全 文 ：第 !" 卷 第 # 期
$ % & & 年 # 月
林 业 科 学
’()*+,)- ’)./-* ’)+)(-*
/012!"!+02#
’345!$ % & &
基于邻近相关图像和决策树分类的
森林景观变化检测!
李世明&<王志慧&!$<李增元&<陈尔学&<刘清旺&
"&2中国林业科学研究院资源信息研究所<北京 &%%%#&# $2中国矿业大学<北京 &%%%H=$
摘<要!<提出一种基于邻近相关图像和决策树分类的景观变化检测方法!并将其应用于地震干扰引起的森林景
观变化检测% 以 C’&$ 汶川地震中遭受严重破坏的龙溪 F虹口国家级自然保护区作为研究区!利用地震前后的
.67896:C ,;影像创建不同邻近窗口大小的邻近相关图像!结合决策树技术生成变化检测分类图% 结果表明& 使用
邻近相关图像的变化检测精度有所提高!其中以 C aC 窗口创建的邻近相关图像变化检测效果最佳!总体分类精度
和 i6446系数分别达到 H$2==]和%2H%H C%
关键词&<变化检测# 邻近相关图像# 决策树
中图分类号! ’"C"<<<文献标识码!-<<<文章编号!&%%& F"!HH"$%&&#%# F%%I# F%I
收稿日期& $%&% F&& F$## 修回日期& $%&& F%! F&%%
基金项目& 中央级公益性科研院所基本科研业务费专项课题" )^J),$%%H%C$ # 林业公益性行业科研专项"$%%H%!%%&$ %
! 李增元为通讯作者%
*3’/-"#A6&(.-D-#-7#$’(8’1-B2&"-1’(R-$.6+’/6’’1A’//-B&#$’(
:%&.-"&(1D-7$"$’(5/--AB&""$)$7&#$’(
.M’DMEM7T&"&2V)3/+/4/.%’9%,.3/2.3%4,#.3V)’%,-0/+%) D.#$)+@4.3! ?89*+"#/&7#&<-WD67T383:3W:M07 E0831[6938 07 73MTD[0BD008 W0BB316:M07 ME6T39"+()9$678 83WM9M07 :B33W1699MVMW6:M07
L9M7TB3E0:39379M7T86:6X694B040938! 678 :D37 6441M38 :083:3W:V0B39:16789W643WD67T3M7V0BE6:M07 M78LW38 [ZV0B39:
8M9:LB[67W32.07TmM@R07Tk0L 76:LB3B393BY3XDMWD X6993BM0L91Z86E6T38 M7 C2&$ e37WDL67 *6B:DSL6k3X699313W:38 69
9:L8Z6B36:0Y3BMVZ:D3E0831! 678 Y6BM0L973MTD[0BD008 W07VMTLB6:M07 0VW0BB316:M07 ME6T39X3B33m410B38 L9M7T[M@
:3E40B61.67896:C ,;ME6T395(D67T383:3W:M07 E649X3B3T373B6:38 [ZL9M7T6E6WDM73136B7M7T83WM9M07 :B33"(C5%$5
,D3B39L1:99D0X9:D6::D36WWLB6WZ0VWD67T383:3W:M07 B39L1:9L9M7T+()9M9DMTD3B:D67 :D6:0VB39L1:XM:D0L:+()5J39L1:
XM:D C aC XM780X9Mf3M90VDMTD39:6WWLB6WZ6E07T:D38MV3B37:+()9! 678 T373B616WWLB6WZ678 i6446W03VMWM37:M9
H$2==] 678 %2H%H C B3943W:MY31Z5
;-< =’/1"&<<火灾(地震等自然灾害和人为因素干扰常常导致
森林面积减少!类型和健康质量变化% 常规的地面调
查手段!难以监测大区域(不易达到区域的森林景观变
化% 遥感数据具有观测区域大(可以重复访问等优势!
在快速识别(监测森林景观类型变化方面发挥着重要
作用!对于生态恢复(景观重建等具有重要意义%
利用遥感数据进行变化检测!一直是遥感界重
要的研究热点 "j37937 ./0&5! &##=# JM88 ./0&5!
&##H# .L73:6./0&5! $%%%$% 迄今为止!国内外专家
学者已经开发出了众多的遥感变化检测识别算法!
