陶婷， 阮仁宗， 歲秀珍， 王玉強(qiáng)， 林鵬

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京 211100； 2.浙江省義烏市勘測(cè)設(shè)計(jì)研究院，義烏 322000；3. 山東省減災(zāi)中心，濟(jì)南 250000)

基于HyMap數(shù)據(jù)的浮水植被信息提取

陶婷1， 阮仁宗1， 歲秀珍2， 王玉強(qiáng)3， 林鵬1

(1.河海大學(xué)地球科學(xué)與工程學(xué)院，南京 211100； 2.浙江省義烏市勘測(cè)設(shè)計(jì)研究院，義烏 322000；3. 山東省減災(zāi)中心，濟(jì)南 250000)

以美國加利福尼亞州薩克拉門托—圣華金三角洲為研究區(qū)，利用2007年6月空間分辨率3 m的HyMap高光譜數(shù)據(jù)，根據(jù)濕地植被的光譜差異，結(jié)合地面實(shí)況數(shù)據(jù)，對(duì)植被的“三邊”參數(shù)進(jìn)行分析，選取合適的植被指數(shù)并結(jié)合“三邊”參數(shù)特征，構(gòu)建決策樹模型，提取出研究區(qū)的浮水植被，并與最大似然法的分類結(jié)果進(jìn)行比較。結(jié)果表明： 利用決策樹模型分類的總體精度達(dá)到82.68%，與最大似然法相比，總精度提高了6%，很好地識(shí)別出了研究區(qū)濕地植被中的浮水植被。

HyMap數(shù)據(jù)； 浮水植被； 植被指數(shù)； 決策樹

0 引言

濕地具有獨(dú)特的環(huán)境功能[1],但由于濕地植被具有較高的復(fù)雜性和不確定性[2]，傳統(tǒng)的多光譜遙感數(shù)據(jù)在濕地植被分類時(shí)，精度較低。高光譜數(shù)據(jù)豐富的波譜信息和較高的波譜分辨率，以及濕地植被獨(dú)特的波譜特征，為濕地植被的分類研究提供了有利條件。

在美國加州薩克拉門托—圣華金三角洲，專家們利用Hymap數(shù)據(jù)對(duì)濕地植被進(jìn)行了研究，并取得了較好的效果。例如，Margaret等[3]把混合調(diào)制匹配濾波(mixture tuned matched filtering,MTMF)分析的結(jié)果和分類與回歸樹算法(classification and regression tree,CART)結(jié)合起來，利用HyMap數(shù)據(jù)對(duì)多年生的辣椒水草進(jìn)行研究，揭示環(huán)境因素(水份、鹽度、物種的結(jié)構(gòu)組成、景區(qū)的差異性)對(duì)水生植被制圖的重要影響； Erin等[4]利用高光譜影像，采用決策樹等方法對(duì)辣椒水草、水葫蘆和沉水植被進(jìn)行分類研究，結(jié)果表明水葫蘆的制圖精度最高。

在對(duì)浮水植被的研究方面，國內(nèi)外的研究相對(duì)較少。客涵等[5]對(duì)我國山東省南四湖沉水、浮葉植物群落結(jié)構(gòu)與水環(huán)境因子的相關(guān)性進(jìn)行了研究，結(jié)果表明影響南四湖水生植物生物多樣性和生物量的因素主要有水溫、透明度和葉綠素； Mark William Matthews等[6]對(duì)在內(nèi)陸和沿海水域探測(cè)營養(yǎng)地位、藍(lán)細(xì)菌支配、表面浮渣和浮水植被的一種算法進(jìn)行了研究； Andrea Rauch等[7]針對(duì)環(huán)境變量對(duì)浮水植被覆蓋中水藻的影響進(jìn)行了研究。

本文是以高光譜和高空間分辨率遙感影像Hymap數(shù)據(jù)作為數(shù)據(jù)源，獲得細(xì)分的2種浮水植被分類結(jié)果，并與最大似然法的分類結(jié)果進(jìn)行比較。

