張 萌，劉 軍，王 琳，李世杰

(1.貴州省地震局，貴州 貴陽(yáng) 550001; 2.中國(guó)地震應(yīng)急搜救中心，北京 100049)

山體滑坡是山區(qū)震后常見(jiàn)的次生災(zāi)害之一[1]，不僅損毀房屋造成人員傷亡，也會(huì)破壞道路等設(shè)施阻斷交通，影響地震災(zāi)區(qū)應(yīng)急救援工作的開(kāi)展?？焖偾覝?zhǔn)確地獲取震后滑坡信息是災(zāi)害領(lǐng)域的研究熱點(diǎn)和難點(diǎn)。隨著遙感技術(shù)的發(fā)展，高分辨率遙感影像、點(diǎn)云數(shù)據(jù)、SAR影像等遙感數(shù)據(jù)廣泛應(yīng)用于烈度調(diào)查[2-3]、滑坡調(diào)查[4-5]、建筑物震害調(diào)查[6-7]等工作。日本學(xué)者利用黑白航空影像繪制日本滑坡分布圖；谷德振、陳述彭等采用遙感技術(shù)調(diào)查滑坡、泥石流，分析二灘電站庫(kù)岸穩(wěn)定性[8]。早期對(duì)滑坡等地質(zhì)災(zāi)害的調(diào)查多是基于目視解譯，根據(jù)滑坡處影像的顏色、紋理、形狀、大小等信息識(shí)別滑坡并且進(jìn)行標(biāo)注[9-11]，但這種方法成本高且易受主觀因素影響。隨著遙感技術(shù)的發(fā)展，王治華等提出“數(shù)字滑坡”技術(shù)概念，即以遙感和全球定位系統(tǒng)方法為主，結(jié)合其他勘探、試驗(yàn)及調(diào)查手段獲取數(shù)字形式的與地理坐標(biāo)配準(zhǔn)的滑坡基本信息[10]。隨后出現(xiàn)了大量基于中低分辨率遙感影像的滑坡危險(xiǎn)性分析[12]與滑坡提取研究，Wasowski等[13]分析了遙感技術(shù)發(fā)展給滑坡災(zāi)害研究帶來(lái)的機(jī)遇，并討論雷達(dá)、ETM+、RADARASAT-1及GPS等多源數(shù)據(jù)觀測(cè)滑坡的可行性；蘇鳳環(huán)等[14]分析滑坡在不同影像上的光譜特征差異，采用密度分割和掩膜技術(shù)建立了滑坡災(zāi)害快速提取模型。利用中低分辨率遙感影像進(jìn)行滑坡自動(dòng)解譯，一定程度上提升了災(zāi)后滑坡提取的效率，但混合像元等問(wèn)題影響震后滑坡的精度。

隨著傳感器技術(shù)不斷發(fā)展，高空間分辨率遙感影像因其快速獲取且細(xì)節(jié)信息豐富的特點(diǎn)，成為滑坡提取的重要數(shù)據(jù)源之一。無(wú)人機(jī)影像因其快速獲取信息、成本低等特點(diǎn)成為應(yīng)急救援、災(zāi)情獲取的重要手段[15-16]。研究者利用高分辨率遙感數(shù)據(jù)研究震后滑坡自動(dòng)提取算法。李金香等[17]利用地震前后的高分辨率遙感影像，對(duì)皮山MS6.5地震震后房屋建筑物損毀情況、地震地質(zhì)災(zāi)害調(diào)查、生命線工程損毀程度等方面開(kāi)展災(zāi)情遙感應(yīng)急應(yīng)用監(jiān)測(cè)與分析。Daniel H?lbling等[18]使用SPOT-5圖像和數(shù)字高程模型(DEM)，采用基于對(duì)象的影像分析方法提取意大利西北部的滑坡。Camille Kurtz等[19]使用多種空間分辨率的相同區(qū)域的圖像，提取滑坡區(qū)域。黃汀等[20]選擇汶川地震極震區(qū)的GF-1衛(wèi)星影像，通過(guò)面向?qū)ο蟮姆治黾夹g(shù)提取滑坡信息。吳瑋瑩等[5]基于震后首天獲取到的高分辨率遙感影像，通過(guò)人工目視解譯方法初步建立四川九寨溝地震滑坡編目。李強(qiáng)等[21]在深入分析滑坡遙感影像特征的基礎(chǔ)上，引入面向?qū)ο蠓治龇椒?，?shí)現(xiàn)基于無(wú)人機(jī)影像的震后滑坡體自動(dòng)識(shí)別。

