基于深度學習的湘贛鄂地區植被變化及其影響因子關系模型

李懿超　沈潤平　黃安奇

摘要：構建NDVI及其影響因子之間的關系模型是對區域植被變化進行預測的重要方法之一，然而傳統的模型大多通過線性回歸方法構建，且主要選取單一影響因子進行模型構建。深度學習是一種有效訓練深層神經網絡的機器學習算法，具有訓練速度快、預測精度高的優點，近年來被應用于圖像識別、回歸分析等各領域。筆者引入深度學習方法，以氣象、土壤、地形等多因子為模型自變量，以MODIS-NDVI為因變量構建關系模型，應用于湘贛鄂地區2005—2015年植被變化的預測中，對所建模型的適用性進行了評價。結果表明：深度學習模型與線性回歸模型相比預測精度更高，預測效果更好，NDVI深度學習預測值與原始MODIS-NDVI值的相關系數達到0.804。可見，深度學習具有較強的模型構建及預測能力，能夠地對區域植被變化進行有效的預測，進而為作物產量估算、凍害監測、植被覆蓋度監測等研究提供幫助。

關鍵詞：植被變化;影響因子;深度學習;關系模型;預測

中圖分類號： S181; S127? 文獻標志碼： A? 文章編號：1002-1302（2019）03-0213-06

歸一化植被指數（normalized difference vegetation index，NDVI）是目前最常用的反映植被狀況的指標，可以較準確地反映植被的覆蓋程度和生長狀況[1]。NDVI是遙感影像近紅外波段反射值（near infrared，NIR）和紅光波段反射值（red，R）之差與NIR和R之和的比值，在全球及區域植被研究中得到了普遍的應用[2]。NDVI在農業、林業、土地利用等領域具有重要作用。在農業應用中，NDVI能夠用來較準確地估算作物產量與作物葉面積指數，對作物的凍害及病蟲害狀況進行監測[3]。在林業應用中，NDVI可用于對森林覆蓋進行遙感監測，估算區域植被覆蓋度，對不同林地覆蓋類別進行識別與提取[4]。NDVI在農林業中的應用對相關生產實踐及科學研究具有實際的指導意義。NDVI的時空變化受到多種影響因子的影響，學者在NDVI與降水量、氣溫等氣象因子的相關性及其關系模型等領域已經做了一些研究[5-7]。Ma等對秦嶺山地NDVI變化與氣溫的關系進行了研究，指出氣溫對NDVI變化的影響存在2～3旬左右的滯后效應[8];韓雅等對中國區域AVHRR-NDVI與氣溫和降水量的相關關系進行了分析，建立了NDVI與氣溫和降水量的線性回歸模型，指出氣象因子對NDVI的影響有顯著的空間差異[9];Yang等對甘肅地區降水量、氣溫與NDVI的關系進行了研究，發現降水量是影響該地區植被生長的主導氣象因子[10]。現有研究著重探討了降水量、氣溫2種氣象因子與NDVI的相關關系，而忽視其他影響因子與NDVI的關系。同時，相關研究構建的NDVI及其影響因子的關系模型以線性回歸模型為主，較少利用其他方法構建模型。深度學習算法的基本結構是深度神經網絡，最早由Hinton等于2006年在深度置信網絡（DBN）的基礎上提出，解決了深層結構的優化問題，可用于對數據進行高層抽象建模[11-12]。與傳統的神經網絡模型相比，深度學習模型擁有5～10層甚至更多的神經網絡，并引入了更有效的訓練機制，能夠模仿人類大腦高效準確地表示信息[13]。深度學習已應用于圖像識別、自然語言處理等領域[14]，但在遙感建模等方面還鮮少運用。本研究將采用領域前沿的深度學習方法，以 16 d 為時間尺度構建NDVI與多影響因子之間的關系模型來對湘贛鄂地區NDVI進行預測并對預測精度和預測效果進行評估與比較，以探究深度學習模型對不同空間尺度NDVI的預測能力，從而提高對區域植被覆蓋變化的預測水平，以期在農林業相關領域研究應用中提高作物產量、葉面積指數、病蟲害狀況等指標的估算水平，為科研和生產活動提供有效的科學依據和參考數據。