1 研究區(qū)概況與數(shù)據(jù)預(yù)處理

1.1 研究區(qū)概況

薩克拉門托—圣華金三角洲位于美國加利福尼亞州西北部薩克拉門托河和圣華金河2條河流的匯合處，是美國西部面積最大、全美國排名第3的河口帶。三角洲汊河縱橫，地勢(shì)低洼，全長564 km，流域面積約4.5萬km2。本文的研究區(qū)為薩克拉門托—圣華金三角洲的謝爾曼島(sherman)區(qū)域。研究區(qū)內(nèi)的濕地植被主要有： 浮水植物(石蓮花、水丁香等)，沉水植物(巴西水草、西洋草等)，挺水植物(蒲草等)。其中浮水植被石蓮花喜溫暖濕潤陽光充足的環(huán)境，常生于水庫、湖泊、池塘和溝渠中，在流速緩慢的河道、沼澤地和稻田中均可生長。植株水上部分一般高30～50 cm。水丁香是一種非本土兩棲物種，棲息于水塘、湖泊、溝渠、渠道以及水流速度慢的河流和潮濕的草地里，能適應(yīng)于不同的水位。

圖1 研究區(qū)地理位置示意圖

1.2 數(shù)據(jù)源及其預(yù)處理

研究區(qū)的高光譜遙感數(shù)據(jù)來源于成像光譜儀HyMap航拍影像，飛行時(shí)間為2007年6月19—21日，飛行高度1 500 m，地面分辨率3 m。飛行路線貫穿整個(gè)圣華金河三角洲流域，共64條航道。HyMap是由HyVista公司研制的航空成像光譜儀，其總視場(chǎng)角(FOV)為60°，瞬時(shí)視場(chǎng)角(IFOV)為215 m/rad，共126個(gè)波段，波長范圍為0.450～2.50 μm，帶寬為0.015～0.020 μm不等[8]。主要譜段參數(shù)如表1所示。

表1 HyMap成像光譜儀的主要譜段參數(shù)

引入地面實(shí)況GPS控制點(diǎn)數(shù)據(jù)，所有的樣本點(diǎn)均由外業(yè)工作人員利用GPS手持機(jī)獲得，精度1 m，記錄樣本的種類、覆蓋度和位置等屬性。

使用的HyMap影像已由HyVista公司進(jìn)行了大氣校正[8]和幾何糾正。原始光譜影像數(shù)據(jù)包含著大量地物信息，因?yàn)樵跀?shù)據(jù)產(chǎn)生過程中，受到諸多因素影響，產(chǎn)生數(shù)據(jù)冗余，降低了原始影像的質(zhì)量。通過對(duì)影像126個(gè)波段特征的綜合分析，剔除第一波段(數(shù)據(jù)錯(cuò)誤波段)，選取第2～70個(gè)波段進(jìn)行后續(xù)研究分析。然后在假彩色合成(RGB分別對(duì)應(yīng)29，15，8波段)的基礎(chǔ)上數(shù)字化提取水域邊界，裁剪出本文的研究區(qū)。

2 浮水植被信息提取

2.1 典型植被波譜曲線的獲取與分析

在對(duì)不同類型的植被進(jìn)行分析時(shí)，參照GPS野外采樣點(diǎn)，選取植被覆蓋度大于80%的樣本點(diǎn)用于本研究。研究區(qū)用作訓(xùn)練樣本的不同類別的植被群落實(shí)際采樣情況如表2所示。

表2 研究區(qū)不同類型植被實(shí)際采樣點(diǎn)統(tǒng)計(jì)

本研究主要使用待分類影像手工選取像元的方法，以波長為X軸，反射率均值作為Y軸，建立地物光譜響應(yīng)曲線，如圖2所示。

圖2 研究區(qū)典型濕地植被的反射率曲線

從圖2可以看出，研究區(qū)濕地植被的光譜較為明顯地被分為2組，反射率低于0.3的植物，例如沉水植被，長期生活在水面以下的習(xí)性使得水體的吸收特性對(duì)植物的反射光譜有很大程度的影響。但是挺水植被和浮水植被由于露出水面，其受水體吸收作用的影響與沉水植被相比明顯減小，如水丁香、石蓮花、蒲草等，所以其反射率有明顯的上升趨勢(shì)。而浮水植被的整體反射率較高。可以將浮水植被與其他濕地植被區(qū)分開來。

2.2 植被指數(shù)的選取

植物葉面在可見光紅光波段有很強(qiáng)的吸收特性，在近紅外波段有很強(qiáng)的反射特性，這是植被遙感探測(cè)的物理基礎(chǔ)。通過這2個(gè)波段的不同組合可得到不同的植被指數(shù)，如表3所示。

