基于區塊鏈的農情數據可信融合共享模型設計與實現

饒 元，伍德倫，時玉龍

基于區塊鏈的農情數據可信融合共享模型設計與實現

饒 元1,2，伍德倫1,2，時玉龍1,2

(1.安徽農業大學信息與計算機學院，合肥 230036；2.智慧農業技術與裝備安徽省重點實驗室，合肥 230036)

為了提高現有農產品區塊鏈溯源模型中的數據傳輸和查詢效率，提出了基于區塊鏈的農情數據可信融合共享模型。首先構建農情數據采集存儲優化模型，通過Kafka節點接收網關數據并將結構化數據、非結構化數據哈希值存于區塊鏈，非結構化數據存儲于HDFS（Hadoop Distributed File System，Hadoop分布式文件系統），提升了數據傳輸效率。其次設計農情數據融合重組共享模型，利用Spark將結構化數據進行重組融合，將融合后的結構化數據、非結構化數據索引存儲于Hbase，融合數據哈希值存儲于區塊鏈，提升了溯源效率。最后構建農情數據可信驗證應用模型，通過比對Hbase中的融合數據哈希值與鏈上融合數據哈希值、HDFS中各環節非結構化數據哈希值與鏈上環節哈希值甄別數據真偽，保證了數據的真實性、可信性。在此基礎上設計了基于區塊鏈的農情數據可信融合共享系統，并在一玉米供應鏈進行了實際應用。進行相關測試后發現，與傳統的單鏈型追溯模型相比，本模型全供應鏈數據存儲時間縮短5.26 %，數據查詢時間縮短43.47 %。應用結果表明，此模型可以在保證數據可信前提下，通過數據的融合共享提高數據傳輸效率與數據查詢效率，可為農產品供應鏈溯源系統的研發提供參考。

區塊鏈；Spark；數據可信；融合共享；分布式存儲；Hbase

農產品質量安全一直與大眾的健康息息相關，迫切需要建立農產品質量追溯體系，實現對農產品產銷過程的全面監管[1]，而現有的質量追溯體系往往采用各環節主體自行管理，追溯數據可信度不高[2]。區塊鏈技術可以確保數據的可追溯性[3]，保證數據的安全性、可信性[4]。

區塊鏈技術已經很好地應用于農產品質量追溯體系設計[5]。伍德倫等[6]利用企業信譽度評估算法來確保農產品產銷環節上鏈數據真實可信。Ren等[7]提出了一種基于IPFS（InterPlanetary File System，星際文件系統）存儲的雙區塊鏈解決方案，應用于傳感器網絡中的農業采樣數據保護。于華竟等[8]提出了基于區塊鏈多鏈架構的雜糧追溯模型，實現了追溯數據賬本與鏈間交易記錄的實時管控。楊信廷等[9]提出“數據庫+區塊鏈”的鏈上鏈下追溯信息雙存儲設計，建立了外聯數據庫索引的查詢方法，通過優化存儲架構提升了溯源效率。Leng等[10]設計了基于“用戶信息鏈”和“交易鏈”的雙鏈農商資源公鏈，提高了公共服務平臺的公信力和系統的整體效率。任守綱等[11]設計了基于CSBFT區塊鏈的農作物全產業鏈信息溯源平臺，提升了數據上鏈效率。然而，現有的農產品追溯設計仍存在一些問題，農情數據具有異構的特點，包括了文本等結構化數據以及圖片、視頻等非結構化數據，傳統的鏈上存儲模式難以滿足非結構化數據存儲需求?，F有的區塊鏈追溯方法采用鏈上數據分散化存儲模式，數據回溯效率低，采集數據的處理、傳輸機制也有待完善。

針對以上問題，本研究首先構建了農情數據采集優化存儲模型，實現了農情結構化數據、非結構化數據的隔離性存儲，提升了數據傳輸效率；其次設計了農情數據融合重組共享模型，通過分布式數據庫存儲與數據分類處理提高了農情數據的追溯效率；最后提出了農情數據可信驗證應用模型，通過查詢數據哈希與原始數據哈希比對保證了數據真實性、可信性。三者結合組成了基于區塊鏈的農情數據可信融合共享模型，保證了數據真實可信前提下，數據傳輸、查詢的高效性。在此模型基礎上設計了相應系統并進行了實際應用，最后進行了總結。

