Sensitive vegetation indices and optimal bandwidths for monitoring peanut LAI and AGB

doi:10.19802/j.issn.1007-9084.2021290

Abstract

Abstract:

To promote the application of spectral remote sensing on rapid nondestructive spectral monitoring for peanut production, sensitive vegetation indices and their optimal bandwidths for estimating peanut leaf area index （LAI） and aboveground biomass （AGB） were investigated. Peanut LAI, AGB and hyperspectral reflectance data, were collected from 2 field experiments encompass variations in 2 years, with 2 cultivars and 4 nitrogen application rates. Sensitive vegetation indices for LAI and AGB were identified and effect of optimal bandwidths on sensitive vegetation indices were analyzed using the in-site dataset. Results showed that the normalized difference red edge （NDRE（λ₇₉₀, λ₇₂₀）） was the most sensitive vegetation index for both LAI and AGB. Nevertheless, in the exploration of bandwidth based on data from an independent experiment, the normalized difference red edge （NDRE（λ₇₉₀-b_33,λ₇₂₀-b₅₃））, which contains the 790 nm central band （λ₇₉₀） with 33 nm bandwidth （b₃₃） and 720 nm central band （λ₇₂₀） with 53 nm bandwidth （b₅₃）, exhibited greater practicability in LAI estimation with a determination coefficient （R²） of 0.7482 and a relative root mean square error （RRMSE） of 13.88%. The normalized difference red edge （NDRE（λ₇₉₀-b₈₉, λ₇₂₀-b₈₉））, which contains the 790 nm central band （λ₇₉₀） with 89 nm bandwidth （b₈₉） and 720 nm central band （λ₇₂₀） with 89 nm bandwidth （b₈₉）, performed best for monitoring AGB （R²= 0.7103, RRMSE=20.42%）. Considering the accuracy and convenience in application, it was demonstrated that NDRE（λ₇₉₀-b_33,λ₇₂₀-b₅₃） and NDRE（λ₇₉₀-b₈₉, λ₇₂₀-b₈₉） could be used to monitor peanut LAI and AGB with estimation models of LAI=0.0296×exp^{（14.365×NDRE）} and AGB= 0.6240×exp^{（20.222×NDRE）}, respectively.

Key words: peanut growth vigor, leaf area index, aboveground biomass, vegetation index, bandwidth, model

CLC Number:

S565.2

Zhong-sheng CAO, Yan-da LI, Jun-bao HUANG, Bin-feng SUN, Chun YE, Shi-fu SHU, Luo-fa WU, Yong-chao TIAN. Sensitive vegetation indices and optimal bandwidths for monitoring peanut LAI and AGB[J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2022, 44(6): 1320-1328.