1 材料與方法

1.1 研究區概況

湘贛鄂地區位于我國長江中游地區（108°21′42″～118°28′58″E、24°29′14″～33°6′47″N），包含湖南省、江西省、湖北省3省的行政區域。該區域屬于亞熱帶濕潤季風氣候，山多地廣，河流湖泊分布較多，降水充沛，光照充足，熱量豐富，無霜期較長并且水熱同期，區域年平均氣溫為9～19 ℃，年日照時數在850～1 850 h之間。區域植被覆蓋面積達5399萬km2，植被覆蓋率為95.62%，區域植被覆蓋率較高。其中，林地面積為32.21萬km2，草地面積為1087萬km2，農業用地面積為10.91萬km2，該地區主要植被類型為亞熱帶常綠闊葉林。

1.2 數據源與預處理

歸一化植被指數NDVI來自美國航空航天局NASA提供的MOD13A2級2005—2015年空間分辨率為1 km的16 d合成MODIS-NDVI產品數據集。該數據集經過嚴格大氣矯正、幾何校正、大氣矯正等處理，可保證NDVI數據的質量。本研究利用MODIS重投影工具MRT（MODIS Reprojection Tool）對NDVI數據產品進行投影轉換、圖像拼接和裁剪等處理。為了進一步降低噪聲并提高數據質量，對逐期的NDVI時序數據集通過IDL 7.0提供的Savitzky-Goaly濾波方法重建高質量NDVI時間序列數據。氣象數據來源于國家氣象科學數據共享服務平臺提供的中國地面氣候資料日值數據集（V3.0），選取湘贛鄂地區27個氣象站點2005—2015年的氣象要素日值數據（圖1），包括降水量、氣溫、日照時數、相對濕度4個氣象要素，計算各站點在研究時段內以16 d（1期）為時間尺度的平均值，得到2005—2015年氣象要素時間序列。地形數據來源于美國國家航空航天局NASA和美國國家測繪局NIMA聯合測量繪制的空間分辨率為90 m的SRTM-DEM數據，根據研究區行政邊界矢量進行裁剪，得到研究區DEM數據，利用ArcGIS 10.0計算處理得到研究區坡度和坡向數據，再根據各氣象站點的經緯度坐標提取得到各站點的海拔、坡度、坡向數據。土壤質地數據來源于北京師范大學發布的空間分辨率為1 km的中國區域土壤參數數據產品，根據經緯度坐標提取得到各站點的土壤質地數據。地表覆蓋數據來源于分辨率為1 km的MCD12Q1產品數據，本研究使用IGBP國際地圈生物圈計劃的全球植被分類方案。

1.3 研究方法

利用相關性分析方法對湘贛鄂地區2005—2015年NDVI與各氣象因子的相關性進行分析，對各氣象因子對NDVI影響的時間滯后效應進行探討。在參考前人研究的基礎上結合研究區實際情況選取土壤質地、地形、經緯度作為NDVI的其他影響因子，對NDVI與其他影響因子的相關性進行分析。在考慮氣象因子影響作用滯后效應的基礎上，運用深度學習方法和線性回歸方法在基于站點尺度上建立研究區2005—2015年NDVI及其影響因子的關系模型來對NDVI進行預測，并對預測精度進行評估和比較。利用深度學習方法在基于空間尺度上預測2015年NDVI面數據，并對預測精度進行評估。本研究采用深度學習方法中的深度前饋神經網絡（dynamic feedforward neural network，DFNN）進行模型訓練。前饋神經網絡的各神經元分層排布，各神經元只與前一層的神經元連接，接收前一層的輸出結果，并輸出給下一層，是目前應用較廣泛，發展較迅速的神經網絡之一。DNFF是一種由多個前饋神經網絡組成的深度學習神經網絡，相比于傳統的前饋神經網絡，它的多層結構使其具有更強的模擬能力，能夠提取大量變量之間的深層特征以獲得高預測精度[15]。深度學習訓練的具體過程如下：（1）采用自下而上的非監督方式進行特征學習。先用無定標數據訓練隱藏層的最底層，訓練時先學習最底層的參數，使獲得的模型可以學習到數據自身的結構特征，從而獲得比輸入具備更強表達特征的能力;在學習獲得第n-1層后，將n-1層的輸出作為第n層的輸入來訓練第n層，最終分別獲得各層的參數。（2）采用自上而下的方式進行監督學習。利用含有標簽的數據進行訓練，誤差自上向下傳輸，對結構進行細微調整，調整層與層之間的權重。

