基于BP人工神經網絡的寒地水稻抗旱性綜合評價

劉夢紅 張鞏亮 李紅宇 杜俊 趙海成 呂坦 錢永德

摘要：為篩選適宜寒地水稻大田抗旱性的綜合評價指標，并鑒定抗旱水稻種質資源，以分蘗期干物質量、拔節期株高、產量等15個性狀的抗旱系數為指標，使用主成分分析法對50個參試材料的抗旱性進行綜合評價。選取45個樣本的抗旱系數作為輸入，把對應的抗旱綜合評價值作為輸出，利用誤差返向傳播和神經網絡的方法建立學習模型；剩余5個樣本為驗證樣本，用于判斷學習模型的預測準確性。改變3組學習樣本來建立3個不同的學習模型并進行對比，比較其預測的準確度，進而驗證該模型方法的合理性和穩定性。結果表明，采用主成分分析法可將15個單一抗旱系數轉換成6個互相獨立的綜合性指標，方差累計貢獻率達84.013%。采用聚類分析法將50個參試材料分為3種類型：強抗旱型、中間抗旱型、干旱敏感型。強抗旱類型含有24個材料，中間抗旱型含有18個材料，干旱敏感型含有8個材料。根據各性狀抗旱系數與抗旱綜合評價值（D值）的相關性分析結果，篩選出分蘗期干物質量、分蘗期葉面積、拔節期株高、最高分蘗數、穗粒數、結實率、千粒質量、產量、生物量、經濟系數等10個適宜抗旱性評價指標。以特征指標值為輸入層，綜合評價值（D值）為輸出層，構建BP神經網絡學習模型，定量預測抗旱指標特征。通過改變學習樣本獲得3個學習模型的預測值，預測值與實際值之間的誤差小于10%。把實際值和模型預測值進行線性擬合，R2＞0.95。本研究構建的BP神經網絡學習模型可用于定量預測水稻種質資源的抗旱性，預測的準確度和穩定性均優于單一的回歸分析；分蘗期干物質量、分蘗期葉面積、拔節期株高、最高分蘗數、穗粒數、結實率、千粒質量、產量、生物量、經濟系數可作為水稻抗旱能力鑒定指標；稻堅強為抗旱性最強的種質資源。

關鍵詞：寒地水稻；抗旱性；主成分分析；聚類分析；BP神經網絡

中圖分類號：S511.024；S126文獻標志碼：A

文章編號：1002-1302（2023）10-0091-09

當前，全球農業面臨糧食需求持續增加和水資源日益枯竭的雙重挑戰。水稻是全球超過一半人口的主食，也是耗水量最多的糧食作物，水生產效率低下，水資源浪費情況嚴重［1-2］?？购邓拘缕贩N的培育和推廣是提高水分利用率的有效途徑。水稻的抗旱性是多基因控制的復雜性狀，作用機制極為復雜［3］。品種的基因型及相同品種不同生育時期的抗旱機理也存在差異［4-5］。前人在抗旱種質資源篩選與鑒定方面已做了大量研究工作，并且多采用苗期反復干旱存活率、形態發育、逆境生理生化、產量及相關性狀等指標進行綜合評價。張鴻等采用有效穗數、穗實粒質量和結實率等指標的相對值綜合評價了10個雜交秈稻新組合的抗旱性［6］。丁國華等通過幼苗存活率和抗衰度來評價雜草稻幼苗期的耐旱性［7］。袁杰等認為，可以采用發芽率指標、芽長指標、根長指標評價來自新疆的粳稻在種芽期間的耐寒程度［2］。利用多個指標構建抗旱綜合評價體系并使用隸屬函數進行綜合分析，綜合指標法能夠全面衡量不同指標的貢獻率大小，且去除了重復信息，更加科學全面，準確度較高［8-9］，已經普遍用于作物復雜性狀的抗性鑒定與評價［10-11］。另外，傳統的耐旱性預測模型多采用線性逐步回歸篩選自變量，建立多元線性回歸模型，該方法存在多重相關等諸多弊端。人工神經網絡的運算模型由多個比較簡易的處理單元連接在一起，這一模型廣泛地應用在了農學研究中。劉敏潔等在進行人工神經網絡建模時，運用13個物理方面的指標，用于甜玉米種子生活力檢測［12］。孫小香等采用BP（bankpropagation）人工神經網絡建立了水稻葉片氮素濃度的冠層光譜估算模型［13］。由于利用逐步回歸分析篩選抗旱性評價適宜指標的準確性和穩定性不足，而利用線性模型關聯作物生育性狀與抗旱能力也存在模型關聯性和預測準確性較差的問題，本研究擬通過構建BP神經網絡學習模型來定量預測水稻的抗旱性，篩選寒地水稻抗旱性評價的特征指標，以期為水稻種質資源抗旱性綜合評價提供方法與依據。