包括图像差值(缨帽变换(分类后比较(光谱变化向
量分析等 "j37937! $%%C$!专家系统和神经网络也
已经应用到变化检测领域 ".L ./0&F! $%%!$% 在森
林景观变化研究方面!杨存建等"$%%%$利用植被指
数插值法提取了云南省泸水县的森林植被变化信
息# ’L7M1等"$%%!$用分类后比较方法进行地表覆
盖分类!获得了不同时期"&#!%9! &#I%9! &##%9$爱
荷华州国家公园管理区的森林(草地(农田等景观变
化信息# ’367 等"$%%C$对 .67896:数据进行缨帽变
换来监测植被的变化!获得了区域尺度上森林采伐
干扰引起的变化# jM7 等"$%%C$对缨帽变化湿度和
归一化水分指数探测森林干扰并进行了比较分析#
nkD678M6B等"$%%H$ 利用印度的 )J’ 卫星数据!采
用邻近相关图像分析技术进行了森林景观变化研
林 业 科 学 !" 卷<
究# 覃先林等"$%%I$利用 ;nQ)’ 数据!分别采用红
光 F近红外法(共生纹理矩阵法和基于相似度的变
化检测方法对我国东北林区的森林覆盖变化进行了
研究!探明了大尺度森林火灾干扰引起的变化%
邻近相关图像 " 73MTD[0BD008 W0BB316:M07 ME6T3!
+()$分析技术是一种新的变化检测方法")E./0&5!
$%%C# )E! $%%I$!利用 $ 个时相遥感图像中像元及
其周围像元之间的相关性进行变化探测% 这项技术
由 )E等"$%%C$提出!最初用于高分辨率图像城市
信息变化的检测!检测精度较高% 本文主要探讨基
于邻近相关图像和决策树分类的森林景观变化检测
方法!利用 $ 个时相遥感影像探测干扰条件下森林
景观的变化!包括森林景观类型和范围的变化!以期
为受灾林区(特别是自然保护区的生态恢复与重建
提供科学依据%
&<研究区与数据
>K>?研究区概况
以 C’&$ 汶川特大地震中森林遭受严重破坏的龙
溪)虹口国家级自然保护区为研究区% 该保护区位
于四川省都江堰市北部!地理位置 =&_%!‘)=&_$$‘+!
&%=_=$‘)&%=_!=‘*!总面积达=&% kE$# 属四川盆地
亚热带湿润气候区!年平均气温&% r!雨量丰沛!年
降水量约& I%% G& #%% EE!有*华西雨屏+之称% 整
体海拔由南向北递增!相对高差大!从低到高呈现亚
热带季风气候到寒温带的气候变化!植被也呈现明显
的垂直分布!由低到高依次为常绿阔叶林(常绿落叶
阔叶混交林(常绿针叶与落叶阔叶混交林(亚高山针
叶林(高山灌木林(高山草甸(高山流石滩植被%
>KJ?数据获取与数据处理
&2$2&<数据源<选取研究区域地震前后 $ 个时相的
.67896:C ,;多光谱卫星遥感数据!如图 & 所示% 地震
前数据的过境时间为 $%%"年 #月 &H 日!震后数据的过
境时间为 $%%H年 " 月 &H 日% 采用蓝波段",;&$(绿波
段",;$$(红波段",;=$(近红外波段",;!$和 $ 个短
波红外波段",;C!,;"$进行变化检测研究%
选择相同传感器的遥感数据保证了遥感观测
条件的基本一致!即卫星在同一地方(同一方向通
过同一地点!这样更利于图像的对比% 获取时间
均为夏季!减少了植被在不同物候条件下的光谱
响应差异% 以当地保护区管理局提供的植被图与
$%&% 年 H 月进行的野外实地调查灾害点的类型(
位置数据作为研究的辅助参考数据% 由于当地的
植被有垂直地带性分布的特点!获取了龙溪)虹
口国家级自然保护区范围的 =% E空间分辨率
图 &<不同时相的 ,;彩色合成图"JPA& !C=$
M^T5&<(010BW0E409M:30V,;ME6T39M7 8MV3B37::ME39
"JPA& !C=$
-’,*J全球数字高程数据"PQ*;$数据作为辅助
参考数据%
&2$2$<数据预处理<数据预处理包括辐射定标(大
气校正和几何校正% 首先对 $ 个时相影像进行辐射
定标!将其 Q+值转化为辐射亮度值!再使用 *+/)
软件中的 1^669D 模型对其进行大气校正!得到地面
真实反射率值# 尔后对 $ 个时相影像进行几何纠
正!配准误差小于 %2C 个像素# 对于影像区域中有
云(阴影的地方进行掩膜处理%
$<原理与方法
JK>?邻近相关图像分析原理
该方法是利用 $ 个时相遥感图像中一定区域的