表3 植被指數(shù)的選取

①Rn為Hymap數(shù)據(jù)第n波段的反射率值。

選取修正的歸一化差值植被指數(shù)mNDVI[9]，進(jìn)行植被提取； 因?yàn)楦∷脖辉诩t邊和紅外波段的差異明顯，選擇可見大氣阻力紅邊指數(shù)VARIred-edges[10]，可以將浮水植被信息提取出來。

2.3 濕地植被的“三邊”參數(shù)分析及決策樹構(gòu)建

2.3.1 濕地植被的一階導(dǎo)數(shù)光譜特征

遙感波譜研究中的“三邊”特性研究是指對(duì)地物在紅光、黃光、藍(lán)光波段區(qū)間內(nèi)的原始波譜及其一階微分特性的研究。為了求出濕地植被的“三邊”參數(shù)，需要對(duì)濕地植被的一階導(dǎo)數(shù)光譜特征進(jìn)行分析。光譜微分技術(shù)不僅強(qiáng)調(diào)曲線的變化還壓縮均值影響，主要用于減弱大氣散射和吸收對(duì)目標(biāo)光譜特征的影響。一階微分可用于去除部分線性或接近線性的背景、噪聲光譜對(duì)目標(biāo)光譜(必須為非線性的)的影響。研究區(qū)5種濕地植被的一階導(dǎo)數(shù)光譜特征如圖3所示?？梢钥闯?，研究區(qū)濕地植被群落一階導(dǎo)數(shù)分別在520 nm和710 nm左右都存在1個(gè)正的峰值，也就是說濕地植被的反射光譜在這2處分別達(dá)到了反射率增速最快的極點(diǎn)。浮水植被(石蓮花、水丁香)的一階導(dǎo)數(shù)值最大，其次是挺水植被(蒲草)。

圖3 典型植被的一階導(dǎo)數(shù)曲線

2.3.2 濕地植被的“三邊”參數(shù)分析

為了進(jìn)一步對(duì)浮水植被進(jìn)行細(xì)分，需要對(duì)濕地植被的“三邊”參數(shù)進(jìn)行分析?！叭叀眳?shù)的相關(guān)定義及含義[11]見表4，對(duì)各植被“三邊”參數(shù)進(jìn)行的統(tǒng)計(jì)結(jié)果見表5。

表4 “三邊”參數(shù)定義

表5 各植被的“三邊”參數(shù)統(tǒng)計(jì)表

從表5可以看出，在“紅邊”區(qū)間，沉水植被的“紅邊”位置穩(wěn)定在694.6 nm，而浮水植被和挺水植被的“紅邊”位置在709.8 nm。石蓮花和水丁香的“紅邊”面積最大，其次是挺水蒲草，沉水植被最小。浮水植被在此區(qū)間的最大一階微分值也比其他濕地植被要大。在“黃邊”區(qū)間，植被的“黃邊”差異比較明顯，挺水蒲草的“黃邊”位置最大，而西洋草、石蓮花和水丁香的“黃邊”位置一樣，蒲草的“黃邊”面積和“黃邊”增幅均最大。在“藍(lán)邊”波段區(qū)間，幾種植被的“藍(lán)邊”位置都穩(wěn)定在511 nm。浮水植被的“藍(lán)邊”增幅和藍(lán)邊面積最大，與其他濕地植被具有明顯的差異。在“綠峰”區(qū)間，典型濕地植被的“綠峰”位置都是557.4 nm。但是在“綠峰”位置處的反射率是完全不一樣的，水丁香的反射率最高，其次是石蓮花，沉水植被的反射率最低。在“紅谷”區(qū)間，典型濕地植被的“紅谷”位置都是679.3 nm。但是在“紅谷”位置處的反射率也是完全不一樣的，水丁香的反射率最高，其次是挺水蒲草和西洋草。

從以上分析可以看出，在浮水植被在“紅邊”的面積最大，在“紅邊”的最大一階微分值也最大，而且與其他植被差異明顯，可以選取可見大氣阻力紅邊指數(shù)(VARIred-edges)，將浮水植被從研究區(qū)濕地植被中提取出來。在“綠峰”位置處，浮水植被的反射率也是最大，其中水丁香的反射率最高，其次是石蓮花。根據(jù)“綠峰”位置處的反射率差異，將浮水植被中的水丁香和石蓮花提取出來。

