面向对象的山区湖泊信息自动提取方法

沈金祥，杨 辽，陈 曦，李均力，彭青青，胡 举

(1.中国科学院新疆生态与地理研究所遥感与GIS应用实验室，乌鲁木齐 830011;2.中国科学院研究生院，北京 100049)

面向对象的山区湖泊信息自动提取方法

沈金祥1，2，杨 辽1，陈 曦1，李均力1，彭青青1，2，胡 举1，2

(1.中国科学院新疆生态与地理研究所遥感与GIS应用实验室，乌鲁木齐 830011;2.中国科学院研究生院，北京 100049)

传统的水体信息提取主要利用水体反射与吸收光谱特征构建各种光谱指数模型，进行全局像元级的提取。然而，不同水体类型的光谱、空间形态与空间分布特征均有显著差异。对于山区图像而言，山体阴影、冰雪、裸岩等地物的干扰使全局性水体光谱指数模型难以取得很好的提取精度。面向对象的图像分析方法通过对遥感图像进行分割，从全域—局部上耦合分析水体的光谱、空间形态、空间分布与空间关系等特征，构建了通用性强的湖泊信息提取规则集，最终实现湖泊水体信息的自动化提取。通过eCognition软件对Landsat TM图像的实验结果表明，该方法可以完全避免像元级阈值水体信息提取中出现的一些错误的“零星水体”，自动且高效地提取出了山区湖泊水体信息，在无云情况下提取精度达95%以上。

面向对象;湖泊信息提取;易康(eCognition);TM图像

0 引言

快速提取遥感图像上的水体信息对于利用遥感进行多尺度的水资源时空分布特征及演变过程分析具有重要意义。随着遥感技术的发展，水体信息提取方法已日趋成熟。基于水体的光谱特征，MeFeeters［1］提出利用遥感图像的绿波段和近红外波段构建归一化差值水体指数(normalized difference water index，NDWI)，可以最大程度地抑制地表植被信息、突出水体信息，还可有效地与阴影等信息进行分隔;徐涵秋［2－3］提出利用短波红外波段代替NDWI中的近红外波段的改进型归一化差值水体指数(MNDWI)，可以进一步突出水体信息并压制城市建成区、植被及裸土等背景信息。此外，很多研究人员还利用一系列波段(包括光谱特征空间转换后的波段)阈值、NDWI、地形及与其他波段关系组合形成的决策规则集针对多种类型的遥感图像数据进行水体信息提取，并取得了一定的效果［4－15］。然而，由于遥感图像中不可避免地存在“同物异谱”及“异物同谱”现象，在像元层次上基于这种全局性阈值条件的水体提取方法必然导致出现很多错分与漏分像元。尽管提取出来的很多“椒盐”像元可以通过后处理得到一定程度的修正，但是像元级及转矢量后的后处理操作也较为复杂和难以控制。骆剑承等［16］和李均力［17］等提出了一种基于“全域—局部”的水体信息提取方法，该方法计算复杂，且仅对湖泊、水库、坑塘等封闭性水体具有较好的提取效果，对于线状水体河流的提取仍难达到较好的结果。

不同水体类型的光谱特性、空间形态及分布特性不尽相同，提取水体并非用一个统一的简单模型就能够实现，对水体的光谱、形态、纹理、水文学及空间分布等多种特征进行综合分析，才可取得更好的提取效果［18－21］。面向对象的图像分析 (object oriented image analysis，OOIA)方法具有以上特点，能够融入多种“图谱”特征。图像“图”特征通过图像分割得以表达，即分割后形成了“像元斑”多边形的空间形态、空间分布、空间关系等多种特征;“谱”特征则为多边形中“像元斑”的光谱、地形及各种指数的均值、方差等统计值。因此，本文基于水体NDWI的“全域—局部”特征，并结合形状、亮度等特征，以新疆阿勒泰山喀纳斯湖地区的山区湖泊为例，提出利用OOIA进行水体信息提取的技术方案，为开展进一步的其他类型水体乃至其他地物类型的信息提取提供可借鉴的解决思路。

1 研究区概况与数据源

1.1 研究区概况

研究区位于阿尔泰山—喀纳斯湖地区，该区域内现代冰川数量多、规模大，在现代冰川和古冰川的作用下形成了众多的冰川湖泊。这些湖泊多分布在山顶冰川积雪附近的冻土带上，由于温度较低，湖泊上并无水生植物生长，因此其形状较为规则，边界较为光滑，不像平原区湖泊那样由于长有芦苇等水生植物而水陆过渡带较为模糊。

