基于冠层反射率模型的作物参数多阶段反演方法研究进展

刘 轲，黄 平※，任国业，周清波，李源洪，王 思，董秀春

（1. 四川省农业科学院遥感应用研究所/农业部遥感应用中心成都分中心，成都 610066；2. 中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京 100081）

·农业信息与电气技术·

基于冠层反射率模型的作物参数多阶段反演方法研究进展

刘 轲1，黄 平1※，任国业1，周清波2，李源洪1，王 思1，董秀春1

（1. 四川省农业科学院遥感应用研究所/农业部遥感应用中心成都分中心，成都 610066；2. 中国农业科学院农业资源与农业区划研究所/农业部农业信息技术重点实验室，北京 100081）

利用遥感手段，基于冠层反射率（canopy reflectance，CR）模型反演农作物参数具有经济、高效、普适性好的特点，是智慧农业快速、精确监测区域尺度农情信息的理想方法。然而，CR模型反演过程受“病态反演”问题影响。针对此，前人提出了多阶段目标决策（multi-stage，sample-direction dependent，target-decisions，MSDT）法和面向对象（object-based）反演法。分别依据 C R模型参数的敏感性和不确定性，以及作物参数的空间分布特征，将反演过程划分为若干阶段，每阶段只反演部分参数，前阶段反演结果作为后阶段反演的先验知识，以此减少 C R模型参数优化的不确定性，改善“病态反演”问题。该文系统总结了MSDT法与面向对象反演法，将其归纳为统一的“多阶段反演”方法，并提出概念模型。基于此，总结、讨论了多阶段反演中如下三方面共性问题，试分析可能的解决途径：1）多阶段反演决策还需要广泛比较、科学论证与改进，以确保其合理性和有效性；未来研究中，应将MSDT法与面向对象反演方法有机结合，在统一的多阶段反演技术框架下，制定更加合理的反演决策方法。2）CR模型的参数化精度可能影响多阶段反演；未来应尝试利用“天空地一体化”遥感技术和尺度转换方法获取先验知识，提高CR模型参数化精度。3）多阶段反演过程中，反演误差逐级传递；未来研究中，一方面应尝试识别并纠正前阶段反演中的误差，另一方面应合理利用前阶段反演结果，避免前阶段反演误差影响后阶段的反演。

遥感；模型；作物；多阶段目标决策；面向对象；多阶段反演；作物参数

0 引 言

中国正经历从传统农业向现代农业的历史转变[1]。建立智慧农业系统，实现农业生产、流通、销售和管理等环节的智能化，是发展现代农业的重要手段[2]。为此，需要准确了解农作物生理生化参数及其动态变化。其中，叶面积指数（leaf area index，LAI）与叶片叶绿素含量（leaf chlorophyll content，Cab）尤其受到重视。LAI通常定义为单位地表面积上单面叶面积的总和[3]，表征植被的空间分布和密度[4]，反映了植被的生产力[5]、地气间能量和物质交换[6]、太阳能及水分利用效率[7]等生态功能。Cab定义为单位面积或单位质量的叶片中叶绿素a和叶绿素b含量之和。Cab与叶片氮素状况密切相关[8]，反映了叶片光合能力[9]，是农作物水、肥状况的重要指标[10-11]。因此，LAI与Cab是很多陆表过程模型的输入参数[12-13]，在农作物长势监测[14-15]、病虫害监测[16]和产量估测[17-18]等领域具有广泛的应用潜力，是智慧农业管理和生产决策的重要依据。

遥感技术以其经济、高效、大尺度、长时序的优点，成为区域至全球尺度LAI和Cab监测的主要手段，已形成一系列 L AI遥感数据产品[19-21]，但其空间分辨率多为千米级，时间分辨率多为8～10 d，难以满足智慧农业需求。利用遥感手段反演农作物参数的方法大致可分为基于统计模型和基于冠层反射率（canopy reflectance，CR）模型的估测方法。其中，后者对地面实测数据依赖较少，各因素的影响机理明确，更具有普适性[12,22]。然而，其估测精度受“病态反演”问题的严重影响[23]。约束“病态反演”问题，提高植被生理生化参数反演的精度与稳定性一直是定量遥感领域关注的热点、难点之一。前人研究通过模型耦合[24-25]、引入先验知识[26-28]、引入多角度遥感数据和多源数据[4,29-30]，以及改进反演策略[25,31-32]等方面来约束病态反演问题。其中，为合理分配和利用先验知识与观测数据，或增加额外的空间约束条件约束“病态反演”问题，国内外研究者将常规的单一阶段反演发展为多阶段反演，提出了多阶段目标决策（multi-stage，sample-direction dependent，target-decisions，MSDT）法和面向对象（object-based）反演法。本文旨在系统地整理和总结MSDT法和面向对象的反演方法，总结其共性，将其置于统一的“多阶段反演”概念模型之下，分析其技术难点和可能的解决途径。以期为进一步改进多阶段反演方法理清思路，为智慧农业系统快速、精确地获取农作物生理生化参数提供技术参考。

1 多阶段目标决策法（MSDT）

CR模型参数众多，而与之相关的先验知识往往难以获得，致使模型参数化存在严重的不确定性，不同的参数取值组合往往得到相似的光谱反射率。因此，反演过程中，难以得到CR模型变量的唯一最优解，造成了“病态反演”问题。针对此问题，李小文等[33]提出了MSDT反演法。本文归纳了前人基于MSDT法反演林地和农作物参数的相关研究，见表1。

表1 基于多阶段目标决策法的植被参数反演研究Table 1 Studies on retrieving vegetation variables based on MSDT method

1.1 MSDT法原理和流程

MSDT法认为遥感数据中不敏感波段无法为反演提供有效信息。因此，不应使用所有的遥感数据来反演所有的未知参数，而应分阶段反演。首先利用部分遥感数据来反演对其最敏感，最不确定的参数。在这部分参数敏感性降低后，再用遥感数据的其他子集反演其他敏感参数。采用上述方法，通过合理地分割遥感观测数据集与待反演参数集，减少反演过程中各参数的相互干扰，降低物理模型反演的不确定性，从反演过程中挖掘先验知识。