1材料與方法

1.1試驗材料

50份試驗材料經2017—2018年初步篩選得到，均為普通型粳稻（表1）。

1.2試驗設計

試驗于2019、2020年在黑龍江省大慶市高新區的試驗基地遮雨棚中開展。盆栽試驗，每個品種設置常規灌溉對照和干旱脅迫2個處理。常規灌溉按照當地大田生產水分管理方法進行。干旱脅迫在水稻返青后開始處理，運用負壓土壤濕度（濕度計插入土表10cm以下的地方）測量土壤的水勢情況，保持全生育期土壤水勢在-30～-35kPa。每份材料的處理和對照分別種植5盆，每盆移栽4穴，每穴4苗。其他管理方法同常規。

1.3調查與測定

水稻返青后，每5d調查1次長勢均勻的12穴植株的分蘗數，直至分蘗數穩定，計算最高分蘗數。拔節期測定12穴植株的株高。分蘗期各品種常規灌溉和干旱脅迫分別取代表性植株4穴，從基部切除根系，分葉和莖鞘2個部分，測量葉面積（長×寬×0.75），將葉片和莖鞘分開包裝，于105℃殺青30min，80℃烘干至恒質量，計算分蘗期每穴干物質量和葉面積；齊穗期各品種按灌溉和干旱脅迫分別取代表性植株4穴，從基部切除根系，分葉、莖鞘、穗3個部分，測量葉面積（長×寬×0.75），分別包裝，烘箱設置105℃，殺青30min，并在80℃下烘干，計算穴葉面積和穴干物質量。

齊穗期采用日本MINOLTA生產的葉綠素SPAD-502儀器來測定主莖劍葉中部區域的SPAD數值，每處理測定16張葉，測定時注意避開葉脈和有損傷的葉片。

成熟期每處理選取長勢均勻的植株8穴，帶回室內考察農藝性狀和產量性狀，分穗、莖鞘、葉3個部分稱質量。具體包括株高、穗長、穗數、穗粒數、每穗實粒數、千粒質量等指標性狀，分別計算結實率、生物量、經濟系數和理論產量。

1.4數據處理及統計分析

1.4.1抗旱系數（DTC）

水稻抗旱系數（droughttolerantcoefficients，DTC），即各抗旱指標的相對值進行抗旱性綜合分析。

1.4.6BP神經網絡建模思路

為構建水稻抗旱性狀與抗旱性綜合評價關聯模型，本研究選用45個水稻參試材料樣本采用BP神經網絡算法構建學習模型，其中輸入層為抗旱力特征指標值，輸出層為抗旱綜合評價值，其余5個樣本是用于評估學習模型預測準確性的驗證樣本。為了優化建模樣本并驗證建模方法的穩定性，將3組學習樣本（45個）轉化為3個學習模型，并比較了3個模型的預測準確性。如果預測精度在合理范圍內，則意味著建模方法是合理且穩定的。

1.4.7數據處理與統計分析

數據整理、權重和抗旱綜合評價D值的計算都運用了Excel2010。利用DPS7.05軟件進行主成分分析、聚類分析、BP神經網絡模型構建并計算指標預測值。

2結果與分析

2.1參試材料的抗旱系數及相關分析

表2結果表明，干旱脅迫條件下50個參試材料的15個性狀的抗旱系數平均值為0.694，數值分布在0.309～1.100之間，拔節期株高、結實期株高、齊穗期SPAD值、千粒質量等4個性狀的抗旱系數大于0.8，產量性狀的抗旱系數小于0.5。

從變異系數（CV）方面看，變異系數最大的為產量（44.02%），分蘗期葉面積（38.29%）次之，結實率（34.40%）再次之；變異系數最小的為齊穗期SPAD值（5.97%），結實期株高（6.32%）次之，拔節期株高（8.47%）再次之。