深度學(xué)習(xí)強(qiáng)大的特征提取能力[22]逐漸成為遙感影像解譯的重要手段之一，利用深度學(xué)習(xí)提取震后滑坡成為研究熱點(diǎn)。Amit S等[23]通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)分析遙感圖像，從而提出一種自動(dòng)化的洪水與滑坡災(zāi)難檢測(cè)系統(tǒng)。Ding[24]提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)和紋理變化檢測(cè)的滑坡自動(dòng)識(shí)別方法，通過(guò)3步逐步縮小搜索范圍，最終確定真實(shí)的滑坡區(qū)域，在效率和便利性方面優(yōu)于傳統(tǒng)方法。Xu等[25]提出了一種基于對(duì)象多尺度的影像識(shí)別深度模型(DFPENet)，在地震滑坡識(shí)別任務(wù)中表現(xiàn)良好。本文中將面向?qū)ο蟮挠跋穹治鏊枷肱c深度學(xué)習(xí)結(jié)合，構(gòu)建破壞性地震的震后滑坡樣本庫(kù)，提出用于自動(dòng)化解譯高分辨率影像震后滑坡的方法，即使在沒(méi)有專(zhuān)家知識(shí)的情況下，也能夠有效提取震后滑坡，為救援決策提供支持。

1 研究區(qū)概況

采用2017年8月10日無(wú)人機(jī)航攝的九寨溝MS7.0地震震后無(wú)人機(jī)影像(實(shí)驗(yàn)區(qū)1)與2014年8月3日魯?shù)镸S6.5地震震后谷歌地球歷史影像(實(shí)驗(yàn)區(qū)2)；影像包含RGB三個(gè)波段的信息，分辨率分別為0.4 m與0.52 m。其中實(shí)驗(yàn)區(qū)1位于四川省九寨溝縣漳扎鎮(zhèn)九寨溝景區(qū)內(nèi)，影像行列數(shù)分別為5 889、7 190，數(shù)據(jù)為192 MB，面積為6.77 km2，實(shí)驗(yàn)區(qū)2位于魯?shù)榭h龍頭山鎮(zhèn)龍頭山附近，行列數(shù)分別為7 174、4 120，數(shù)據(jù)為135 MB，面積為7.99 km2。

實(shí)驗(yàn)區(qū)的滑坡體在高分辨率影像上滑坡區(qū)域常呈現(xiàn)較新鮮的褐色或灰白色，從色彩上能與植被等色彩差異較大的地物區(qū)分，滑坡區(qū)有明顯的滑坡后緣、滑動(dòng)面以及前沿的堆積區(qū)，多成簸箕狀，與泥石流、道路、建筑物等地物有較大差異。由于實(shí)驗(yàn)區(qū)的位置不同，2個(gè)區(qū)域的滑坡顏色與形狀不一，九寨溝地區(qū)滑坡裸露的地表多為灰白色或亮白色；魯?shù)榈貐^(qū)滑坡后裸露的圖層為紅褐色或淺褐色。此外，植被紋理存在差異，九寨溝地區(qū)的滑坡周?chē)酁槊艿膯棠?，紋理粗糙，魯?shù)榈貐^(qū)滑坡周?chē)酁椴莸榕c灌木，紋理光滑。

2 研究方法

2.1 滑坡提取深度模型構(gòu)建

強(qiáng)地震動(dòng)作用過(guò)程中，地震波在坡體內(nèi)的不連續(xù)界面復(fù)雜傳播，導(dǎo)致坡體拉裂、松弛、破裂，沿著滑動(dòng)面以整體下滑或傾倒、潰散等形式形成大量的滑坡[26-27]。地震后產(chǎn)生的大量滑坡體，依靠人工解譯費(fèi)時(shí)費(fèi)力，通過(guò)設(shè)計(jì)提取規(guī)則能夠有效快速提取滑坡體，但十分依賴(lài)專(zhuān)家經(jīng)驗(yàn)。因此，本文中利用深度卷積網(wǎng)絡(luò)進(jìn)行滑坡提取，利用已經(jīng)發(fā)生的滑坡作為訓(xùn)練數(shù)據(jù)，建立適用于震后滑坡提取的深度卷積網(wǎng)絡(luò)模型。首先，建立典型的震后滑坡樣本庫(kù)；然后，利用遷移學(xué)習(xí)，建立用于震后滑坡提取任務(wù)的深度學(xué)習(xí)網(wǎng)絡(luò)；最后，以圖像對(duì)象為處理單元，提取震后滑坡信息(圖1)。

