吳永亮，賈志杰，陳建平，朱月琴

(1.中國地質大學(北京)地球科學與資源學院，北京 100083；2.北京市國土資源信息研究開發(fā)重點實驗室，北京 100083；3.中國航天標準化與產品保證研究院，北京 100071；4.中國地質調查局發(fā)展研究中心，北京 100037；5.國土資源部地質信息技術重點實驗室，北京 100037)

基于大數據智能的找礦模型構建與預測

吳永亮1，2，3，賈志杰1，2，陳建平1，2，朱月琴4，5

(1.中國地質大學(北京)地球科學與資源學院，北京 100083；2.北京市國土資源信息研究開發(fā)重點實驗室，北京 100083；3.中國航天標準化與產品保證研究院，北京 100071；4.中國地質調查局發(fā)展研究中心，北京 100037；5.國土資源部地質信息技術重點實驗室，北京 100037)

當前地質科學數據呈現出科學大數據的特點，依靠傳統(tǒng)人工檢索和處理地質大數據具有很大的局限性，難以滿足當前地質科學高速發(fā)展的需求。針對找礦地質模型建立與預測需求，本文利用大數據發(fā)現方法實現了地質找礦專題數據的自動采集；利用機器學習方法對地質專題數據進行深層次的挖掘和提取，研究了基于大數據智能的找礦模型預測方法。在已有地質成礦理論的基礎上，建立了統(tǒng)一的多數據源找礦地質模型庫，使用樸素貝葉斯分類算法對找礦概念模型庫中數據進行分類研究，通過計算模型中控礦要素的使用率和重要性來建立起全面客觀的找礦地質模型，最終實現找礦模型預測。

地質大數據；人工智能；找礦模型

地質學屬于數據密集型科學，隨著地質信息時代的來臨，地質數據已呈現出爆炸式增長態(tài)勢，面臨著數據量巨大、挖掘效率低等問題[1-3]，僅依靠人工檢索與處理地質大數據越來越難以滿足當前地質科學高速發(fā)展的需求[4-5]。隨著AlphaGo在圍棋對弈取得了舉世矚目的成就，人工智能的發(fā)展應用也達到了高峰，這為地學研究提供了新的思路[6-7]。人工智能是利用計算機來模擬人腦從事的推理、學習、思考等活動，以人類智力開展圖像識別、自然語言理解等復雜問題。人類習得語言、思維的過程，就是從大數據學習的過程。因此，大數據是實現人工智能的重要支撐，而大數據智能則是基于大數據驅動的人工智能[8-9]。地學領域既有大數據的基礎，又有利用人工智能解決成礦預測、資源評價、環(huán)境保護等復雜問題的需求。

國務院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》(國發(fā)〔2017〕35號)提出了研究“數據驅動與知識引導相結合的人工智能方法”大數據智能理論的重要目標。如何利用人工智能手段有效的發(fā)現和獲取地質大數據，挖掘出高價值信息與知識，解決地學問題并實現相應地質服務具有重大意義[5]。本文從地質大數據發(fā)現與挖掘入手，探索了地質大數據驅動與知識引導相結合的人工智能應用方法，建立了地質找礦數據模型，研究了基于大數據智能實現的找礦模型預測方法，開發(fā)了相應的軟件系統(tǒng)并進行了應用實驗。結果表明，本文給出基于大數據智能的找礦模型預測方法有效可行，為利用計算機發(fā)現、挖掘地質大數據，開展找礦地質模型預測工作探索出具有實用價值的技術方法。

1 地質大數據發(fā)現與挖掘

1.1研究方法

發(fā)現地質大數據是實現人工智能處理大數據的前提條件，挖掘地質大數據是解決問題的重要手段。利用計算機從紛雜的數據海洋中發(fā)現需要的地質數據，然后對各類結構、半結構化、非結構化的數據進行信息抽取與挖掘，得到數據的潛在規(guī)律與有價值的信息，不斷的循環(huán)迭代，最終解決成礦預測、地質規(guī)律研究、資源評價等地質科學問題，見圖1。

