基于扫描图像光谱特征和模式识别的水稻叶片磷素诊断研究

磷的缺乏对水稻产量有很大影响,磷的无损快速营养诊断对缺磷水稻生产有十分重要的意义.该文以水稻不同磷营养水平的顶部三张完全展开叶图像为研究对象,综合提取图像光谱信息表现出的颜色、纹理和形状三类共26个叶片特征指数并进行单因子特征分析,结合CfsSubsetEval+Scattersearch方法对26个特征属性进行优化组合、评价和选择,根据不同叶位的特征指数选择结果,利用粗糙集理论将不同磷营养水平叶片图像样本分为三类:极缺、微缺、正常.由识别精度可知,严重缺磷样本识别率最高,第三叶为水稻磷营养诊断的最佳叶位.     

新型光谱曲线特征参数与水稻叶绿素含量间的关系研究

利用高光谱信息检测作物叶绿素含量信息是田间作物长势诊断的重要研究内容。利用水稻光谱和叶绿素含量田间实测数据,从作物叶绿素含量不同,光谱曲线峰谷波形有高矮胖瘦形态变化的观点出发,提出光谱曲线峰谷波形中特征边的上升、下降速率以及组成峰谷波形两边的夹角等新型特征量,利用归一化光谱信息,分析了这些变量与水稻叶绿素含量间的相关关系。研究结果显示:(1)可见光波段范围520～740nm之间的归一化光谱反射率与叶绿素含量间呈良好的负相关关系;(2)绿峰反射光谱曲线特征边的变化速率及绿峰两边的夹角等变量与水稻叶绿素含量具有较好的相关性,表明利用这些新型变量开展叶绿素含量高光谱无损监测成为可能,这将为利用高光谱信息开展作物长势与营养诊断提供新的思路和方法。     

冬枣光谱数据的灰色关联分析及叶片氮素含量预测

采用灰色理论对冬枣叶片氮素含量和光谱反射率之间进行了灰度关联分析,分析结果显示波长560,678以及786 nm处的光谱反射率(G560,R678,NIR786)与冬枣叶片氮素含量之间的灰色关联度最高。利用上述三个特征波段光谱反射率计算得到的植被指数共计9个。进一步运用灰色系统理论分析了九种植被指数与叶片氮素含量的灰色关联度,结果显示：归一化植被指数(NDVI)、绿色比值植被指数(GRVI)、归一化差异绿度植被指数(NDGI)、绿色归一化植被指数(GNDVI)和组合归一化植被指数(CNDVI)等5个指数与叶片氮素含量的灰色关联度较高。利用3个特征波段的光谱反射率和5个关联度较高的植被指数,分别采用最小二乘支持向量机(LS-SVM)以及GM(1,N)模型建立了冬枣叶片氮素含量预测模型。结果表明,采用特征波段光谱反射率(G560,R678,NIR786)建立的冬枣叶片氮素含量GM(1,N)模型的精度最高,预测R2达0.928,验证R2达0.896。     

应用数码相机进行水稻氮营养诊断

传统的水稻氮营养诊断需要大量的破坏性取样和实验室分析,SPAD叶绿素仪虽然具有较高的精度,但只能测定叶片的很小一部分,需要进行多点的测试,在大面积应用费时费力,时效性和便捷性不足.该文利用田间不同氮水平试验,使用数码相机获取了水稻冠层图像并进行色彩分析,研究了利用可见光遥感技术手段进行水稻冠层的氮营养诊断的可行性,并对表征水稻氮营养状况的可见光光谱诊断指标进行了探索.研究结果表明,数字图像红光值(R)、绿光值(G)和红光标准化值(NRI)与水稻氮营养状况常规诊断指标植株全氮含量、生物量和地上部吸氮量等都旱显著的线性反相关关系,而绿光标准化值则与上述指标呈显著正相关关系.红光标准化值与叶绿素仪SPAD读数相比能更好地表征水稻幼穗期的氮素营养状况,与常规测试指标的相关系数介于0.541～0.780之间.数字图像色彩分析技术具有发展成为新一代作物氮营养诊断手段的潜力.     