像元值来计算该区域 $ 个时相影像光谱值的相关系
数!并采用最小二乘法得到该区域 $ 个时相像元值
回归方程的斜率和截距!并将值赋给该区域的中心
像元!最终得到整幅邻近相关图像& 相关系数图(斜
率图(截距图%
邻近相关图像能够反映出 $ 个时相影像在相
同区域内光谱值变化的数量和方向% 如果在 $ 个
时相图像中的特定区域内像元的光谱值发生变
化!则该区域内的相关系数就会降低!变化越大相
关系数越低!此时斜率和截距的增加或减少可以
反映出光谱变化的大小和方向% 假设没有发生任
何变化!特定区域内同名点的 $ 个时相亮度值点
对"E!:$应该在其二维散点图中处于 :dE的直线
上!此时斜率为 &!而截距为 %# 但如果发生了变
化!点对就远离 :dE这条直线!斜率不为 &!截距
不为 %!而且变化越大!斜率越远离 &!截距越远离
%!斜率和截距远离的方向代表着光谱变化的方
%"
<第 # 期 李世明等& 基于邻近相关图像和决策树分类的森林景观变化检测
向% 所以!斜率图像和截距图像可以辅助相关系
数图像来进行变化检测% 利用相关系数(斜率(截
距!结合专家系统分类方法可以提取详细的变化
类型信息%
JKJ?基于邻近相关图像和决策树的变化检测方法
基于邻近相关图像和决策树分类的变化检测流
程如图 $ 所示% 该流程主要包括 C 个步骤& &$ 数
据预处理!包括辐射定标(大气校正(几何纠正# $$
创建由不同窗口大小生成的相关系数图像(斜率图
像(截距图像# =$ 将 $ 个时相图像分别与不同窗口
的邻近相关图像叠加!结合辅助数据和调查数据!建
立训练点和检验点# !$ 利用训练点数据建立分类
规则!并生成变化检测图# C$ 利用检验点数据对变
化检测结果进行精度评价% 在该流程中!每一步都
至关重要!因为任何一步的误差都会影响到最终的
变化检测精度%
图 $<变化检测模型流程
M^T5$< 1^0X0VWD67T383:3W:M07 E0831
$2$2&<创建邻近相关图像 < 本研究利用 )Q.
"M7:3B6W:MY386:6167TL6T3$编程!并选取不同窗口大
小"= a=!C aC!" a"!# a# $创建邻近相关图像
"+()9$!以探索变化检测模型的最佳配置窗口大
小% 将最高变化检测精度所对应的窗口大小认为是
该区域的最佳窗口% 相关系数(斜率(截距的计算公
式如式"&$ G"!$所示&
,H
W0Y&$
3&3$
! "&$
W0Y&$ H
%
)
+H&
"A/+& I#&$"A/&$ I#$$
) I&
! "$$
0 H
W0Y&$
3$&
! "=$
>H
%
)
+H&
A/+$ I0%
)
+H&
A/+&
)
% "!$
式中&,是皮尔逊相关系数!W0Y&$是在一定区域"如
= a=窗口$内 $ 个时相图像所有波段亮度值的协方
差!3&!3$ 是前(后时相图像的特定区域内所有波段
亮度值的标准差!A/+&是前一时相图像的一定区域
内所有波段的第 +个像元亮度值!A/+$是后一时相
图像的一定区域内所有波段的第 +个像元亮度值!)
是特定区域内所有波段的像元总数!#& 和 #$ 分别
是 $ 个时相图像特定区域内所有波段像元亮度值的
平均值!0 和 >分别是斜率和截距")E./0&F! $%%C$%
$2$2$<提取训练点b检验点数据<在试验区域随机
生成 "%% 个点!根据研究区域在森林干扰条件下的
实际破坏情况和森林分布情况定义了 " 个变化类和
" 个不变化类% 变化类别包括& 阔叶林 F裸地
"A^ @A.$(针叶林 F裸地 "(^ @A.$(混交林 F裸地
";^ @A.$(灌木林 F裸地 "’ @^A.$(草地 F裸地
"P.@A.$(高山流石滩植被 F裸地" /^@A.$(植被 F
水体"堰塞湖!/@e$# 不变化类别包括& 阔叶林
"A^ $(针叶林" (^ $(混交林" ;^ $(灌木林" ’ $^ (草
地"P.$(高山流石滩植被 " /^$(裸地 "A.$% 参考
保护区植被类型图!并结合 $%&% 年 H 月野外调查样
点 P>’ 数据!确定 "%% 个点的所属类别!其中 !%% 个
作为训练点!=%% 个作为检验点!所有点的类别信息
见表 &% 将 $ 个时相图像的 &$ 个波段!分别与不同
&"
林 业 科 学 !" 卷<
窗口大小的邻近相关图像 "+()@=!+()@C!+()@"!