Figures/Tables 8

Table 1

Table 2

Table 3

Fig. 1

Table 4

Fig. 2

Fig. 3

Fig. 4

References 41

1	张冠初，戴良香，徐扬，等. 减氮配施钙肥对花生光合特性、产量及肥料贡献率的影响［J］. 中国油料作物学报， 2020， 42（6）： 1010-1018. DOI：10.19802/j.issn.1007-9084.2020210 . doi: 10.19802/j.issn.1007-9084.2020210
2	Zhang J L， Geng Y， Guo F， et al. Research progress on the mechanism of improving peanut yield by single-seed precision sowing［J］. J Integr Agric， 2020， 19（8）： 1919-1927. DOI：10.1016/S2095-3119（19）62763-2 . doi: 10.1016/S2095-3119（19）62763-2
3	陶惠林，徐良骥，冯海宽，等. 基于无人机高光谱遥感的冬小麦株高和叶面积指数估算［J］. 农业机械学报， 2020， 51（12）： 193-201. DOI：10.6041/j.issn.1000-1298.2020.12.021 . doi: 10.6041/j.issn.1000-1298.2020.12.021
4	吾木提·艾山江，买买提·沙吾提，陈水森，等. 基于GF-1/2卫星数据的冬小麦叶面积指数反演［J］. 作物学报， 2020， 46（5）： 787-797. DOI：10.3724/SP.J.1006.2020.91049 . doi: 10.3724/SP.J.1006.2020.91049
5	徐云碧. 作物科学中的环境型鉴定（Envirotyping）及其应用［J］. 中国农业科学， 2015， 48（17）： 3354-3371. DOI：10.3864/j.issn.0578-1752.2015.17.004 . doi: 10.3864/j.issn.0578-1752.2015.17.004
6	Wang R N， Sun Z X， Bai W， et al. Canopy heterogeneity with border-row proportion affects light interception and use efficiency in maize/peanut strip intercropping［J］. Field Crops Res， 2021， 271： 108239. DOI：10.1016/j.fcr.2021.108239 . doi: 10.1016/j.fcr.2021.108239
7	王雪，崔少雄，孙志梅，等. 基于生物量和养分累积量的花生品种生态适应性评价［J］. 应用生态学报， 2015， 26（7）： 2023-2029. DOI：10.13287/j.1001-9332.20150527.002 . doi: 10.13287/j.1001-9332.20150527.002
8	Qi H X， Wu Z Y， Zhang L， et al. Monitoring of peanut leaves chlorophyll content based on drone-based multispectral image feature extraction［J］. Comput Electron Agric， 2021， 187： 106292. DOI：10.1016/j.compag.2021.106292 . doi: 10.1016/j.compag.2021.106292
9	Chen A， Orlov-Levin V， Meron M. Applying high-resolution visible-channel aerial imaging of crop canopy to precision irrigation management［J］. Agric Water Manag， 2019， 216： 196-205. DOI：10.1016/j.agwat.2019.02.017 . doi: 10.1016/j.agwat.2019.02.017
10	杨晶晶，王飞，张博文，等. 不同施肥处理花生反射光谱与产量相关性研究［J］. 花生学报， 2020， 49（1）： 47-53. DOI：10.14001/j.issn.1002-4093.2020.01.007 . doi: 10.14001/j.issn.1002-4093.2020.01.007
11	李军玲，李梦夏，陈争. 基于地面高光谱和GF-1卫星的区域花生LAI估算［J］. 生态学杂志， 2022， 41（3）： 562-568. DOI：10.13292/j.1000-4890.202202.029 . doi: 10.13292/j.1000-4890.202202.029
12	李军玲，李梦夏，李树岩，等. 花生叶面积指数地面高光谱遥感估算模型研究［J］. 灌溉排水学报， 2021， 40（5）： 69-75. DOI：10.13522/j.cnki.ggps.2019460 . doi: 10.13522/j.cnki.ggps.2019460
13	吕晓，殷红，蒋春姬，等. 基于高光谱遥感的不同品种花生冠层叶面积指数的通用估算模型［J］. 中国农业气象， 2016， 37（6）： 720-727.
14	颜丙囤，侯学会，梁守真，等. 花生叶鲜生物量的高光谱估算模型［J］. 江苏农业科学， 2017， 45（8）： 59-62. DOI：10.15889/j.issn.1002-1302.2017.08.016 . doi: 10.15889/j.issn.1002-1302.2017.08.016
15	Du H S， Jiang H L， Zhang L F， et al. Evaluation of spectral scale effects in estimation of vegetation leaf area index using spectral indices methods［J］. Chin Geogr Sci， 2016， 26（6）： 731-744. DOI：10.1007/s11769-016-0833-y . doi: 10.1007/s11769-016-0833-y
16	Ambrus A， Burai P， Lénárt C， et al. Estimating biomass of winter wheat using narrowband vegetation indices for precision agriculture［J］. Journal of Central European Green Innovation， 2015， 3（02）： 13-22.
17	Heiskanen J， Rautiainen M， Stenberg P， et al. Sensitivity of narrowband vegetation indices to boreal forest LAI， reflectance seasonality and species composition［J］. ISPRS J Photogramm Remote Sens， 2013， 78： 1-14. DOI：10.1016/j.isprsjprs.2013.01.001 . doi: 10.1016/j.isprsjprs.2013.01.001
18	Ryu J H， Oh D， Cho J. Simple method for extracting the seasonal signals of photochemical reflectance index and normalized difference vegetation index measured using a spectral reflectance sensor［J］. J Integr Agric， 2021， 20（7）： 1969-1986. DOI：10.1016/S2095-3119（20）63410-4 . doi: 10.1016/S2095-3119（20）63410-4
19	Deng L， Mao Z H， Li X J， et al. UAV-based multispectral remote sensing for precision agriculture： a comparison between different cameras［J］. ISPRS J Photogramm Remote Sens， 2018， 146： 124-136. DOI：10.1016/j.isprsjprs.2018.09.008 . doi: 10.1016/j.isprsjprs.2018.09.008
20	刘斌，任建强，陈仲新，等. 冬小麦鲜生物量估算敏感波段中心及波宽优选［J］. 农业工程学报， 2016， 32（16）： 125-134. DOI：10.11975/j.issn.1002-6819.2016.16.018 . doi: 10.11975/j.issn.1002-6819.2016.16.018
21	黄婷，梁亮，耿笛，等. 波段宽度对利用植被指数估算小麦LAI的影响［J］. 农业工程学报， 2020， 36（4）： 168-177. DOI：10.11975/j.issn.1002-6819.2020.04.020 . doi: 10.11975/j.issn.1002-6819.2020.04.020