2 結果與分析

2.1 NDVI與氣象因子的相關性

由湘贛鄂地區NDVI與對應不同時期的氣象因子的相關性（表1）可知，降水量、氣溫、日照時數、相對濕度均對研究區NDVI變化存在比較明顯的影響，并且各氣象因子對NDVI的影響作用均存在一定的滯后效應。NDVI與對應各期降水量的相關性在0.171～0.328之間變化，相關性最大值在對應前3期，說明降水量對NDVI的影響存在3期（48 d）的滯后期;NDVI與對應各期氣溫的相關性在0.329～0.682之間變化，相關性最大值在對應前1期，說明氣溫對NDVI的影響存在1期（16 d）的滯后期;NDVI與對應各期日照時數的相關性在0.175～0.455之間變化，相關性最大值在對應前1期，說明日照時數對NDVI的影響存在1期（16 d）的滯后期;NDVI與對應各期相對濕度的相關性在0.115～0.179之間變化，相關性最大值在對應前3期，說明相對濕度對NDVI的影響存在3期（48 d）的滯后期。總體來看，熱量條件的變化對NDVI的影響作用相較于水分條件更為明顯一些，且影響作用的滯后期更短，這可能是因為湘贛鄂地區氣候較濕潤，降水量較大，從而對比水分條件來看，植被生長對熱量條件的變化更為敏感。

2.2 NDVI與其他影響因子的相關性

由湘贛鄂地區多年平均NDVI與其他影響因子的相關性（表2）可知，各地形因子對NDVI均存在一定程度的影響，各因子與NDVI相關性的大小為海拔>坡度>坡向，說明在地形因子中，海拔對于NDVI影響最大，其次是坡度，影響最小的是坡向;土壤質地因子對NDVI存在一定程度的影響，各因子與NDVI相關性的大小為：黏粒>沙粒，說明在土壤質地因子中黏粒對NDVI的影響大于沙粒;經緯度因子對NDVI存在一定程度的影響，各因子與NDVI相關性大小為：經度>緯度，說明在經緯度因子中經度對NDVI的影響大于緯度。總體來看，其他影響因子均對研究區NDVI產生一定的影響，同時不同的影響因子對NDVI的影響存在一定差異。

2.3 基于站點的NDVI及影響因子關系模型的構建與精度評估

2.3.1 模型的構建 研究時段為2005—2015年，研究區域為湘贛鄂地區，以每16 d的NDVI均值作為因變量，以氣溫（temperature，TEM）、降水量（precipitation，PRE）、日照時數（sunshine duration，SSD）、相對濕度（relative humidity，RHU）、地形（digital elevation model，DEM）、土壤質地（soil texture，ST）、經度（longitude，LON）、緯度（latitude，LAT）作為自變量，構建以NDVI=f（TEM，PRE，SSD，RHU，DEM，ST，LON，LAT）為形式的關系模型，模型中NDVI與氣象因子的對應將氣象因子影響的滯后效應納入考慮。本研究以2005—2014年數據為訓練集，2015年數據為測試集。

2.3.1.1 深度學習模型 本研究在深度學習MXNET框架下利用R語言下的MXNET R包實現，模型的訓練及預測過程如下：（1）因子輸入。將研究時段內各自變量數值和因變量NDVI數值作為輸入因子輸入模型。（2）模型訓練。對輸入模型的訓練集數據進行訓練。通過對模型參數進行調整設置，包括調整隱藏層的層數m、每個隱藏層中神經元的數量n和訓練的迭代次數p，以獲得最優訓練效果，研究經過多次參數調整，確定設置：隱藏層數m為6，神經元數量n為500，訓練迭代次數p為1 000次，以全連接的方式鏈接，此時模型訓練可以達到最優效果。（3）NDVI預測。模型訓練結束后分別對訓練集和測試集因變量NDVI進行預測，得到NDVI預測值。

2.3.1.2 線性回歸模型 在訓練集數據的基礎上，構建以NDVI影響因子為自變量，NDVI為因變量的線性回歸模型，如下所示：

式中：y為NDVI值;x1為NDVI對應前3期的降水量;x2為NDVI對應前1期的氣溫;x3為NDVI對應前1期的日照時數;x4為NDVI對應前3期的相對濕度;x5為經度;x6為緯度;x7為海拔;x8為土壤黏粒;x9為土壤沙粒;x10為坡向;x11為坡度。通過線性模型統計檢驗可知，NDVI與影響因子之間具有較好的線性關系，模型的置信度為99%（模型線性關系的顯著性水平為99%）。最后將訓練集和測試集自變量數據輸入構建的線性回歸模型中，分別得到訓練集和測試集的NDVI預測值。