基于无人机可见光谱平台的烤烟氮素营养诊断

利用不同氮肥用量田间试验,分析基于无人机平台的可见光谱诊断技术对烟草氮素营养进行无损评估预测的可行性,明确该技术的最佳颜色参数和方程模型。2018年在江西省安福县开展田间试验,设置不同氮肥用量,分别为0,45,90,135,180和300 kg N·ha-1,于移栽后47 d（团棵期）、移栽后83 d（旺长后期）和移栽后116 d（下部叶成熟期）,利用无人机获取冠层RGB色彩数字图像,同时采集植株样品分析地上部生物量、叶片生物量、地上部氮浓度、叶片氮浓度、叶片SPAD值等氮营养状况指标,对冠层数字图像进行数字化分析,获得颜色指标值,通过颜色指标与烟草氮营养状况指标的相关性分析,筛选适宜的颜色指标并建立氮营养诊断方程。利用不同地块的氮肥用量试验,对氮营养诊断方程拟合精度进行验证。试验结果表明,旺长后期各处理间冠层图像的颜色标准值存在显著差异,团棵期与下部叶成熟期不存在显著差异。在10个颜色指标中,NRI,NGI,G/R,G/(R+B),(G-R)/(R+G+B)和ExG与5个烤烟氮素营养指标均达到极显著相关（p＜0.01)。在归一化颜色指标体系、比颜色指标体系和归一化差分颜色指标体系中选择潜在的最佳颜色参数指标分别为NGI,G/R和ExG。根据不同类型的回归分析结果,确定指数回归作为地上部生物量和叶片生物量的预测模型,线性回归作为地上部氮浓度、叶片氮浓度及叶片SPAD值的预测模型。对潜在的最佳指标进行验证性筛选,G/R对地上部氮浓度和叶片氮浓度的RMSE值分别为0.375 1%和0.249 1%,明显低于NGI和ExG,预测精度最高。用G/R值表示的地上部生物量、叶片生物量、地上部氮浓度、叶片氮浓度、SPAD值预测方程分别为Y=21.785e1.3502G/R,Y=4.057 9e1.937 3G/R,Y=5.039 9G/R-3.333 2,Y=4.281 4G/R-3.802 9,Y=40.168G/R-28.188。因此,基于无人机平台的可见光谱诊断技术在烤烟氮素营养诊断方面具有应用潜力,评估最佳时期为旺长后期,最佳预测参数为G/R值。     

氮胁迫下水稻的激光诱导荧光光谱特性

为了指导水稻的田间施肥,解决因过量施肥造成资源的大量浪费以及环境污染,特别是水体富营养化等问题,搭建了基于紫外激光诱导荧光技术的荧光光谱探测系统,以研究水稻叶片的氮水平与荧光强度的相关性。文中先用植物营养测定仪(TYS-3N)测定水稻叶片氮含量和叶绿素含量（样本为水稻分蘖期的倒二叶,采集于中国江汉平原地区）,再用搭建的测量系统采集了不同氮水平的荧光光谱。获得了不同氮水平下水稻叶片的荧光光谱数据库,分析了荧光光谱参数F₇₄₀/F₆₈₅（为峰值740,685 nm处的荧光强度比）与氮水平的相关性,发现氮含量的变化对水稻叶片荧光光谱特性影响明显。通过该实验验证了荧光参数的峰值比F₇₄₀/F₆₈₅与氮含量呈明显的线性正相关,相关系数（r）为0.871 8,均方根误差（RMSE）为0.076 82。实验表明采用激光诱导荧光光谱探测技术具有快速无损等优点,且有一定潜力用于定量测量植被营养元素的含量,为采用荧光技术对农作物施氮管理提供了支持。     