1 材料與方法

1.1 Kafka技術與Spark技術

Kafka是由Apache軟件基金會開發的一個開源流處理平臺[12]。它是一種高吞吐量的分布式發布訂閱消息系統，它可以處理消費者在網站中的所有動作流數據[13]。Kafka可通過集群來提供實時的消息，其架構由producer（消息生產者）、consumer（消息消費者）、broker（代理服務器）組成，消息都存放在broker上。producer、consumer向Kafka發送和消費數據需要先申請一個主題Topic，消息的生產者生產消息，消息的消費者消費消息都是面向Topic的[14]。本研究采用Kafka數據消費者接收網關發送的數據，并利用Topic消息隊列將數據傳輸至Kafka數據消費者，提高了農情數據傳輸效率，具體方案如1.2.1節。

Spark是專為大規模數據處理而設計的快速通用的計算引擎[15]。Spark是基于內存計算框架，計算速度非常之快[16]。Spark將處理的每個任務都構造成一個DAG（directed acyclic graph，有向無環圖）來執行，實現原理是基于RDD（resilient distributed dataset, 彈性分布式數據集）在內存中對數據進行迭代計算，以實現批量和流式數據的高性能快速計算處理[17]。在Spark 2.0之后，RDDs被Dataset/ DateFrame取代，它是像RDD一樣的強類型，但在內部進行了更豐富的優化，它比RDD具有更好的性能[18]。本研究通過將各環節溯源數據轉換為DataFrame類型數據，并利用Spark對全環節數據進行融合重組，提升了農情數據溯源效率，具體方案如1.2.2節。

1.2 基于區塊鏈的農情數據可信融合共享模型設計

為了提升農產品區塊鏈溯源系統中數據傳輸、查詢效率，構建了基于區塊鏈的農情數據可信融合共享模型，在農產品各產銷環節服務器部署Kafka節點，組成Kafka集群；在農產品各產銷環節服務器部署區塊鏈節點，組成區塊鏈網絡。其中，區塊鏈網絡中智能合約包括存儲智能合約、查詢智能合約、融合智能合約。存儲智能合約主要負責數據上鏈，驗證上鏈數據、格式是否符合標準；查詢智能合約主要負責鏈上結構化數據查詢；融合智能合約主要負責融合后的結構化數據哈希查詢。在農產品各產銷環節服務器部署HDFS數據節點，在產銷鏈條末尾環節服務器部署HDFS元數據節點，組成HDFS集群。通過服務器、傳感器、網關等設備協作，滿足農情數據的采集、傳輸、存儲與溯源需求。具體地，如圖1所示，基于區塊鏈的農情數據可信融合共享模型由農情數據采集優化存儲模型、農情數據融合重組共享模型、農情數據可信驗證應用模型三部分組成，通過各模型間配合，提升數據傳輸效率與查詢效率。下面將對各模型進行詳細介紹。

圖1 基于區塊鏈的農情數據可信融合共享模型

Figure 1 Blockchain based reliable fusion and sharing model of agricultural data

1.2.1 農情數據采集存儲模型設計 為了提升農情數據的傳輸效率，改進現有的農產品區塊鏈存儲架構，如圖2所示，設計了農情數據采集優化存儲模型，在農產品生產、加工、存儲、運輸、銷售等關鍵環節，部署傳感器等物聯網設備進行數據采集，采集文本等結構化數據與視頻、圖片等非結構化數據。通過網關將數據發送至各環節服務器Kafka數據生產者。Kafka數據生產者按所接收數據的特征將其分為結構化數據和非結構化數據，利用Topic消息隊列向Kafka數據消費者發送數據。負責結構化數據存儲的區塊鏈節點被設置為結構化數據消費者，接收Kafka節點發送的結構化數據；HDFS數據節點被設置為非結構化數據消費者，接收Kafka節點發送的非結構化數據。各環節服務器上的HDFS數據節點按照環節非結構化數據數據項進行分區，通過HDFS數據節點存儲非結構化數據，HDFS元數據節點存儲非結構化數據目錄結構。同時在各環節服務器存儲HDFS元數據節點的目錄結構。