如表3所示，在干旱脅迫條件下，對15個性狀進行相關分析發現，不同的性狀之間存在相關性，這些相關性程度各不相同，這些性狀之間的相關性可能會讓信息出現重疊，如果直接運用會對抗旱性能的真實情況產生影響。為了避免信息的重疊，采用主成分分析方法來評價水稻的抗旱性。

2.2參試材料抗旱性的主成分分析

如果主成分累計起來的貢獻率超過80%，那么就可以看作該信息是有代表性的。根據表4，前6個主成分的貢獻率分別是31.578%、16.168%、14.595%、9.025%、7.354%、5.293%。這6個主成分累計起來的貢獻率是84.013%。也就是說，前面6個主成分所代表的15個不同的性狀變異信息是84.013%。

第1主成分的貢獻率為31.578%，該主成分以與產量密切相關的每穴生物產量（0.349）、結實率（0.357）、產量（0.408）、最高分蘗數（0.334）、齊穗期每穴干物質量（0.330）、經濟系數（0.320）的載荷較高，可以把主成分1當做產量因子；第2主成分的貢獻率是16.168%。其中，穗粒數是0.466所代表的正載荷比較高，每平方米穗數是-0.508的負載荷較高，可以看作穗數因子；第3主成分的貢獻率為14.595%，以拔節期株高（0.493）、分蘗期葉面積（0.476）、分蘗期干物質量（0.480）的載荷較高，稱為拔節期株高因子；第4主成分的貢獻率為9.025%，以齊穗期SPAD值（0.569）的載荷較大，稱為齊穗期SPAD值因子；第5主成分的貢獻率為7.354%，以千粒質量（0.785）具有較大的正載荷，結實期株高（-0.511）具有較大的負載荷，故稱為千粒質量因子；第6主成分的貢獻率為5.293%，以齊穗期葉面積（-0.422）的負載荷較大，稱為齊穗期葉面積因子。

2.3抗旱性綜合評價

依據公式（2）計算各參試材料的綜合指標值，進一步利用公式（3）計算各參試材料在干旱脅迫條件下，不同主成分所從屬的函數值。根據主成分不同的貢獻率，結合公式（4）將前面6個主成分的權重分計算出來，結果依次是0.376、0.192、0.147、0.107、0.088、0.063。利用公式（5）對各綜合指標隸屬函數值和相應權重進行線性加權，計算得到抗旱綜合評價值D。表5結果表明，50個參試材料平均D值為0.4497，分布區間在0.1831～0.6559。品種H37（DPB120）的D值為0.5804，排位第5名。排名前4的品種為H36（稻堅強）、H35（農豐3055）、H31（農豐1號）、H26（龍稻9），其D值分別為0.6559、0.5893、0.5889、0.5817，可作為抗旱種質資源使用。H02（龍粳43）的D值（0.1831）最小，即抗旱能力最差，H08（龍粳65）D值次之，為0.2321，H04（龍粳47）D值再次之，為0.2377。

2.4參試材料抗旱性的聚類分析

如圖1所示，對50份水稻材料使用WPGMA法，在歐氏距離0.59處分為強抗旱型、中間抗旱型、干旱敏感型3個抗旱等級。第Ⅰ類為由H03、H30、H39、H25、H32、H26、H37、H31、H35、H36、H13、H33、H49、H19、H38、H45、H29、H42、H34、H17、H18、H44、H41、H43等24個材料組成的強抗旱型類群，占總材料數的48%；第Ⅱ類由H05、H16、H15、H14、H23、H22、H06、H46、H11、H10、H24、H09、H21、H27、H40、H20、H50、H28等18個材料組成的中間抗旱型類群，占總材料數的36%；第Ⅲ類由H01、H12、H07、H48、H47、H02、H04、H08等8個材料組成的干旱敏感型類群，占總材料數的16%。