圖1 地質大數據發(fā)現與挖掘

數據發(fā)現任務就是采集地質專題數據，根據需求從互聯網中獲取到關心的地質數據并存儲到本地計算機或數據庫服務器中，從而開展下一步的處理和分析。數據發(fā)現在注重地質專業(yè)數據采集方法實現的同時，也要注重數據采集的效率。不僅要采集到地質專題數據，還能實現半自動化甚至自動化的數據采集[10]。目前，對于互聯網數據采集的主要分為兩部分，即互聯網數據爬取和信息提取。

數據挖掘又稱數據庫中的知識發(fā)現，將數據庫技術、統(tǒng)計學、機器學習、信息檢索技術、數據可視化和模式識別與人工智能等領域有機結合起來，從而能從數據中挖掘到其他傳統(tǒng)方法不能發(fā)現的有用知識[11-12]。數據挖掘任務一般可以分兩類：描述和預測。描述性挖掘任務是分析數據庫中數據的一般特性，預測性挖掘任務在當前數據上進行推斷。數據挖掘技術主要又分成“關聯規(guī)則”，“時間序列”，“聚集”，“分類”等[13]。

本文針對地質找礦需求，在傳統(tǒng)地質找礦數據應用的基礎上，采取大數據發(fā)現方法采集找礦專題信息數據，利用大數據挖掘方法開展地質找礦模型預測，最終實現大數據智能在地質找礦領域的應用。

1.2技術方法及模塊功能

針對地質大數據智能應用需求，利用C#開發(fā)語言和MySQL數據庫，集成了Nherbinate框架工具，采用較成熟的C/S體系結構及目錄服務器搜索模式，開發(fā)了地質大數據發(fā)現與挖掘系統(tǒng)實現上述工作，可以實現地質專題數據采集、地質找礦模型構建與預測等功能，技術方法見圖2。系統(tǒng)主要模塊功能以下包括幾方面。

1)地質大數據發(fā)現模塊主要功能是通過爬蟲和正則表達式實現公域網數據的爬取和抽取，通過調用Everything.dll的方法實現局域網絡內計算機本地數據的全盤搜索和獲取，對采集到的數據按統(tǒng)一的清洗和存儲規(guī)則進行處理，獲得地質找礦專題大數據。

2)數據挖掘模塊的主要功能是在獲取的研究區(qū)地質專題數據的基礎上，結合人工選擇確認的方式整理數據，將傳統(tǒng)地質找礦模型進行系統(tǒng)的歸納與總結，獲得研究區(qū)的控礦要素，建立統(tǒng)一的找礦概念模型數據庫。使用樸素貝葉斯分類算法對研究區(qū)數據進行模型分類、匹配、計算等工作，實現找礦模型預測。將經過驗證后的找礦模型添加到原有數據庫中，作為下次機器學習的訓練樣本，形成從數據-信息-知識-價值服務-再數據的大數據應用鏈。隨著建立的找礦概念模型越多，系統(tǒng)的人工智能經驗越來越豐富，最終預測的研究區(qū)找礦模型結果將越來越準備。

2 找礦地質模型

2.1找礦模型理論依據

找礦模型以地質成礦理論為依據，相關地質成礦規(guī)律與成礦預測理論包括：朱裕生等的礦床成礦模式理論[14]、翟裕生等的成礦系統(tǒng)理論[15]、程裕淇等的礦床成礦系列理論[16]、涂光熾等關于大型、超大型礦床的成礦和找礦理論[17]等。找礦模型以不同控礦要素為基礎，在區(qū)域地質背景、成礦規(guī)律與成礦模式的基礎上構建的區(qū)域找礦模型，形成找礦模型預測方法指導找礦。例如：大多已知成礦區(qū)帶的大地構造背景決定著預測區(qū)的選擇，大多已知礦床的形成時代決定著成礦期的確定，大多已知礦床的成礦條件、控礦要素和找礦標志決定著找礦模型等。找礦模型可突出主要的控礦因素、抓住找礦的關鍵信息、提出獲得關鍵信息的有效方法組合、總結主要找礦標志組合、簡化找礦實際過程，是進行成礦預測的主要依據[18]。

2.2找礦模型構建

找礦模型構建是在地質大數據的基礎上，建立找礦模型和找礦模型數據庫，為機器學習提供重要的數據基礎。根據已有文獻等數據，分析研究區(qū)區(qū)域成礦地質背景及典型礦床控礦條件，總結區(qū)域成礦規(guī)律，建立區(qū)域找礦概念模型，分析主要礦床類型、控礦因素和找礦標志[19]。找礦模型構建主要包含兩部分工作：第一，進行數據整理，將各種礦床模型名稱以及控礦要素進行統(tǒng)一；第二，建立起結構統(tǒng)一、易于理解的找礦模型數據庫，為建立找礦概念模型提供訓練數據。