+()@#$和该区域Q*;进行图层叠加处理!形成包括
多个数据图层的输入数据% 不同变化检测方法的输
入数据见表 $%
表 >?各类别所选的训练点与检测点
5&+@>?5/&$($(. &(1#-"#1&#& $()’/%&#$’()’/-&76#<9-
类别 ,Z43 A^ @A. (^ @A. ;^ @A. ’ @^A. P.@A. /^@A. /@e A^ (^ ;^ ’^ P. /^ A.
训练点 ,B6M7M7T86:6 =$ =% =& $" $H &% && =C =H == =$ =H =$ $=
检验点 ,39:86:6 $C $$ $! &H $& " H $" $" $I $I $# $= &"
表 J?不同变化检测方法使用的输入数据
5&+@J?:(90#1&#& )’/1$))-/-(#76&(.-1-#-7#$’(%-#6’1"
变化检测方法
(D67T383:3W:M07
E3:D089
不使用 +()
eM:D0L:+()
+()@= +()@C +()@" +()@#
输入数据
)74L:86:6
两时相影像
,X0@:3E40B61
ME6T39cQ*;
两时相影像
,X0@:3E40B61ME6T39c
Q*;c+()@=
两时相影像
,X0@:3E40B61ME6T39c
Q*;c+()@C
两时相影像
,X0@:3E40B61ME6T39c
Q*;c+()@"
两时相影像
,X0@:3E40B61ME6T39c
Q*;c+()@#
$2$2=<训练分类规则$生成变化检测图<本研究使
用 qLM7167 的机器学习程序"(C2%$来开发决策树分
类规则!采用属性信息增益率"T6M7 B6:M0$来选择属
性!最大信息增益率是属性选择及样本分类的准则%
作为非参数算法!(C2% 算法对训练样本点的分布没
有特殊要求!可以同时处理连续和离散数据!生成的
分类规则易于理解!生成规则和利用规则分类速度
较快% 机器学习的决策树分类!其输入数据不但可
以包括原始波段数据和波段运算生成的各种指数数
据!还可以包括各种 P)’ 数据!如 Q*;(坡度(坡向
信息等% 本研究的输入数据由 $ 个时相影像数据(
Q*;数据和不同窗口大小的邻近相关图像组成%
为了检测结果!不同变化检测方法使用相同的训练
点和检验点!提取所有图层数据!导入 (C2% 开发分
类规则% 由表 $ 可知& 输入数据差异主要表现为是
否有 +()以及不同窗口大小的 +()数据!这样可以
有效验证 +()对变化检测精度的影响%
$2$2!<精度评价<在分类结果精度评价中!主要是
将分类结果与地表真实信息进行比较!最常采用的
方法是基于误差矩阵的统计方法% 通过计算得到基
本的精度估计量!如分类总体精度(制图精度(用户
精度!但这些指标的客观性依赖于采样样本以及方
法% i6446分析采用离散的多元技术来克服以上的
缺点!是一种测定 $ 幅图像之间吻合度或精度的指
标!其计算公式如下&
B%
,
+H&
E+ I%
,
+H&
"E+WEW+$
B$ I%
,
+H&
"E+WEW+$
% "C$
式中& ,是误差矩阵中总行数# E+是误差矩阵中第 +
行(第 +列上样本数# E+c和 Ec+分别是第 +行和第 +
列的总样本数# B是用于精度评价的总样本数%
=<结果与讨论
本研究采用方形窗口作为滤波窗口!C aC 窗口
生成的龙溪)虹口保护区地震前后邻近相关图像局
部图如图 = 所示% 相关系数图中灰度值低的像元表
示变化区域"图 =6$# 而斜率和截距图中中等灰度
值像元表示非变化区域!较高和较低灰度值的像元
则表示变化区域"图 =[!W$%
图 =<邻近相关图像"+()@C$
M^T5=<+3MTD[0BD008 W0BB316:M07 ME6T3L9M7TC aC XM780X9Mf3"+()@C$
$"
<第 # 期 李世明等& 基于邻近相关图像和决策树分类的森林景观变化检测
<<图 ! 分别列出了不使用 +()和分别使用 +()@
=!+()@C!+()@"!+()@#!并结合决策树分类生成的森
林景观变化检测图!图 ! 中红色区域即为地震所导
致的森林破坏区域% 表 = 为不同分类方法得到的地
类变化面积! 其中是否结合 +()图像!分类结果中
地类变化面积有较大差异%
图 !<使用不同 +()生成的变化检测图