MSDT法将CR模型的反演流程拆分为多个阶段。每阶段反演前，首先评估CR模型各参数在各波段、各观测方向（有多角度观测数据时）的敏感性与不确定性，使用最敏感波段和观测方向的数据反演最不确定的参数，每阶段反演不超过 4 个参数。前阶段反演结果作为后阶段反演的先验知识，降低这部分参数的不确定性。而后，重新评估各参数的敏感性，“用观测数据的另一子集反演另一部分参数”[33]。直到反演结果满足要求，或遥感数据已经得到充分利用，而反演结果没有明显收敛为止[33-34]。

MSDT反演中，先验知识的提取与利用方法尚未统一。高峰等[34]使用左、右两个高斯函数拟合前一阶段的反演结果，采用前一阶段的反演结果作为该参数的期望值；70%～82%置信度水平下的（最大似然值-左高斯分布标准差）至（最大似然值+右高斯分布标准差）作为参数取值的软边界限制。朱小华等[40]采用反演结果80%置信区间的最大值和最小值作为该参数在下一阶段的软边界限制。冯晓明和赵英时[37]为提高效率，经试验调整，确定每阶段参与反演参数的不确定性减为原来的20%。

1.2 CR模型参数敏感性与不确定性分析方法

模型参数敏感性分析的基本原理是将模型输出结果的不确定性依据一定准则分配到各个模型参数中，从而找出关键控制参数，识别各参数的相对重要性，预测当某一参数输入发生变动（即存在“不确定性”）时，对模型输出结果带来的影响[43]。MSDT法中，参数的敏感性和不确定性是确定多阶段反演顺序的依据。李小文等[33]建议采用不确定性与敏感性矩阵（uncertainty and sensitivity matrix，USM）评价CR模型参数的敏感性，矩阵元素定义为

式中S(i,j)是第i个方向上第j个参数在特定波段的敏感性；ΔBRDF(i,j)为第i个方向的其他参数固定为期望时，第j个参数取最小、最大值造成的模拟光谱反射率的之差；BRDFexp(i)为所有参数固定为期望值时第i个方向的模拟光谱反射率。大量反演研究（表1）与模拟试验[44]表明了基于USM的MSDT反演决策的可靠性。

此外，拓展傅里叶幅度敏感性检验（extended Fourier amplitude sensitivity test，EFAST）方法[43,45]也广泛应用于模型参数敏感性评价[46-49]。EFAST方法假设模型输出总方差V由独立参数xi引起的方差Vi和各参数间交互作用引起的方差共同构成。参数xi的一阶和多阶敏感性指数分别定义为

式中Vij为参数xi通过参数xj所贡献的方差，即xi与xj的耦合方差；Vijm为参数xi通过参数xj和xm所贡献的方差；Vij至 V12…i…k表示各参数间的耦合方差。Si是参数 xi的一阶敏感性指数，反映了xi对V的直接贡献；Sij和 Sijm等是参数xi的多阶敏感性指数，反映了xi与其他参数的交互作用对V的间接贡献。当考虑参数间的交互作用时，将各阶敏感性指数之和定义为xi的总敏感性指数STi（式3），用于评价参数xi在模型中的敏感性。

一方面，由式(2)、(3)可见，EFAST方法不仅考虑CR模型参数自身变化对模拟反射率的影响，也考虑了参数间的交互作用，因此，其评价结果比局部敏感性分析方法（如USM）更全面和客观[47]。另一方面，在应用中，基于EFAST方法的CR模型参数敏感性分析通常按照图1所示的流程实现。此外，EFAST方法要求抽取参数组合的样本量大于参数个数的65倍[47]。以ACRM模型为例，欲分析其中11个主要参数[46]的敏感性，则应抽取多于715组参数取值组合代入ACRM模型，生成对应的模拟光谱以供分析。由此可见，EFAST方法的过程复杂，计算量大。未来研究中，应针对具体的CR模型，定量比较EFAST与USM等局部敏感性分析方法用于MSDT反演的优势与不足，进而深入探索将EFAST方法用于MSDT法的可行性与必要性。

图1 使用EFAST方法的CR模型参数敏感性分析流程Fig.1 Process of sensitivity analysis on CR models parameters using EFAST method

1.3 MSDT反演法的优势与局限性

针对“病态反演”问题，国内外研究者提出了基于贝叶斯网络的混合反演法[50]、基于数据同化的反演方法[51]和多阶段目标决策（MSDT）等多种反演方法。与其他方法相比，MSDT法：1）合理分割遥感数据集与待反演参数集，更有利于先验知识的合理利用和观测数据的有效分配[40]；有助于减少各个参数在反演过程中的相互影响[35]，适于农作物LAI与Cab同步反演的需要。2）由表1可见，MSDT法的适用性、有效性已在基于不同的CR模型和植被种类的研究中得到验证。

然而，其局限性在于：1）研究数量较少，笔者仅发现20a来的9篇相关文献（表1），其用于CR模型反演的有效性尚待广泛验证；2）依赖多角度或多尺度遥感数据，限制了MSDT法的适用范围，例如，表1列举的多数研究均基于多角度遥感数据开展；3）其技术方法仍处于探索阶段，远未成熟，例如MSDT法和面向对象的反演方法往往得到截然相反的多阶段反演方案（详见3.1节），又如MSDT法反演过程受CR模型参数的初始期望和取值范围影响显著（详见3.2节）。未来研究中，一方面，应深入验证和改进其技术方法，特别是其反演决策的确定方法，研究如何避免CR模型参数初始期望对反演过程的影响。另一方面，除多角度和多尺度遥感数据外，应尝试其他类型的多维度遥感数据（如超光谱和高光谱数据）用于MSDT反演的可行性以及多源数据在MSDT反演中协同应用的可行性，以拓展MSDT法的适用范围。

2 面向对象的反演方法

农田生态系统存在明显的空间特征：1）同一田块内作物品种，生长阶段，水、肥管理水平等因素基本一致，因此作物参数差异较小；相反，田块之间作物参数差异较大[52]。2）地统计理论表明，邻近像元比距离较远的像元表现出更多的相似性，因此，多数情况下，农作物参数在空间上平滑地变化[53]。