22	冯晓敏，杨永，臧华栋，等. 燕麦花生间作系统作物氮素累积与转移规律［J］. 植物营养与肥料学报， 2018， 24（3）： 617-624. DOI：10.11674/zwyf.17226 . doi: 10.11674/zwyf.17226
23	Konôpka B， Pajtík J， Marušák R， et al. Specific leaf area and leaf area index in developing stands of Fagus sylvatica L. and Picea abies Karst［J］. For Ecol Manag， 2016， 364： 52-59. DOI：10.1016/j.foreco.2015.12.005 . doi: 10.1016/j.foreco.2015.12.005
24	王丽爱，谭昌伟，杨昕，等. 基于MK-SVR模型的小麦叶面积指数遥感反演［J］. 农业机械学报， 2015， 46（5）： 245-251. DOI：10.6041/j.issn.1000-1298.2015.05.035 . doi: 10.6041/j.issn.1000-1298.2015.05.035
25	Hancock D W， Dougherty C T. Relationships between blue- and red-based vegetation indices and leaf area and yield of alfalfa［J］. Crop Sci， 2007， 47（6）： 2547-2556. DOI：10.2135/cropsci2007.01.0031 . doi: 10.2135/cropsci2007.01.0031
26	Lymburner L， Beggs P， Jacobson C. Estimation of canopy-average surface-specific leaf area using Landsat TM data［J］. Photogramm Eng Remote Sens J Am Soc Photogramm， 2000， 66（2）： 183-191.
27	Wu C Y， Niu Z， Tang Q， et al. Estimating chlorophyll content from hyperspectral vegetation indices： Modeling and validation［J］. Agric For Meteorol， 2008， 148（8/9）： 1230-1241. DOI：10.1016/j.agrformet.2008.03.005 . doi: 10.1016/j.agrformet.2008.03.005
28	Jiang Z Y， Huete A R， Didan K， et al. Development of a two-band enhanced vegetation index without a blue band［J］. Remote Sens Environ， 2008， 112（10）： 3833-3845. DOI：10.1016/j.rse.2008.06.006 . doi: 10.1016/j.rse.2008.06.006
29	Gitelson A A. Wide dynamic range vegetation index for remote quantification of biophysical characteristics of vegetation［J］. J Plant Physiol， 2004， 161（2）： 165-173. DOI：10.1078/0176-1617-01176 . doi: 10.1078/0176-1617-01176
30	赵娟，黄文江，张耀鸿，等. 冬小麦不同生育时期叶面积指数反演方法［J］. 光谱学与光谱分析， 2013， 33（9）： 2546-2552. DOI：10.3964/j.issn.1000-0593（2013）09-2546-07 . doi: 10.3964/j.issn.1000-0593（2013）09-2546-07
31	Wu C Y， Niu Z， Tang Q， et al. Remote estimation of gross primary production in wheat using chlorophyll-related vegetation indices［J］. Agric For Meteorol， 2009， 149（6/7）： 1015-1021. DOI：10.1016/j.agrformet.2008.12.007 . doi: 10.1016/j.agrformet.2008.12.007
32	Gitelson A， Merzlyak M N. Quantitative estimation of chlorophyll-a using reflectance spectra： experiments with autumn chestnut and maple leaves［J］. J Photochem Photobiol B Biol， 1994， 22（3）： 247-252. DOI：10.1016/1011-1344（93）06963-4 . doi: 10.1016/1011-1344（93）06963-4
33	Cao Z S， Cheng T， Ma X， et al. A new three-band spectral index for mitigating the saturation in the estimation of leaf area index in wheat［J］. Int J Remote Sens， 2017， 38（13）： 3865-3885. DOI：10.1080/01431161.2017.1306141 . doi: 10.1080/01431161.2017.1306141
34	Gitelson A A. Remote estimation of crop fractional vegetation cover： the use of noise equivalent as an indicator of performance of vegetation indices［J］. Int J Remote Sens， 2013， 34（17）： 6054-6066. DOI：10.1080/01431161.2013.793868 . doi: 10.1080/01431161.2013.793868
35	Nguy-Robertson A L， Peng Y， Gitelson A A， et al. Estimating green LAI in four crops： potential of determining optimal spectral bands for a universal algorithm［J］. Agric For Meteorol， 2014， 192/193： 140-148. DOI：10.1016/j.agrformet.2014.03.004 . doi: 10.1016/j.agrformet.2014.03.004
36	Jay S， Maupas F， Bendoula R， et al. Retrieving LAI， chlorophyll and nitrogen contents in sugar beet crops from multi-angular optical remote sensing： comparison of vegetation indices and PROSAIL inversion for field phenotyping［J］. Field Crops Res， 2017， 210： 33-46. DOI：10.1016/j.fcr.2017.05.005 . doi: 10.1016/j.fcr.2017.05.005
37	谷成燕，杜华强，周国模，等. 基于PROSAIL辐射传输模型的毛竹林叶面积指数遥感反演［J］. 应用生态学报， 2013， 24（8）： 2248-2256. DOI：10.13287/j.1001-9332.2013.0383 . doi: 10.13287/j.1001-9332.2013.0383
38	姚霞. 小麦冠层和单叶氮素营养指标的高光谱监测研究［D］. 南京：南京农业大学， 2009.
39	高兴，李斐，杨海波，等. 基于红边位置的马铃薯植株氮浓度估测方法研究［J］. 植物营养与肥料学报， 2019， 25（2）： 296-310. DOI：10.11674/zwyf.18058 . doi: 10.11674/zwyf.18058
40	Richetti J， Boote K J， Hoogenboom G， et al. Remotely sensed vegetation index and LAI for parameter determination of the CSM-CROPGRO-Soybean model when in situ data are not available［J］. Int J Appl Earth Obs Geoinformation， 2019， 79： 110-115. DOI：10.1016/j.jag.2019.03.007 . doi: 10.1016/j.jag.2019.03.007
41	李长春，李亚聪，王艺琳，等. 基于小波能量系数和叶面积指数的冬小麦生物量估算［J］. 农业机械学报， 2021， 52（12）： 191-200. DOI：10.6041/j.issn.1000-1298.2021.12.020 . doi: 10.6041/j.issn.1000-1298.2021.12.020