基于仿生优化算法的水稻叶绿素含量反演模型

用光谱信息精准、高效地检测水稻叶片叶绿素含量,对诊断和优化水稻叶片氮素营养、开发和优化稻田氮素追肥系统、监测和评价水稻病虫害具有重要的实际意义。针对单纯采用机器学习模型反演水稻叶片叶绿素含量模型精确性和稳定性差的问题,以粳稻吉粳88为研究对象,通过网格试验获得分蘖期等关键生育期的叶片表型高光谱数据和相对叶绿素含量。选取核极限学习机（KELM）为基础建模模型,提出了一种先依据基础KELM建模效果选择预处理方法后,再利用仿生优化算法对所选预处理组合所对应的KELM模型的训练过程进行优化的新思路,以提高模型预测精度。首先,对光谱数据的各类预处理方法展开研究,通过对4类预处理方法进行全排列组合共得到72种预处理组合。利用连续投影算法（SPA）选择特征波段输入KELM模型以筛选较优预处理组合。依据建模效果,预处理组合CWT+MMS,CWT+MSC+SG+SS和CWT+SS所对应KELM的测试集决定系数（R2_p）较高,分别为0.850,0.835和0.828。其次,为使KELM模型在保证稳定性和泛化性的前提下性能达到最优,引入哈里斯鹰优化算法（HHO）,通过模拟鹰群在捕食时的合作行为和追逐策略,自动最优调节上述三种KELM模型参数,使得HHO-KELM模型R2_p分别为0.957,0.867和0.858,模型精度得到有效提升,最高提升10.7%。通过研究,证明了HHO算法优化机器学习模型反演水稻叶片叶绿素含量的可行性,为东北粳稻叶绿素含量的测定和评估提供了有力的参考和借鉴。     

土壤全氮田间Vis/NIR光谱测定方法研究

应用Vis/NIR光谱直接测定原始土壤属性具有重要的研究和应用价值。选取我国中部水稻土和潮土共103个土样,对比分析了两种土壤在田间环境下的湿态(R_w)和干态(R_d)光谱特征。采用相对变换光谱方法对湿态光谱进行了处理,结果表明该方法能够有效降低土壤水分的干扰和消除部分噪声,得到的变换光谱(R_n)与干态光谱在信息量和特征方面具有很高的相似度。以此建立了土壤TN的PLS回归估计模型,检验结果表明,R_n对水稻土和潮土TN的估计模型精度均高于R_w,修正判定系数分别从0.26和0.46提高到0.53和0.62。因此,相对光谱变换方法能够有效提高应用田间土壤光谱估计土壤参数的能力,建立的PLS模型可以用于测定TN含量,研究结果可作为实现田间实时分析土壤属性的工作基础。     

夏玉米叶片分层氮素营养的高光谱诊断

建立能够快速诊断作物氮素状况的光谱估算模型,对指导有效施肥具有现实意义。应用高光谱技术在夏玉米生育期研究了氮素在上下层叶片的分布规律及其氮素含量与植被指数的关系,并建立了叶片氮含量的估算模型。结果表明：夏玉米四个生育期(拔节期﹑大喇叭口期﹑抽雄期和灌浆期)上层叶氮含量均高于下层叶氮含量,抽雄期的下层叶片对氮素的缺乏反应敏感,生产上在抽雄期可以通过对下层叶片氮含量的监测来指导施肥。构建了三个时期(拔节、大喇叭口和抽雄期)各自最佳的估测叶片氮含量的模型。研究结果为作物氮素营养诊断及合理施肥提供了参考。     

基于双波段植被指数(TBVI)的柑橘冠层含氮量预测及可视化研究

氮素(nitrogen,N)是果树生长发育的必需重要元素,及时准确地无损检测果树的氮素水平对果实增产、合理施肥以及减少环境污染等具有重要意义。研究了基于高光谱成像技术进行柑橘冠层含氮量预测及可视化的可行性。实验采用高光谱成像光谱仪ImSpector V10E(Spectral imaging Ltd.,Oulu,Finland)分别采集柑橘叶片实验室样本和野外整个植株冠层的高光谱图像。利用ENVI软件提取每个叶片样本感兴趣区域(ROI)的平均光谱数据作为整个样本的光谱数据进行分析,同时采用杜马斯燃烧法快速定氮仪(ElementarAnalytical, Germany)测定叶片样本的含氮量。通过简单相关分析和双波段植被指数(TBVI)的获取,建立基于光谱数据的含氮量预测模型。计算表明,基于811和856 nm的双波段植被指数(TBVI)能够建立最佳的柑橘叶片含氮量预测模型(R2=0.607 1)。在此基础上,计算上述TBVI的冠层图像,把基于该TBVI的含氮量预测模型导入到TBVI图像中计算生成冠层含氮量的预测分布图。图中直观地显示柑橘嫩叶、中叶、老叶的含氮水平从高到低分布,实现了冠层含氮量的可视化。结果表明,利用高光谱成像技术可以实现柑橘冠层氮素水平的检测和诊断,这为实施基于每颗果树信息的变量施肥技术提供了参考信息。     