1.2 数据源及其处理

以覆盖阿尔泰山—喀纳斯湖地区的一景Landsat5 TM图像(轨道号/行号为144/26，成像日期为2010年8月27日)为遥感数据源;DEM数据采用美国宇航局(NASA)航天飞行雷达地形测绘任务(SRTM)获取的DEM产品。数据预处理包括多光谱图像预处理及地形分析。

1)多光谱图像预处理。根据元数据提供的定标系数，利用ENVI/IDL软件将图像原始的DN值转换为TOA反射率值［22］，并通过Flaash大气校正模型对其进行大气校正处理，将TOA反射率值转换为地表反射率值。由于下载的TM图像数据已经过较高精度的几何纠正，本文不再进行几何纠正处理。

2)地形分析。为了与TM图像相匹配，对DEM数据进行了重投影、拼接、剪裁、重采样等预处理。利用ENVI软件的地形分析模块(topographic modeling)对DEM数据进行地形分析，生成阴影和坡度等专题图像，其中计算阴影晕渲图(shaded relief)还需要成像时的太阳高度角和方位角，可从TM图像的元数据(头文件中)获取。

2 研究方法

2.1 技术路线

首先，通过多尺度图像分割将图像分割成“像元斑”对象，进而通过分析湖泊对象的“图谱”特征，根据专家知识构建的决策规则集进行湖泊信息的提取。具体的技术流程如图1所示。

图1 山区湖泊信息OOIA提取流程Fig.1 Flow chart of OOIA extraction for lakes in mountain area

2.2 多尺度图像分割

作为OOIA的核心，多尺度分割是通过预设的某一尺度限定的异质性指标将图像像元聚合成一系列的“像元簇”(即“基元对象”)，其最终目的是得到感兴趣目标的精确边界。针对山区湖泊信息提取的多尺度分割包括多波段数据全局分割与NDWI局部迭代分割2个步骤。多波段全局分割在预处理后的多光谱图像上进行，分割尺度的选择以满足最小制图单元的需求为合适，分割时形成了某一尺度上的矢量对象，过大的湖泊通常被分割成若干个“基元对象”;NDWI局部迭代分割则通过NDWI特征的相似性对这些“基元对象”进行迭代合并，其效果是真实湖泊与非湖泊对象“基元对象”不同程度的合并，形成了与图像中湖泊区域相一致的湖泊边界。

2.3 湖泊信息自动提取

实现湖泊信息提取的自动化，其关键就是找到典型性的湖泊识别特征。利用OOIA进行湖泊信息提取就是在像元级光谱及其他指数“谱”的基础上，增加对象的“图”信息，以利用组合的“图谱”信息提高识别的精度和自动化程度。基于OOIA的湖泊信息自动提取包括多尺度“图谱”特征计算及全域—局部“图谱”特征耦合分析等2个步骤。

多尺度“图谱”特征计算包括对矢量对象多边形的边界、区域特征以及内部像元灰度值的各种统计特征等的计算，这里不再详述。湖泊信息自动提取的另一关键步骤就在于如何根据人对于湖泊特性进行湖泊信息提取和识别的认识(即“专家知识”)转换为计算机可以接受的识别规则集。颜色、形状、与周围的对比等因素均是人眼识别湖泊的依据，以计算机的角度来看，这些正是分割对象的多尺度“图谱”耦合分析的过程。图2示出3种较为典型的山区湖泊的图像及其统计特征。

图2 3种典型山区湖泊特征Fig.2 Characteristics of three typical lake in mountain area

表1对比了人工与计算机识别山区湖泊时的不同特征，以便于利用计算机组合这些特征来接近人工识别的效果。

表1 人工与计算机对湖泊信息的识别特征对比Tab.1 Identification characteristics of lake information between people and computer

归纳起来，山区湖泊水体具有如下特征:①湖泊在可见光波段具有相对较高的反射率，在近红外—短波红外波段反射率较低，NDWI＞0.2;②湖泊与周围背景在NDWI图像上反差大，背景呈突兀的双峰分布，水体则位于低平的峰间鞍部;③最大亮度值小于60;④湖泊地势平坦，坡度小于15°;⑤湖泊的形状多呈近似圆形或椭圆形分布，紧凑度较高。