2.3.3 決策樹構(gòu)建

決策樹分類(decision tree classifier, DTC) 方法是一種非參數(shù)的分層監(jiān)督分類方法，它僅以實(shí)例為基礎(chǔ)進(jìn)行歸納與運(yùn)算，而不依賴經(jīng)驗(yàn)知識(shí)且無需對(duì)數(shù)據(jù)分布進(jìn)行假設(shè)； 其結(jié)構(gòu)簡單并可生成易于解譯的分類判別準(zhǔn)則[12]。

通過分析各種植被的“三邊”參數(shù)以及選取的植被指數(shù)，由濕地植被的光譜曲線可以看出，浮水植被的反射率普遍較高，選取合適的DN值將浮水植被提取出來。這部分浮水植被可能包含其他濕地植被，本研究選取DN值2 500作為閾值，經(jīng)試驗(yàn)發(fā)現(xiàn)在提取過程中閾值超過該值，部分浮水植被會(huì)被遺漏。通過上述植被指數(shù)的計(jì)算公式計(jì)算各個(gè)植被的VARIred-edges值，選取0.25作為區(qū)分浮水植被和其他濕地植被的臨界值。最后根據(jù)各種植被在綠峰處的反射率加以區(qū)分。在濕地植被中浮水植被的反射率值最高，其中又以水丁香的反射率最高，其次是石蓮花。由上述“三邊”參數(shù)計(jì)算結(jié)果選取780作為區(qū)分石蓮花和水丁香的閾值。以此建立分類規(guī)則，構(gòu)建提取浮水植被的決策樹，如圖4所示。

圖4 研究區(qū)浮水植被提取決策樹模型

3 浮水植被提取結(jié)果及分析

3.1 浮水植被提取結(jié)果

利用建立起的決策樹模型對(duì)研究區(qū)內(nèi)的濕地植被，包括浮水植物(石蓮花、水丁香)，沉水植物(巴西水草、西洋草)和挺水植物(蒲草)進(jìn)行分類。為了突出浮水植物，現(xiàn)將沉水植物和挺水植物合并成一類為其他濕地植被，最后將研究區(qū)劃分為4類，分別為水體、石蓮花、水丁香和其他濕地植被(圖5(a))。為了檢驗(yàn)決策樹分類方法在本次分類中的效果，利用基于影像光譜特征的最大似然法進(jìn)行對(duì)比試驗(yàn)，分類結(jié)果如圖5(b)所示。可以看出，浮水植被主要分布在水域中離岸較近，流速較緩的區(qū)域。

(a) 基于決策樹方法的浮水植被提取結(jié)果(b) 基于最大似然法的浮水植被提取結(jié)果

3.2 精度評(píng)價(jià)

得到分類結(jié)果后，建立誤差矩陣和分類精度指標(biāo)對(duì)2種分類結(jié)果進(jìn)行對(duì)比評(píng)價(jià)。通過計(jì)算各種統(tǒng)計(jì)指標(biāo)并進(jìn)行統(tǒng)計(jì)檢驗(yàn)，最后得出基于總體和基于各種地物類型的分類精度值[13]。利用Kappa系數(shù)評(píng)價(jià)分類質(zhì)量，綜合三角洲水生植被分布圖、野外采樣點(diǎn)和其他輔助數(shù)據(jù)資料，選取641個(gè)樣本點(diǎn)作為本次試驗(yàn)的檢驗(yàn)數(shù)據(jù)，精度評(píng)價(jià)結(jié)果見表6和表7。

表6 基于決策樹的浮水植被提取結(jié)果精度評(píng)價(jià)

表7 基于最大似然法的浮水植被提取結(jié)果精度評(píng)價(jià)

從表6和表7可以看出，最大似然法的分類精度為76.25%，Kappa系數(shù)為0.68； 而決策樹方法的分類精度為82.68%，Kappa系數(shù)為0.76。決策樹分類方法總體上優(yōu)于僅僅依據(jù)影像光譜特征的最大似然法分類，有利于浮水植被的提取。本文建立的決策樹模型綜合了該濕地植被的“三邊”參數(shù)特征，并選取了合適的植被指數(shù)，提高了分類的總體精度。