具體地，進行農情數據存儲時，Kafka數據生產者對農情數據進行分類，首先進行非結構化數據存儲，部署在環節服務器上的HDFS數據節點，在本地服務器HDFS目錄結構文件上查找文件是否存在，如果已存在，直接返回錯誤信息，否則，HDFS數據節點根據非結構化數據數據項將各數據項存儲到相應分區。存儲過程具體步驟為：HDFS數據節點向產銷鏈條末尾環節服務器元數據節點發送數據存儲準備就緒消息，元數據節點收到HDFS數據節點提交的信息后，發送確認信息給HDFS數據節點。HDFS數據節點收到確認信息后，將數據寫入，隨后元數據節點更新目錄結構，并與本地服務器HDFS目錄結構文件同步。最后，服務器數據哈希計算程序利用MD5哈希算法計算非結構化數據哈希值。

圖2 農情數據采集優化存儲模型

Figure 2 Optimized storage model for agricultural data collection

在農情數據中的非結構化數據存儲完成后，將進行結構化數據、非結構化數據哈希值存儲，首先，各環節區塊鏈節點調用存儲智能合約判斷上傳數據中是否包含非結構化數據哈希值等數據項，以判斷數據格式是否符合標準，若數據項皆為鍵值對格式且數據項數目與類型正確，繼續判斷各數據項的值是否在合約標準之內，若數據符合標準，則將數據上傳至區塊鏈網絡。存儲智能合約代碼邏輯如下。

算法1：存儲智能合約代碼邏輯

輸入：數據上傳節點，結構化數據，非結構化數據哈希值；

輸出：操作結果，區塊信息；

If（數據上傳節點身份正確）

If（結構化數據格式正確&&非結構化數據哈希值!=null）

For（數據項 In 結構化數據）

If(數據項符合標準)

上傳數據數組.put（數據項）

Else

輸出數據項內容不正確

上傳數據數組.put（非結構化數據哈希值）

上傳數據數組存儲于區塊鏈網絡；

輸出操作結果與區塊高度，交易哈希；

Else

輸出數據格式異常；

Else

輸出節點身份不正確。

Figure 3 Agricultural data fusion, reorganization and sharing model

1.2.2 數據重組融合模型設計 為了提升農情數據的查詢效率，如圖3所示，在農情數據采集優化存儲模型基礎上，構建了農情數據融合重組共享模型，在全供應鏈農情數據存儲成功后，末尾環節服務器作為客戶端在各環節服務器HDFS數據節點中查詢批次標識為當前批次標識的非結構化數據，批次標識即一批產品的主鍵，它的格式為：“產品標識（產品的主鍵）”+“產品品種”+“批次采收時間”。具體地，首先，客戶端在本地服務器HDFS目錄結構文件查詢非結構化數據對應的塊及文件所在數據節點位置?？蛻舳耸盏轿募恢眯畔⒑?，與各環節數據節點建立socket連接并行獲取非結構化數據。隨后，客戶端根據文件大小判斷文件類型，若數據小于64 兆字節，則判斷為小型非結構化數據，通過SequenceFile將多個小型數據合并為不超過64 兆字節文件，記錄為鍵值對列表。在設計索引時，Key的內容為“BID+SFileID+offset”，Value存儲數據內容。其中，BID指具體數據塊，SFileID指數據塊中具體的SFile位置，offset代表圖片在SequenceFile中存儲的偏移量。將得到的索引存儲于Hbase（Hadoop Database）。若數據大于64 兆字節，則判斷為大型非結構化數據，先對數據建立分塊索引，再將生成的數據索引存儲于Hbase，以保證索引與HDFS中非結構化數據的映射關系。在非結構化數據索引建立成功后，將進行結構化數據融合重組，具體地，產銷鏈條末尾環節區塊鏈節點調用查詢智能合約，通過批次標識查詢出該批次各環節鏈上數據。查詢智能合約邏輯如下。

算法2：查詢智能合約代碼邏輯

輸入：產銷鏈條末尾區塊鏈節點，批次標識；

輸出：溯源數據；

If（節點身份正確）

If（批次標識存在）

查詢鏈上批次標識與當前批次標識相同的數據；

輸出批次全環節數據；

Else

輸出批次標識錯誤；

Else

輸出節點身份異常。

Figure 4 Application model of agricultural data credibility verification

隨后，區塊鏈節點將各產銷環節結構化數據轉換為DataFrame類型數據，并將各環節數據區塊號與交易哈希值作為數據列添加至DataFrame。將得到的DataFrame類型數據提取多項數據列，將批次標識作為主鍵調用Spark的SQL語句以及方法進行多列數據的關聯重組，生成DataFrame類型融合數據，隨后對融合數據進行MD5哈希計算得到哈希值，調用存儲智能合約將哈希值上傳至區塊鏈網絡，最后調用Hbase數據寫入接口將融合數據存儲于Hbase。