描述湖泊的特征均不可能是湖泊信息提取的必要条件和充分条件。然而，全域—局部多特征组合形成的识别规则集可以达到一个相对较高的识别精度。提取规则集(Ruleset)由若干条规则(Rule)构成，即{Rule1∩(∪)Rule2∩(∪)Rule3∩(∪)…}，每一条规则由若干个条件(Condition)组成，即{Condition1∩(∪)Condition2∩(∪)Condition3∩(∪)…}，每一个条件由一个特征(Feature)加关系运算符再加一个特征阈值(Threshold)组成，即{Feature1＞(≥，＜，≤，≠)Threshold1}。特征阈值应该是较为宽松的，以保证满足绝大多数目标信息的提取。由于阈值条件较为宽松，规则集内的任意一条规则都不可避免地存在多提与少提的问题，这可以通过与规则集中的其他规则求交集或求并集的办法得到修正。

3 实验结果与分析

采用eCognition 8.7软件进行OOIA，实现湖泊信息的自动化提取。将预处理后的TM图像数据及Slope和Shaded Relief数据加载到eCognition软件平台上进行OOIA提取湖泊信息。

1)多波段数据全局分割。为了使提取出的湖泊具有较好的边界，eCognition软件进行分割时，将影响水体的波段的权重值调高一些(这里将构成NDWI的绿波段和近红外波段权重分别设为2，其余的默认为1)。分别以5，10，15，20等4种尺度进行分割效果比较，以选择一个较为合理的分割尺度(图3)。从图3可以看出，分割尺度为10时，不仅能够去除过小的湖泊，而且植被、裸土等背景地物类别的斑块也不太破碎，其斑块数目的减少可以降低后续识别的计算量，从而以较短的处理时间取得较为合理的分割效果。

图3 不同分割尺度下的分割效果对比Fig.3 Comparison of the segmentation results at different scales

2)NDWI局部迭代分割。在eCognition软件平台上，局部NDWI迭代分析通过光谱差异性分割(Spectral difference)模块实现。该功能模块做迭代时执行光谱特征容差小于设定尺度的相邻对象的合并操作。Spectral different分割正好利用了前文所提到的湖泊水体内部NDWI较为均一、背景对象内部的NDWI值相对差异性较小的这一特征。图4显示出 NDWI分割尺度分别为 0.1，0.15，0.2 时的光谱差异性分割效果，图上红色线条为非湖泊背景对象扩张边界。

图4 不同尺度下的NDWI局部迭代分割(合并)效果对比Fig.4 Comparison of the local iteration segmentation(merge)results at different scales

从图4中可以看出，在NDWI分割尺度为0.1时，一些背景对象(植被)仍然没有被合并到周围的对象中;尺度增加到0.2时，除了极个别的背景对象没有被合并外，其余均被合并成较大的背景对象;尺度的进一步增大则将导致一些反差较小的湖泊被合并到周围的背景对象中。多次实验结果表明，0.2是一个较为合理的分割尺度，未得到合并的其余湖泊水体或者背景对象中的小对象将通过后面的提取过程进行合并。

3)多尺度“图谱”耦合湖泊信息自动提取。在eCognition软件平台上，根据表1总结分析的山区湖泊的多种全域—局部特征设定条件进行赋类别操作(assign class)即可逐步提取出湖泊信息。根据实验统计分析结果，可以用于识别山区湖泊水体信息的一组决策规则集为

式中:Slope为坡度(取值0°～90°);ShadedRelief为山体阴影(取值0～1，0代表最大阴影值，平坦地方取值趋近于1);NDWI为归一化差值水体指数(取值－1～1);ShapeIndex为形状指数(表达形状特征，取值1～+∞);NDWI_MeanDifToNeighbors为NDWI的局部差异值(表达NDWI的局部对比特征，取值0～2);Sum345为红、近红外、短波红外波段的反射率之和(表达水体在红、近红外、短波红外波段的低反射特征，取值0～765)。采用“由粗到细，逐步剔除”的方法组合上述规则集。图5为按照规则集的一种规则组合提取湖泊过程中各步骤效果的对比。