然而，常规CR模型反演中，对影像内同一种作物的不同田块应用同一套“折衷”的CR模型参数化方案，造成了一定的模型参数化误差。并且，常规CR模型反演方法逐像元独立进行反演，忽略了像元之间的空间关系，未能充分利用遥感数据所蕴含的空间信息。针对此，Atzberger[31,52]提取田块和临近像元的空间特征来约束农作物参数的遥感反演，提出了面向对象反演法。相关研究（见表2）可大致分为2类。一类是基于统计模型的面向对象反演法：利用田块的空间特征作为额外的LAI光谱特征参量，参与建立LAI的统计预测模型[52]；另一类是基于CR模型的面向对象反演法：提取田块的空间特征（主要是田块内不敏感参数及其期望）作为CR模型反演的额外约束条件[31]。限于本文主题为 CR模型多阶段反演，笔者仅关注基于CR模型的面向对象反演法。本文总结了前人基于面向对象的反演方法反演林地和农作物参数的相关研究，见表2。

表2 基于面向对象反演法的农作物参数反演研究Table 2 Studies on retrieving crop variables based on object-based method

2.1 面向对象的CR模型反演方法原理和流程

面向对象的CR模型反演方法将农作物几何结构、生理生化参数和土壤背景状况较均一的若干临近像元定义为一个“对象”。针对每个对象确定独立的参数化方案，并分阶段反演。首先，通过预反演获取对象的空间特征，即对象中具有一定空间分布规律的植被或环境参数期望值和取值范围，例如对象内空间异质性较小的SAIL模型热点因子（Hot）、Cab、叶片干物质含量（Cm）和土壤反射率（αsoil）等。以此作为先验知识，进而在对象内部逐像元反演空间异质性较显著的参数和感兴趣参数，如LAI。通过这种方法，面向对象的反演方法利用农作物参数的空间分布规律和遥感数据中的空间信息为CR模型反演提供额外的约束条件，改善模型参数优化中的不确定性。

面向对象反演的操作流程如下。第一步，在中、高分辨率遥感影像中划分对象，确保对象内部农作物参数和土壤背景状况较均一。对象一般是独立田块，也可以是邻近像元组成的移动窗。此步骤可利用目视解译、遥感影像分类或空间分割实现。第二步，预反演，即从对象中提取对象空间特征作为后续反演的先验知识。随着对象划分方法的不同，预反演过程可能包含一个或多个反演步骤。例如，Laurent等[32]首先以LAI、Cab、覆盖度（Cv）、叶片含水量（Cw）、Cm、叶肉结构参数（N）、棕色叶片占总LAI比例（fB）为自由变量，进行田块尺度4SAIL2+MODTRAN4 耦合模型的预反演。除LAI、Cab外其他参数的反演结果将作为下一步反演的先验知识。Atzberger和Richter[31]假设Hot、Cab、Cm和αsoil在3×3像元组成的移动窗内一致。据此，在移动窗内优化上述参数，再以其反演结果为先验知识，在田块尺度内优化平均叶倾角（θl）。第三步，逐像元反演。即以对象空间特征反演结果作为先验知识，在特定对象范围内逐像元反演LAI和Cab。例如，Laurent等[32]在田块内的逐像元反演中，将Cv、Cw、Cm、N、fB固定为预反演结果。Atzberger和 R ichter[31]以预反演获取的 H ot、Cab、Cm、αsoil为先验知识，在田块范围内逐像元反演LAI。

2.2 对象空间特征的提取与利用方法

面向对象的反演方法基于对象内各个像元的光谱特征提取（反演）对象空间特征，其方法可大致归为如下三类。1）求对象的平均光谱特征。Laurent等[32,54]利用对象内所有像元的平均光谱反射率反演对象空间特征。2）求对象的整体代价函数。Atzberger和Richter[31]以对象内所有像元代价函数之和作为对象空间特征反演的代价函数。3）从对象内各像元的反演结果中筛选合理的参数组合。Houborg等[25]假设，LAI反演结果达到边界值的像元数量如果超过对象内总像元数的2%，则判定该参数组合“不合理”，予以剔除。

为了利用预反演获取的对象空间特征，降低对象内逐像元LAI和Cab反演的不确定性，表2中基于CR模型的研究均利用预反演结果作为对象内对应参数的期望值。同时，CR模型参数间的相互关系也可作为反演的限制条件。例如，为了克服LAI对Cab反演的影响，Laurent等[54]基于LAI-Cab的统计关系，依据预反演的LAI值确定Cab的取值范围：当LAI＜4时，Cab最小值为10 μg/cm2；当LAI≥4时，Cab最小值为15 μg/cm2。

2.3 面向对象反演方法的优势与局限性

面向对象的CR模型反演方法起步晚，就本文的统计而言，相关研究少，但发展迅速。前人研究（见表2）表明，该方法对于约束“病态反演”现象，提高农作物参数反演的精度和稳定性效果良好。然而，其方法远未成熟，还存在一些技术难点。1）CR模型参数的空间约束条件设置缺乏试验依据，甚至仅仅是“合理”的假设。例如，Atzberger和Richter[31]假设9像元移动窗内Hot、Cab、Cm、αsoil一致；田块内θl一致；而Laurent等[54]则假设田块内 Cv、fB、Cw、Cm、N一致。不同研究的作物参数空间分布特征各异，且都缺乏田间测量数据支持。未来研究首先应基于大量的，具有统计意义的地面观测数据，详细探索特定作物的各个参数在田块内部和田块之间的空间分布规律，为合理设置空间约束条件提供依据。其次，遥感获取的某些光谱特征参量（如植被指数[55-56]、红边参量[57-58]、敏感波段的光谱反射率[59-60]、小波变换得到的特征量[61]等）与CR模型某些参数显著相关。在面向对象的反演中，可以基于这些参量与模型参数的相关关系，利用光谱数据和（或）相关遥感数据产品，考察模型参数的空间分布，为合理设置空间约束条件提供依据。2）一方面，对象空间特征提取结果缺乏验证，易误导对象内逐像元LAI和Cab反演。另一方面，对象空间特征在后续逐像元反演中的最佳表达与利用方法尚缺乏科学对比，详见3.3节。

3 多阶段反演方法的共性问题与可能的解决途径

由上文总结可见，MSDT法和面向对象反演法的基本思路都是将CR模型反演过程划分为多个阶段，前一阶段反演结果作为后阶段反演的先验知识。两种方法区别在于反演决策的依据不同（见图2）。MSDT法利用CR模型参数的敏感性决定反演流程；而面向对象的反演方法利用参数的空间分布规律决定反演流程。因此，本文将两种方法统称为“多阶段反演方法”，其概念模型见图2。

