Sentinel-1A與不同云量Sentinel-2A的融合尺度及分類研究

羅冬　羅紅霞　劉光鵬　雷茜　馮華梅

摘要：為了提高多云霧地區光學遙感影像利用率、探索不同云量的光學影像和SAR影像的最佳融合尺度，選取重慶市渝中地區為研究區，基于Sentinel-1A極化合成孔徑雷達（SAR）影像與不同云量的Sentinel-2A（云量分別為0、10%、20%、30%）光學影像，進行小波變換融合、乘積變換融合、高通濾波融合，再利用圖像評價方法評價影像融合以后的效果，最后利用面向對象的方法對融合前后的影像進行分類，利用混淆矩陣比較最終的分類精度。結果顯示，無云情況下，小波變換融合效果最好，最大限度地保留了原多光譜影像的亮度、反差，有效防止了影像信息的丟失，對植被的解譯能力有了明顯改善，而融合后的影像保真度較差，其余兩種融合效果相對次之，因此，在多云霧地區進行多源遙感數據融合時，尤其是異質數據融合時，優先推薦小波融合算法;當云量為10%以上時，3種融合算法雖然信息熵略有增加，但平均梯度、標準差減少了，造成解譯困難，導致最終分類精度均略低于Sentinel-2A影像，遠低于Sentinel-1A影像，基本不能滿足使用要求，因此，在進行地表覆被解譯時，推薦用SAR影像替代光學影像。

關鍵詞：影像融合;合成孔徑雷達（SAR）;地表覆被分類;面向對象分類方法;多云霧地區

中圖分類號：P237 ? ? ? ? 文獻標識碼：A

文章編號：0439-8114（2020）05-0028-09

Abstract： This research aimed to improve the utilization ratio of optical remote sensing image in cloudy areas and explore the best fusion scales of different cloud cover optical remote sensing image and SAR image. Taking the Yuzhong area of Chongqing city as the research area， wavelet transform fusion， multiplicative transform fusion and high-pass filter fusion was carried out based on sentinel-1A polarized synthetic aperture radar （SAR） image and different cloud cover of sentinel-2A （cloud volume of 0， 10%， 20%， 30%） multi-spectral images， then the effect of image fusion was evaluated by image evaluation method， finally all images were classified by object-oriented methods，and the final classification accuracy was compared by the confusion matrix. The results show that， in the cloudless case， the wavelet transform has the best fusion effect， and the brightness and contrast of the original multi-spectral image are preserved to the maximum extent， which effectively prevents the loss of image information， and the interpretation ability of the vegetation is obviously improved， but after the fusion the image fidelity is poor， and the other two fusion effects are relatively inferior. Therefore， when multi-source remote sensing data fusion is performed in a cloudy fog region， especially when heterogeneous data is fused， the wavelet fusion algorithm is preferred. When the cloud cover is more than 10%， although the information entropy is slightly increased in the four fusion algorithms， the average gradient and standard deviation are reduced， which makes the interpretation difficult， resulting in the final classification accuracy is slightly lower than the sentinel-2A image， much lower than sentinel-1A images basically cannot meet the requirements for use. Therefore， when performing surface overlay interpretation， it is recommended to replace the optical images with SAR images.

Key words： image fusion; polarimetric synthetic aperture radar（sar）; land cover classification; object-oriented classification; cloudy areas

多云霧地區一直是遙感研究的瓶頸之一，這種地區云霧較多，其形成過程復雜，涉及物理、化學、湍流、輻射、動力學以及下墊面狀況等諸多因素[1]，典型區域有四川盆地及周邊山區、東南沿海、西南季風迎風坡的云貴高原部分地區等[2]。由于云霧較多，這些區域可利用的光學遙感影像數量較少。由重慶市2017—2018年（行：39-40，列：127-129）的8景Landsat-8 OLI存檔數據（USGS）以及12景Sentinel-2 MSI1C多光譜存檔數據發現，Landsat-8影像云量低于5%的影像數量不到全年總量的4%，云量低于10%的影像數量只有全年總量的5%左右;而Sentinel-2影像云量低于5%的影像數量低于全年總量的5%，云量低于10%的影像數量不到全年總量的7%;結果顯示該地區可供利用的優質光學遙感影像數量較少。利用光學影像進行資源、環境、災害調查與監測一直都是遙感研究的重要課題[3]，而由于氣候和地表環境等因素的影響，使得多云霧地區光學影像的利用效率受到限制。