1.2.3 數據可信驗證模型設計 為了保證農情數據的真實性、可信性，如圖4所示，在農情數據融合重組共享模型的基礎上設計了農情數據可信驗證應用模型，用戶通過掃碼等操作可調用數據驗證接口進行數據驗證。具體地，首先進行非結構化數據驗證，產銷鏈條末尾環節服務器作為客戶端調用HDFS數據查詢接口，向元數據節點發送包含了數據分塊索引、文件索引、批次標識信息的讀文件請求，如果文件不存在，則返回錯誤信息，否則，元數據節點將該文件對應的塊發送給客戶端?？蛻舳耸盏轿募恢眯畔⒑?，與各環節數據節點建立socket連接并行獲取數據。隨后將數據按照環節進行劃分，對各環節數據計算MD5哈希值，與鏈上對應環節哈希值進行對比，甄別數據真偽。在非結構化數據可信驗證完成后，繼續調用結構化數據驗證模塊，末尾環節區塊鏈節點調用融合智能合約根據批次標識查詢當前批次融合數據哈希值。隨后在Hbase中根據批次標識讀取DataFrame類型融合數據，將融合數據進行MD5哈希運算得到哈希值，并將哈希值進行比較，以甄別數據真偽。其中，融合智能合約邏輯如下。

算法3：融合智能合約代碼邏輯

輸入：產銷鏈條末尾區塊鏈節點，批次標識；

輸出：融合數據哈希值；

If（節點身份正確）

If（批次標識存在）

查詢鏈上批次標識與當前批次標識相同的融合數據哈希值；

輸出融合數據哈希值；

Else

輸出批次標識不存在；

Else

輸出節點身份異常。

2 結果與分析

基于區塊鏈的農情數據可信融合共享系統可用于提升農情數據傳輸效率與溯源效率。保存農產品各環節產生的關鍵農情數據，并將數據進行安全性儲存與高效展示。對本系統各個功能模塊進行了細化，系統分為采集層、傳輸層、存儲層、重組層、應用層，如圖5系統架構圖所示。

采集層主要由各環節節點的傳感器設備組成，包括監控設備、溫度采集設備、濕度采集設備、光照采集設備、監控等，負責采集農產品產銷各環節產生的關鍵農情數據。傳輸層由各節點網關與Kafka服務器組成，由傳感器設備將數據發送至網關，再由網關將數據發送至Kafka服務器數據生產者，實現數據的高效傳輸。存儲層由區塊鏈與HDFS組成，其中，Kafka發送的結構化數據、非結構化數據哈希值存儲于區塊鏈，非結構化數據存儲于HDFS，實現結構化數據、非結構化數據的隔離性存儲，保證數據的可信性、真實性。重組層由結構化數據重組與非結構化數據重組兩部分組成，其中結構化數據利用Spark融合重組為完整供應鏈數據，將融合數據存儲于Hbase，融合數據MD5哈希值存儲于區塊鏈網絡；其中非結構化采用數據分類建立索引的方式，將索引存儲于Hbase，以提高溯源效率。在應用層，提供消費者掃碼溯源、農情數據分析等服務，實現農情數據價值傳遞。

圖5 系統架構

Figure 5 System architecture

基于區塊鏈的農情數據可信融合共享系統采用Hyperledger Fabric構建。其環境基礎為Centos 7.5、Docker 18.09、fabric-sdk-node 2.2。虛擬機配置為：32 G內存、16 核處理器、16 G硬盤，帶寬為20 Mb/s。采用區塊鏈基準測試工具Hyperledger Caliper 生成測試結果。系統主要采用Java、Golang、Javascript編寫。移動端采用微信小程序搭建，后端采用SpringBoot框架實現。玉米供應鏈一般包括玉米的種植、存儲、加工、運輸以及銷售環節，為了實現供應鏈各環節數據的高效查詢與傳輸，采用了本系統進行了優化。如圖6（a）所示，為本系統小程序掃碼后溯源環節總覽頁面，可以查看到各環節溯源信息圖片、各環節哈希等，選擇種植環節進行點擊后，可進入如圖6（b）所示的種植環節詳情頁面，可查看到種植玉米品種、種植地點、種植農場、種植哈希值、視頻鏈接等信息。