圖1 算法流程圖

2.1.1 影像分割

面向?qū)ο蟮挠跋穹治鍪且詧D像對(duì)象為處理單元，可提取形狀、上下文關(guān)系、周邊關(guān)系等豐富特征。本研究提出的算法中，以對(duì)象作為分析單元可以快速獲取圖像塊作為神經(jīng)網(wǎng)絡(luò)的處理單元，相較于以固定的大小直接將圖像分塊，圖像分塊的內(nèi)容更具有完整性。分割方法選用分型網(wǎng)絡(luò)演化算法，分割后能同時(shí)保留大尺度對(duì)象與小尺度對(duì)象，能夠反映高分辨率影像中大小尺度不一的地物，這也與震后不同規(guī)模大小的滑坡相適應(yīng)。

分型網(wǎng)絡(luò)演化算法是一種自下而上的區(qū)域增長(zhǎng)算法，以任意點(diǎn)為初始對(duì)象，與周邊的對(duì)象合并，合并過(guò)程中計(jì)算與周邊對(duì)象的光譜異質(zhì)性hb與形狀異質(zhì)性hs，二者在設(shè)定的閾值范圍內(nèi)合并，超過(guò)閾值時(shí)停止。光譜異質(zhì)性可定義為區(qū)域與鄰域的光譜差異值，為各波段光譜差異值的面積加權(quán)和。令b為圖像的波段數(shù)量，σb為該波段的標(biāo)準(zhǔn)差，wb為該波段的權(quán)重，則光譜異質(zhì)性參數(shù)為對(duì)象的各個(gè)波段標(biāo)準(zhǔn)差的權(quán)重和，

(1)

形狀異質(zhì)性定義為對(duì)象的形狀緊密度和形狀光滑度的差異，即為二者的面積加權(quán)差異值，令光滑度為hi、緊密度為hj，二者權(quán)重分別為wi、wj。形狀異質(zhì)性hs定義,

hs=wi×hi+wj×hj.

(2)

分型網(wǎng)絡(luò)演化算法在對(duì)象合并的同時(shí)考慮形狀特征與光譜特征，使分割結(jié)果能夠保持較為規(guī)整的分割區(qū)域邊界。異質(zhì)性準(zhǔn)則[28]計(jì)算，

H=wc×hb+ws×hs.

(3)

式中，wc和ws為光譜異質(zhì)性和形狀異質(zhì)性的權(quán)重，wc+ws=1。

2.1.2 滑坡樣本庫(kù)建立

為建立用于滑坡分類(lèi)的深度學(xué)習(xí)模型，采集西南地區(qū)的汶川地震、蘆山地震，魯?shù)榈卣鸷途耪瘻系卣鸬幕麦w作為模型訓(xùn)練樣本，幾次地震均造成大量的滑坡崩塌等地質(zhì)災(zāi)害，且均位于西南部海拔較高，地貌復(fù)雜，坡度較陡的地區(qū)；在滑坡成因以及地形地貌上較為相近。樣本數(shù)據(jù)庫(kù)的建立包括災(zāi)害點(diǎn)標(biāo)記、影像裁切、滑坡區(qū)域標(biāo)記、標(biāo)簽生成等步驟，在實(shí)驗(yàn)中選用谷歌地球影像與labelme軟件完成滑坡樣本庫(kù)的建立。最后收集滑坡樣本350個(gè)，負(fù)樣本200個(gè)，通過(guò)數(shù)據(jù)增擴(kuò)，獲得1 100個(gè)訓(xùn)練樣本。選用遷移學(xué)習(xí)的方法，在小樣本條件下，構(gòu)建震后滑坡提取的深度卷積網(wǎng)絡(luò)分類(lèi)模型(圖2)。