合成孔徑雷達（Synthetic aperture radar，SAR）影像由于其高分辨率、多模式、多極化方向、數據獲取過程與自然光源無關，具有穿透云霧、全天候和全天時對地觀測、對地物形狀敏感的特點，彌補了光學遙感的不足[4]。融合光學遙感影像和SAR影像已成為提高光學遙感影像利用效率的重要手段之一，且大量研究證明融合光學影像和SAR影像能提高光學影像的利用率，尤其是在地表解譯時的分類精度[5，6]。

目前，光學遙感影像和SAR影像的融合算法主要還是借鑒了光學遙感影像這類同質影像的融合算法，主要分為像元級、特征級、決策級3個級別[7-10]，大部分的融合算法還是基于像元級的融合，特征級和決策級的融合算法相對較少，像元級典型的融合算法有IHS（Intensity hue saturation，IHS）變換、乘積變換、Brovey變換、高通濾波、主成分分析、小波變換、GS（Gram-schmidt Pan，GS）以及支持向量機等。IHS融合方法簡單，容易實現。賈永紅等[11]最早進行了4種IHS變換方法用于多光譜影像與SAR影像融合的試驗比較。Brovey變換對融合后的影像光譜信息保持較好，但受波段限制;乘積變換對大的地貌類型效果好，同時可用于多光譜與高光譜的融合。賈永紅等[12，13]進行了分辨率變換融合（Brovey變換、乘積變換等）、小波分析、證據推理的遙感融合分析，發現融合算法能明顯提高分類精度;向海燕[14]采用乘積變換、Brovery變換將ALOS-2全極化影像和Landsat OLI影像進行融合并對融合后的影像進行解譯發現，融合后的影像分類總精度和Kappa系數均有明顯提高。融合后的影像既有光學影像的光譜信息，又有全極化SAR影像的極化分解特征，具有很強的信息互補性。小波變換融合對圖像的視覺特征、明暗色調、紋理特征反映較好，既提高了光學影像的空間分辨率，又保留了其光譜特征[15，16]。王智均等[17]研究了不同小波變換的遙感影像數據融合算法，證明小波變換在融合時比別的算法更具優勢;以上這些研究都取得了較好的效果。Garzelli[18]、Wang等[19]以及王宇航[20]的研究表明，與單一采用多光譜影像進行地表覆被分類相比，SAR和多光譜影像融合以后的影像更有優勢，兩種數據具有互補性和合作性;在地形測繪、土地利用分類、農作物分類、森林和濕地監測、城市監測、洪澇災害監測等實際運用方面具有重要意義[21-25]。而對于多云霧地區，可利用的光學影像數量稀少，多源遙感數據融合是解決這一問題的重要途徑之一。因此，本研究選擇了2018年不同云量（0、10%、20%、30%）的4景Sentinel-2A數據和相對應的4景Sentinel-1A，進行多云霧地區不同云量光學影像和SAR影像融合的適應性研究。原則上云量越少融合的效果越好，但由于多云霧地區光學影像數量稀少，有時不得不使用部分的有云霧數據，所以考慮到現實條件以及適用性，本研究選擇小波變換（多分辨率）、乘積變換（波段運算）、高通濾波（濾波模型）3種典型的融合算法融合4景不同云量的Sentinel-2A多光譜影像和相對應的4景Sentinel-1A SAR影像，以求提高多云霧地區光學遙感影像的利用率、彌補光學遙感影像的缺點，探索不同云量光學遙感影像和SAR影像最佳融合方法，發揮各自的長處，實現多源遙感影像的綜合運用。

1 ?研究區與數據源

1.1 ?研究區

研究區位于重慶市的部分主城區，主要包括渝中、渝北、江北、沙坪壩、南岸、北碚、九龍坡，介于106°23′9.58″—106°36′36.36″E，29°28′16.50″—29°39′48.95″N;東西被中梁山和銅鑼山包圍，中間為嘉陵江和長江的交匯地帶;屬于典型的山地城市，地勢起伏大，最低海拔108 m，最高海拔663 m;地形以山地、丘陵為主;屬亞熱帶濕潤性季風氣候，降水豐富。