图5 湖泊逐步提取效果Fig.5 Effect of lake extraction step by step

首先利用形状指数“(ShapeIndex ＜ 3)∩(NDWI_MeanDifToNeighbors) ＞ 0.2”将满足条件的对象全部选择出来，作为候选湖泊水体(从图5(b)中可以看出，真实的湖泊水体已被提取出来，但山体阴影、裸土等很多错误目标也同时被提取出来);然后利用规则“ShadedRelief＜0.5”对候选湖泊水体进行操作，将其中的山体阴影目标去除(图5(c));再进一步利用规则“Slope＞15”将候选湖泊水体里面山坡上的裸土、冰雪、植被等错误目标移除(图5(d))，利用规则“Sum345＞80”排除候选湖泊水体中的冰雪、裸土等较亮的错误类别(图5(e))。

在执行上述规则后，通过人工目视精度评价，可以达到95%左右的提取精度。制约提取精度的一个方面在于在上述规则集中仍然难以移除极少数的“虚假湖泊”水体目标，这主要为一些云的阴影，这部分云阴影“目标对象”具有和水体基本相似的光谱和空间特征。尽管包括上下文特征、空间分布特征在内的分析云及其阴影共生关系的模型可以移除云阴影的影响，然而简单高效的提取模型才具有更好的通用性，少量的错误可以通过人工检查修正完成。在人工进行检查修正后，满足制图要求的湖泊提取精度可以达到98%左右。图5(f)(右)和图5(g)((b')和(d'))分别为整景图像及其局部图像的湖泊水体提取效果。进一步的实验结果表明，用于本文山区湖泊水体信息提取的规则集对于平原区的水库、坑塘、湖泊等封闭型水体的提取同样适用。通用性强的规则集可以实现横向上的大研究区、纵向上的多时相湖泊水体的快速高精度自动提取。

4 结论

1)无论在精度、效率、自动化还是通用性方面，面向对象的湖泊信息提取均较传统像元级湖泊信息提取具有显著的优势。

2)面向对象的湖泊信息提取不仅能够移除像元级湖泊水体提取过程中可能出现的椒盐噪声，而且除具有像元级的直接与间接光谱特征外，还具有了更多可以利用的局部对象的空间形态、纹理及空间关系等特征。全域—局部光谱空间特征的耦合保证了湖泊信息的高精度提取。同时，由于可以利用除光谱特征外的更多特征，使得每一个特征在使用时可以取得更为宽松的阈值，这对于提高提取规则的通用性具有重要意义，而提取规则的通用性又是提取自动化的必要条件。

3)本文作为面向对象的遥感全域—局部多特征耦合分析专题信息提取方法的一个案例，较为简单的湖泊提取为今后更为复杂的地物类别提供了可借鉴的研究思路。如何筛选和优化面向对象分析的多种特征，选择最显著的“诊断特征”，建立结构更简单和通用的提取规则，是今后其他地物类别提取的研究重点。

［1］McFeeters S K.The Use of the Normalized Difference Water Index(NDWI)in the Delineation of Open Water Features［J］.International Journal of Remote Sensing，1996，17(7):1425 －1432.

［2］徐涵秋.利用改进的归一化差异水体指数(MNDWI)提取水体信息的研究［J］.遥感学报，2005，9(5):589 －595.Xu H Q.A Study on Information Extraction of Water Body with the Modified Normalized Difference Water Index(MNDWI)［J］.Journal of Remote Sensing，2005，9(5):589 －595(in Chinese with English Abstract).

［3］Xu H Q.Modification of Normalized Difference Water Index(NDWI)to Enhance Open Water Features in Remotely Sensed Imagery［J］.International Journal of Remote Sensing，2006，27(14):3025－3033.

［4］Lu S L，Wu B F，Yan N N，et al.Water Body Mapping Method with HJ－ 1A/B Satellite Imagery［J］.International Journal of Applied Earth Observation and Geoinformation，2011，13(3):428 －434.

［5］Lira J.Segmentation and Morphology of Open Water Bodies from Multispectral Images［J］.International Journal of Remote Sensing，2006，27(18):4015 －4038.

［6］杜云艳，周成虎.水体的遥感信息自动提取方法［J］.遥感学报，1998，2(4):264 －269.Du Y Y，Zhou C H.Automatically Extracting Remote Sensing Information for Water Bodies［J］.Journal of Remote Sensing，1998，2(4):264－269(in Chinese with English Abstract).