基于可见光光谱和BP人工神经网络的冬小麦生物量估算研究

建立基于冬小麦冠层图像分析获取的冠层覆盖度和色彩指数的地上部生物量估算模型,以促进作物冠层图像分析技术和BP神经网络技术在冬小麦长势无损监测中的应用。六个施氮水平的田间试验条件下,在冬小麦拔节期,分四次采集冬小麦冠层图像,同步进行破坏性取样,测定冬小麦地上部生物量;分析了通过图像分析软件(利用微软Visual Basic软件开发)获取的冠层覆盖度和10种色彩指数与冬小麦地上部生物量的相关关系,以逐步回归和BP神经网络方法建立了冬小麦地上部生物量估算模型。结果表明,冬小麦地上部生物量与冠层覆盖度、饱和度和红光亮度值呈显著相关,其中,与冠层覆盖度间的相关性最强,且除亮度外,冠层覆盖度、色彩指数与地上部生物量间呈非线性相关。通过BP神经网络方法构建的模型相对于逐步回归模型,显著提高了冬小麦地上部生物量估算精度,均方根误差(RMSE)、相对均方根误差(RRMSE)更小,决定系数(R2)更大。     

高光谱成像的马铃薯叶片含水率分布可视化

为了快速检测马铃薯叶片的水分含量,并探究受到干旱胁迫时叶片含水率变化情况,利用高光谱成像对马铃薯叶片含水率进行检测和可视化研究。采集71个叶片,用烘干法对叶片水分梯度进行控制,共得到355个样本。使用高光谱分选仪器采集叶片862.9~1 704.2 nm(256个波长)的光谱成像数据,采用称重法测量含水率。利用Sample set partitioning based on joint X-Y distance(SPXY)算法将总样本按照2∶1的比例划分为建模集(240个样本)和验证集(115个样本)。对采集的数据进行光谱特征分析,本文分别用CA和RF两种算法,各筛选得到15个特征波长。基于CA筛选出相关系数高于0.96的15个波长分别为1 406.82,1 410.12,1 403.62,1 413.32,1 416.62,1 419.82,1 400.32,1 423.12,1 426.32,1 429.62,1 432.82,1 436.12,1 439.32,1 442.52和1 445.8 nm。基于RF算法筛选被选概率高于0.3的15个特征波长,按照被选择概率值从大到小排列,分别为1 071.62,1 041.12,1 222.52,1 465.22,1 397.02,1 449.02,1 034.32,1 523.22,976.42,1 172.52,979.82,1 165.82,1 037.72,1 426.32和869.8 nm。用CA和RF算法筛选到的特征波长建立PLSR模型,分别记为CA-PLSR模型和RF-PLSR模型。利用高精度模型检测结果,对马铃薯叶片含水率进行可视化分析,首先计算马铃薯叶片图像每个像素点的含水率,得到灰度图像,然后对灰度图像进行伪彩色变换,绘制出叶片含水率可视化彩色图像。为了体现马铃薯叶片烘干处理中含水率变化进程,用HSV彩色模型对样本叶片的伪彩色图像进行分割,获得分割图像结果,显示出在某含水率区间的叶片面积比例。结果显示,CA算法选取的15个波长均在1 400.3~1 450.0 nm范围内,CA-PLSR模型的建模精度(R2_c)为0.975 5、建模集均方根误差(RMSEC)为2.81%,验证集精度(R2_v)为0.933 2、验证集均方根误差(RMSEV)为2.31%。RF算法选取的特征波长分布范围较CA法选取范围广,具有局部“峰谷”特性,且RF-PLSR模型的建模集精度(R2_c)为0.983 2、RMSEC为2.32%,验证集精度(R2_v)为0.947 1、RMSEV为2.15%。选取RF-PLS模型计算马铃薯每个像素点的含水率,得到伪彩色变换图像,观察可知随着烘干时间的增加含水率逐渐下降;并能够从叶片结构角度看到,随着水分胁迫的加强,叶片从边缘开始失水,逐渐向叶片中间蔓延,其中叶茎和叶脉的含水率较其他部位高。计算得到叶片伪彩色图像中含水率大于90%,80%和70%的像素点占整个叶片图像的比例。利用高光谱成像技术可以实现马铃薯叶片的含水率检测与分布可视化表达,为监测马铃薯生长状况以及叶片含水率分析提供新的理论根据。     

