD值與原始光譜相關(guān)性

將棉花原始冠層光譜反射率與葉片SPAD值進(jìn)行單相關(guān)分析(樣本數(shù)n＝800)，結(jié)果如圖1所示。由圖可知，棉花葉片SPAD與冠層光譜反射率在紅邊至1250nm的正紅外波段呈極顯著正相關(guān)，在500-715nm的綠-紅波段和1340-2500nm的近紅外波段呈極顯著負(fù)相關(guān)，這主要是葉綠素在此光譜區(qū)間的特殊收斂反射性能所決定的。其中，SPAD值的敏感波段出現(xiàn)在708.2nm處，對應(yīng)r＝-0.533，達(dá)到99％置信水平顯著相關(guān)。

2.1.2 SPAD與一階微分光譜相關(guān)性

將棉花冠層光譜反射率作一階微分后與葉片SPAD值進(jìn)行相關(guān)分析，結(jié)果如圖2所示。從圖2可以看出，SPAD值與光譜一階微分的相關(guān)性整體上優(yōu)于原始光譜的相關(guān)性。波長500-760nm的相關(guān)系數(shù)大于0.6，其中反映SPAD含量的敏感波段出現(xiàn)在734.7nm處，r＝0.6992。

2.2棉花葉片光譜參數(shù)與SPAD相關(guān)性

根據(jù)表1計算各種光譜參數(shù)并與SPAD值進(jìn)行相關(guān)性分析，得到表2。29個光譜參數(shù)中只有6個與SPAD值相關(guān)性較差，未達(dá)到顯著相關(guān)水平，多達(dá)21個與SPAD值呈極顯著相關(guān)水平。

表2 棉花全生育期各光譜變量與SPAD的相關(guān)性

注：1.**表示在0.01水平上顯著相關(guān)；2.*表示在0.05水平上顯著相關(guān)。

由表2可以看出，與全生育期棉花葉片SPAD相關(guān)性最好的幾個光譜變量其相關(guān)系數(shù)從高到低依次為改進(jìn)的葉綠素吸收反射指數(shù)MCARI、復(fù)合植被指數(shù)MCARI/OSAVI、抗大氣植被指數(shù)VARI，說明與SPAD值都是顯著負(fù)相關(guān)，其中MCARI的相關(guān)系數(shù)最高，達(dá)到了-0.679；R紅邊、MERIS陸地葉綠素指數(shù)MTCI與SPAD呈顯著正相關(guān)。這幾個光譜變量的計算都與紅光波段有關(guān)，而紅光波段正是葉綠素的強(qiáng)吸收波段。另外，MCARI、MCARI/OSAVI、MTCI、VARI、R紅邊均通過了99％置信水平的顯著性檢驗(yàn)，表明這五個光譜變量對SPAD值的變化有較好的表征作用。

2.3棉花冠層SPAD值估算模型構(gòu)建

利用冠層光譜數(shù)據(jù)對SPAD值進(jìn)行估算時，采用兩種方法建模。1)選取對SPAD值相關(guān)性最顯著的五個特征光譜參數(shù)(MCARI、MCARI/OSAVI、MTCI、VARI和R紅邊)為自變量，對全生育期SPAD值作線性擬合，構(gòu)建的模型見表3。

表3 棉花全生育期葉片SPAD值的回歸預(yù)測模型

由表3可以看出，五種入選變量與SPAD值建立的回歸方程相關(guān)系數(shù)均達(dá)到極顯著水平，其中以MCARI為自變量的線性回歸方程擬合的絕對系數(shù)R²和相關(guān)系數(shù)r都最高，分別為0.461和-0.6789。

2)偏最小二乘回歸法(Partial least squares regression，PLSR)是一種新型的多元統(tǒng)計數(shù)據(jù)分析方法，它主要研究的是多因變量對多自變量的回歸建模，特別當(dāng)各變量內(nèi)部高度線性相關(guān)時，用偏最小二乘回歸法更有效。PLSR集主成分、典型相關(guān)和多元線性回歸分析三種分析方法的優(yōu)點(diǎn)為一體，能夠利用所有有效的光譜參數(shù)構(gòu)建模型，提取出反映數(shù)據(jù)變異的最大信息，具有良好的預(yù)測功能^[4]。應(yīng)用PLSR^[15]對全生育期800個樣本的光譜特征參數(shù)建立棉花冠層葉片的SPAD預(yù)測模型，模型的R²＝0.733，RMSEC＝4.546，各光譜變量與SPAD值的回歸系數(shù)見表4。

表4 棉花各光譜變量與SPAD的回歸系數(shù)

2.4模型檢驗(yàn)

為了檢驗(yàn)?zāi)Ｐ托Ч?20個檢驗(yàn)樣本對不同輸入變量的模型精度進(jìn)行檢驗(yàn)，采用決定系數(shù)R²、均方根誤差RMSE和回歸方程斜率三個指標(biāo)來檢驗(yàn)全生育期模型的預(yù)測能力，決定系數(shù)R²和斜率絕對值越接近1，RMSE值越小，說明預(yù)測模型精度越高。模型檢驗(yàn)結(jié)果見表5和圖3。

表5 SPAD估算模型精度檢驗(yàn)