2.5水稻抗旱鑒定指標的篩選

表3相關分析結果表明，D值與分蘗期每穴干物質量、分蘗期葉面積、拔節期株高、最高分蘗數、穗粒數、結實率、千粒質量、產量、每穴生物產量、經濟系數等指標的抗旱系數極顯著正相關，與結實期株高、齊穗期每穴干物質量、齊穗期葉面積3個鑒定指標的抗旱系數顯著正相關，D值與齊穗期SPAD值和每平方米穗數指標的抗旱系數無顯著相關性，可能與其變異系數小、各品種間測量值差異不大有關。綜上可以得到分蘗期每穴干物質量、分蘗期葉面積、拔節期株高、最高分蘗數、穗粒數、結實率、千粒質量、產量、每穴生物產量、經濟系數10項指標可作為農業抗旱力評價的指標。

2.6水稻抗旱指標適宜性評價模型的構建

從50個試驗樣本中隨機選出45個樣本建立神經網絡學習模型，另外5個樣本當做預測的樣本，來檢驗模型是否準確。從圖2可以發現，這個模型一共有3層，分別是輸入層、隱含層、輸出層。輸入模型分別是分蘗期干物質量、分蘗期葉面積、拔節期株高、最高分蘗數等10項抗旱力特點的指標值，所以一共得到10個神經元。通過模型輸出的是抗旱性的綜合評價值D為輸出層的1個神經元。在BP神經網絡當中，處于隱含層當中的神經元是飾演特征檢驗算子的形象，發揮著決定性的功能。在隱藏層中，通常把節點數設置成輸入層的1/2。在這個神經網絡中，把隱藏層設置成6個節點。最后，建立一個包含了輸入層（10）、隱藏層（6）、輸出層（1）的神經網絡。

從參加試驗的50個樣本中隨機選45個樣本來構建一個學習模型，剩余的5個樣本進行抗旱指標適宜性得分預測。為了建模的方法和評價模型預測更加準確，改變了45個學習樣本，建立了3個學習模型，表6即為得到的預測結果。表6結果表明，3個學習模型中包含了15個驗證的樣本預測得分和實際得分，其誤差位于10%以下，最小的誤差只有0.41%。說明構建的BP神經網絡模型取得了較好的預測結果。將參試材料的實際得分和通過模型的預測得分做回歸分析，橫坐標是參試材料實際得分，縱坐標是通過模型得到的預測值，將二者進行線性擬合分析，3組預測結果的決定系數（r2）分別為0.9946、0.9757、0.9608（圖3）。預測值和實際值的相符合水平很高，證明BP神經網絡模型可準確、穩定地評價水稻的抗旱性指標。不同水稻參試材料樣本構建的學習模型預測效果存在較大差異，說明用于建立學習模型的樣本數量仍較少，變換少量學習樣本能對預測效果產生較大影響。同時，學習模型所需的樣本應具有典型性與代表性，部分水稻參試材料樣本與其他樣本差異較大，也可能對預測效果產生較大影響。

3討論

水稻的抗旱性是由多個基因控制的復雜性狀。植物水分脅迫的程度容易受到環境因素的影響，所以在確定抗旱性能時變得更難。一個具有可行性的抗旱鑒定體系是培育節水抗旱水稻的根基。鑒定水稻的抗旱性能主要依據水稻在抗旱方面的能力而進行選擇、評估和歸類，能夠給水稻抗旱育種供應比較優秀的種質資源。另外，在品種培育過程中以及育成后，也需要進行品種抗旱鑒定［14-15］。聶繼云等通過相關性分析，分析了蘋果汁的品質以及原料的相關指標，得出果實相關特征方面的指標，采用判別分析方法，把122個不同的蘋果品種制作的果汁作適應性分類［16］。張小燕等將74個馬鈴薯品種原料通過逐步回歸的方式，分析原料指標和制品品質之間的關聯度，實現了用馬鈴薯原料指標來進行定量分析薯片品質的方法［17］。荊瑞勇等以種子發芽指數與幼苗生長指數的相對值作為耐鹽性評價指標，基于主成分分析方法，運用隸屬度函數法和加權隸屬度函數法，分析11種不同的水稻材料所具有的耐鹽性能；根據聚類分析的數據，依據耐鹽性能的區別，把這11個不同的水稻材料分成了3種［18］。本研究采用主成分分析法得到產量、穗數、拔節期株高、齊穗期SPAD值、千粒質量、齊穗期葉面積6個彼此互不相關的因子，方差累計貢獻率達84.013%，50份參試材料平均綜合評價D值為0.4497，分布區間在0.1831～0.6559。采用歐氏距離離差平方和法，將50份參試材料分為強抗旱型、中間抗旱型、干旱敏感型。強抗旱類型品種稻堅強（0.6559）排在第1位；排在第2、3位的品種分別為農豐3055、農豐1號，其D值分別為0.5893、0.5889；排在第4、5位的品種分別為龍稻9、DPB120，其D值分別為0.5817、0.5804。以上5個種質資源可以作為抗旱育種的雜交親本。