實(shí)驗(yàn)表明，基于決策樹的分類方法是可行的，對(duì)研究區(qū)的2種浮水植被來說，水丁香的分類精度更高，這可能與研究區(qū)內(nèi)水丁香的面積較大有關(guān)。對(duì)于研究區(qū)內(nèi)不能準(zhǔn)確提取出的浮水植被，可能與浮水植被和沉水植被絞纏在一塊，影響了分類的精度。為了進(jìn)一步提高分類和制圖的精度，可以采集更多的研究樣本，并提高采樣點(diǎn)輔助資料的精度。

4 結(jié)論

本文利用2007年6月空間分辨率3 m的HyMap航空高光譜數(shù)據(jù)，分別選取了基于決策樹模型和最大似然法2種分類方法，有效地實(shí)現(xiàn)了浮水植被信息提取，為濕地植被分類研究提供了有益參考[14-15]。研究結(jié)果表明：

1)與最大似然法分類相比，建立的決策樹模型更有效地提取出了研究區(qū)的浮水植被，提高了分類精度，更值得推廣。這是因?yàn)殡m然Hymap遙感影像數(shù)據(jù)量龐大，為信息挖掘帶來一定困難，但是利用決策樹方法可以有效地避免高維數(shù)據(jù)帶來的計(jì)算冗余及噪聲干擾等問題。

2)通過對(duì)研究區(qū)植被光譜曲線進(jìn)行一階微分處理，進(jìn)而開展“三邊”參數(shù)研究，進(jìn)一步找出了浮水植被與其他濕地植被的差異； 建立的決策樹模型綜合了植被的光譜特征和植被指數(shù)，有效地提取出了浮水植被信息。

3)本研究中提取出了大部分浮水植被，但不排除存在與其他植被混合的可能。一般情況下，石蓮花和水丁香的光譜差異很小，混合會(huì)很嚴(yán)重。雖然本研究區(qū)中石蓮花和水丁香在綠波段的反射率存在一定差異，可以對(duì)它們進(jìn)行區(qū)分，但仍還存在著錯(cuò)分和漏分現(xiàn)象。在以后的研究中，需要結(jié)合其他方法對(duì)浮水植被的光譜特征進(jìn)行細(xì)致研究，找到其間更多的可鑒別差異，以便更準(zhǔn)確區(qū)分它們。

[1] Marion L,Paillisson J M.A mass balance assessment of the contribution of floating-leaved macrophytes in nutrient stocks in an eutrophic macrophyte-dominated Lake[J].Aquatic Botany,2003,75(3):249-260.

[2] Hestir E L,Khanna S,Andrew M E,et al.Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J].Remote Sensing of Environment,2008,112(11):4034-4047.

[3] Andrew M E,Ustin S L.The role of environmental context in mapping invasive plants with hyperspectral image data[J].Remote Sensing of Environment,2008,112(12):4301-4317.

[4] Hestir E L,Khanna S,Andrew M E,et al.Identification of invasive vegetation using hyperspectral remote sensing in the California Delta ecosystem[J].Remote Sensing of Environment,2008,112(11):4034-4047.

[5] 客涵.南四湖沉水、浮葉植物群落結(jié)構(gòu)與水環(huán)境因子相關(guān)研究[D].濟(jì)南:山東大學(xué),2014. Ke H.Research on Relationship Among Submerged,Floating Plant Community Structure and Water Environmental Factors[D].Ji’nan:Shandong University,2014.

[6] Matthews M W,Bernard S,Robertson L.An algorithm for detecting trophic status(chlorophyll-a),cyanobacterial-dominance,surface scums and floating vegetation in inland and coastal waters[J].Remote Sensing of Environment,2012,124:637-652.

[7] Rauch A,Fesl C,Schagerl M.Influence of environmental variables on algal associations from a floating vegetation mat(Schwingmoor Lake Lunzer Obersee,Austria)[J].Aquatic Botany,2006,84(2):129-136.

[8] Andrew M E,Ustin S L.Habitat suitability modelling of an invasive plant with advanced remote sensing data[J].Diversity and Distributions,2009,15(4):627-640.