1.2 ?數據源

Sentinel-1A是歐空局ERS-1/2和Envisat的后續衛星，Sentinel-1A搭載了C波段SAR傳感器，具有干涉寬（IW，Interferometric wide swath）、條帶成像（SM，Stripmap）、波浪（Wave mode）、超寬幅（EW，Extra wide swath）4種成像模式;可實現單極化、雙極化，它和Sentinel-1B組網后重訪周期可由12 d縮短成6 d。本研究選取了4景2018年的Sentinel-1A地距影像（GRD，Ground range detected）產品，具體參數見表1。

Sentinel-2A衛星是全球環境與安全監測計劃的第二顆衛星，于2015年6月23日發射。Sentinel-2A攜帶一枚多光譜成像儀，可覆蓋13個光譜波段，最高空間分辨率10 m、單顆重訪周期10 d，2顆衛星組網重訪周期可達5 d。從可見光和近紅外到短波紅外具有不同的空間分辨率，本研究選取了4景2018年的Sentinel-2A MSL1C產品，具體參數見表1。

2 ?研究方法

2.1 ?數據預處理

2.1.1 ?Sentinel-1A數據預處理 ?利用歐空局的ESA_SNAP6.0版本軟件對Sentinel-1A數據進行軌道校正、熱噪聲去除、輻射定標、多視處理、濾波、地形校正以及后向散射歸一化等預處理，濾波選用的是GAMMA-MAP濾波，濾波窗口大小設置為5×5，然后將圖像重采樣為10 m×10 m分辨率的影像，用RGB 3個通道顯示預處理后的VV極化、VH極化、VV極化，結果如圖1所示。

2.1.2 ?Sentinel-2A數據預處理 ?利用歐空局的Sen2cor插件對Sentinel-2A影像進行輻射定標、大氣校正等預處理，再利用ESA_SNAP、ENVI將Sentinel-1A和Sentinel-2A影像進行配準，重投影，裁剪出研究區范圍[本研究盡量裁剪出云量平均分布的區域，但受數據影響，只能裁剪出大概的符合梯度（0、10%、20%、30%）標準的研究區]，裁剪后的Sentinel-2A RGB合成圖如圖2所示。

2.2 ?圖像融合方法

2.2.1 ?小波變換 ?小波變換融合與傅里葉變換類似。首先，對光學影像和合成孔徑雷達影像進行匹配，使這兩個影像具有相似的概率分布，相應的小波系數具有相同的等級;其次，對合成孔徑雷達影像和光學影像分別進行小波分解，對兩幅圖像的小波系數進行了比較，選取較大的部分組成新的小波分解系數;最后通過新系數重建圖像得到融合圖像。小波變換融合算法常用于多光譜影像（如TM）與合成孔徑雷達影像的融合，它具有提高影像空間分辨率的同時又能保持影像飽和度、色調等不變的優點[26]。

2.2.2 ?乘積變換 ?乘積變換融合是一種典型的代數運算融合算法，相似的還有比值變換等，其原理是通過對兩幅影像的像元值進行相乘得到融合圖像，缺點是融合圖像的亮度值高速增長，其計算公式如下：

Rnew=I×RSentinel-2A+RSentinel-1A

Gnew=I×GSentinel-2A+GSentinel-1A

Bnew=I×BSentinel-2A+BSentinel-1A

式中，Rnew、Gnew、Bnew為融合圖像紅、綠、藍波段的像元值，I為經驗常數，RSentinel-2A、GSentinel-2A、BSentinel-2A為Sentinel-2A圖像紅、綠、藍波段的像元值，RSentinel-1A、GSentinel-1A、BSentinel-1A為Sentinel-1A合成圖像中的紅、綠、藍波段的像元值。

2.2.3 ?高通濾波 ?高通濾波融合算法在融合SAR影像和多光譜影像時可以簡單地理解為兩個影像信息的加權求和，對高空間分辨率影像進行高通濾波以提取線性特征和邊緣等空間結構信息，對低分辨率影像進行低通濾波以提取其光譜、后向散射強度等信息，然后將高通濾波和低通濾波的結果進行加權求和，從而得到融合影像。融合后的影像中高分辨率影像的高頻信息顯而易見，低頻部分卻減少了[27]。