Estimation of Winter Wheat Biomass Using Visible Spectral and BP Based Artificial Neural NetworksSCIEI北大核心CSCD

The objective of this study was to evaluate the feasibility of using color digital image analysis and back propagation (BP) based artificial neural networks (ANN) method to estimate above ground biomass at the canopy level of winter wheat field. Digital color images of winter wheat canopies grown under six levels of nitrogen treatments were taken with a digital camera for four times during the elongation stage and at the same time wheat plants were sampled to measure above ground biomass. Canopy cover (CC) and 10 color indices were calculated from winter wheat canopy images by using image analysis program (developed in Microsoft Visual Basic). Correlation analysis was carried out to identify the relationship between CC, 10 color indices and winter wheat above ground biomass. Stepwise multiple linear regression and BP based ANN methods were used to establish the models to estimate winter wheat above ground biomass. The results showed that CC, and two color indices had a significant correlation with above ground biomass. CC revealed the highest correlation with winter wheat above ground biomass. Stepwise multiple linear regression model constituting CC and color indices of NDI and b, and BP based ANN model with four variables (CC, g, b and NDI) for input was constructed to estimate winter wheat above ground biomass. The validation results indicate that the model using BP based ANN method has a better performance with higher R-2 (0.903) and lower RMSE (61.706) and RRMSE (18.876) in comparation with the stepwise regression model.     

彩色数字图像色差计算方法的研究

用5幅ISO SCID图像在EIZO CG19显示器上分别进行了两组图像色差等级评价实验。两组实验分别在室内自然照明环境和标准灯箱中进行,用目视评价实验数据检验并优化彩色图像色差的计算公式。用CIELAB、CIEDE2000、CIE94和CMC色差公式对第一组实验数据计算结果表明,现有色差公式计算的图像明度差和彩度差与实际色差感觉有明显的系统性差异,图像内容对计算色差与色差感觉的关系有一定影响,说明需要对原始色差公式进行改进。提出了用实验数据拟合直线斜率比值优化色差公式的方法,得到CIELAB(1.50:1)、CIEDE2000(2.29:1)、CIE94(3.04:1)和CMC(3.38:1)计算的色差比原始公式有明显的改善,其中CIEDE2000(2.29:1)计算结果受图像内容的影响最小。用第二组实验数据检验色差公式的优化效果也证明,这种优化方法准确,简单,具有普遍适用性。     

基于可见光光谱和随机森林算法的冬小麦冠层图像分割

数字图像分析技术因其高效、快速等特点,已被广泛应用于作物长势和氮素营养状况的无损监测领域。获取作物冠层覆盖度及可见光光谱亮度值及其衍生的色彩指数,需要从作物冠层图像中准确分割出作物图像。研究以冬小麦与背景(土壤)在可见光波段反射率的差异为依据,利用基于CIEL*a*b*色彩空间a*分量的最大类间方差法和基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法对冬小麦冠层图像进行了分割,并比较了图像分割精度。结果表明,三种方法均具有较高的分割精度,其中基于随机森林算法的图像分割效果明显好于最大类间方差法,而基于sRGB和CIEL*a*b*两个色彩空间的随机森林算法的图像分割效果差异较小。研究结果表明,随机森林算法可直接利用冠层图像可见光波段的三个色彩分量(R,G和B)分割冬小麦冠层图像。     

基于机器学习和可见光光谱的冬小麦叶片氮积累量估算

在拔节期分4次采集了6个施氮水平下的冬小麦冠层图像,同步进行取样并以凯氏定氮法测定叶片含氮量,进而计算叶片氮积累量。利用随机森林算法分割冠层图像之后提取冠层覆盖度、可见光波段(R, G和B)三个分量及其衍生的5个色彩指数。以冠层覆盖度外加色彩指数、色彩分量的两种非线性回归,以及人工神经网络、支持向量回归、随机森林3种机器学习算法建立了冬小麦叶片氮积累量的估算模型。结果表明利用色彩指数的非线性回归模型的估算精度稍低于其他方法,而随机森林算法的拟合精度最高,但存在明显的过拟合现象。其他三种方法,即以冠层覆盖度及色彩分量为输入变量的非线性回归、支持向量回归和人工神经网络方法,均具有较高的拟合精度和泛化性能。     

