论文部分内容阅读
摘要：叶绿素是植物体进行光合作用吸收光能物质的主要色素，直接影响植被的光合作用。高光谱遥感为快速、大面积监测植被的叶绿素变化提供了可能。实测了不同品种、肥水条件下，花生冠层的高光谱反射率与叶绿素含量数据，对二者进行了相关分析；首先采用相关系数较大的波段作为变量进行叶绿素含量的估算，其次采用特定叶绿素敏感波段建立叶绿素估算模型。经对比发现，以原始高光谱反射率所构建的估算模型精度不高；一阶导数与叶绿素含量之间的关系采取同样的方法，表明线性模型可较好地预测叶绿素含量；最后在高光谱特征变量中，λr、λg、λo为自变量所构建的模型均通过极显著检验，以λr所构建的指数模型具有最大的决定系数（r2=0.543 5）和F值（F=33.333）；通过精度检验，综合分析认为，以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。
关键词：花生；叶绿素含量；高光谱遥感；估算模型
中图分类号：S127 文献标志码：A 文章编号：1002-1302（2017）01-0197-04
在光合作用过程中，吸收光能的植被色素有叶绿素与类胡萝卜素，其中叶绿素是吸收光能的主要物质，它的数量直接影响着植被的光合作用。植被色素含量与光合作用能力、发育阶段和氮素含量有较好的相关性，可以作为植被长势监测的一种有效指标[1]。在可见光区，植被的反射波来估算其生化参数—色素含量[2]。
植被叶绿素含量的高光谱遥感反演最早是在叶片尺度上开展的[3]，进而在冠层尺度上得到发展[4]。目前，利用高光谱遥感数据估计植被生化参数主要有3类方法：一是通过多元统计分析方法，包括光谱反射率、导数光谱[5-6]；二是基于特征光谱位置变量的分析技术，包括红边位置、绿峰位置等[7]；三是光學辐射传输模型方法[8]。迄今为止，高光谱遥感在估算植被尤其是农作物的叶绿素含量方面已经取得了很大进展，但反演模型通常是建立在特定的试验条件与特定的植被类型条件下，普适性较差，难以在应用于其他植被类型或环境条件的同种植被。同时由于越来越多的传感器运用于遥感估算，有必要检验现有方法的有效性以及探索发展新方法[9]，建立适应性更强的模型反演植被色素。本研究以花生为研究对象，通过实地测量和室内试验获取光谱和叶绿素含量数据，探讨花生叶绿素含量的高光谱反演方法。
1 材料与方法
1.1 试验设计
试验区位于山东省济阳县山东省农业科学院试验基地（36°41′～37°15′N，116°52′～117°27′E），试验地南北走向，由南向北依次布置低肥、中肥、高肥、空白4个水平肥料处理，由东向西依次布置品种山花14号、山花9号、山花15号、花育20号、花育25号、花育46号2个系列6个花生品种，共24个小区，每个小区南北长10 m，东西宽3.2 m，面积32 m2。自2015年7月1日至2015年9月13日期间，每隔10 d左右，依次在试验田里选取样本点进行花生光谱和叶绿素测量。
利用花生在不同施肥条件、不同生育期以及不同品种间光谱和叶绿素含量差异，应用统计分析方法，研究花生叶绿素含量敏感的波段，构建花生生物物理化学参数的高光谱估算模型。
1.2 花生冠层光谱与叶绿素参数测量
采用FieldSpec Handheld（325～1 075 nm）便携式光谱仪进行花生冠层光谱测量，光谱范围为325～1 075 nm，采样间隔（波段宽）为1.41 nm。光谱采集时间控制在北京时间 11：00—13：00，要求天气无风无云，探头垂直于冠层顶。每处理测定1个样点，每样点获取4条光谱数据，每条光谱扫描时间0.2 s，以其平均值作为该处理冠层的光谱反射值。光谱仪视场角度25°，花生每垄距离加沟平均距离为0.8 m，垄面的宽度0.6 m，花生的墩距0.15 m。为了观测光谱能够代表地面状况，设定观测点位于花生每垄中间正上方，视场范围为0.8 m，计算得观测架高度为1.8 m，共10墩花生，在各处理测定前后用标准板进行太阳辐射光谱校正[10]。
叶绿素含量（mg/g）参数获取：摘取主茎倒3叶叶片，用直径6 mm打孔器打取叶片约0.200 g（避开中脉，重复2次），记录叶片数，分别放到试管中，用25 mL乙醇（100%） ∶丙酮=1 ∶1的混合液浸泡，盖塞子，避光（叶绿素见光分解）存放，直至叶片完全变白（即提取完全）后进行比色测定（中间需摇晃2次），测试前摇晃均匀，静置后用分光光度计测定。