年份 Year	取样时间 Sampling date	生育时期 Phenological stage	样本数量 Number of sample	在本研究中的应用 Application of data
2018	5/27	苗期 Seedling	24	检验 Validation
	6/11	结荚期 Podding	24
	6/26	成熟期 Maturing	24
2019	5/22	苗期1 Seedling 1	24	建模 Modeling
	5/29	苗期2 Seedling 2	24
	6/4	开花下针期 Flowering and needling stage	24
	6/15	结荚期 Podding	24
	6/27	成熟期 Maturing	24

序号 Code	缩写 Abbreviation for vegetation index	植被指数 Vegetation index	指数构型 Formula	文献 Ref.
1	BWDRVI	Blue-wide dynamic range vegetation index	（0.1×ρ₈₀₀-ρ₄₇₀）/（0.1×ρ₈₀₀+ρ₄₇₀）	［25］
2	GNDVI	Green normalized difference vegetation index	（ρ₈₀₀-ρ₅₅₀）/（ρ₈₀₀+ρ₅₅₀）	［26］
3	OSAVI	Optimized soil adjusted vegetation index	（1+0.16）×（ρ₈₀₀-ρ₆₇₀）/（ρ₈₀₀+ρ₆₇₀+0.16）	［27］
4	EVI2	Enhanced vegetation index 2	2.4×（ρ₈₀₀-ρ₆₇₀）/（ ρ₈₀₀+ρ₆₇₀+1）	［28］
5	WDRVI	Wide dynamic range vegetation index	（0.1×ρ₈₀₀-ρ₆₇₀）/（0.1×ρ₈₀₀+ρ₆₇₀）	［29］
6	mSR705	Modified simple ratio 705， 750	（ρ₇₅₀/ρ₇₀₅-1）/（√（ρ₇₅₀/ρ₇₀₅）+1）	［30］
7	CI_red-edge	Chlorophyll index red-edge	（ρ₇₅₀/ρ₇₁₀）-1	［31］
8	NDRE	Normalized difference red edge	（ρ₇₉₀-ρ₇₂₀）/（ρ₇₉₀+ρ₇₂₀）	［32］