2.2.1 數據整理

模型的數據整理主要包括兩個方面。一是模型名稱的整理。模型名稱一般分為兩類，一類是典型礦床式命名，例如山東焦家金礦；一類是抽象總結式命名，例如巖漿巖型稀土礦。這兩種模型名稱在數據整理過程中無法統(tǒng)一，因此將模型中的關鍵詞進行統(tǒng)一。二是控礦要素的整理。隨著模型數量的增多，而同一控礦要素會重復出現。在不同的地質數據資料中，控礦要素文本數據并不嚴格一致。為了使計算機能夠準確識別控礦要素，必須保證同一個控礦要素文本數據具有唯一性。

2.2.2 建立找礦模型數據庫

在地質大數據機器學習中，需要建立統(tǒng)一的，適用所有的礦床成礦模式或礦床式(代表在成礦作用發(fā)生、發(fā)展、演化過程的某個時期，在相似地質條件下形成的典型礦床)的找礦概念模型數據結構。由于資料來源不同及資料的成礦地質條件和礦產勘查程度存在差異，造成了建立找礦模型時，對其理解和具體操作出現不統(tǒng)一的結果，同一名稱屬不同概念，不同名稱又屬同一內涵的現象在不同資料中普遍存在。因此依據地質大數據建立起每一個找礦模型與控礦要素的對應關系。

找礦模型數據來源主要有北京市國土資源信息研究開發(fā)重點實驗室已有找礦模型以及相關文獻中整理的找礦模型等，目前已經建立了全國礦產資源潛力評價預測模型88個、全國典型礦床成礦模型257個。

3 找礦模型預測方法

找礦模型預測的本質是找礦模型文本數據的分類，它的核心是提取分類數據特征，然后選擇找礦模型最優(yōu)匹配，從而進行分類。

3.1模型分類

模型分類是通過樸素貝葉斯文本分類方法將找礦概念模型庫中現有數據作為訓練樣本，以研究區(qū)的控礦要素作為待處理數據，對研究區(qū)資料進行分類，計算對研究區(qū)控礦要素的條件概率，判斷其屬于模型庫中每個模型的概率。

假設有m個找礦地質概念模型y1，y2，…，ym，記為Y，見式(1)，每個模型所對應的控礦要素分別為F1，F2，…，Fm。

Y={y1，y2，…，ym}

(1)

研究區(qū)內收集到n個控礦要素，將這些屬性作為一個向量，記為X。{y1，y2，…，ym}中的概率值為{p1，p2，…，pm}，其中Pi為X屬于yi的概率。假設第i個找礦地質模型有ki個控礦要素，記為Fi，見式(2)。

Fi={f1，f2，…，fki}

(2)

因此，m個找礦地質概念模型中共有H個控礦要素，見式(3)。

(3)

每個找礦地質概念模型所對應的先驗概率P(yi)，見式(4)。

(4)

記研究區(qū)中第j(1≤j≤n)個控礦要素在第i(1≤i≤m)個找礦地質概念模型Yi概率為p(xj|yi)，由于各個控礦要素是條件獨立的，則根據貝葉斯定理可得研究區(qū)屬于m個找礦地質概念模型的概率P(yi|X)，見式(5)。

(5)

因為分母對與所有類別為常數，因此只要將分子最大化皆可，又因為各個控礦要素是條件獨立的，所以有式(6)。

P(X|yi)p(yi)=P(x1|yi)P(x2|yi)…

(6)

分類結果P見式(7)。

P={p1，p2，…，pm}

(7)

其中，Pj是研究區(qū)控礦要素屬于模型Yj的概率。

3.2模型匹配

找礦模型匹配分為兩步：第一步為關鍵詞匹配，關鍵詞由中文分詞結果中選取及手動添加得到，多個關鍵詞與模型名稱進行匹配；第二步為研究區(qū)控礦要素與找礦模型中的控礦要素匹配，篩選出m個找礦模型M1，M2，…Mm，每個模型有n個不等的控礦要素F1，F2，…Fn。