在水稻抗旱育種方面，產量的相關性狀有著較為重要的功能。由于產量性狀的遺傳性較低，產量構成比較繁雜，鑒定與評價比較困難，較大程度上受環境因素的影響［19］。另外，在不同的生育期產量的構成因子對水分的敏感性有所不同，分蘗期水分脅迫有效穗數變少；幼穗分化期水分脅迫每穗粒數、千粒質量變少；開花期水分脅迫結實率與千粒質量降低［20-21］。高世偉等通過研究發現，水稻品種在苗期卷葉數、分蘗速率、4葉1心期根系活力、強勢粒灌漿速率在遺傳上的差異比較明顯［22］。將抗旱性狀做相關性分析，這些指標與水稻抗旱性呈顯著或極顯著正相關。牛同旭等把苗期反復干旱的成活率這一指標當做標準，采用主成分分析、聚類分析的方法，將地上干質量指標、根長指標、株高指標、地下干質量指標作為鑒定寒地水稻苗期的抗旱性能指標［23］。來長凱等通過研究發現，不管是單株分蘗數指標、株高指標、籽粒密度指標，還是單株有效穗數指標、單穗粒數指標，都和抗旱性呈現出顯著的關系。這些指標可以用來評價寧夏水稻的抗旱性能［24］。BP人工神經網絡是采用誤差反向傳播的算法進行訓練的多層前饋網絡［25］，是使用最廣泛的神經網絡模型之一。BP人工神經網絡在客觀環境下，定量地追尋變量之間所存在的一種比較復雜的非線性關系，準確性較高［26］。張彪等根據蘋果脆片核心指標與蘋果果實品質指標之間的相關性分析結果，選出了12個指標作為評價果實干燥適宜性的特征指標，建立了BP神經網絡學習模型來進行定量預測蘋果原料是否適合干燥［27］。林海濤等利用訓練樣本對發動機故障網絡進行訓練，得到最合適的BP神經網絡方案為11-11-8結構，通過LM算法得到BP神經網絡來進行故障診斷，診斷正確率為94%［28］。本研究通過逐步回歸及相關分析，篩選得到分蘗期干物質量、分蘗期葉面積、拔節期株高、最高分蘗數、穗粒數、結實率、千粒質量、產量、每穴生物產量、經濟系數10項與D值顯著或極顯著相關的指標，可用于水稻抗旱篩選。

4結論

通過主成分分析、隸屬度函數分析、聚類分析，利用D值對50份材料的抗旱性進行綜合評價，獲得強抗旱性材料有稻堅強、農豐3055、農豐1號、龍稻9、DPB120。通過逐步回歸分析和相關分析，并構建BP神經網絡預測抗旱力指標的準確性，從15個指標中篩選出分蘗期干物質量、分蘗期葉面積、拔節期株高、最高分蘗數、穗粒數、結實率、千粒質量、產量、生物量、經濟系數10項作為寒地水稻抗旱性篩選的鑒定指標，為高產、優質、抗旱水稻品種的選育提供材料，并篩選出抗旱的水稻品種以實現水稻旱作，研究結果具有一定的實用價值。

參考文獻：

［1］姚林，鄭華斌，劉建霞，等.中國水稻節水灌溉技術的現狀及發展趨勢［J］.生態學雜志，2014，33（5）：1381-1387.

［2］袁杰，王奉斌，賈春平，等.新疆主栽粳稻品種芽期抗旱性鑒定［J］.分子植物育種，2019，17（16）：5398-5405.

［3］楊瑰麗，楊美娜，李帥良，等.水稻萌芽期抗旱指標篩選與抗旱性綜合評價［J］.華南農業大學學報，2015，36（2）：1-5.

［4］程建峰，潘曉云，劉宜柏，等.水稻抗旱性鑒定的形態指標［J］.生態學報，2005，25（11）：3117-3125.

［5］王麒，馮延江，張小明，等.黑龍江省抗旱水稻品種（系）的篩選［J］.黑龍江農業科學，2009（4）：26-29，32.