M^T5!<(D67T383:3W:M07 E649L9M7TY6BM0L9+()9
表 L?不同地类的面积变化
5&+@L?*/-& 76&(.-"’)1$))-/-(#B&(1#<9-" DE$
类别 ,Z43 A^ @A. (^ @A. ;^ @A. ’ @^A. P.@A. /^@A. /@e 合计 ,0:61
不使用 +()eM:D0L:+() !"&2" & !!!2= C#I2$ I#C2= $&=2= !$#2% I!2! = #&!2$
+()@= HC"2! & I$=2" H&!2I H&&2= !&H2= !=I2" !=2$ C %%C2$
+()@C HHI2# & I$"2H H%H2= H&$2! !&C2C !=C2C !!2! C %=%2H
+()@" H=#2= & I%=2! H&&2I H&!2$ !$!2" !!!2= !&2# ! #"#2!
+()@# H=H2" & I&!2I "#H2= H%H2C !&$2I !$=2H !=2" ! #!%2$
<<本研究对选取的 =%% 个检测点分别计算了 C 种
分类结果的误差矩阵!相关的精度信息见表 ! %
通过表 ! 可以看出&
&$ 不使用 +()的变化检测分类总体精度为
"C2%%]!i6446系数为%2"$H H!利用+()@= 到+()@#
的变化检测分类总体精度和 i6446系数分别为&
="
林 业 科 学 !" 卷<
<<< 表 M?不同检测方法的结果精度
5&+@M?*770/&7< ’)1$))-/-(#%-#6’1"’)76&(.-1-#-7#$’(
变化检测方法
(D67T383:3W:M07 E3:D08
总体精度
P373B616WWLB6WZ"]$
i6446系数
i6446W03VMWM37:
不使用 +(1eM:D0L:+() "C2%% %2"$H H
+()@= H%2I" %2"#% !
+()@C H$2== %2H%H C
+()@" "#2%% %2""$ I
+()@# "H2II %2"I# %
图 C<变化类别分布详图"+()@C$
M^T5CH%2I"]和 %2"#% !! H$2==]和 %2H%H C! "#2%%]和
%2""$ I!"H2II]和%2"I# %%通过比较!可以发现使
用邻近相关分析图像的分类精度会高一些!+()@C
的变化检测精度最高% +()提高变化检测精度主要
体现在对变化类别的识别上!因为邻近相关图像可
以有效反映影像中的变化信息!且生成的决策树规
则 I%]以上都与邻近相关变量有关% 图 C 为 +()@C
的变化类别分布详图%
$$ 利用 +()的变化检测精度从高到低为
+()@C p+()@= p+()@" p+()@#!C aC 窗口被认为是
创建该研究区域 +()的最佳窗口大小% 由于 =% E
分辨率图像中的高频信息已很少!选取越大的窗口
+()图像越平滑!越不利于突出变化信息!因此变化
监测的精度有所降低%
使用该变化检测模型应该注意以下几点& !多
时相图像的高精度几何校正是正确探测森林景观变
化的前提# +多时相影像的不同视角问题也会带来
误差!所以应该选择相同传感器(相同时期和视角的
遥感数据# ,样本的精度决定了变化检测结果!选
取高精度(高质量的样本非常重要# -由于森林生
态系统的复杂性!反映到影像上常会出现同物异谱(
同谱异物的现象!因而如何有效地减少森林自身变
化的影响!还需进一步探讨%
!<结论
本文主要探讨在地震干扰的条件下利用邻近相
关图像和决策树分类技术相结合的遥感变化检测方
法来识别森林景观变化状况% 研究表明& &$ 该变
化检测方法可有效监测森林景观变化!自动化程度
高并且节省大量成本# $$ 邻近相关图像包含变化
信息!有助于提高变化检测的精度!其中 C aC 邻近
窗口大小监测森林景观变化精度最高!为 H$2=]%
参 考 文 献
覃先林!陈尔学!李增元!等5$%%I5基于 ;nQ)’ 数据的森林覆盖变
化监测方法研究5遥感技术与应用!$&"=$ & &"H F&H=5
杨存建!欧晓昆!党承林!等5$%%%5森林植被动态变化信息的遥感
检测5地球信息科学!"!$ & "& F"!5
)E j! j37937 jJ5 $%%C5 - WD67T3 83:3W:M07 E0831[6938 07
73MTD[0BD008 W0BB316:M07 ME6T3 6761Z9M9 678 83WM9M07 :B33