图2 多阶段反演法概念模型Fig.2 Conceptual framework of multi-step inversion

3.1 反演决策合理性和有效性

合理的反演决策是多阶段反演达到预期目标的前提。然而，前人研究提出的多阶段反演决策还存在不足之处。

就反演顺序而言，MSDT法认为应当优先利用部分观测数据反演对其最敏感，最不确定的参数，待其不确定性降低后，再用观测数据的另一子集反演另一部分参数[33-34,37,40]。而面向对象的反演往往在最初的预反演阶段将CR模型所有敏感参数设为自由变量，提取田块内空间异质性较小的，往往也是相对不敏感的参数特征[24-25,31-32,54]。可见，从光谱特征、空间特征两方面挖掘先验知识的不同考虑得到了截然相反的多阶段反演方案，这显然是不合理的。然而，国内外多阶段反演方法研究刚刚起步，目前仍缺乏对其反演决策合理性和有效性的比较研究和科学论证。未来应依据反演试验结果，系统、科学地比较多阶段反演方案，将MSDT法与面向对象反演方法有机结合，在统一的多阶段反演技术框架下，制定更加合理的反演决策方法。

3.2 CR模型参数化精度对多阶段反演的影响

多阶段反演过程中，当CR模型参数的期望值显著偏离真值时，一方面，如果未参与反演的参数被固定于错误的期望值，将造成模型参数化误差，误导反演过程；另一方面，如果MSDT法的待反演参数取值范围不当，将造成敏感性与不确定性评价结果有误，导致反演顺序决策错误，致使反演失败[34,62]。可见，参数的期望值和取值范围对多阶段反演有明显影响。为了提高模型参数化精度，前人从以下方面获取关于CR模型参数的先验知识，1）参数的空间分布规律。例如，Houborg等[25]假设土壤反射率在小区域内一致，利用 L AI＜0.5的像元反演土壤反射率参数（s1和s2），作为后续反演的先验知识。然而，不同田块间由于耕作方法和灌水量的不同，土壤反射率往往存在明显差异。一个田块上获取的s1和s2能否用于另一田块仍缺少科学论证。2）多尺度遥感数据。例如，冯晓明与赵英时[37]利用小波变换，将MISR（multiangle imaging spectro radiometer）多角度遥感影像分解为4个不同尺度，分别进行MSDT反演。以大尺度反演结果作为先验知识参与小尺度反演。然而，大尺度反演时，仍缺少辅助CR模型参数化的先验知识。3）地面观测数据。例如，朱小华等[40]继承了“大尺度反演为小尺度反演提供先验知识”的思路，并以地面实测地表参数作为大尺度（1 km分辨率）反演的先验知识。然而，由于点状地面数据与面状遥感数据的尺度差异，地面数据可能无法反映1 km尺度上的真实情况[63]。加之将实测数据用于最大尺度的模型参数化，使得尺度效应最大化。与广泛采用的，以高分辨率遥感数据作为桥梁，将地表观测数据向中、低分辨率进行尺度转换的技术路线[64-66]相矛盾。4）遥感产品（例如MODIS LAI产品）。Houborg等[25,67]利用MODIS LAI数据产品辅助CR模型参数化。然而，首先，现有LAI产品的空间分辨率普遍较低[19]，与小尺度研究广泛采用的米级至30 m级遥感数据之间存在尺度效应；其次，LAI遥感产品普遍存在一定的系统误差，若缺少地面测量数据则无法加以验证和消除[68]。

综上所述，多阶段反演受CR模型参数的初始期望和取值范围影响显著，依赖先验知识。参数的空间分布规律、同区域不同尺度反演结果、地面实测数据或遥感数据产品四方面信息都在一定程度上反映了地表植被参数的真实状况，但都有其各自的局限，也就是说，往往缺乏全面、可靠的关于CR模型参数的先验知识。未来研究中，一方面，应深入探索CR模型参数化误差对多阶段反演的影响，探索减小上述影响的反演策略。另一方面，近年来尺度转换与多尺度验证方法逐渐发展完善[63,69-70]；高空间分辨率遥感数据，特别是无人机遥感数据逐渐普及[71]，为地面实测数据与遥感数据协同应用提供了一定的方法和物质基础。尝试利用高分辨率卫星和无人机遥感数据，并结合上述四方面先验知识，实现“天空地一体化”的农情信息获取，进而利用尺度转换方法从中挖掘先验知识，是提高CR模型参数化精度的一个值得尝试的研究方向。

3.3 反演误差逐级传递

多阶段反演过程中，先验知识逐步积累，反演误差也逐级传递。前一阶段反演和先验知识提取的准确性影响后续各阶段反演。因此，1）应尝试验证每一阶段的反演精度，发现并修正可能存在的系统误差和极端异常值。以往研究缺乏对前一阶段反演结果的验证方法。未来研究中，可以尝试利用适量的地面观测数据、光谱特征参量和相关遥感产品，识别并纠正前阶段反演中的误差。例如，Fang和Liang利用土壤反射率指数（soil reflectance index，SRI）简化了GeoSAIL模型中土壤反射率的参数化[55]。在多阶段反演中，则可以尝试将利用SRI识别土壤反射率反演的极端异常值。2）后阶段反演应当合理利用前阶段反演结果，避免反演误差的影响。由于前一阶段反演的随机误差和田块内部空间异质性不可避免，导致即使前阶段没有明显反演错误，其反演结果与真实值仍存在一定差异。因此，如果基于前阶段反演结果，过度限制后阶段反演中参数（特别是较敏感参数，例如，基于近红外波段反演时的LAI、比叶重（specific leaf weight，SLW）和平均叶倾角[46]）的取值范围，那么，其参数化误差将显著影响后续反演。未来研究应针对各个参数的敏感性和空间异质性，分别制定多阶段参数优化方案。先验知识可靠性无法保障时，应该避免固定敏感或空间异质性强的参数，而应结合前期反演所得到的期望和方差，在不引入显著参数化误差的情况下，谨慎缩小其不确定性范围。例如，Atzberger和Richter[31]假设3×3像元移动窗内Hot、Cab、Cm和αsoil一致，但允许上述参数在田块范围内有所变化。在限制“病态反演”问题的同时考虑对象内部客观存在的参数空间异质性，防止先验知识的误差误导反演，防止反演误差累积。