［6］張鴻，朱從樺，譚杰，等.雜交秈稻新組合抗旱性鑒定評價及預測研究［J］.干旱地區農業研究，2018，36（2）：161-169.

［7］丁國華，馬殿榮，馬巍，等.雜草稻幼苗期耐旱性的初步篩選與評價［J］.北方水稻，2010，40（1）：11-14，53.

［8］劉三雄，黎用朝，吳俊，等.應用隸屬函數法綜合評價水稻主栽品種抗旱性的研究［J］.雜交水稻，2015，30（1）：74-78.

［9］汪燦，周棱波，張國兵，等.薏苡種質資源成株期抗旱性鑒定及抗旱指標篩選［J］.作物學報，2017，43（9）：1381-1394.

［10］王蘭芬，武晶，景蕊蓮，等.綠豆種質資源成株期抗旱性鑒定［J］.作物學報，2015，41（8）：1287-1294.

［11］汪燦，周棱波，張國兵，等.酒用糯高粱資源成株期抗旱性鑒定及抗旱指標篩選［J］.中國農業科學，2017，50（8）：1388-1402.

［12］劉敏潔，許昍，王建華，等.基于人工神經網絡和二元邏輯回歸的甜玉米種子生活力檢測模型研究［J］.中國農業大學學報，2018，23（7）：1-10.

［13］孫小香，王芳東，趙小敏，等.基于冠層光譜和BP神經網絡的水稻葉片氮素濃度估算模型［J］.中國農業資源與區劃，2019，40（3）：35-44.

［14］徐靖，唐清杰，朱紅林，等.水稻（OryzasaticaL.）干旱脅迫響應轉錄因子研究進展［J］.基因組學與應用生物學，2015，34（11）：2525-2531.

［15］楊瑰麗，楊美娜，陳志強，等.水稻抗旱機理和抗旱育種研究進展［J］.中國農學通報，2012，28（21）：1-6.

［16］聶繼云，毋永龍，李海飛，等.蘋果品種用于加工鮮榨汁的適宜性評價［J］.農業工程學報，2013，29（17）：271-278.

［17］張小燕，趙鳳敏，興麗，等.不同馬鈴薯品種用于加工油炸薯片的適宜性［J］.農業工程學報，2013，29（8）：276-283.

［18］荊瑞勇，王麗艷，鄭桂萍，等.水稻萌發期和幼苗期耐鹽性鑒定指標篩選及綜合評價［J］.黑龍江八一農墾大學學報，2019，31（6）：1-6，19.

［19］童繼平，吳躍進，鄭樂婭，等.水稻超高產育種若干問題的評述與討論［J］.種子，2003，22（2）：60-64.

［20］鄭秋玲.不同生育階段干旱脅迫下的水稻產量效應［J］.河北農業科學，2004，8（3）：83-85.

［21］王成璦，王伯倫，張文香，等.不同生育時期干旱脅迫對水稻產量與碾米品質的影響［J］.中國水稻科學，2007，21（6）：643-649.

［22］高世偉，聶守軍，劉宇強，等.寒地水稻抗旱品種的篩選與鑒定［J］.中國稻米，2018，24（3）：114-117.

［23］牛同旭，鄭桂萍，李志彬，等.寒地水稻種質資源苗期抗旱性篩選與評價［J］.安徽農學通報，2020，26（13）：21-24.

［24］來長凱，張文銀，賀奇，等.寧夏水稻抗旱性鑒定指標的篩選研究［J］.種子，2015，34（8）：27-32.

［25］XiaM，FangJA，TangY，etal.Dynamicdepressioncontrolofchaoticneuralnetworksforassociativememory［J］.Neurocomputing，2010，73（4/5/6）：776-783.

［26］趙子皓，江曉東，楊沈斌.孕穗至成熟期水稻冠層溫度和土溫水溫的模擬［J］.江蘇農業科學，2022，50（13）：187-199.

［27］張彪，劉璇，畢金峰，等.基于BP人工神經網絡算法的蘋果制干適宜性評價［J］.中國農業科學，2019，52（1）：129-142.

［28］林海濤，朱寶全，馬小涵.基于BP神經網絡的發動機故障診斷算法研究［J］.科學技術創新，2020（16）：73-74.