农学参数 Parameter	植被指数 Vegetation index	波段1 λ1 /nm	波段2 λ2 /nm	建模决定系数 R²	检验相对均方根误差 RRMSE /%
叶面积指数 LAI	NDRE	790_（NIR）	720_{（red-edge）}	0.7621	13.91
	mSR705	750_{（red-edge）}	705_{（red-edge）}	0.7007	18.40
	CI_red-edge	750_{（red-edge）}	710_{（red-edge）}	0.7091	16.90
	WDRVI	800_（NIR）	670_（VIS）	0.6532	20.31
	GNDVI	800_（NIR）	550_（VIS）	0.6530	21.54
	OSAVI	800_（NIR）	670_（VIS）	0.5887	22.45
	EVI2	800_（NIR）	670_（VIS）	0.5897	24.35
	BWDRVI	800_（NIR）	470_（VIS）	0.3787	30.48
地上部生物量 AGB	NDRE	790_（NIR）	720_{（red-edge）}	0.7019	20.65
	CI_red-edge	750_{（red-edge）}	710_{（red-edge）}	0.6343	24.23
	mSR705	750_{（red-edge）}	705_{（red-edge）}	0.6208	25.59
	OSAVI	800_（NIR）	670_（VIS）	0.5596	26.58
	WDRVI	800_（NIR）	670_（VIS）	0.5477	27.78
	GNDVI	800_（NIR）	550_（VIS）	0.5314	29.50
	EVI2	800_（NIR）	670_（VIS）	0.4908	32.14
	BWDRVI	800_（NIR）	470_（VIS）	0.4588	33.47

农学参数 Parameter	植被指数 Vegetation index	波段1 λ1		波段2 λ2		建模决定系数 R²	检验相对均方根误差 RRMSE /%	监测模型 Equation
农学参数 Parameter	植被指数 Vegetation index	波长 Wavelength /nm	带宽 Bandwidth /nm	波长 Wavelength /nm	带宽 Bandwidth /nm	建模决定系数 R²	检验相对均方根误差 RRMSE /%	监测模型 Equation
叶面积指数 LAI	NDRE（λ₇₉₀-b₃₃， λ₇₂₀-b₅₃）	790	33	720	53	0.7482	13.88	LAI=0.0296×exp^{（14.365×VI）}
	mSR705（λ₇₅₀-b₁₀₁， λ₇₀₅-b₉₅）	750	101	705	95	0.7428	18.33	LAI=0.0302×exp^{（9.8738×VI）}
	CI_red-edge（λ₇₅₀-b₁₀₁， λ₇₁₀-b₇₃）	750	101	710	73	0.7449	16.88	LAI=0.0603×exp^{（3.8149×VI）}
地上部生物量 AGB	NDRE（λ₇₉₀-b₈₉， λ₇₂₀-b₈₉）	790	89	720	89	0.7103	20.42	AGB=0.6240×exp^{（20.222×VI）}
	mSR705（λ₇₅₀-b₁₀₁， λ₇₀₅-b₁₀₁）	750	101	705	101	0.6866	23.73	AGB=1.5901×exp^{（12.229×VI）}
	CI_red-edge（λ₇₅₀-b₁₀₁， λ₇₁₀-b₉₉）	750	101	710	99	0.6895	23.62	AGB=2.1329×exp^{（5.892×VI）}