圖6 玉米溯源頁面

Figure 6 Corn traceability page

圖7 相關測試

Figure 7 Related tests

為了驗證基于區塊鏈的農情數據可信融合共享系統的數據寫入與查詢效率，測試了全供應鏈數據存儲耗時，為了保證測試結果的真實可靠，驗證此模型的查詢與存儲效率是否高于現有的單鏈型農產品區塊鏈追溯模型，與單鏈型農產品區塊鏈追溯模型進行了100 次數據存儲、查詢效率對比測試。將本研究方法稱為改進方法，單鏈型追溯方法稱為傳統方法。將每10次測試結果的平均值作為最終值，如圖7（a）所示，改進方法供應鏈數據存儲耗時為5.400 s，單個環節平均耗時1.080 s；傳統方法供應鏈數據存儲耗時5.700 s，單個環節平均耗時1.140 s，改進方法數據存儲時間縮短5.26 %；如圖7（b）所示，改進方法追溯平均耗時0.355 s，傳統方法追溯平均耗時0.628 s，改進方法追溯時間縮短43.47 %?？梢?，本系統可明顯提升數據查詢效率。

3 討論與結論

與現有農情數據存儲溯源模型相比，本模型具有明顯的優勢：

（1）本研究提出的數據采集存儲優化模型，在各環節服務器部署Kafka，組成Kafka集群；在各環節服務器部署區塊鏈節點，構建區塊鏈網絡；在各環節服務器部署HDFS數據節點，在產銷鏈條末尾環節服務器部署HDFS元數據節點，構成HDFS集群。在各環節節點部署多傳感器設備、多網關，采用了“傳感器-網關-Kafka集群”的數據傳輸邏輯，提高了數據的傳輸效率。通過在各環節部署HDFS數據節點，分區存儲環節數據數據項，產銷鏈條末尾環節服務器元數據節點記錄文件目錄結構，可提高非結構化數據存儲效率。

（2）本研究提出的數據分類融合重組模型，通過對數據按其特征分類為結構化數據與非結構化數據，對結構化數據采用Spark進行數據重組融合、融合數據哈希值上鏈的方式，對非結構化數據采用按數據大小分類建立索引的方式，解決了鏈上數據存儲分散化造成溯源效率較低的問題，提高了溯源數據的查詢效率。

（3）本研究提出的數據可信驗證應用模型，可有效保證從Hbase中查詢得到的結構化數據、從HDFS中查詢得到的非結構化數據的可信性、真實性。對結構化數據采用Hbase中重組數據與鏈上融合數據哈希值對比的方式，甄別數據真偽；對非結構化數據采用HDFS中各環節數據哈希值與鏈上數據哈希值對比的方式，甄別數據真偽，保證了數據的可信性。對模型進行應用后發現，此模型單環節數據存儲平均耗時為1.080 s，用戶溯源平均耗時為0.355 s，與現有的傳統型追溯模型相比，此模型追溯時間縮短43.47 %，數據存儲時間縮短5.26 %，可提升溯源數據查詢效率，可為農產品溯源系統的設計與研發提供參考。

[1] 王新平,柴尚森. 基于多準則決策的食用農產品追溯體系效能影響因素分析[J]. 食品科學,2022,43(5):46-54.

[2] 楊信廷,王杰偉,邢斌,等. 基于區塊鏈的畜牧養殖資產監管身份認證研究[J]. 農業機械學報, 2021, 52(11): 170-180.

[3] 王祖良,郭建新,張婷,等. 農產品質量溯源RFID標簽批量識別[J]. 農業工程學報，2020，36(10):150-157.

[4] BABICH V, HILARY G. OM forum-distributed ledgers and operations: what operations management researchers should know about blockchain technology[J]. Manuf Serv Oper Manag, 2020, 22(2): 223-240..

[5] 袁勇,王飛躍.區塊鏈技術發展現狀與展望[J]. 自動化學報,2016,42(4):481-494.

[6] 伍德倫,饒元,許磊,等. 農產品區塊鏈信息可信評估差異化共享模型設計與實現[J]. 農業工程學報, 2022, 38(11): 309-317.

[7] REN W, WAN X T, GAN P C. A double-blockchain solution for agricultural sampled data security in Internet of Things network[J]. Future Gener Comput Syst, 2021, 117: 453-461.

[8] 于華竟,徐大明,羅娜,等. 雜糧供應鏈區塊鏈多鏈追溯監管模型設計[J]. 農業工程學報,2021,37(20):323-332.