3.3模型計算

3.3.1計算控礦要素重要性

根據篩選出的m個找礦概念模型M1，M2，…Mm，每個模型所對應的控礦要素分別為F1，F2，…Fm。對于第i個模型，在控礦要素數據清洗過程中按控礦地質條件類別不同分為ci類，將所有控礦要素按照控礦地質條件類別統(tǒng)計，每類所對應的控礦要素個數分別為Numi1，Numi2，...Numici(1≤i≤m)，則在第i個模型的第j類中，每個控礦要素的重要性pij見式(8)。

(8)

其中，i取值范圍為[1，m]，j取值范圍為[0，ci]。

由于一個控礦要素可能出現在多個模型中，所以對于研究區(qū)中任意一個控礦要素將在其每個模型中的重要性pij加起來得到這個控礦要素的最終重要性指標。重要性P的計算公式為式(9)。

P=∑pij

(9)

其中，pij為每個模型中控礦要素的重要性。

3.3.2 計算控礦要素的使用率

根據篩選出的m個找礦地質概念模型M1，M2，…Mm，每個模型所對應的控礦要素個數分別為N1，N2，…Nm，共計有H(N1+N2+…+Nm=H)個(不刪除重復的控礦要素)，則可得第i個控礦要素的使用率計算公式為式(10)。

(10)

其中i的取值范圍為[1，H]。

3.4模型驗證

為了驗證模型計算的正確性，通過在找礦概念模型數據庫選擇一個模型，刪除其中多個控礦要素，如果模型匹配結果中有刪除的控礦要素，即該計算結果可靠。例如，選擇數據庫中熱液型硫鐵礦進行驗證。選擇研究區(qū)控礦要素，刪除成礦時代和含礦巖系。驗證結果顯示包含成礦時代和含礦巖系，因此計算方法通過現有模型驗證。

4 應用實驗

4.1數據發(fā)現

以焦家金成礦帶作為實例應用進行驗證，主要流程包括數據發(fā)現、控礦要素選取、機器學習、模型計算，找礦概念模型輸出。工作區(qū)位于焦家近況成礦帶上，行政區(qū)劃隸屬于萊州市、招遠市，面積約180 km2。資料收集是通過數據發(fā)現系統(tǒng)對北京市國土資源信息研究開發(fā)重點實驗室局域網以及知網等網站進行自動檢索與采集，經人工確認后獲取了研究區(qū)地調網頁信息35份，勘查成果報告204份，區(qū)域地質資料17份，科研專著8份、論文193篇，為建立初步找礦概念模型提供了數據基礎。

4.2控礦要素分析與模型構建

通過研究分析焦家金成礦帶上的大中型典型礦床地質特征及控礦要素，確定研究區(qū)的地質找礦信息的控礦要素如下。

1)成礦時代?，F有礦床主要賦存在中生代巖體邊緣或者兩種巖體的接觸帶上。

2)成礦環(huán)境。俯沖背景下的伸展拉張環(huán)境下，壓扭性構造控礦。

3)控礦構造。主要的控礦構造是北東-北北東向斷裂構造，其中焦家主干斷裂、河西支斷裂和望兒山支斷裂是主要的賦礦斷裂構造，同時靈北斷裂及其他次級斷裂構造對金礦床亦有明顯的控制作用。

4)圍巖蝕變。硅化與金礦形成關系較為密切，它是熱液中的二氧化硅在外部作用下形成的硅化石英，它與斜長石或鉀長石的交代作用使得其呈現殘留體特征。絹云母化及黃鐵礦化是和礦化關系最密切的蝕變特征，膠西北金礦中廣泛存在的圍巖蝕變就是黃鐵絹英巖化作用；碳酸巖化是巖石受到熱液蝕變后產生的，共生的有綠泥石化，它是破碎蝕變帶的一種重要蝕變作用，通過作為研究熱液活動結束的標志，在金礦化中碳酸鹽化標志著礦化的結束。

5)含礦巖系。主要礦體一般賦存于主裂面下盤0～40 m范圍內的黃鐵絹英巖化碎裂巖帶和黃鐵絹英巖化花崗質碎裂巖帶，其構造活動強烈，破碎程度高、裂隙發(fā)育、孔隙度大，有利于礦液的滲濾、擴散和交代，礦化富集程度高。