2.3.2 模型預測精度評估 分別將深度學習模型和線性回歸模型的NDVI預測值與原始MODIS-NDVI值進行比較分析，通過計算相關系數（R）、均方根誤差（RMSE）、平均相對誤差（MRE）對模型預測值進行精度評估，并且對2種模型的預測精度進行比較（表3至表5）。

由表3可知，線性回歸模型訓練集NDVI預測值與原始MODIS-NDVI值的相關系數為0.754，測試集的相關系數為0.711，雖比訓練集稍低，但達到顯著相關。訓練集和測試集的均方根誤差較小，說明模型具備一定的模擬精度。測試集的平均相對誤差未超過訓練集，說明模型對于新數據具有一定的預測能力。

由表4可知，深度學習模型訓練集NDVI預測值與原始MODIS-NDVI值的相關系數為0.877，測試集的相關系數為0.804，均達到顯著相關。訓練集和測試集的均方根誤差較小，模型的預測精度較高，訓練集和測試集的平均相對誤差較小，且測試集的平均相對誤差小于訓練集，說明深度學習模型對新數據的預測精度較高，預測能力較強。

由表5可知，在測試集的比較中，深度學習模型NDVI預測值與MODIS-NDVI的相關系數明顯高于線性回歸模型，同時深度學習模型平均相對誤差與均方根誤差這2項指標明顯低于線性回歸模型，可見深度學習模型的3項預測精度評估指標均優于線性回歸模型，說明深度學習模型的預測能力顯著優于線性回歸模型，更加適用于研究區NDVI的預測。

對訓練集和測試集的深度學習模型與多元線性回歸模型NDVI預測值分別與原始MODIS-NDVI值繪制散點圖，對散點圖線性趨勢進行分析，見圖2和圖3。

由圖2可看出，訓練集深度學習模型預測值與MODIS-NDVI值散點圖中散點分布比較集中，大多貼近在相關線附近，而線性回歸模型散點圖中散點分布的集中程度明顯不如深度學習模型，偏離相關線較遠的點也比較多，散點圖的線性趨勢較深度學習模型差。深度學習模型散點圖的擬合優度R2為0.769，明顯高于線性回歸模型。說明深度學習模型對訓練集NDVI的預測效果明顯好于線性回歸模型，穩定性較高。由圖3可以看出測試集深度學習模型與MODIS-NDVI值散點圖中散點的集中程度高于線性回歸模型，偏離相關性的散點較線性回歸模型少，散點圖線性趨勢較線性回歸模型明顯。深度學習模型散點圖擬合優度R2為0.646，顯著高于線性回歸模型。可見深度學習模型對測試集NDVI的預測效果也明顯優于線性回歸模型，說明深度學習模型在大樣本數據預測方面優勢明顯，顯著提高了NDVI的預測精度，能夠更加準確地模擬預測區域植被變化狀況，從而為農林業科研及生產提供更加精確的指導與幫助。

2.4 基于空間的NDVI及影響因子關系模型的構建與精度評估

2.4.1 基于空間的氣象因子的模擬 對研究區2015年23期（1期為16 d）的各站點氣象因子包括PRE、TEM、SSD、RHU與其他影響因子包括DEM、ST、LON、LAT利用深度學習進行模型訓練，分別建立23期以氣象因子（PRE，TEM，SSD，RHU）=f（DEM，ST，LON，LAT）為形式的氣象因子模擬模型，然后將模型各自變量的遙感圖像（geotiff）格式文件通過交互式數據語言（interactive data language，IDL）轉換成逐像元面模擬值的逗號分隔值文件格式（comma-separated values，CSV）輸入模型中，得到研究區2015年各期的氣象因子逐像元面模擬值CSV文件，通過IDL轉換為geotiff圖像。