W1699MVMW6:M075J3E0:3’379M7T0V*7YMB07E37:!##"=$ & =$I F=!%5
)Ej5$%%I5+3MTD[0BD008 W0BB316:M07 ME6T36761Z9M9V0BWD67T383:3W:M07
L9M7T8MV3B37:946:M61B3901L:M07 ME6T3BZ5i0B367 j0LB7610VJ3E0:3
’379M7T!$$"C$ & ==" F=C%5
j37937 jJ! (0X37 Qj! +6BLE6167M’! ./0&F&##=5-7 3Y61L6:M07 0V
(069:e6:WD WD67T3 83:3W:M07 4B0:0W01 M7 ’0L:D (6B01M765
>D0:0TB6EE3:BMW *7TM733BM7T 678 J3E0:3 ’379M7T!
C#"I$& &%=# F&%!I5
j37937 jJ5$%%C5)7:B08LW:0BZ8MTM:61ME6T34B0W399M7T& 6B3E0:3
9379M7T43B943W:MY35=B8 385h443B’68813JMY3B! +U& >B37:MW3
R61! C$C5
jM7 ’ ;! ’:3Y37 - ’5$%%C5(0E46BM907 0V:ME393BM39:6993138 W64
X3:7399678 :D370BE61Mf38 8MV3B37W3E0M9:LB3M783mM7 83:3W:M7T
V0B39: 8M9:LB[67W39& J3E0:3 ’379M7T 0V *7YMB07E37:!
#!"=$ & =I! F="$5
j0Z’ ;!J3MWD J;!J3Z70189J,5$%%=5-+07@46B6E3:BMW’L43BYM938
(1699MVMW6:M07 0V/3T3:6:M07 ,Z43907 :D3i6M[6[ +6:M0761 0^B39:
L9M7T83WM9M07 :B3395)7:3B76:M0761j0LB7610VJ3E0:3 ’379M7T!
$!"#$ & &H=C F&HC$5
.L Q!;6L931>! AB078MfM0*! ./0&5$%%!5(D67T383:3W:M07 :3WD7MSL395
)7:3B76:M0761j0LB7610VJ3E0:3’379M7T!$C"&$$ & $=IC F$!%"5
.L73:6J ’! *1YM8T3(5$%%%5J3E0:39379M7TWD67T383:3W:M07&
37YMB07E37:61E07M:0BM7TE3:D089678 6441MW6:M0795+3X U0Bk&
,6Z10B678 B^67WM9! =!%5
nkD678M6BJJ!J6NL >.!AMNk3Be5$%%H5+3MTD[0BD008 W0BB316:M07
ME6T36761Z9M9:3WD7MSL3V0BWD67T383:3W:M07 M7 V0B39:16789W6435
)’>J’ >B0W338M7T!A3MNM7T! &%=& F&%=H5
JM88 ; i! .ML j5&##H5-W0E46BM907 0VV0LB61T0BM:DE9V0BWD67T3
83:3W:M07 M7 67 LB[67 37YMB07E37:5J3E0:3’379M7T0V*7YMB07E37:!
I="$$ & #C F&%%5
’367 >R! e6BB37 A(! U67TOq! ./0&5$%%C5(0E46BM907 0V,6993138
(64@[6938 .67896:86:69:BLW:LB39V0BL93M7 V0B39:8M9:LB[67W3
83:3W:M075J3E0:3’379M7T0V*7YMB07E37:! #" "=$ & =%& F=&%5
’L7M1+! Q3346k J ;! J0[3B:P J5$%%!5(D67T383:3W:M07 678
16789W643E3:BMW9V0BM7V3BBM7T67:DB040T37MW4B0W39939M7 :D3TB36:3B
*^;n6B365J3E0:3’379M7T0V*7YMB07E37:! #&"= b!$ & !"H F!H#5
!责任编辑<石红青"
!"