依據研究區(qū)分析結果，在找礦模型數據庫中選取對應的控礦要素，添加新增控礦要素，建立研究區(qū)初始找礦模型作為待處理輸入數據，通過軟件系統(tǒng)進行預測計算。

4.3找礦模型預測計算

找礦概念模型庫中數據作為訓練集，依據樸素貝葉斯算法對研究區(qū)進行分類；分類結果是每一個找礦模型的概率，并按概率大小排序；依據關鍵詞從分類結果名稱中檢索與研究區(qū)關鍵詞相關的模型，完成模型匹配；對匹配成功的多個模型，分析模型中的控礦要素，計算每個控礦要素出現的次數，統(tǒng)計在同一個模型中此控礦要素對應的控礦要素類別的個數，依據此結果計算每個控礦要素在模型中的重要性，最終將所有模型中同一控礦要素的重要性之和累加。

對控礦要素依據使用率和重要性進行排序，結合專家知識，選取排序靠前且研究區(qū)初始找礦模型中缺失的控礦要素作為補充。經過人機交互，本次計算結果為缺失地球化學和地球物理兩項。從相關參考文獻及數據資料中將相應控礦要素變量特征補充到研究區(qū)找礦模型中，見表1。

4.3.1 地球物理找礦模型

礦體中，因硅化影響而呈較弱的高阻異常，第四系覆蓋的不均勻對視電阻率有較大影響。礦體在平面上投影與視極化率異常對應較好。從已知的金礦床看，其中大部分礦床所在區(qū)域是平緩的弱磁場和負磁場區(qū)，磁場為低緩變場。布格重力異常顯示為中部重力低，西部和東部重力相對高的兩高一低異常，區(qū)內北東向、近東西向異常錯動帶。

4.3.2 地球化學找礦模型

研究區(qū)金礦床的指示元素為An、Hs、As、Bi、Ni、As、Pb、Cu、Zn和S，其異常的規(guī)模、強度與金礦化的規(guī)模有明顯的相關關系，各元素的分帶趨勢是：礦體頭部指示元素為：Hg、Ag、Sb、Pb，近礦指示元素是As、Au、Zn，礦尾指示元素是Bi、Cu等，它們是找礦的直接標志。

表1 找礦地質模型輸出

經過預測計算并補充控礦要素后，建立起完整的焦家金礦找礦模型，將模型添加到已有數據庫中。這些找礦模型不僅是基于地質大數據下的礦床形成條件和特征概況，也反映成礦地質理論的表達形式。隨著數據庫中的找礦模型不斷豐富，預測結果越來越可靠，能有效的指導找礦勘查。

5 結 論

1)提出了基于大數據智能的找礦概念模型構建與預測方法，實現了地質找礦專題數據的自動采集，對地質數據進行挖掘和提取，是信息時代背景下大數據的理念、技術和方法在地質領域的應用與實踐。

2)研究了基于地質成礦理論的找礦地質模型構建方法，將機器學習算法引入到找礦概念模型預測中并開發(fā)了相應的軟件系統(tǒng)，以焦家金成礦帶研究區(qū)為例對系統(tǒng)所提出研究區(qū)找礦概念模型進行示范研究，實驗表明本方法可科學匹配、推送數據庫中最佳的找礦模型。

3)提出了模型分類結果中控礦要素評價算法，該算法能通過分類計算得出研究區(qū)屬于每個模型的概率以及控礦要素重要性，幫助地質工作者更好評價每個模型中的控礦要素。

4)現有找礦模型知識庫數據量不足，目前已完成《全國礦產資源潛力評價預測模型》及《全國典型礦床成礦模式》共345個找礦模型的建立，需要進一步從相關地質數據中搜集并整理找礦模型。此外，僅依據使用率和重要性評判模型控礦要素，不能滿足最優(yōu)找礦模型評價需求。下一步工作重點是補充找礦模型數據以及完善控礦要素評價算法。

[1] G?lzer P，Simon L，Cato P，et al.Designing Global Manufacturing Networks Using Big Data[J].Procedia Cirp，2014，33：191-196.

[2] Guo H，Wang L，Chen F，et al.Scientific big data and Digital Earth[J].Chinese Science Bulletin，2014，59(35)：5066-5073.