4 结 论

多阶段目标决策（multi-stage，sample-direction dependent,target-decisions，MSDT）法与面向对象反演法可归纳为“多阶段反演”。其优势在于：1）每阶段只反演部分参数，从而减少CR模型参数优化的不确定性，改善“病态反演”问题。2）从前一阶段反演结果和（或）遥感影像的空间信息中提取先验知识，更有利于先验知识的合理利用和观测数据的有效分配。多阶段反演法在反演决策合理性和有效性、CR模型参数化精度对多阶段反演的影响，以及反演误差逐级传递方面还存在技术难点。未来研究应重点从以下方面对多阶段反演法加以改进。1）将MSDT法与面向对象反演方法有机结合，在统一的多阶段反演技术框架下，制定更加合理的反演决策方法。2）尝试 “天空地一体化”的农情信息获取，进而利用尺度转换方法从中挖掘先验知识，提高CR模型参数化精度。3）尝试识别并纠正前阶段反演中的误差。4）合理利用前阶段反演结果，避免反演误差的影响。

[1] 霍建英，史文娟，彭程. 杨凌智慧农业发展现状问题及对策[J]. 西安邮电大学学报，2012，17(4)：100－103. Huo Jianying,Shi Wenjuan,Peng Cheng. The current problem and strategy of intelligent agriculture in Yangling[J]. Journal of Xi’an University of Posts and Telecommunications,2012,17(4):100－103.(in Chinese with English abstract)

[2] 李道亮. 物联网与智慧农业[J]. 农业工程，2012，2(1)：1－7. Li Daoliang. Internet of things and wisdom agriculture[J]. Agricultural Engineering,2012 2(1):1－7.(in Chinese with English abstract)

[3] Chen J M,Black T. Defining leaf area index for non-flat leaves[J]. Plant,Cell &Environment,1992,15(4):421－429.

[4] Verrelst J,Romijn E,Kooistra L. Mapping vegetation density in a heterogeneous river floodplain ecosystem using pointable CHRIS/PROBA data[J]. Remote Sensing,2012,4(12):2866－2889.

[5] Bala G,Joshi J,Chaturvedi R K,et al. Trends and variability of AVHRR-derived NPP in India[J]. Remote Sensing,2013,5(2):810－829.

[6] Doughty C E,Goulden M L. Seasonal patterns of tropical forest leaf area index and CO2exchange[J]. Journal of Geophysical Research Atmospheres,2008,113(G1):440－445.

[7] Palmer A R,Fuentes S,Taylor D,et al. Towards a spatial understanding of water use of several land-cover classes:an examination of relationships amongst pre-dawn leaf water potential,vegetation water use,aridity and MODIS LAI[J]. Ecohydrology,2010,3(1):1－10.

[8] Netto A T,Campostrini E,de Oliveira J G,et al. Photosynthetic pigments,nitrogen,chlorophyll a fluorescence and SPAD-502 readings in coffee leaves[J]. Scientia Horticulturae,2005,104(2):199－209.

[9] Houborg R,Cescatti A,Migliavacca M,et al. Satellite retrievals of leaf chlorophyll and photosynthetic capacity for improved modeling of GPP[J]. Agricultural and Forest Meteorology,2013,177(1):10－23.

[10] 李柏贞，周广胜. 干旱指标研究进展[J]. 生态学报，2014，34(5)：1043－1052. Li Bozhen,Zhou Guangsheng. Advance in the study on drought index[J]. Acta Ecologica Sinica,2014,34(5):1043－ 1052.(in Chinese with English abstract)

[11] 王维，陈建军，吕永华，等. 烤烟氮素营养诊断及精准施肥模式研究[J]. 农业工程学报，2012，28(9)：77－84. Wang Wei,Chen Jianjun,Lü Yonghua,et al. Research on nitrogen nutrition diagnosis and precision fertilizing model for flue-cured tobacco[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(9):77－84.(in Chinese with English abstract)

[12] Atzberger C,Darvishzadeh R,Immitzer M,et al. Comparative analysis of different retrieval methods for mapping grassland leaf area index using airborne imaging spectroscopy[J]. International Journal of Applied Earth Observation and Geoinformation,2015,43:19－31.

[13] Zhu Z,Bi J,Pan Y,et al. Global data sets of vegetation leaf area index(LAI) 3g and Fraction of Photosynthetically Active Radiation(FPAR) 3g derived from Global Inventory Modeling and Mapping Studies(GIMMS) Normalized Difference Vegetation Index(NDVI3g) for the period 1981 to 2011[J]. Remote Sensing,2013,5(2):927－948.

[14] Sakamoto T,Shibayama M,Kimura A,et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing,2011,66(6):872－882.

[15] 宋晓宇，王纪华，黄文江，等. 变量施肥条件下冬小麦长势及品质变异遥感监测[J]. 农业工程学报，2009，25(9)：155－162. Song Xiaoyu,Wang Jihua,Huang Wenjiang,et al. Monitoring spatial variance of winter wheat growth and grain quality under variable-rate fertilization conditions by remote sensing data[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2009,25(9):155－162.(in Chinese with English abstract)

[16] Das D K,Pradhan S,Sehgal V K,et al. Spectral reflectance characteristics of healthy and yellow mosaic virus infected soybean(Glycine max L.) leaves in a semiarid environment [J]. Journal of Agrometeorology,2013,15(1):36－38.

[17] Fang H,Liang S,Hoogenboom G. Integration of MODIS LAI and vegetation index products with the CSM-CERESMaize model for corn yield estimation[J]. International Journal of Remote Sensing,2011,32(4):1039－1065.

[18] 李树强，李民赞. 基于车载近地遥感系统的冬小麦生育早期产量估测方法[J]. 农业工程学报，2014，30(3)：120－127. Li Shuqiang,Li Minzan. Yield estimation of winter wheat in early growth periods by vehicle-borne ground-based remote sensing system[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2014,30(3):120－127.(in Chinese with English abstract)

[19] 梁顺林，张晓通，肖志强，等. 全球陆表特征参量（GLASS）产品算法、验证与分析[M]. 北京：高等教育出版社，2014.