［7］熊金国，王世新，周 艺.不同指数模型提取ALOS AVNIR－2影像中水体的敏感性和精度分析［J］.国土资源遥感，2010(4):46－50.Xiong J G，Wang S X，Zhou Y.A Sensitivity Analysis and Accuracy Assessment of Different Water Extraction Index Models Based on ALOS AVNIR － 2 Data［J］.Remote Sensing for Land and Resources，2010(4):46 －50(in Chinese with English Abstract).

［8］杨存建，徐 美.遥感信息机理的水体提取方法的探讨［J］.地理研究，1998，17(Sup):86 －89.Yang C J，Xu M.Study on the Water－ body Extraction Methods of Remote Sensing Information Mechanism［J］.Geographic Research，1998，17(Sup):86 －89(in Chinese with English Abstract).

［9］都金康，黄永胜，冯学智，等.SPOT卫星影像的水体提取方法及分类研究［J］.遥感学报，2001，5(3):214 －219.Yu J K，Huang Y S，Feng X Z，et al.Study on Water Bodies Extraction and Classification from SPOT Image［J］.Journal of Remote Sensing，2001，5(3):214 － 219(in Chinese with English Abstract).

［10］邓劲松，王 珂，李 君，等.决策树方法从SPOT－5卫星影像中自动提取水体信息研究［J］.浙江大学学报:农业与生命科学版，2009，31(2):171 －174.Deng J S，Wang K，Li J，et al.Study on the Automatic Extraction of Water Body Information from SPOT－5 Images Using Decision Tree Algorithm［J］.Journal of Zhejiang University:Agriculture and Life Science，2009，31(2):171 － 174(in Chinese with English Abstract).

［11］宋启帆，王少军，张 志，等.基于WorldView II图像的钨矿区水体信息提取方法研究——以江西大余县为例［J］.国土资源遥感，2011(2):33 －37.Song Q F，Wang S J，Zhang Z，et al.A Water Information Extraction Method Based on WorldViewⅡRemote Sensing Image in Tungsten Ore Districts:A Case Study of Dayu County in Jiangxi Province［J］.Remote Sensing for Land and Resources，2011(2):33－37(in Chinese with English Abstract).

［12］丁莉东，吴 昊，王长健，等.基于谱间关系的MODIS遥感影像水体提取研究［J］.测绘与空间地理信息，2006，29(6):25 －27.Ding L D，Wu H，Wang C J，et al.Study of the Water Body Extracting from MODIS Images Based on Spectrum－photometric Method［J］.Geomatics and Spatial Information Technology，2006，29(6):25－27(in Chinese with English Abstract).

［13］王培培.基于ETM影像的水体信息自动提取与分类研究［J］.首都师范大学学报:自然科学版，2009，30(6):75－79.Wang P P.Automatic Extraction and Classification of Water Body from ETM Image［J］.Journal of Capital Normal University:Natural Science Edition，2009，30(6):75 － 79(in Chinese with English Abstract).

［14］马 丹.基于MODIS数据的水体提取研究［J］.地理空间信息，2008，6(1):25 －27.Ma D.Method for Water Bodies Extraction Based on MODIS Images［J］.Geospatial Information，2008，6(1):25 － 27(in Chinese with English Abstract).

［15］栗敏光，范洪冬，邓喀中.基于LBV变换的TM数据水体提取新方法［J］.测绘科学，2010，35(3):138 －139.Li M G，Fan H D，Deng K Z.New Methods for Water Body Extraction from TM Data Based on LBV Transformation［J］.Science of Surveying and Mapping，2010，35(3):138 －139(in Chinese with English Abstract).

［16］骆剑承，盛永伟，沈占锋，等.分步迭代的多光谱遥感水体信息高精度自动提取［J］.遥感学报，2009，13(4):610 －615.Luo J C，Sheng Y W，Shen Z F，et al.Automatic and High － precise Extraction for Water Information from Multispectral Images with the Step－by－step Iterative Transformation Mechanism［J］.Journal of Remote Sensing，2009，13(4):264 －269(in Chinese with English Abstract).