由圖4可見，降水量面模擬空間分布自西北向東南方向遞增，湖北、湖南降水量較低，江西降水量較高，研究區降水量平均值為1 780 mm，研究區整體降水量較高，符合該地區氣候特征;氣溫空間分布在整體上自西北向東南逐漸上升，氣溫在海拔較高的山地地區相較于平原地區偏低，湖北西部、湖南西部、江西西部較低，湖北東部、湖南東部、江西東部較高，研究區氣溫平均值為14.5 ℃;日照時數空間分布自東北向東南方向遞減，湖北大部分地區、江西北部、湖南北部為高值區，江西、湖南南部為低值區，研究區日照時數平均值為1 550 h;相對濕度空間分布特征為自東北向西南逐漸遞減，高值區位于湖北中部，低值區位于江西、湖南南部，研究區相對濕度平均值為 78%，研究區整體相對濕度較高，符合湘贛鄂地區氣候

特征。研究區各氣象因子面模擬值空間分布特征與艾治勇等人[16]的研究結論較為吻合，結論比較可靠。

2.4.2 基于空間的NDVI預測精度評估 將研究區2015年各期氣象因子的面模擬數據與其他影響因子的面數據轉換為CSV文件輸入到之前通過深度學習訓練構建的NDVI及其影響因子關系模型中，預測得到各期NDVI面預測數據的CSV文件，可通過IDL轉換成geotiff影像。對研究區2015年23期原始MODIS-NDVI影像和23期面預測NDVI影像逐像元計算2組NDVI值的相關系數，得到逐像元的相關系數CSV文件，通過IDL將其轉換成geotif圖像，得到2015年23期NDVI面預測值與原始MODIS-NDVI值逐項元相關系數空間分布圖（圖5）。

由圖5可知，NDVI面預測值與原始MODIS-NDVI值的相關性整體上比較高，研究區相關系數在0.004～0.983范圍內變化，湖南西部、北部、中部，江西大部分地區，湖北西部、東部地區相關系數較高，說明深度學習模型對這些區域NDVI空間預測效果比較好，湖北省中部、東南部、湖北江西交界處、江西西北部東南部相關系數相對較低，說明模型對這些區域NDVI年內各期預測能力稍弱一些，研究區絕大部分地區達到顯著相關水平。從研究區整體來看，深度學習模型對該區域NDVI整體預測能力較強，預測效果較好，可以將該模型推廣到整個長江中游地區。

根據本研究實際需要，借鑒夏文韜等的方法[17]，對幾種植被相關地表覆蓋類型進行合并，歸并為3個主要類別，土地覆蓋類別重分類規則見表6。

由表7可以看出，在2015年面預測逐項元相關系數空間分布主要地物分類統計中，林地平均相關性為0.665，草地平均相關性為0.731，農地平均相關性為0.766，研究區平均相關性為0.724。各地表覆蓋類型像元的預測結果與原始MODIS-NDVI相關性大小為：農地>草地>研究區>林地。這可能是由于農地NDVI在年內各期時間序列變化中，受到降水量、氣溫、日照時數、相對濕度這些氣象因子的綜合影響更為顯著，而林地和草地受到各氣象因子的綜合影響比農作物稍弱一些，該結論與苗晨的研究結論[18]較為吻合。整個研究區的平均相關系數較高，說明模型對研究區NDVI年內變化預測能力較強，預測效果比較好，適用于該地區NDVI的空間預測。

由此可見，深度學習方法可以構建較為可靠的基于站點和基于空間的NDVI及影響因子關系模型來對研究區NDVI進行有效預測，預測結果精度較高，預測能力較強。因此，通過深度學習方法對各地表覆蓋類型植被變化基于不同時間尺度和空間尺度的預測，能夠有效提高區域植被變化的預測水平，從而顯著提高農作物產量、葉面積指數、病蟲害狀況等農林業指標的估算精度，為相關管理部門的決策規劃和科學研究活動提供可靠的科學依據和數據參考。

3 結論

研究區NDVI與不同氣象因子的相關性不同，并且各氣象因子對NDVI的影響都存在一定的滯后效應，NDVI與降水量的相關性最大值出現在對應前3期，與氣溫的相關性最大值出現在對應前1期，與日照時數的相關性最大值出現在對應前1期，與相對濕度的相關性最大值出現在對應前3期。NDVI與各氣象因子的最大相關性大小比較為：氣溫>日照時數>降水量>相對濕度，研究區熱量條件的變化對植被變化的影響較水分條件更加顯著。