基于太赫兹技术的植物叶片水分检测初步研究

叶片含水量是植物健康状况的重要衡量指标之一。太赫兹波处于红外和微波之间,对样品水分变化非常敏感,当太赫兹光谱穿透含水丰富的叶片时,叶片中水分等物质能对太赫兹光谱产生强烈的吸收,根据叶片不同位置处水分含量的不同,能利用太赫兹光谱技术对植物叶片进行成像。本研究利用太赫兹技术检测植物叶片的水分含量,初步探讨植物叶片中水分和太赫兹成像的相关关系。实验采集离体绿萝叶片,每隔一定时间通过太赫兹光谱仪对叶片逐点扫描,获取叶片每一点的太赫兹时域光谱数据,经过傅里叶变换得到对应频域光谱,提取时域幅值的光谱参数以及特定频域光谱,对植物叶片图像进行重构,获取植物叶片的二维图像。结果表明,不同频率下,绿萝离体叶片的太赫兹二维图像呈现明显差异,叶肉与叶脉中水分含量不同,对太赫兹波的吸收也不同,根据图像,能清晰显示植物叶片叶肉与叶脉部位的水分含量差异。通过叶片时域幅值的平均值、叶片频域平均值与叶片水分含量建立相应的回归模型,时域最小幅值光谱与水分含量建立的最佳模型预测相关性达0.989 1,预测均方根误差为0.024 4 g。研究表明太赫兹技术用于植物叶片的水分含量检测具有较好的研究潜力。     

基于色彩参数和高光谱特征的针叶树种色素含量预估

光谱成像技术广泛应用于植物理化参数无损伤测定等领域研究,而色素与色彩参数相关性研究也有学者探索。但比较并优选分别以色彩参数值、光谱参数值作为自变量与色素含量拟合出的模型,还未见报道。本实验以5种针叶树种为研究对象,筛选蓝边幅值Db、黄边幅值Dy、红边幅值Dr、绿峰幅值Rg、红谷幅值Rr、蓝边面积SDb、黄边面积SDy、红边面积SDr、比值植被指数RVI、差值植被指数DVI、归一化植被指数NDVI 11种光谱植被参数作为该光谱分析的基础,将实测针叶色彩参数值、光谱参数值分别作为自变量,采用多元线性逐步回归方法（SMLR）预估色素含量建立模型,以R2、RMSE为评价标准,对比选出模型精度最高的参数组合应用于实践。研究结果表明：(1) 树种间针叶色素含量、色相参数值、光谱反射率均存在一定差异（p<0.05）。(2) 树种间针叶光谱反射率红松显著低于北美短叶松、樟子松、赤松（p<0.05）,针叶树种原始光谱在可见光波段500和680 nm附近呈现“蓝谷现象”和“红谷现象”,在550和760 nm波段附近呈现“绿峰现象”和“红边现象”;一阶微分光谱反射率在700 nm附近产生剧烈变化。(3) 色素含量与色彩参数、光谱反射率、光谱特征参数存在显著线性关系。(4) 花青素和叶绿素分别以L,a*和L,a*,b*,S色彩参数组合为自变量时,拟合模型R2最高,分别为0.588和0.638;而类胡萝卜素、叶绿素a、叶绿素b都是以FD₆₅₂,FD₇₀₀,SDb,SDy,RVI,DVI和NDVI光谱参数组合为自变量时,拟合模型R2最高,分别为0.779,0.786,0.774。该研究运用高光谱相机、色彩色差仪、紫外-可见分光光度仪实现了快速预估针叶色素含量,在色彩参数值与光谱值都与色素含量存在显著相关性的基础上,成功选出建立模型精度最高的参数组合,在针叶树种色素预估时可以根据精度需求及研究条件选择不同方法和参数值。     

苦菜的不同部位中13种金属元素含量的分析测定

用火焰原子吸收法测定了苦菜的不同部位(根,茎,叶,花)中矿物元素(Ca, Mg, K, Na, Cu, Zn, Mn, Cr, Co, Ni, Fe, Pb和Cd)的含量,并对结果进行了分析比较。苦菜中13种金属元素在各部位中的加合量(μg·g-1)由高到低的顺序依次为：叶(77 213.72)>花(47 927.15)> 杆 (42 280.99 )>根(28 131.18)。人体必需的生理上较重要的微量元素Zn, Fe, Mn, Cu等含量均较高。另外, 样品中亦检出微量有毒元素铅和镉。