2.2.4 ?圖像融合質量評價 ?對融合后影像的質量進行定量評價更能直接反映融合效果，衡量融合后的影像在光譜信息、空間信息和信息量等方面的改善情況。本研究主要統計了融合前后影像的平均梯度、標準差、信息熵3個參數以對融合前后影像的質量進行定量評價[28]。

3 ?結果與分析

3.1 ?融合結果分析與評價

Sentinel-1A和Sentinel-2A影像融合結果如圖3所示。從色彩上看，3種融合算法中只有乘積變換、高通濾波融合較好地保留了原始多光譜影像的色彩;小波變換則相反，其對不同地表的覆被賦予了不同的色彩，且不同云量也被賦予了不同的色彩，側面印證了其保真度較差。從云霧改善狀況來看，小波變換大面積改善了云霧狀況，但部分厚云區域仍未完全去除。乘積變換和高通濾波對云霧區域的改善僅限部分面積較小的薄云區域，厚云區域基本未得到改善，但后者對薄云區域的融合效果明顯優于前者。因此，綜合來看，小波變換融合后的影像效果較好，其實際效果需要進一步通過質量定量評價參數進行評價。

融合后影像的質量定量評價結果如表2所示。從表2可以看出，在無云條件下，3種融合算法的平均梯度都明顯增加，說明融合后的影像更清晰，層次感更豐富;信息熵除高通濾波外，其余2種融合算法均明顯增加，說明這3種融合算法能更多地保留原影像的紋理等細節信息，有利于目標分割;標準差僅小波變換融合有明顯增加，乘積變換和高通濾波大幅下降，說明只有小波變換較好地保留了原影像的亮度和光譜信息。從以上3個指標來看，云量為0時，3種融合算法中小波變換融合最優。當云量增加到10%和20%以后，3種融合算法的平均梯度、標準差均明顯下降，說明3種融合算法部分保留了原影像的光譜、亮度等信息;信息熵只有小波變換有明顯增加，表明這2種算法繼承了原影像的紋理等細節信息?？偟膩碚f，云量為10%～20%時，小波變換融合效果較好（圖4）。當云量為30%時，小波變換融合的平均梯度、標準差均下降，信息熵有所增加，但乘積變換和高通濾波卻相反，平均梯度有明顯增加，而標準差和信息熵均明顯下降。由此可知，云量為30%時，3種融合算法的融合效果均較差。

總之，無論是目視效果還是定量評價，結果都顯示小波變換對融合以后影像的質量改善最大，其保留了原多光譜影像的亮度與反差，融合圖像能更好地反映圖像的細節特征，對植被、河流的解譯能力有了很大的提高;乘積變換和高通濾波在云量大幅增加后對原圖像的亮度和反差保留較少，紋理細節丟失比較嚴重，地物間可分辨性降低，地物解譯難度變大。

3.2 ?分類結果分析

3.2.1 ?面向對象分類方法參數設置 ?為了評價融合后影像的實際運用效果，采用面向對象最鄰近分類法對融合前后的影像進行解譯[31]，解譯軟件采用eCognition9.0。因為研究區土地類型比較單一，加上研究區具體的區域狀況，經過多次試驗，影像分類參數設置如表3所示。

3.2.2 ?分類結果精度評價 ?對影像進行分類評價的目的在于再次驗證融合后影像的效果，驗證樣本主要來源于研究區野外實地調查點、土地利用現狀數據和Google Earth衛星影像等共230個驗證樣本點（圖4），采用混淆矩陣進行分類精度評價，同時還分析了云量為0時的影像融合前后的具體地類分類精度及其分類結果。

1）分類精度總體評價。在質量評價結果的基礎上，進一步利用影像解譯后的分類精度對融合后的影像進行總體分析評價，結果見表4。無云時，3種融合算法解譯結果與單一采用多光譜影像或SAR影像相比，總精度提高了近1個百分點或以上。當云量增加到10%和20%時，3種融合算法融合后影像的總精度與光學影像相比，下降了最多5個百分點，與SAR影像相比最多下降了10個百分點，結合圖像質量評價結果來看，其原因是融合后的影像雖然信息量有增加，但圖像清晰度和反差變小了，地物可分離性降低，圖像層次模糊，不利于地表覆被解譯。