1.3 高光谱数据的特征参量
1.3.1 一阶导数 对于植被而言，光谱数据的一阶微分有利于部分消除大气、土壤背景、凋落物等低频光谱成分对目标的影响，突出目标，反映和揭示植被光谱的内在特性，高光谱数据微分变换的结果一般是求导数光谱，尽管高光谱遥感具有光谱的连续性，但由于光谱实际采样间隔的离散性，导数光谱一般是用差分方法来近似计算[11]。
1.3.2 “三边”参数、“绿峰”参数和红光吸收谷参数 植被光谱的“三边”是指它的“蓝边”、“黄边”和“红边”，描述“三边”特征的参数主要有“三边”位置、“三边”幅值。表2 “三边”参数、“绿峰”参数和红光吸收谷参数
基于光谱位置变量定义描述1.蓝边幅值Db蓝边内最大的一阶微分值蓝边覆盖范围490～530 nm，是蓝光向绿光的过渡区2.蓝边位置λbDb对应的波长λb是Db对应的波长位置3.黄边幅值Dy黄边内最大的一阶微分值黄边覆盖范围560～640 nm，是绿光向红光的过渡区4.黄边位置λyDy对应的波长λy是Dy对应的波长位置5.红边幅值Dr红边内最大的一阶微分值红边覆盖范围680～760 nm6.红边位置λrDr对应的波长λr是Dr对应的波长位置7.绿峰幅值Rg绿峰反射率Rg是波长510～560 nm范围内最大的波段反射率8.绿峰位置λgRg对应的波长λg是Rg对应的波长位置9.红光吸收谷幅值Rr红谷反射率Rr是波长640～680 nm范围内最小的波段反射率10.红光吸收谷位置λo红谷反射率对应的波长λo是Rr对应的波长位置 2 结果与分析
2.1 花生叶绿素含量随时间变化趋势
由图1可见，花生叶绿素含量随生育期总体先呈上升趋势，在开花下针期至结荚期，叶绿素含量上升，主要是因为叶片数量增加和叶面积增大。在成熟初期，由于叶片和茎秆逐渐老化变黄，光合作用减弱，呈现下降趋势[12]。
2.2 叶绿素含量与高光谱反射率的相关性分析
从图2可见，原始高光谱反射率与叶绿素含量的相关性在近红外波段波动性显著相关，在蓝光波段374～488 nm处呈极显著相关，相关系数在408 nm处达到最大（r=0.669），蓝光容易遭受散射的影响，不稳定的蓝光波段不宜选取；红边波段范围695～705 nm处呈显著相关，并且在699 nm处相关系数最高（r=-0.432），呈显著负相关，因此，选择699 nm处的光谱反射率为自变量，叶绿素含量为因变量进行线性和非线性拟合分析。
通过分析发现，非线性模型中对数模型决定系数r2=0.197 9 大于线性模型r2=0.186 4（图3），因此，对数模型对叶绿素含量的预测能力优于线性模型。
2.3 叶绿素含量与反射率一阶导数的相关性分析及估算模型
由图4可见，叶绿素含量与反射率的一阶导数之间的相关性随波长的变化呈现出剧烈变化，相关系数达到0.7左右，达到极显著相关水平，说明采用反射率的一阶导数对叶绿素含量进行预测具有可行性[12]。
通过分析发现，叶绿素含量与反射率的一阶导数在 419 nm 处具有最大相关系数（r=-0.76），呈极显著负相关，蓝光波段不可取，在可见光波段662 nm处相关系数最大（r=0.74），呈极显著正相关。以662 nm处反射率的一阶导数为自变量，叶绿素含量为因变量，通过线性和非线性回归分析对叶绿素含量与反射率的一阶导数之间的关系进行描述，结果如图5所示。
由图5可见，线性模型的决定系数r2=0.548 8大于非线性模型中相关系数最高的指数模型r2=0.512 7，所以选取线性模型对一阶微分与叶绿素含量之间的关系进行描述。
2.4 叶绿素含量与高光谱特征变量的相关分析及估算模型
总体上看只有红边位置（λr）、绿峰位置（λg）、红谷位置（λo）与叶绿素含量达到极显著相关水平，其余各高光谱变量与叶绿素含量均未达到极显著相关水平（表3）。从挑选出的相关性达到极显著水平的变量进行单变量线性和非線性回归分析及曲线拟合分析，建立各高光谱变量与叶绿素含量的线性和非线性方程，期望找出较适合于叶绿素含量估算的高光谱模型。结果如表4所示。
由表4可见，以λr为自变量所构建的指数模型与所有其他各类模型相比，具有最大的判定系数，模型通过了极显著检验水平，因此认为选取这一模型对叶绿素含量进行预测具可行性。
估算模型不仅要求与因变量具有较高的判定系数，而且要求方程本身具有较为简单的数学表达形式及其较小的均方根差，对所建立的叶绿素含量的估算模型进行进一步筛选归纳后，对模型的预测精度进行分析比较[12]，结果见表5。