[20] Justice C O,Townshend J R G,Vermote E F,et al. An overview of MODIS Land data processing and product status [J]. Remote Sensing of Environment,2002,83(1/2):3－15.

[21] Baret F,Hagolle O,Geiger B,et al. LAI,fAPAR and fCover CYCLOPES global products derived from VEGETATION[J]. Remote Sensing of Environment,2007,110(3):275－286.

[22] Yao Y,Liu Q,Liu Q,et al. LAI retrieval and uncertainty evaluations for typical row-planted crops at different growth stages[J]. Remote Sensing of Environment,2008,112(1):94－106.

[23] Combal B,Baret F,Weiss M,et al. Retrieval of canopy biophysical variables from bidirectional reflectance:Using prior information to solve the ill-posed inverse problem[J]. Remote Sensing of Environment,2002,84(1):1－15.

[24] Houborg R,Anderson M,Daughtry C. Utility of an image-based canopy reflectance modeling tool for remote estimation of LAI and leaf chlorophyll content at the field scale[J]. Remote Sensing of Environment,2009,113(1):259－274.

[25] Houborg R,McCabe M,Cescatti A,et al. Joint leaf chlorophyll content and leaf area index retrieval from Landsat data using a regularizedmodel inversion system(REGFLEC)[J]. Remote Sensing of Environment,2015,159:203－221.

[26] Duan S B,Li Z L,Wu H,et al. Inversion of the PROSAIL model to estimate leaf area index of maize,potato,and sunflower fields from unmanned aerial vehicle hyperspectral data[J]. International Journal of Applied Earth Observation and Geoinformation,2014,26(2):12－20.

[27] Darvishzadeh R,Skidmore A,Schlerf M,et al. Inversion of a radiative transfer model for estimating vegetation LAI and chlorophyll in a heterogeneous grassland[J]. Remote Sensing of Environment,2008,112(5):2592－2604.

[28] Si Y,Schlerf M,Zurita-Milla R,et al. Mapping spatiotemporal variation of grassland quantity and quality using MERIS data and the PROSAIL model[J]. Remote Sensing of Environment,2012,121:415－425.

[29] Lauvernet C,Baret F,Hascoët L,et al. Multitemporal-patch ensemble inversion of coupled surface-atmosphere radiative transfer models for land surface characterization[J]. Remote Sensing of Environment,2008,112(3):851－861.

[30] Bacour C,Jacquemoud S,Leroy M,et al. Reliability of the estimation of vegetation characteristics by inversion of three canopy reflectance models on airborne polder data[J]. Agronomie,2002,22(6):555－565.

[31] Atzberger C,Richter K. Spatially constrained inversion of radiative transfer models for improved LAI mapping from future Sentinel-2 imagery[J]. Remote Sensing of Environment,2012,120:208－218.

[32] Laurent V C E,Schaepman M E,Verhoef W,et al. Bayesian object-based estimation of LAI and chlorophyll from a simulated Sentinel-2 top-of-atmosphere radiance image[J]. Remote Sensing of Environment,2014,140:318－329.

[33] 李小文，高峰，王锦地，等. 遥感反演中参数的不确定性与敏感性矩阵[J]. 遥感学报，1997，1(1)：5－14. Li Xiaowen,Gao Feng,Wang Jindi,et al. Uncertainty and sensitivity matrix of parameters in inversion of physical BRDF model[J]. Journal of Remote Sensing,1997,1(1):5－14.(in Chinese with English abstract)

[34] 高峰，李小文，夏宗国，等. 基于知识的分阶段不确定性多角度遥感反演[J]. 中国科学：D辑 地球科学，1998，28(4)：346－350.

[35] 颜春燕，刘强，牛铮，等. 植被生化组分的遥感反演方法研究[J]. 遥感学报，2004，8(4)：300－308. Yan Chunyan,Liu Qiang,Niu Zheng,et al. Inversion of vegetation biochemicals by remote sensing[J]. Journal of Remote Sensing,2004,8(4):300－308.(in Chinese with English abstract)

[36] Feng X,Chen Y,Zhao Y. Research on the spectraldirectional soil model in a new remote sensing reflectance model of the semiarid landscape[C]//IGARSS 2004. 2004 IEEE International Geoscience and Remote Sensing Symposium,Anchorage,AK,2004,7:4662-4665.

[37] 冯晓明，赵英时. 多角度卫星遥感多阶段目标决策反演研究[J]. 中国科学：D辑 地球科学，2006，36(7)：672－679.

[38] Feng X,Zhao Y. On MSDT inversion with multi-angle remote sensing data[J]. Science in China Series D:Earth Sciences,2007,50(3):422－429.

[39] 万华伟，王锦地，梁顺林，等. 联合MODIS与MISR遥感数据估算叶面积指数[J]. 光谱学与光谱分析，2009，29(11)：3106－3111. Wan Huawei,Wang Jindi,Liang Shunlin,et al. Estimating leaf area index by fusing MODIS and MISR data[J]. Spectroscopy and Spectral Analysis,2009,29(11):3106－3111.(in Chinese with English abstract)

[40] 朱小华，冯晓明，赵英时. 基于LAI空间知识的多尺度多阶段目标决策反演[J]. 中国科学：D辑 地球科学，2012，42(2)：246－255. Zhu Xiaohua,Feng Xiaoming,Zhao Yingshi. Multi-scale MSDT inversion based on LAI spatial knowledge[J]. Science China:Earth Science,2012,42(2):246－255.(in Chinese with English abstract)

[41] Zhu X,Feng X,Zhao Y. Multi-scale MSDT inversion based on LAI spatial knowledge[J]. Science China:Earth Sciences,2012,55(8):1297－1305.

[42] Ma H,Song J,Wang J,et al. Improvement of spatially continuous forest LAI retrieval by integration of discrete airborne LiDAR and remote sensing multi-angle optical data[J]. Agricultural and Forest Meteorology,2014,189－190(189/190):60－70.

[43] Saltelli A,Tarantola S,Campolongo F. Sensitivity Analysis in Practice:A Guide to Assessing Scientific Models[M]. Chichester:John Wiley &Sons Inc.,2004.

[44] LI X,Wang J,Hu B,et al. On utilization of a priori knowledge in inversion of remote sensing models[J]. Science in China:Series D,1998,41(6):580－585.