由表5可知，由光譜特征變量MCARI、MCARI/OSAVI、MTCI、VARI、R紅邊建立的SPAD估算模型預(yù)測全生育期棉花冠層SPAD值的精度較低，除MTCI外，另外四個參數(shù)的估算模型的驗(yàn)證R²都在0.53左右，都沒有SPAD-PLSR模型的驗(yàn)證R²大(0.7370)。在所有模型中，SPAD-PLSR模型的驗(yàn)證R²最大，RMSE最小，分別為0.737和4.135，所以SPAD-PLSR模型相較于其他模型有明顯的優(yōu)勢，能有效地對SPAD值進(jìn)行估測。比較前五個模型，SPAD-VARI(700)的R²最大，但是其均方根誤差RMSE也最大，同時回歸方程斜率僅0.553，說明該模型預(yù)測精度不高；SPAD-MCARI模型的R²僅次于SPAD-VARI(700)，同時均方根誤差在五個模型中是最小的、回歸方程斜率最接近于1，說明SPAD-MCARI在前五個模型中精度最高、預(yù)測能力最好。

由圖3可知，在以光譜變量為自變量所建立的回歸方程中，以MCARI為自變量的棉花冠層SPAD值估算值與實(shí)測值分布最接近于1:1線，進(jìn)一步驗(yàn)證了上述SPAD-MCARI在前五個模型中精度最高、對全生育期SPAD值的估測能力最好。而通過SPAD-PLSR模型實(shí)測值與預(yù)測值分布圖與SPAD-MCARI模型實(shí)測值與預(yù)測值分布圖的比較，可以看到SPAD-PLSR模型優(yōu)勢更明顯，其預(yù)測值與實(shí)測值之間的分布更集中、更接近1:1線，因此確定SPAD-PLSR模型為估算棉花全生育期冠層SPAD值的最佳模型。

3結(jié)論與討論

棉花冠層原始光譜反射率數(shù)據(jù)、一階微分光譜數(shù)據(jù)與SPAD的相關(guān)性都較高，可以用來估計SPAD值。一階微分光譜與SPAD的相關(guān)性整體上比原始光譜反射率數(shù)據(jù)做的相關(guān)性結(jié)果更好，這是由于微分消除了背景、大氣散射的影響，并提高了不同吸收特征的對比度。對于原始反射光譜，SPAD值的敏感波段發(fā)生在708.2nm處，對應(yīng)r＝-0.533；對于一階微分光譜，SPAD含量的敏感波段發(fā)生在734.7nm處，r＝0.6992。

利用冠層光譜數(shù)據(jù)對SPAD值進(jìn)行估算時，通常以原始光譜和一階微分光譜為數(shù)據(jù)源，提取遙感光譜特征參數(shù)，以光譜數(shù)據(jù)變換形式對全生育期SPAD值作線性回歸分析，從而建立基于光譜參數(shù)的SPAD預(yù)測模型^[16]，這與本發(fā)明的第一種建模方法一致，而采用PLSR對全生育期重要光譜變量建模并檢驗(yàn)，其預(yù)測值與實(shí)測值之間的分布更集中、更接近1:1線，說明其模型預(yù)測效果更好更精確，說明SPAD-PLSR估算模型對全生育期棉花冠層SPAD值估測更適用，這對指導(dǎo)棉花種植與生產(chǎn)具有積極指導(dǎo)作用，可為棉花遙感監(jiān)測提供依據(jù)。在SPAD值預(yù)測模型參數(shù)選擇方面，之前的學(xué)者應(yīng)用最多的是由一階微分提取的紅邊參數(shù)^[17]，而本發(fā)明中與SPAD值相關(guān)性最好的光譜變量是MCARI、MCARI/OSAVI和R紅邊，造成這種差異的原因可能是地域不同、光照條件不同或是背景復(fù)雜情況不同。本發(fā)明對重要遙感光譜變量做SPAD值的常規(guī)線性回歸模型，其中預(yù)測效果最好的是SPAD-MCARI模型：y＝-64.33x+61.822，R²＝0.461，模型精度檢驗(yàn)結(jié)果與其它的相比，R²最大、RMSE最小，所以SPAD-MCARI模型相較于其他模型有一定的優(yōu)勢，可以應(yīng)用到精度要求不高的平臺。

本發(fā)明使用的全生育期SPAD-PLSR模型樣本數(shù)量豐富、預(yù)測精度高，以全生育期詳實(shí)的田間棉花基礎(chǔ)數(shù)據(jù)建模，提高了估測模型的可靠性，為渭北旱塬區(qū)預(yù)測棉花冠層葉綠素提供了參考方法，為全生育期棉花長勢的高光譜遙感監(jiān)測提供依據(jù)，為解決當(dāng)?shù)丶Z食問題、農(nóng)民增收和加快農(nóng)村經(jīng)濟(jì)發(fā)展有著重要的戰(zhàn)略意義。

上面結(jié)合附圖和實(shí)施例對本發(fā)明做了詳細(xì)的說明。但是，應(yīng)當(dāng)理解，本發(fā)明的實(shí)施例并不限于所公開的特定實(shí)施例，并且對該實(shí)施例的修改和其他實(shí)施例也意圖被包含在所附權(quán)利要求書的范圍內(nèi)。盡管此處使用了特定術(shù)語，但是它們僅在通用和描述性意義上使用，而非為了限制的目的。