分析表5可见，前者的决定系数大于后者，说明以原始光谱一阶微分反射率所构建的线性模型对参数变化的解释能力好于后者，拟合系数高于后者，即实测值和理论值之间线性相关较后者显著，精度指标两者的差异不大，因此认为这2个模型均可作为叶绿素含量估测较好的模型。
3 结论
通过以上分析，对叶绿素含量与高光谱反射率及一阶导数以及与高光谱特征变量之间的关系得出以下结论：以原始高光谱反射率与叶绿素含量最大相关波段处的反射率为自变量，叶绿素含量为因变量所构建的线性和非线性估算模型对比结果表明，原始高光谱反射率与叶绿素含量的相关性不明显；对反射率的一阶导数与叶绿素含量之间的关系采取同样的方法，结果表明线性模型的预测能力优于非线性模型，线性模型可对叶绿素含量进行较好的预测；以高光谱特征变量为自变量，叶绿素含量为因变量所进行的单变量线性和非线性预测模型表明，以λr为自变量所构建的指数模型，具有最大的判定系数（r2=0.543 5）和F值（F=33.333），模型通过极显著检验，并且这一模型的数学表达形式也较为简单；通过精度检验，综合分析认为以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。
参考文献：
[1]Filella I，Penuelas J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J]. International Journal of Remote Sensing，1994，15（7）：1459-1470.
[2]Thomas J R，Gausman H W. Leaf reflectance vs.leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal，1977，69（5）：799-802.
[3]Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations：a test using senescent tree leaves[J]. International Journal of Remote Sensing，1998，19（4）：657-675.
[4]Bruce L M，Li J. Wavelets for computationally efficient hyperspectral derivative analysis[J]. Geoscience and Remote Sensing，2001，39（7）：1540-1546.
[5]Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment，1989，30（3）：271-278.
[6]Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves[J]. International Journal of Remote Sensing，1999，20（14）：2741-2759.
[7]Miller J R，Hare E W，Wu J. Quantitative characterization of the vegetation red edge reflectance 1.An inverted-Gaussian reflectance model[J]. Remote Sensing，1990，11（10）：1755-1773.
[8]Dawson T P，Curran P J，Plummer S E. LIBERTY-Modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment，1998，65（1）：50-60.
[9]姚付启，张振华，杨润亚，等. 基于红边参数的植被叶绿素含量高光谱估算模型[J]. 农业工程学报，2009（S2）：123-129.
[10]王 猛，张 杰，梁守真，等. 玉米倒伏后冠层光谱变化特征分析[J]. 安徽农业科学，2014（31）：11187-11188，11201.
[11]杨可明，肖金榜. 遥感影像光谱信息处理的EXCEL实践教学[J]. 遥感信息，2009（1）：70-74.