[45] Saltelli A,Tarantola S,Chan K P S. A quantitative modelindependent method for global sensitivity analysis of model output[J]. technometrics,1999,44(1):39－39.

[46] 刘轲，周清波，吴文斌，等. 基于多光谱与高光谱遥感数据的冬小麦叶面积指数反演比较[J]. 农业工程学报，2016，32(3)：155－162. Liu Ke,Zhou Qingbo,Wu Wenbin,et al. Comparison between multispectral and hyperspectral remote sensing for LAI estimation[J]. Transactions of the Chinese Society ofAgricultural Engineering(Transactions of the CSAE),2016,32(3):155－162.(in Chinese with English abstract)

[47] 何维，杨华. 模型参数全局敏感性分析的EFAST方法[J].遥感技术与应用，2013，28(5)：836－843. He Wei,Yang Hua. EFAST method for global sensitivity analysis of remote sensing model’s parameters[J]. Remote sensing technology and application,2013,28(5):836－843.(in Chinese with English abstract)

[48] Bowyer P,Danson F. Sensitivity of spectral reflectance to variation in live fuel moisture content at leaf and canopy level[J]. Remote Sensing of Environment,2004,92(3):297－308.

[49] Ma C,Li X,Wang S. A Global Sensitivity Analysis of Soil Parameters Associated With Backscattering Using the Advanced Integral Equation Model[J]. IEEE Transactions on Geoscience and Remote Sensing,2015,53(10):5613－5623.

[50] Qu Y,Wang J,Wan H,et al. A Bayesian network algorithm for retrieving the characterization of land surface vegetation [J]. Remote Sensing of Environment,2008,112(3):613－622.

[51] 赵虎，裴志远，马尚杰，等. WOFOST 模型同化时序HJ CCD数据反演叶面积指数[J]. 农业工程学报，2012，28(11)：158－163. Zhao Hu,Pei Zhiyuan,Ma Shangjie,et al. Retrieving LAI by assimilating time series HJ CCD with WOFOST[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2012,28(11):158－163.(in Chinese with English abstract)

[52] Atzberger C. Object-based retrieval of biophysical canopy variables using artificial neural nets and radiative transfer models[J]. Remote Sensing of Environment,2004,93(1/2):53－67.

[53] Curran P J,Atkinson P M. Geostatistics and remote sensing [J]. Progress in Physical Geography,1998,22(1):61－78.

[54] Laurent V C E,Verhoef W,Damm A,et al. A Bayesian object-based approach for estimating vegetation biophysical and biochemical variables from APEX at-sensor radiance data[J]. Remote Sensing of Environment,2013,139:6－17.

[55] Fang H,Liang S. A hybrid inversion method for mapping leaf area index from MODIS data:Experiments and application to broadleaf and needleleaf canopies[J]. Remote Sensing of Environment,2005,94(3):405－424.

[56] Broge N H,Leblanc E. Comparing prediction power and stability of broadband and hyperspectral vegetation indices for estimation of green leaf area index and canopy chlorophyll density[J]. Remote Sensing of Environment,2000,76(2):156－172.

[57] Herrmann I,Pimstein A,Karnieli A,et al. LAI assessment of wheat and potato crops by VENμS and Sentinel-2 bands[J]. Remote Sensing of Environment,2011,115(8):2141－2151.

[58] Pu R,Gong P,Biging G S,et al. Extraction of red edge optical parameters from Hyperion data for estimation of forest leaf area index[J]. IEEE Trans Geosci Remote Sens,2003,41(4):916－921.

[59] Houborg R,Boegh E. Mapping leaf chlorophyll and leaf area index using inverse and forward canopy reflectance modeling and SPOT reflectance data[J]. Remote Sensing of Environment,2008,112(1):186－202.

[60] 夏天，吴文斌，周清波，等. 冬小麦叶面积指数高光谱遥感反演方法对比[J]. 农业工程学报，2013，29(3)：139－147. Xia Tian,Wu Wenbin,Zhou Qingbo,et al. Comparison of two inversion methods for winter wheat leaf area index based on hyperspectral remote sensing[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2013,29(3):139－147.(in Chinese with English abstract)

[61] Pu R,Gong P. Wavelet transform applied to EO-1 hyperspectral data for forest LAI and crown closure mapping[J]. Remote Sensing of Environment,2004,91(2):212－224.

[62] 李小文，王锦地，胡宝新，等. 先验知识在遥感反演中的作用[J]. 中国科学：D辑，1998，28(1)：67－72.

[63] 彭菁菁，刘强，闻建光，等. 卫星反照率产品的多尺度验证与不确定性分析[J]. 中国科学：地球科学，2015，45(1)：66－82. Peng Jingjing,Liu Qiang,Wen Jianguang,et al. Multi-scale validation strategy for satellite albedo products and its uncertainty analysis[J]. Science China:Earth Sciences,2015,45(1):66－82.(in Chinese with English abstract)

[64] Wang K,Liu J,Zhou X,et al. Validation of MODIS global land surface albedo product using ground measurements in a semidesert region on the Tibetan Plateau[J]. Journal of Geophysical Research Atmospheres,2004,109(5):385－399.

[65] 家淑珍，马明国，于文凭. 黑河中游LAI产品的真实性检验研究[J]. 遥感技术与应用，2014，29(6)：1037－1045. Jia Shuzhen,Ma Mingguo,Yu Wenping. Validation of the LAI product in Heihe River Basin[J]. Remote Sensing Technology and Application,2014,29(6):1037－1045.(in Chinese with English abstract)

[66] 赵海军，纪力强. 大尺度生物多样性评价[J]. 生物多样性，2003，11(1)：78－85. Zhao Haijun,Ji Liqiang. Biodiversity assessment at broad scale[J]. Biodiversity Science,2003,11(1):78－85.(in Chinese with English abstract)

[67] Houborg R,Soegaard H,Boegh E. Combining vegetation index and model inversion methods for the extraction of key vegetation biophysical parameters using Terra and Aqua MODIS reflectance data[J]. Remote Sensing of Environment,2007,106(1):39－58.