［17］李均力，盛永伟，骆剑承.喜马拉雅山地区冰湖信息的遥感自动化提取［J］.遥感学报，2011，15(1):29 －43.Li J L，Sheng Y W，Luo J C.Automatic Extraction of Himalayan Glacial Lakes with Remote Sensing［J］.Journal of Remote Sensing，2011，15(1):29 －43(in Chinese with English Abstract).

［18］Soille P，Grazzini J.Extraction of River Networks from Satellite Images by Combining Mathematical Morphology and Hydrology［C］.CAIP＇07 Proceedings of the 12th International Conference on Computer Analysis of Images and Patterns，2007:636 －644.

［19］Petrie G M，Tagestad J D，Steinmaus K L，et al.Multidata analysis for automatic river extraction［C］.Remote sensing and Hydrology 2000，Santa Fe New Mexico，USA，2000:427 －432.

［20］曹 凯，江 南，吕 恒，等.面向对象的SPOT 5影像城区水体信息提取研究［J］.国土资源遥感，2007(2):27－30.Cao K，Jiang N，Lv H，et al.The Extraction of Water Information in Urban Areas Based on SPOT 5 Image Using Object－oriented Method［J］.Remote Sensing for Land and Resources，2007(2):27－30(in Chinese with English Abstract).

［21］张继平，刘林山，张镱锂，等.面向对象的极高海拔区水体及冰川信息提取——以珠穆朗玛峰国家级自然保护区核心区为例［J］.地球信息科学学报，2010，12(4):517 －523.Zhang J P，Liu L S，Zhang Y L，et al.Object－ oriented Information Extraction of Water Bodies and Glaciers in Extreme High Altitude Area:A Case Study of the Core Area of Mt.Qomolangma(Everest)National Nature Preserve［J］.Journal of Geo － information Science，2010，12(4):517 －523(in Chinese with English Abstract).

［22］Chander G，Markham B L，Helder D L.Summary of Current Radiometric Calibration Coefficients for Landsat MSS，TM，ETM+，and EO － 1 ALI Sensors［J］.Remote Sensing of Environment，2009，113(5):893－903.

A Method for Object－oriented Automatic Extraction of Lakes in the Mountain Area from Remote Sensing Image

SHEN Jin － xiang1，2，YANG Liao1，CHEN Xi1，LI Jun － li1，PENG Qing － qing1，2，HU Ju1，2
(1.Remote Sensing and GIS Application Laboratory，Xinjiang Ecology and Geography Institute，Chinese Academy of Science，Urumqi 830011，China;2.Graduate University of Chinese Academy of Science，Beijing 100049，China)

Traditional water－body information extraction is mainly based on the reflection and absorption spectral characteristics of the water body.By building and using all kinds of spectral index models which respond to the water spectral characteristics more obviously，the water body could be extracted in pixel－ level.However，different types of water bodies have significantly different spectral and spatial patterns as well as spatial distributions.As for the mountain area image，the shadows of such objects as the mountain，snow，ice and bare rock make these global water spectral index models fail to get a satisfactory result.The object－ oriented image analysis carries out remote sensing image segmentation first，and then analyzes the global and local characteristics of the water in such aspects as spectral and spatial patterns，spatial distribution，and spatial relationships so as to build the water extraction decision ruleset;finally，the water body information is extracted with the ruleset automatically.The Landsat TM image water extraction experiment in the eCognition software shows that the method can completely avoid the emergence of some errors of“sporadic water body”which often exist in the pixel－ level threshold value extraction，and the mountain area lakes could be extracted automatically and efficiently，with the accuracy up to 95%or even higher in the cloud－free case.

object－oriented;lake information extraction;eCognition;TM image

TP 751.1

A

1001－070X(2012)03－0084－08

2011－11－21;

2011－12－09

新疆维吾尔自治区“科技支疆”项目(编号:200891128)、国家自然科学基金项目(编号:41101041)、国家国际科技合作计划(编号:2010DFA92720)及中国科学院西部博士资助项目(编号:XBBS200809)共同资助。

10.6046/gtzyyg.2012.03.16

沈金祥(1983－)，男，博士研究生，主要研究方向为遥感图像处理与信息提取、土地利用与生态环境等。E －mail:shenjx1983@gmail.com。

杨 辽(1972－)，男，正高级工程师，主要研究方向为摄影测量与遥感、土地利用与生态环境等。E－mail:yangliao@ms.xjb.ac.cn。

(责任编辑:李 瑜)