[12]易秋香. 玉米主要生物物理和生物化学参数高光谱遥感估算模型研究[D]. 乌鲁木齐：新疆农业大学，2005.
关键词：花生；叶绿素含量；高光谱遥感；估算模型
中图分类号：S127 文献标志码：A 文章编号：1002-1302（2017）01-0197-04
在光合作用过程中，吸收光能的植被色素有叶绿素与类胡萝卜素，其中叶绿素是吸收光能的主要物质，它的数量直接影响着植被的光合作用。植被色素含量与光合作用能力、发育阶段和氮素含量有较好的相关性，可以作为植被长势监测的一种有效指标[1]。在可见光区，植被的反射波来估算其生化参数—色素含量[2]。
植被叶绿素含量的高光谱遥感反演最早是在叶片尺度上开展的[3]，进而在冠层尺度上得到发展[4]。目前，利用高光谱遥感数据估计植被生化参数主要有3类方法：一是通过多元统计分析方法，包括光谱反射率、导数光谱[5-6]；二是基于特征光谱位置变量的分析技术，包括红边位置、绿峰位置等[7]；三是光學辐射传输模型方法[8]。迄今为止，高光谱遥感在估算植被尤其是农作物的叶绿素含量方面已经取得了很大进展，但反演模型通常是建立在特定的试验条件与特定的植被类型条件下，普适性较差，难以在应用于其他植被类型或环境条件的同种植被。同时由于越来越多的传感器运用于遥感估算，有必要检验现有方法的有效性以及探索发展新方法[9]，建立适应性更强的模型反演植被色素。本研究以花生为研究对象，通过实地测量和室内试验获取光谱和叶绿素含量数据，探讨花生叶绿素含量的高光谱反演方法。
1 材料与方法
1.1 试验设计
试验区位于山东省济阳县山东省农业科学院试验基地（36°41′～37°15′N，116°52′～117°27′E），试验地南北走向，由南向北依次布置低肥、中肥、高肥、空白4个水平肥料处理，由东向西依次布置品种山花14号、山花9号、山花15号、花育20号、花育25号、花育46号2个系列6个花生品种，共24个小区，每个小区南北长10 m，东西宽3.2 m，面积32 m2。自2015年7月1日至2015年9月13日期间，每隔10 d左右，依次在试验田里选取样本点进行花生光谱和叶绿素测量。
利用花生在不同施肥条件、不同生育期以及不同品种间光谱和叶绿素含量差异，应用统计分析方法，研究花生叶绿素含量敏感的波段，构建花生生物物理化学参数的高光谱估算模型。
1.2 花生冠层光谱与叶绿素参数测量
采用FieldSpec Handheld（325～1 075 nm）便携式光谱仪进行花生冠层光谱测量，光谱范围为325～1 075 nm，采样间隔（波段宽）为1.41 nm。光谱采集时间控制在北京时间 11：00—13：00，要求天气无风无云，探头垂直于冠层顶。每处理测定1个样点，每样点获取4条光谱数据，每条光谱扫描时间0.2 s，以其平均值作为该处理冠层的光谱反射值。光谱仪视场角度25°，花生每垄距离加沟平均距离为0.8 m，垄面的宽度0.6 m，花生的墩距0.15 m。为了观测光谱能够代表地面状况，设定观测点位于花生每垄中间正上方，视场范围为0.8 m，计算得观测架高度为1.8 m，共10墩花生，在各处理测定前后用标准板进行太阳辐射光谱校正[10]。
叶绿素含量（mg/g）参数获取：摘取主茎倒3叶叶片，用直径6 mm打孔器打取叶片约0.200 g（避开中脉，重复2次），记录叶片数，分别放到试管中，用25 mL乙醇（100%） ∶丙酮=1 ∶1的混合液浸泡，盖塞子，避光（叶绿素见光分解）存放，直至叶片完全变白（即提取完全）后进行比色测定（中间需摇晃2次），测试前摇晃均匀，静置后用分光光度计测定。
1.3 高光谱数据的特征参量
1.3.1 一阶导数 对于植被而言，光谱数据的一阶微分有利于部分消除大气、土壤背景、凋落物等低频光谱成分对目标的影响，突出目标，反映和揭示植被光谱的内在特性，高光谱数据微分变换的结果一般是求导数光谱，尽管高光谱遥感具有光谱的连续性，但由于光谱实际采样间隔的离散性，导数光谱一般是用差分方法来近似计算[11]。
1.3.2 “三边”参数、“绿峰”参数和红光吸收谷参数 植被光谱的“三边”是指它的“蓝边”、“黄边”和“红边”，描述“三边”特征的参数主要有“三边”位置、“三边”幅值。表2 “三边”参数、“绿峰”参数和红光吸收谷参数