當云量為30%時，小波變換融合后影像的總精度與光學影像相比下降了不到1個百分點，與SAR影像相比總精度下降了14個百分點，Kappa系數減少了0.18，而乘積變換、高通濾波兩種算法的精度則大幅度減少，與光學影像相比下降了約2個百分點，與SAR影像相比下降了16個百分點。結合前面表2分析其原因在于，小波變換的平均梯度、標準差明顯減少了，信息熵略有增加，但仍不利于解譯，而乘積變換和高通濾波的平均梯度雖然有明顯增加，但標準差和信息熵均減少，圖像清晰度變差，影像信息量減少，更不利于地表覆被解譯。

小波變換在3種云量情況下的總精度和Kappa系數都表現較好，而圖像質量評價結果也印證了這一點，從而表明小波變換方法對融合后影像的視覺特征、明暗色調、紋理特征有較好改善。而乘積變換和高通濾波較之差一些，尤其是當云量增加后，融合后的影像結構比較破碎，色調層次感差，增加了地表覆被解譯的難度。

2）云量為0時的影像分類精度分析。云量為0時，從總精度和Kappa系數來看，融合后影像對解譯的精度有提升但不是特別明顯（圖5），因此進一步分析了云量為0%時4種融合算法對具體地類的分類效果（圖6）。

從圖5可看出，云量為0時，融合后的影像對林地和灌草地的解譯精度都有明顯提高。對人工建筑和水域的解譯，融合后的影像沒有明顯優勢，多光譜影像對人工建筑解譯精度最高，SAR影像對水域解譯的效果最好。

綜上所述，無云時，3種融合算法的解譯精度較好，能基本滿足現實需要;當云量增加到10%以上時，光學數據的分類精度急劇下降，3種融合算法不但沒有明顯改善分類效果且還有小幅度下降;當云量增加到20%以上時，融合效果和分類精度大幅下降。因此，當光學影像云量超過10%進行地表覆被解譯時，建議用SAR影像替代光學影像，基本可以獲得80%左右的分類精度，或者尋找別的替代數據。

通過對融合后影像的質量評價和分類結果及云量為0時影像分類后的制圖精度分析可知，小波變換在最大限度地保留了原多光譜影像的亮度和光譜信息的同時，還提高了總體分類精度，對植被解譯精度較大，融合效果明顯優于其余2種融合算法。

影像質量評價結果顯示，高通濾波、乘積變換在融合后影像信息量增加了，但是卻不能顯著提高融合后的圖像分類精度，這可能與光學影像上厚云和薄云的占比和分布情況有關，同時還可能受分類方法、分類參數選擇等因素影響。

SAR影像雖然基本不受云層影響，但是從融合影像分類結果來看，微波影像對薄云區域的融合效果相較于厚云區域來說有一定提升，這可能是因為薄云區域地表覆被信息頻率較多，而厚云區域地表覆被信息頻率幾乎為零的原因。

無云時，融合后影像的分類總精度與多光譜影像和SAR影像相比雖有一定提高，但沒有顯著提高，原因可能是受分類方法和驗證樣本點的影響。

4 ?小結與討論

多源遙感影像數據在地形測繪、土地利用分類、地圖更新、農作物監測分類、森林監測分類、洪澇災害監測等領域發揮了重要作用。本研究選擇了2018年不同云量（0、10%、20%、30%）的4景Sentinel-2A影像，首先對雙極化C波段Sentinel-1A SAR影像進行軌道校正、熱噪聲去除、輻射校正、多視處理及濾波、地形校正和輻射歸一化等預處理，再與輻射定標和大氣校正后不同云量的Sentinel-2A影像進行配準并進行小波融合、乘積融合、高通濾波融合，然后評價融合前后影像的質量。最后基于面向對象的最臨近分類法對融合前后的影像進行分類，并利用混淆矩陣進行精度分析與評價，比較融合前后影像的質量和分類精度，得出結論如下。

1）無云時，Sentinel-1A SAR影像的數據質量、分類精度和Kappa系數一般都低于Sentinel-2A多光譜影像。3種融合算法中，小波變換融合效果有明顯提升，最大限度地保留了原多光譜影像的亮度和光譜信息， 防止了影像信息的丟失，更好地反映了圖像的細節特征， 對植被的解譯效果有明顯改善， 缺點是圖像的保真度較差，但3種融合算法相比，建議在進行光學影像和SAR影像融合時，優先采用小波變換融合。