在基于站點的NDVI預測中，深度學習模型預測NDVI值與原始MODIS-NDVI值相關系數為0.804，且模型測試集的平均相對誤差（MRE）未超過訓練集，模型泛化能力較好;深度學習模型的各項預測精度評估指標均明顯優于線性回歸模型，說明深度學習方法顯著提高了NDVI的預測精度，預測能力更強，更加適用于研究區植被變化的預測。

在基于空間的深度學習NDVI預測中，不同地表覆蓋類型的NDVI預測值與原始MODIS-NDVI值的平均相關性不同，林地平均相關性為0.665，草地為0.731，農地為0.766，研究區平均相關性為0.724。研究區整體NDVI預測精度較高，不同地表覆蓋類型的預測精度大小為：農地>草地>研究 區> 林地，可見不同地表覆蓋類型NDVI對各影響因子變化的敏感程度不同，NDVI預測精度也有所不同。

參考文獻：

[1]殷守敬，陳曉玲，吳傳慶，等. 基于時序NDVI的江西省植被覆蓋時空變化分析[J]. 華中師范大學學報（自然科學版），2013，47（1）：129-135.

[2]熊小菊，廖春貴，胡寶清. 基于遙感數據的廣西植被變化特征分析[J]. 科學技術與工程，2018，18（11）：123-128.

[3]王 磊，王 賀，盧艷麗，等. NDVI在農作物監測中的研究與應用[J]. 中國農業資源與區劃，2013，34（4）：43-50.

[4]吳昌廣，周志翔，肖文發，等. 基于MODIS NDVI的三峽庫區植被覆蓋度動態監測[J]. 林業科學，2012，48（1）：22-28.

[5]何 月，樊高峰，張小偉，等. 浙江省植被物候變化及其對氣候變化的響應[J]. 自然資源學報，2013，28（2）：220-233.

[6]李惠敏，劉洪斌，武 偉. 近10年重慶市歸一化植被指數變化分析[J]. 地理科學，2010，30（1）：119-123.

[7]Weiss J L，Gutzler D S，Jea C，et al. Long-term vegetation monitoring with NDVI in a diverse semi-arid setting，central New Mexico，USA[J]. Journal of Arid Environments，2004，58（2）：249-272.

[8]Ma M，Veroustraete F. Reconstructing pathfinder AVHRR land NDVI time-series data for the northwest of China[J]. Advances in Space Research，2010，37（4）：835-840.

[9]韓 雅，朱文博，李雙成. 基于GWR模型的中國NDVI與氣候因子的相關分析[J]. 北京大學學報（自然科學版），2016，52（6）：1125-1133.

[10]Yang S W，Zhang B. Vegetation cover change and its response to climatic factors using SPOT NDVI in Hedong of Gansu Province[J]. Chinese Journal of Ecology，2014，32（10）：455-461.

[11]Hinton G E，Salakhutdinov R R. Reducing the dimensionality of data with neural networks[J]. Science，2006，313（9）：504-507.

[12]Schmidhuber J. Deep learning in neural networks：an overview[J]. Neural Networks，2015，61：85-117.

[13]Dahl G E，Yu D，Deng L，et al. Context-dependent pre-trained deep neural networks for large-vocabulary speech recognition[J]. IEEE Transactions on Audio Speech & Language Processing，2012，20（1）：30-42.

[14]Hinton G E，Osindero S，Teh Y W. A fast learning algorithm for deep belief nets[J]. Neural Computation，2014，18（7）：1527-1554.

[15]Zhu Z，Wang S，Woodcock C E. Improvement and expansion of the fMask algorithm：cloud，cloud shadow，and snow detection for Landsats 4-7，8，and Sentinel 2 images[J]. Remote Sensing of Environment，2015，159：269-277.

[16]艾治勇. 長江中游地區氣候變化特點及雙季稻適應性高產栽培技術研究[D]. 長沙：湖南農業大學，2012.

[17]夏文韜，王 鶯，馮琦勝，等. 甘南地區MODIS土地覆蓋產品精度評價[J]. 草業科學，2010，27（9）：11-18.

[18]苗 晨. 華北平原不同生長發育期農田長勢對氣候因子的響應研究[D]. 南京：南京信息工程大學，2014.張麗婭，馬志林. 南水北調中線渠坡不同季節不同蓋度草地土壤氮素和有機質變化[J]. 江蘇農業科學，2019，47（3）：219-223.