基于光谱位置变量定义描述1.蓝边幅值Db蓝边内最大的一阶微分值蓝边覆盖范围490～530 nm，是蓝光向绿光的过渡区2.蓝边位置λbDb对应的波长λb是Db对应的波长位置3.黄边幅值Dy黄边内最大的一阶微分值黄边覆盖范围560～640 nm，是绿光向红光的过渡区4.黄边位置λyDy对应的波长λy是Dy对应的波长位置5.红边幅值Dr红边内最大的一阶微分值红边覆盖范围680～760 nm6.红边位置λrDr对应的波长λr是Dr对应的波长位置7.绿峰幅值Rg绿峰反射率Rg是波长510～560 nm范围内最大的波段反射率8.绿峰位置λgRg对应的波长λg是Rg对应的波长位置9.红光吸收谷幅值Rr红谷反射率Rr是波长640～680 nm范围内最小的波段反射率10.红光吸收谷位置λo红谷反射率对应的波长λo是Rr对应的波长位置 2 结果与分析
2.1 花生叶绿素含量随时间变化趋势
由图1可见，花生叶绿素含量随生育期总体先呈上升趋势，在开花下针期至结荚期，叶绿素含量上升，主要是因为叶片数量增加和叶面积增大。在成熟初期，由于叶片和茎秆逐渐老化变黄，光合作用减弱，呈现下降趋势[12]。
2.2 叶绿素含量与高光谱反射率的相关性分析
从图2可见，原始高光谱反射率与叶绿素含量的相关性在近红外波段波动性显著相关，在蓝光波段374～488 nm处呈极显著相关，相关系数在408 nm处达到最大（r=0.669），蓝光容易遭受散射的影响，不稳定的蓝光波段不宜选取；红边波段范围695～705 nm处呈显著相关，并且在699 nm处相关系数最高（r=-0.432），呈显著负相关，因此，选择699 nm处的光谱反射率为自变量，叶绿素含量为因变量进行线性和非线性拟合分析。
通过分析发现，非线性模型中对数模型决定系数r2=0.197 9 大于线性模型r2=0.186 4（图3），因此，对数模型对叶绿素含量的预测能力优于线性模型。
2.3 叶绿素含量与反射率一阶导数的相关性分析及估算模型
由图4可见，叶绿素含量与反射率的一阶导数之间的相关性随波长的变化呈现出剧烈变化，相关系数达到0.7左右，达到极显著相关水平，说明采用反射率的一阶导数对叶绿素含量进行预测具有可行性[12]。
通过分析发现，叶绿素含量与反射率的一阶导数在 419 nm 处具有最大相关系数（r=-0.76），呈极显著负相关，蓝光波段不可取，在可见光波段662 nm处相关系数最大（r=0.74），呈极显著正相关。以662 nm处反射率的一阶导数为自变量，叶绿素含量为因变量，通过线性和非线性回归分析对叶绿素含量与反射率的一阶导数之间的关系进行描述，结果如图5所示。
由图5可见，线性模型的决定系数r2=0.548 8大于非线性模型中相关系数最高的指数模型r2=0.512 7，所以选取线性模型对一阶微分与叶绿素含量之间的关系进行描述。
2.4 叶绿素含量与高光谱特征变量的相关分析及估算模型
总体上看只有红边位置（λr）、绿峰位置（λg）、红谷位置（λo）与叶绿素含量达到极显著相关水平，其余各高光谱变量与叶绿素含量均未达到极显著相关水平（表3）。从挑选出的相关性达到极显著水平的变量进行单变量线性和非線性回归分析及曲线拟合分析，建立各高光谱变量与叶绿素含量的线性和非线性方程，期望找出较适合于叶绿素含量估算的高光谱模型。结果如表4所示。
由表4可见，以λr为自变量所构建的指数模型与所有其他各类模型相比，具有最大的判定系数，模型通过了极显著检验水平，因此认为选取这一模型对叶绿素含量进行预测具可行性。
估算模型不仅要求与因变量具有较高的判定系数，而且要求方程本身具有较为简单的数学表达形式及其较小的均方根差，对所建立的叶绿素含量的估算模型进行进一步筛选归纳后，对模型的预测精度进行分析比较[12]，结果见表5。
分析表5可见，前者的决定系数大于后者，说明以原始光谱一阶微分反射率所构建的线性模型对参数变化的解释能力好于后者，拟合系数高于后者，即实测值和理论值之间线性相关较后者显著，精度指标两者的差异不大，因此认为这2个模型均可作为叶绿素含量估测较好的模型。
3 结论