圖2 訓(xùn)練樣本示例圖

2.1.3 模型構(gòu)建

為研究深度學(xué)習(xí)對(duì)震后滑坡提取的效果，將其運(yùn)用于震后滑坡提取。建立滑坡樣本庫(kù)后，可利用樣本庫(kù)建立用于滑坡提取的深度學(xué)習(xí)模型。本研究利用遷移學(xué)習(xí)建立滑坡模型，在小樣本數(shù)據(jù)的情況下也能夠較好地完成目標(biāo)任務(wù)。采用在語(yǔ)義分割上具有良好表現(xiàn)的Deeplab v3+框架進(jìn)行遷移學(xué)習(xí)(圖3)，用于震后滑坡提取。Deeplab v3+模型由2部分構(gòu)成，第1部分為編碼，第2部分為解碼。在編碼過(guò)程中，利用空洞卷積(atrous convolution)獲取輸入圖像的多尺度上下文信息，在解碼過(guò)程中，獲取影像中目標(biāo)地物的邊界信息，增加提取結(jié)果的準(zhǔn)確度。

圖3 Deeplab V3+深度學(xué)習(xí)框架

遷移學(xué)習(xí)可以將某個(gè)領(lǐng)域或任務(wù)上學(xué)習(xí)到的知識(shí)或模式應(yīng)用到不同但相關(guān)的領(lǐng)域或問(wèn)題中。本文中，使用遷移學(xué)習(xí)的方法利用采集的滑坡樣本對(duì)自然圖像分庫(kù)的模型參數(shù)進(jìn)行調(diào)整，建立適用于滑坡提取的深度學(xué)習(xí)模型。

2.2 精度評(píng)價(jià)

本文中采用總體精度(OA, overall accuracy)和Kappa系數(shù)(Kappa coefficient)指標(biāo)評(píng)價(jià)提取結(jié)果的優(yōu)劣。二者的計(jì)算以誤差矩陣(混淆矩陣)為基礎(chǔ)，設(shè)地物類(lèi)別為N類(lèi)，則誤差矩陣大小為N×N，j為實(shí)際類(lèi)別，i為分類(lèi)后的類(lèi)別i,j∈(1,2,…,N)；nij為實(shí)際類(lèi)別j被分為類(lèi)別i的像元個(gè)數(shù)。

(4)

式中，OA為總體精度，即正確分類(lèi)的像素個(gè)數(shù)與參考分類(lèi)的總像素個(gè)數(shù)的比值，是評(píng)價(jià)整體分類(lèi)性能的指標(biāo)。

(5)

3 實(shí)驗(yàn)結(jié)果與分析

3.1 分割尺度對(duì)分類(lèi)結(jié)果的影響

面向?qū)ο蟮挠跋穹治龇椒ㄒ苑指畹挠跋駞^(qū)域(對(duì)象)基礎(chǔ)單元，分割尺度決定對(duì)象的大小，當(dāng)分割尺度較小時(shí)，對(duì)象的面積較小，地物的細(xì)節(jié)信息被突出。當(dāng)影像分割尺度較大時(shí)，對(duì)象的面積較大，地物的整體特征突出。在震后滑坡提取中，需選擇適合滑坡提取的分割尺度有利于提升提取精度。因此，在本文中探索了不同滑坡場(chǎng)景在小中大(150、300、500)3個(gè)分割尺度下的滑坡提取精度(圖4)。