[68] 张仁华，田静，李召良，等. 定量遥感产品真实性检验的基础与方法[J]. 中国科学：地球科学，2010，40(2)：211－222. Zhang Renhua,Tian Jing,Li Zhaoliang,et al. Principles and methods for the validation of quantitative remote sensing products[J]. Science China:Earth Science,2010,40(2):211－222.(in Chinese with English abstract)

[69] Mayr M,Samimi C. Comparing the dry season in-situ leaf area index(LAI) derived from high-resolution RapidEye imagery with MODIS LAI in a Namibian savanna[J]. Remote Sensing,2015,7(4):4834－4857.

[70] Tao X,Yan B,Wang K,et al. Scale transformation of Leaf Area Index product retrieved from multiresolution remotely sensed data:analysis and case studies[J]. International Journal of Remote Sensing,2009,30(20):5383－5395.

[71] Shi Y,Ji S,Shao X,et al. Framework of SAGI agriculture remote sensing and its perspectives in supporting national food security[J]. Journal of Integrative Agriculture,2014,13(7):1443－1450.

Review on multi-stage inversion techniques of canopy reflectance models for retrieving crop variables

Liu Ke1,Huang Ping1※,Ren Guoye1,Zhou Qingbo2,Li Yuanhong1,Wang Si1,Dong Xiuchun1
(1. Institute of Remote Sensing Application,Sichuan Academy of Agricultural Science /Chengdu Branch of Remote Sensing Application Center,Ministry of Agriculture,Chengdu 610066,China;2. Institute of Agricultural Resources and Regional Planning,Chinese Academy of Agricultural Sciences /Key Laboratory of Agri-informatics,Ministry of Agriculture,Beijing 100081,China)

Remote sensing technique is known as an inexpensive and effective tool for retrieving crop variables in a large area. The existing methodologies can be identified into two categories:the methodologies based on statistical predictive models and the methodologies based on canopy reflectance(CR) models inversion. The latter is relatively universal. Thus,it has great potential in wisdom agriculture for crop monitoring in regional scale. However,CR model inversions suffer from the so-called“ill-posed problem”. Therefore,the multi-stage,sample-direction dependent,target-decisions(MSDT) inversion technique and the object-based inversion technique were previously proposed. They are similar in technical routes:the progress of an inversion is partitioned into several stages. In each stage,only a part of variables were estimated. The results of preliminary stages are used as prior knowledge of later stages of inversion. In this way,the uncertainties in parameter optimization are reduced,the ill-posed problem is therefore limited. Concretely speaking,the MSDT method firstly estimates the sensitivity and uncertainties of variables before each stage of inversion. The most sensitive and uncertain variables were firstly retrieved using a subset of remote sensing data which is sensitive to the retrieved variables. The scheme of parameterization is then updated based on the preliminary results. Another subset of sensitive variables was subsequently retrieved using another subset of sensitive data. The object-based inversion defines an “object” as a plot or a gliding window,in which the crop has similar attributes. Such attributes are referred to as “object signatures”. A remotely sensed image is firstly segmented into objects. Within each object,object signatures are firstly retrieved,and used as prior knowledge in subsequent pixel-wise retrieval of spatial heterogeneous or interested variables. In this way,spatial constrains,i.e.,the spatial distribution of variables,are extracted and imposed on the inversion. It can be seen the MSDT and object-based inversion essentially follow the same procedure. The major difference between them is that MSDT method makes the scheme of inversion according to the sensitivity and uncertainty of variables,while object-based inversion is based on the spatial distribution of variables. In this review,MSDT and object-based inversions were summarized into an integrated conceptual framework of “multi-stage inversion”. Based on this framework,the following technical problems and the potential solutions can be summarized as follows. 1) The schemes of MSDT and object-based inversions are practically in conflict. In future studies,multi-step inversion strategies need further comparison,verification and improvement to ensure their rationality and effectiveness. The thoughts of MSDT and object-based inversions should be integrated,to develop more sophisticated inversion schemes under the conceptual framework of multi-step inversion. 2) Multi-step inversions might be significantly affected by the accuracy of preliminary parameterization of CR model. In future studies,the integrated application of multi-sources data could be helpful for CR model parameterization,and for detecting errors in each stage of inversion. For instance,same variables can be retrieved from satellite,aerial and ground remote sensing data,or obtained directly from in-situ measurements and existing remote sensing products. With approaches of scale transformation,the variables retrieved from multi-source data can be compared,in order to obtain prior-knowledge,or detect error in inversions. 3) Multi-step inversions might be distorted by error propagation. In future studies,on the one hand,gross errors and systematic errors should be detected and corrected in each stage of inversion according to the statistical distributions of retrieved variables,or by using multiple data sources. On the other hand,the schemes of multi-step parameter optimization should be customized for each variable according to its sensitivity and spatial heterogeneity. Not to fix sensitive or spatially heterogeneous variables if the accuracy and reliability of prior knowledge or the preliminary inversions could not be guaranteed.

remote sensing;models;crops;MSDT(multi-stage,sample-direction dependent,target-decisions);object-based;multi-stage inversion;crop variables

10.11975/j.issn.1002-6819.2017.01.026

S126；TP79

A

1002-6819(2017)-01-0190-09

刘 轲，黄 平，任国业，周清波，李源洪，王 思，董秀春. 基于冠层反射率模型的作物参数多阶段反演方法研究进展[J]. 农业工程学报，2017，33(1)：190－198.

10.11975/j.issn.1002-6819.20 17.01.026 http://www.tcsae.org

Liu Ke,Huang Ping,Ren Guoye,Zhou Qingbo,Li Yuanhong,Wang Si,Dong Xiuchun.Review on multi-stage inversion techniques of canopy reflectance models for retrieving crop variables[J]. Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(1):190－198.(in Chinese with English abstract)doi：10.11975/j.issn.1002-6819.2017.01.026 http://www.tcsae.org

2016-05-17

2016-10-21

四川省财政创新能力提升工程青年基金（2015QNJJ-023）；四川省财政创新能力提升工程新兴学科专项（2013XXXK-024）；四川省财政创新能力工程高新领域扩展专项基金（2016GXTZ-011）

刘 轲，男，四川攀枝花人，助理研究员，主要从事农作物参数遥感反演方法研究，高光谱与无人机遥感影像应用研究。成都 四川省农业科学院遥感应用研究所，610066；Email：billc_st@163.com

※通信作者：黄 平，男，四川通江人，高级会计师。主要从事农业经济研究、智慧农业系统技术集成研究。成都 四川省农业科学院遥感应用研究所，610066；Email：546991325@qq.com