[1]	Hong-chang JI, Xiao-chen QIU, Wen-hao LIU, Chang-li HU, Ming KONG, Xiao-hui HU, Jian-bin HUANG, Xue YANG, Yan-yan TANG, Xiao-jun ZHANG, Jing-shan WANG, Li-xian QIAO. Construction and application of near infrared ray model for oil content prediction in peanut kernel [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2022, 44(5): 1089-1097.
[2]	Meng-sheng WEI, Wei MENG, Xue-ting CHEN, Qing ZHANG, Bo-feng LENG, Xian-rong LI, Zhong-chao FENG. Analysis of financial factors in the price fluctuation of rapeseed products in China based on TVP-SV-VAR model [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2022, 44(2): 268-279.
[3]	Xu-tao ZHAO, Hai-dong LIU, Kai-xiang LI, Liang XU, De-zhi DU. Breeding of elite restorer lines based on 3 Pol CMS lines in spring Brassica napus L. [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2021, 43(6): 961-970.
[4]	ZHANG Mao-ning, ZHANG Xin-you, SUN Zi-qi, HUANG Bing-yan, LIU Hua, XU Jing, ZHANG Zhong-xin, QI Fei-yan, DONG Wen-zhao. Genetic model analysis of peanut pod traits in nested-crossing population [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2021, 43(4): 573-.
[5]	YU Hai-yang, LI Yu-ying, LYU Yu-ying, ZHANG Xiu-rong, YANG Hui, ZHANG Kun, WANG Lin, LIU Feng-zhen, WAN Yong-shan. Analysis of genetic effects for seed high oil content based on multi-population in peanut（Arachishypogaea L.） [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2021, 43(3): 487-.
[6]	WANG Rui-qing, LYU Feng-juan, LIN Hong-xin, ZHANG Zhi-hua, YUAN Zhan-qi, WEI Lin-gen, XIAO Yun-ping. Effects of density on yield and leaf area index of autumn sesame in red soil dryland under low nitrogen [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2021, 43(2): 271-.
[7]	YE Jia-li, JIA Hai-xia, GUO Dong-liang, YAN Wen-liang, YANG Liang-jie, HUANG Li-li, CHEN Da-wei, LI Gong-ze, XIE Li-qiong. Establishment and applicant of near-infrared reflectance spectroscopy models for predicting protein,linolenic acid and lignan contents of flaxseed [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2021, 43(2): 353-.
[8]	LYU Xiao, ZHAN Shen-ye, YU Hai-qiu, YIN Hong, SUI Ming, JIANG Chun-ji. Hyperspectral remote sensing estimation model of peanut canopy apar and fapar [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2020, 42(5): 878-.
[9]	JIN Lin-xue, LI Yun-peng, WU Rui-fen, LI Dan, WANG Jia. Forecast method of growth stage and yield of soybean based on climate suitability in Inner Mongolia [J]. CHINESE JOURNAL OF OIL CROP SCIENCES, 2020, 42(5): 903-.
[10]	LIU Lai, WANG Wei-Hong*, WANG Wei-hong, ZHANG Yan . Estimation models for spectral response and cadmium contents in leaves of Brassica napus L. [J]. 中国油料作物学报, 2019, 41(1): 46-.
[11]	MAO Xin,YANG Jian-li,ZHOU Xiang,WANG Nai-jiang,JI Xiang-xiang,FENG Hao,HE Jian-qiang *. Relationships between traits and yields of rapeseed based on the structural equation modeling [J]. 中国油料作物学报, 2019, 41(1): 33-.
[12]	ZHAO Jing, ZHANG Heng-bin, ZENG Kai, LUO Geng-tong, ZHAN Yong* . Analysis of dry matter accumulation and yield traits for super high-yielding soybean Jiyu 86 in Xinjiang [J]. 中国油料作物学报, 2018, 40(3): 367-.
[13]	HUANG Wen-Hui, WANG Hui, CAI Xin, WANG Wen-Xiang, FU Li, HU Qiong, CHENG Hong-Tao, MEI De-Sheng* . Genetic analysis of lodging resistance related traits of Brassica napus DH population [J]. 中国油料作物学报, 2018, 40(1): 18-.
[14]	LI Hong-ge, ZHANG Li-ping, WU Xiao-ming* . Genetics of stem strength in Brassica napus in mixed model of major gene and polygene [J]. 中国油料作物学报, 2018, 40(1): 10-.
[15]	LU Jian-hua LI Xiang, ZHAO Wei, SHEN Xin-jie,GUO Wei, Wang Xiao-yi, ZHOU Xin-an, JIAO Yong-qing * . Characterization of different functions between a soybean MYB transcription factor GmMYB010 and its orthologous gene in Arabidopsis thaliana [J]. 中国油料作物学报, 2017, 39(3): 281-.