圖4 不同分割尺度下的滑坡提取結(jié)果

對(duì)比不同分割尺度下的分類(lèi)結(jié)果，在較小的分割尺度中，提取結(jié)果能夠精確地包圍滑坡體，并且能關(guān)注到震區(qū)的小型滑坡體，例如在實(shí)驗(yàn)區(qū)1的D區(qū)域與實(shí)驗(yàn)區(qū)2的C、D、E區(qū)域。然而小尺度的提取易關(guān)注區(qū)域的細(xì)節(jié)信息，容易受其他地物干擾，例如在實(shí)驗(yàn)區(qū)1的A區(qū)域，亮度高的水泥地被誤分為滑坡。較大的分割尺度時(shí)，滑坡提取范圍的整體性較好，在大型的滑坡提取時(shí)，提取結(jié)果能夠包圍滑坡區(qū)域。然而大尺度分類(lèi)結(jié)果的滑坡邊界存在偏移并且會(huì)過(guò)度包圍的滑坡邊緣植被，且容易忽視小型滑坡體，例如實(shí)驗(yàn)區(qū)1的B、C、E 3個(gè)區(qū)域與實(shí)驗(yàn)區(qū)2的A、B區(qū)域。對(duì)比實(shí)驗(yàn)區(qū)1與實(shí)驗(yàn)區(qū)2的震后滑坡體，實(shí)驗(yàn)區(qū)1的滑坡體面積較為接近，實(shí)驗(yàn)區(qū)2的滑坡體形狀、面積差異較大。實(shí)驗(yàn)區(qū)1分割尺度從小到大滑坡提取結(jié)果的Kappa系數(shù)分別為78.047%、73.777%和77.229%。實(shí)驗(yàn)區(qū)2分割尺度從小到大的滑坡提取結(jié)果的Kappa系數(shù)分別為76.117%、81.799%和72.923%。

模型的精度和效率反應(yīng)了模型的實(shí)用性，列出各實(shí)驗(yàn)區(qū)在不同尺度的分類(lèi)耗時(shí)(表1)。提取的時(shí)間受分割尺度影響，分割尺度越小，影像分割結(jié)果越破碎，通過(guò)對(duì)象得到的圖像塊更多，耗費(fèi)時(shí)間更長(zhǎng)。大尺度的圖像塊少，提取時(shí)間更短?？紤]到不同尺度的圖像塊大小不一致問(wèn)題，對(duì)圖像塊進(jìn)行變換，都統(tǒng)一到同樣的尺寸。在內(nèi)存32 G，顯存4 G，顯卡為NVIDIA Quadro P2000的移動(dòng)工作站上對(duì)實(shí)驗(yàn)區(qū)進(jìn)行6.77 km2、7.99 km2震區(qū)范圍內(nèi)的亞米級(jí)遙感影像進(jìn)行滑坡提取。

表1 運(yùn)行時(shí)間表

對(duì)比分析運(yùn)行結(jié)果的提取準(zhǔn)確度與時(shí)間，在滑坡規(guī)模相當(dāng)、小型滑坡較少的情況下(實(shí)驗(yàn)區(qū)1)，選擇大尺度分割進(jìn)行滑坡提取較為有利，時(shí)間成本較低且取得的提取效果較好。在滑坡規(guī)模差異較大時(shí)(實(shí)驗(yàn)區(qū)2)，小型滑坡與大型滑坡間雜的情況下，選擇中小分割尺度提取結(jié)果精度高，但耗費(fèi)時(shí)間較長(zhǎng)，綜合考慮可以選擇中等尺度進(jìn)行滑坡提取。

3.2 分類(lèi)方法對(duì)比

為驗(yàn)證方法的有效性，選用廣泛應(yīng)用于震后滑坡提取的機(jī)器學(xué)習(xí)算法進(jìn)行對(duì)比(圖5)，方法包括：基于像素的最大似然分類(lèi)法(ML，Maximum Likelihood Classification)、基于像素的最小距離分類(lèi)法(MD，Minimum Distance Classification)、基于對(duì)象的K最鄰近法(KNN，K-Nearest Neighbor)和基于對(duì)象的支持向量機(jī)分類(lèi)算法(SVM，Support Vector Machine)。基于像素的ML與MD分類(lèi)結(jié)果椒鹽噪點(diǎn)嚴(yán)重，雖然能夠標(biāo)識(shí)出滑坡位置，但亮度較高的道路、房屋、部分樹(shù)木會(huì)被誤分為滑坡體?；趯?duì)象的KNN和SVM分類(lèi)結(jié)果優(yōu)于基于像素的分類(lèi)結(jié)果，但對(duì)于亮度較高的屋頂、道路及滑坡后形成的泥石流會(huì)誤分為滑坡。實(shí)驗(yàn)區(qū)2左上角滑坡區(qū)域不能準(zhǔn)確標(biāo)識(shí)滑坡區(qū)的細(xì)節(jié)信息，且容易忽略震后的小型滑坡。對(duì)比傳統(tǒng)的分類(lèi)方法，本文中的滑坡提取結(jié)果沒(méi)有椒鹽噪聲，不會(huì)將滑坡體與泥石流、道路、房屋混淆，對(duì)滑坡體具有良好的辨識(shí)能力。