2）與單一遙感數據相比，多源遙感數據融合后所提供的信息具有互補性和合作性，但在多云霧地區，云量低于10%時，多源遙感數據融合能在一定程度上提高數據的質量和利用價值。當云量大于10%后，數據融合的質量和運用價值逐漸減小，因此，在多云霧地區進行地表覆被解譯時，當光學影像云量大于10%以上時，不建議進行光學影像和SAR影像融合，可直接用SAR影像代替光學影像或者尋找別的替代數據進行地表覆被解譯。

3）融合后的影像對植被的解譯精度有較大提升，對人工建筑和水域的解譯則沒有明顯優勢。

本研究存在的不足：①本研究區屬典型的山地地形，部分地區地形起伏較大，坡度達到了60°，雖進行了地形校正等預處理，但并未完全消除SAR影像上頂底倒置和雷達陰影等現象，對SAR影像和多光譜影像的融合效果以及分類結果都可能造成干擾，而2種影像的分辨率也略有差異，雖重采樣為相同的分辨率，但均可能會對分類結果和分類精度產生一定影響。②受數據限制，本研究不同梯度的Sentinel-2A影像云量沒有完全在圖像上均勻分布，薄云和厚云均有，這在一定程度上會影響影像融合效果和具體地物的分類精度。本研究對云量為10%以上時的建議針對的是厚云，且云霧的具體分布也得視具體情況而定，如在具體運用時，影像以薄云為主，那么這個尺度就不能作為參考，還需要進一步研究。

參考文獻：

[1] 林 ?琿，邵 ?蕓，楊立民.多云多雨地區遙感初探[J].遙感信息，2004（4）：71-74.

[2] VIHMA T，SCREEN J，TJERNSTR？魻M M，et al. The atmospheric role in the Arctic water cycle：A review on processes，past and future changes，and their impacts[J].Journal of geophysical research：Biogeosciences，2016，121（3）：586-620.

[3] 賈永紅，李德仁，孫家柄.多源遙感影像數據融合[J].遙感技術與應用，2000，15（1）：41-44.

[4] 張良培，沈煥鋒.遙感數據融合的進展與前瞻[J].遙感學報，2016， 20（5）：1050-1061.

[5] GAETANO R，COZZOLINO D，AMIANO L D，et al. Fusion of sar-optical data for land cover monitoring[A].2017 IEEE International geoscience and remote sensing symposium （IGARSS）[C].Fort Worth，TX，USA：IEEE，2017.5470-5473.

[6] ZHU L，TATEISHI R. Fusion of multisensor multitemporal satellite data for land cover mapping[J].International journal of remote sensing，2007，27（5）：903-918.

[7] GHASSEMIAN H. A review of remote sensing image fusion methods[J].Information fusion，2016，32：75-89.

[8] LIU Z，BLASCH E，JOHN V. Statistical comparison of image fusion algorithms：Recommendations[J].Information fusion，2017， 36：251-260.

[9] POHL C，VAN GENDEREN J L. Review article multisensor image fusion in remote sensing：Concepts，methods and applications[J].International journal of remote sensing，2010，19（5）：823-854.

[10] ZHANG J. Multi-source remote sensing data fusion：Status and trends[J].International journal of image and data fusion，2010， 1（1）：5-24.

[11] 賈永紅，李德仁.SAR與TM影像的IHS變換復合及其質量定量評價[J].國土資源遙感，1997（3）：36-41.

[12] 賈永紅，李德仁.多源遙感影像像素級融合分類與決策級分類融合法的研究[J].武漢大學學報（信息科學版），2001（5）：430-434.

[13] 賈永紅，李德仁，孫家柄.一種基于小波變換的圖像融合算法[J].電子學報，2004（5）：750-753.

[14] 向海燕.基于光學和SAR數據的多云霧山區土地覆被分類[D].重慶：西南大學，2018.

[15] TANG Z W，WANG J G，HUANG S J. Wavelet transform application for image fusion[J/OL].Wavelet applications VII，2000，4056：https：//doi.org/10.1117/12.381706.

[16] SANLI F B，ABDIKAN S，ESETLILI M T，et al. Evaluation of image fusion methods using PALSAR，RADARSAT-1 and SPOT images for land use/land cover classification[J].Journal of the Indian society of remote sensing，2017，45（4）：591-601.