[9] 柴穎,阮仁宗,傅巧妮.高光譜數(shù)據(jù)濕地植被類型信息提取[J].南京林業(yè)大學(xué)學(xué)報(bào):自然科學(xué)版,2015,39(1):181-184. Chai Y,Run R Z,Fu Q N.Extraction of wetland vegetation information using hyperspectral image data[J].Journal of Nanjing Forestry University:Natural Sciences Edition,2015,39(1):181-184.

[10]Gitelson A A,Kaufman Y J,Stark R,et al.Novel algorithms for remote estimation of vegetation fraction[J].Remote Sensing of Environment,2002,80(1):76-87.

[11]Underwood E C,Ustin S L,Ramirez C M.A comparison of spatial and spectral image resolution for mapping invasive plants in coastal California[J].Environmental Management,2007,39(1):63-83.

[12]Sims D A,Gamon J A.Estimation of vegetation water content and photosynthetic tissue area from spectral reflectance:A comparison of indices based on liquid water and chlorophyll absorption features[J].Remote Sensing of Environment,2003,84(4):526-537.

[13]潘琛,杜培軍,張海榮.決策樹分類法及其在遙感圖像處理中的應(yīng)用[J].測(cè)繪科學(xué),2008,33(1):208-211. Pan C,Du P J,Zhang H R.Decision tree classification and its application in processing of remote sensing images[J].Science of Surveying and Mapping,2008,33(1):208-211.

[14]趙萍.基于知識(shí)的江南典型區(qū)土地利用/覆被分類研究[D].南京:南京大學(xué),2003. Zhao P.Study on Knowledge-Based Jiangnan Typical Area Land Use/Cover Classification[D].Nanjing:Nanjing University,2003.

[15]韋瑋.基于多角度高光譜CHRIS數(shù)據(jù)的濕地信息提取技術(shù)研究[D].北京:中國林業(yè)科學(xué)研究院,2011. Wei W.Study on Wetland Information Extraction Using Multi-Angle Hyperspectral CHRIS Image Data[D].Beijing:Chinese Academy of Forestry,2011.

(責(zé)任編輯： 邢宇)

Extraction of floating-leaved vegetation information based on HyMap data

TAO Ting1, RUAN Renzong1, SUI Xiuzhen2, WANG Yuqiang3, LIN Peng1

(1.SchoolofEarthSciencesandEngineering,HohaiUniversity,Nanjing211100,China; 2.YiwuCity,ZhejiangProvinceSurveyandDesignInstitute,Yiwu322000,China; 3.ShandongProvinceDisasterReductionCenter,Ji’nan250000,China)

In this paper, Sacramento, California - San Joaquin River Delta was taken as the study area, and HyMap hyperspectral data with 3 m spatial resolution acquired in June 2007 combined with ground truth data were used for pattern recognition of floating-leaved vegetation in the study area. The study was based on the spectral differences of wetland vegetations, and the “trilateral” parameters of vegetation were analyzed. Then the authors selected suitable vegetation indices combined with “trilateral” parameter features and built a decision tree model to extract the floating-leaved vegetation of the study area in comparison with the maximum likelihood classification results. The results show that the use of decision tree classification model can achieve overall accuracy of 82.68%, and that, compared with the maximum likelihood method, the total accuracy was improved by 6%, which can well identify the floating-leaved vegetation in the wetland vegetation of the study area.

HyMap data; floating-leaved vegetation; vegetation indices; decision tree

10.6046/gtzyyg.2017.02.27

陶婷,阮仁宗,歲秀珍,等.基于HyMap數(shù)據(jù)的浮水植被信息提取[J].國土資源遙感,2017,29(2):187-192.(Tao T,Ruan R Z,Sui X Z,et al.Extraction of floating-leaved vegetation information based on HyMap data[J].Remote Sensing for Land and Resources,2017,29(2):187-192.)

2015-10-24；

2015-12-01

中國科學(xué)院戰(zhàn)略性先導(dǎo)科技專項(xiàng)項(xiàng)目“應(yīng)對(duì)氣候變化的碳收支認(rèn)證及相關(guān)問題”(編號(hào)： XDA05050106)資助。

陶婷(1991-)，女，碩士研究生，主要從事遙感與GIS應(yīng)用研究。Email: taoting19911116@163.com。

TP 751

A

1001-070X(2017)02-0187-06