圖5 不同分類(lèi)算法結(jié)果對(duì)比

為定量分析各分類(lèi)算法在滑坡提取中的效果，采用總體精度與Kappa系數(shù)作為評(píng)價(jià)指標(biāo)，評(píng)價(jià)時(shí)以滑坡作為正樣本，非滑坡區(qū)作為負(fù)樣本，震后遙感影像中，負(fù)樣本數(shù)量超過(guò)正樣本數(shù)量。總體精度能夠評(píng)價(jià)提取結(jié)果的整體情況，在此基礎(chǔ)上，引入Kappa系數(shù)進(jìn)行補(bǔ)充，充分考慮錯(cuò)分像元與漏分像元的誤差(表2)。

表2 精度評(píng)價(jià)表

對(duì)比幾種方法的分類(lèi)精度，基于對(duì)象的影像分類(lèi)精度普遍高于基于像素的分類(lèi)結(jié)果，在實(shí)驗(yàn)區(qū)1的總體精度最大提升5%，Kappa系數(shù)最大提升17.87%。在實(shí)驗(yàn)區(qū)2的總體精度最大提升7.3%，Kappa系數(shù)提升17.47%。因此，對(duì)高分辨率影像滑坡提取時(shí)，利用基于影像對(duì)象的方法能夠取得比基于像素的分類(lèi)方法更好的提取結(jié)果。在面向?qū)ο蟮挠跋穹治龇椒ㄉ线M(jìn)行對(duì)比，本文中的算法在實(shí)驗(yàn)區(qū)1的分類(lèi)結(jié)果總體精度與Kappa系數(shù)和實(shí)驗(yàn)區(qū)2的分類(lèi)結(jié)果總體精度與Kappa系數(shù)較傳統(tǒng)的KNN與SVM滑坡提取算法精度更高，且提取前不需要進(jìn)行手動(dòng)樣本選取。

實(shí)驗(yàn)區(qū)1為九寨溝地區(qū)，植被豐富、森林覆蓋度高，實(shí)驗(yàn)區(qū)2為魯?shù)榭h龍頭山鎮(zhèn)，植被多為灌草叢或森林；兩個(gè)實(shí)驗(yàn)區(qū)海拔與植被有較大差異，導(dǎo)致滑坡體的顏色和運(yùn)動(dòng)軌跡形態(tài)不一。實(shí)驗(yàn)區(qū)1為震后無(wú)人機(jī)影像，實(shí)驗(yàn)區(qū)2為震后衛(wèi)星影像。提出的方法在不同的場(chǎng)景、不同的數(shù)據(jù)源中均能夠達(dá)到較好的滑坡提取效果，體現(xiàn)了算法的魯棒性。采用深度學(xué)習(xí)進(jìn)行滑坡提取能夠取得較傳統(tǒng)分類(lèi)方法更好的滑坡提取效果，且分類(lèi)表現(xiàn)具有穩(wěn)定性。

4 結(jié) 語(yǔ)

高分辨率影像是災(zāi)情收集的重要手段，研究影像的快速解譯獲取滑坡信息對(duì)現(xiàn)場(chǎng)救援工作具有重要意義。本研究從提升滑坡解譯的精度與效率出發(fā)，結(jié)合深度學(xué)習(xí)高效的特征提取能力與面向?qū)ο蟮挠跋穹治?，研究震后滑坡體的自動(dòng)提取問(wèn)題。在地震震后滑坡提取實(shí)驗(yàn)中，首先對(duì)分割尺度進(jìn)行分析，對(duì)比分類(lèi)效果以及時(shí)間效率，對(duì)于滑坡體積差異較大的區(qū)域，采用中小尺度的分割結(jié)果有利于震后滑坡的提取。其次，對(duì)比不同分類(lèi)方法在實(shí)驗(yàn)區(qū)的提取結(jié)果，本文中的算法在不同區(qū)域的實(shí)驗(yàn)中獲得了較好的提取結(jié)果。將面向?qū)ο蟮挠跋穹治龇椒ㄅc深度學(xué)習(xí)結(jié)合，能夠較好地提取震后高分辨率影像中的滑坡體，為高分辨率影像的震后滑坡解譯提供新的思路。