通过以上分析，对叶绿素含量与高光谱反射率及一阶导数以及与高光谱特征变量之间的关系得出以下结论：以原始高光谱反射率与叶绿素含量最大相关波段处的反射率为自变量，叶绿素含量为因变量所构建的线性和非线性估算模型对比结果表明，原始高光谱反射率与叶绿素含量的相关性不明显；对反射率的一阶导数与叶绿素含量之间的关系采取同样的方法，结果表明线性模型的预测能力优于非线性模型，线性模型可对叶绿素含量进行较好的预测；以高光谱特征变量为自变量，叶绿素含量为因变量所进行的单变量线性和非线性预测模型表明，以λr为自变量所构建的指数模型，具有最大的判定系数（r2=0.543 5）和F值（F=33.333），模型通过极显著检验，并且这一模型的数学表达形式也较为简单；通过精度检验，综合分析认为以662 nm处的一阶微分反射率所构建的线性模型和以红边位置所构建的指数模型均可作为叶绿素含量估算较为合适的高光谱模型。
参考文献：
[1]Filella I，Penuelas J. The red edge position and shape as indicators of plant chlorophyll content，biomass and hydric status[J]. International Journal of Remote Sensing，1994，15（7）：1459-1470.
[2]Thomas J R，Gausman H W. Leaf reflectance vs.leaf chlorophyll and carotenoid concentrations for eight crops[J]. Agronomy Journal，1977，69（5）：799-802.
[3]Blackburn G A. Spectral indices for estimating photosynthetic pigment concentrations：a test using senescent tree leaves[J]. International Journal of Remote Sensing，1998，19（4）：657-675.
[4]Bruce L M，Li J. Wavelets for computationally efficient hyperspectral derivative analysis[J]. Geoscience and Remote Sensing，2001，39（7）：1540-1546.
[5]Curran P J. Remote sensing of foliar chemistry[J]. Remote Sensing of Environment，1989，30（3）：271-278.
[6]Datt B. Visible/near infrared reflectance and chlorophyll content in Eucalyptus leaves[J]. International Journal of Remote Sensing，1999，20（14）：2741-2759.
[7]Miller J R，Hare E W，Wu J. Quantitative characterization of the vegetation red edge reflectance 1.An inverted-Gaussian reflectance model[J]. Remote Sensing，1990，11（10）：1755-1773.
[8]Dawson T P，Curran P J，Plummer S E. LIBERTY-Modeling the effects of leaf biochemical concentration on reflectance spectra[J]. Remote Sensing of Environment，1998，65（1）：50-60.
[9]姚付启，张振华，杨润亚，等. 基于红边参数的植被叶绿素含量高光谱估算模型[J]. 农业工程学报，2009（S2）：123-129.
[10]王 猛，张 杰，梁守真，等. 玉米倒伏后冠层光谱变化特征分析[J]. 安徽农业科学，2014（31）：11187-11188，11201.
[11]杨可明，肖金榜. 遥感影像光谱信息处理的EXCEL实践教学[J]. 遥感信息，2009（1）：70-74.
[12]易秋香. 玉米主要生物物理和生物化学参数高光谱遥感估算模型研究[D]. 乌鲁木齐：新疆农业大学，2005.