[3] Lee J G，Kang M.Geospatial Big Data：Challenges and Opportunities[J].Big Data Research，2015，2(2)：74-81.

[4] 陳建平，李婧，崔寧，等．大數據背景下地質云的構建與應用[J].地質通報，2015，34(7)：1260-1265.

[5] 趙鵬大．數字地質與礦產資源評價[J]．地質學刊，2012，36(3)：225-228．

[6] 劉知遠，崔安頎，等．大數據智能[M]．北京：電子工業(yè)出版社，2016．

[7] Ranina R，Madhavan A，Ng A Y.Large-scale deep unsupervised learning using graphics processors[J].International Conference on Machine Learning，2009：873-880.

[8] Manegold S，Kersten M.Big Data[J].ERCIM News，2012，89：33-36.

[9] 趙國棟，易歡歡，糜萬軍，等．大數據時代的歷史機遇[M]．北京：清華大學出版社，2013．

[10] 徐春鳳，王艷春，翟宏宇．全自動網頁信息采集系統(tǒng)[J]．長春理工大學學報：自然科學版：，2015(2)2：151-154．

[11] 王樹良，丁剛毅，鐘銘.大數據下的空間數據挖掘思考[J].中國電子科學院學報，2013，8(1)：10-16．

[12] Fu T C.A review on time series data mining[J].Engineering Applications of Artificial Intelligence，2011，24(1)：164-181．

[13] 劉大有，陳慧靈，齊紅，等.時空數據挖掘研究進展[J].計算機研究與發(fā)展，2013，50(2)：225-239．

[14] 朱裕生，梅燕雄.成礦模式研究的幾個問題[J].地球學報，1995，16(2)：182-189.

[15] 翟裕生，鄧軍，李曉波.區(qū)域成礦學[M].北京：地質出版社，1999.

[16] 程裕淇，陳毓川，毛景文，等.初論礦床的成礦系列問題[J].中國地質科學院院報，1979(1)：1-7.

[17] 涂光熾.超大型礦床的找尋和理論研究[J].礦產與地質，1989(1)：1-8.

[18] 邵擁軍，彭省臨，吳淦國．大型礦山接替資源定位預測的途徑及其研究意義[J].礦產與地質，2005，19(1)：16-18．

[19] 于萍萍，陳建平，柴福山，等.基于地質大數據理念的模型驅動礦產資源定量預測[J].地質通報，2015，34(7)：1333-1343.

Constructionandpredictionofprospectingmodelbasedonbigdataintelligence

WU Yonglinag1，2，3，JIA Zhijie1，2，CHEN Jianping1，2，ZHU Yueqin4，5

(1.School of Earth Sciences and Resources，China University of Geosciences(Beijing)，Beijing100083，China；2.Beijing Key Laboratory of Development and Research for Land Resources Information，Beijing100083，China；3.China Academy of Aerospace Standardization and Product Assurance，Beijing100071，China；4.Development and Research Center，China Geological Survey，Beijing100037，China；5.Key Laboratory of Geological Information Technology of Ministry of Land and Resources，Beijing100037，China)

Geological science data present the characteristic of big data.Traditional manual retrieval and processing geological data has great limitations.It is difficult to meet the high-speed development requirement of the current geological science.Aiming at the establishment and prediction of prospecting geological model，this paper makes use of the big data discovery method to realize the automatic collection of geological prospecting thematic data.By using the machine learning method，the geological thematic data is mining deeply，and the prediction method of prospecting model based on big data intelligence is researched.On the basis of the existing geological metallogenic theory，a unified geological prospecting model library of multi-source data is established.Naive bayesian classification algorithm is used for prospecting concept model library classify data.By calculating model control utilization rate of mineral elements and importance，the comprehensive and objective prospecting geological model is establish to realize the prediction of prospecting model.

geological big data；artificial intelligence；prospecting model

2017-06-17責任編輯：趙奎濤

國土資源部公益性行業(yè)科研專項項目資助(編號：201511079)

吳永亮(1987-)，男，博士研究生，從事地球探測與信息技術、航天標準化技術研究，E-mail:andyloveti@163.com。

陳建平(1959-)，男，教授，博士生導師，從事礦產資源定量預測評價和"3S"技術集成應用的教學與研究，E-mail：3s@cugb.edu.cn。

P628

：A

：1004-4051(2017)09-0079-06