[9] 楊信廷,王明亭,徐大明,等. 基于區塊鏈的農產品追溯系統信息存儲模型與查詢方法[J]. 農業工程學報, 2019, 35(22): 323-330.

[10] LENG K J, BI Y, JING L B, et al. Research on agricultural supply chain system with double chain architecture based on blockchain technology[J]. Future Gener Comput Syst, 2018, 86: 641-649.

[11] 任守綱,何自明,周正己,等. 基于CSBFT區塊鏈的農作物全產業鏈信息溯源平臺設計[J]. 農業工程學報, 2020, 36(3): 279-286.

[12] 高洪皓,開金宇,周家安,等. 基于概率模型檢驗的Web服務系統可靠性分析[J]. 東南大學學報（自然科學版）, 2017, 47(S1): 132-139.

[13] 金雙喜,李永,吳驊,等. 基于Kafka消息隊列的新一代分布式電量采集方法研究[J]. 智慧電力,2018,46(2):77-82.

[14] 王鄭合,王鋒,鄧輝,等. 一種優化的Kafka消費者/客戶端負載均衡算法[J]. 計算機應用研究, 2017, 34(8): 2306-2309.

[15] 吳信東,嵇圣硙. MapReduce與Spark用于大數據分析之比較[J]. 軟件學報,2018,29(6):1770-1791.

[16] 王晨曦,呂方,崔慧敏,等. 面向大數據處理的基于Spark的異質內存編程框架[J]. 計算機研究與發展, 2018, 55(2): 246-264.

[17] 卞琛,于炯,英昌甜,等. 并行計算框架Spark的自適應緩存管理策略[J]. 電子學報,2017,45(2):278-284.

[18] 張鵬,段磊,秦攀,等. 基于Spark的Top-k對比序列模式挖掘[J]. 計算機研究與發展,2017,54(7):1452-1464.

Design and implementation of trusted fusion and sharing model of agricultural data based on Blockchain

RAO Yuan1,2, WU Delun1,2, SHI Yulong1,2

(1. School of Information and Computer, Anhui Agricultural University, Hefei 230036;2. Anhui Provincial Key Laboratory of Smart Agricultural Technology and Equipment, Hefei,230036)

In order to improve the efficiency of data transmission and query in the existing blockchain traceability model agricultural of agricultural products, a Blockchain-based model of trusted fusion and sharing of agricultural data is proposed. Firstly, the optimization model of agricultural data collection and storage is built. The Kafka node receives the gateway data, stores the structured data and unstructured data hash values in the Blockchain, and stores the unstructured data in HDFS (Hadoop distributed file system), which improves the data transmission efficiency. Secondly, the agricultural data fusion, reorganization and sharing model is designed. The structured data is reorganized and fused by Spark. The index of the fused structured data and unstructured data is stored in Hbase, and the hash value of the fused data is stored in the Blockchain, which improves the traceability efficiency. Finally, an application model of agricultural situation data credibility verification is constructed. By comparing the hash value of fusion data in Hbase with the hash value of on chain fusion data, and the hash value of unstructured data in each link of HDFS with the hash value of on chain link, the authenticity and credibility of the data are ensured. On this basis, a trusted fusion and sharing system of agricultural data based on Blockchain is designed and applied in a corn supply chain. After relevant tests, it is found that compared with the traditional single chain traceability model, the data storage time of the whole supply chain of the model proposed in this paper is shortened by 5.26%, and the data query time is shortened by 43.47%.The application results show that this system can improve the data transmission efficiency and data query efficiency through data fusion and sharing on the premise of ensuring data credibility, and can provide a reference for the research and development of agricultural product supply chain traceability system.

Blockchain; Spark; reliable data; integration and sharing; distributed storage; Hbase

10.13610/j.cnki.1672-352x.20230625.004

2023-06-26 17:04:49

TP309.2; TS207.7

A

1672-352X (2023)03-0550-07

2022-06-28

安徽省重點研發和開發計劃項目（201904a06020056)，安徽省自然科學基金項目（2008085MF203）和安徽省財政農業科技成果轉化項目（2022ZH014）共同資助。

[URL] https://kns.cnki.net/kcms2/detail/34.1162.s.20230625.1450.008.html

饒 元，博士，教授。E-mail：raoyuan@ahau.edu.cn 伍德倫，本科生。E-mail：3195949821@qq.com