伊力哈穆江?艾尼彎 孔翠翠 馬利剛 楊曉東

摘要 首先利用Landsat8 OLI和GF-1 WFV衛(wèi)星的多光譜影像分別對新疆阿勒泰科克蘇濕地的離散水體進行支持向量機模型分類和最大似然模型分類，以選出最佳的分類模型;然后對Landsat8 OLI和GF-1 WFV影像分別提取灰度共生矩陣紋理特征、Getis指數特征和Moran’I指數特征，并與其對應的多光譜影像進行組合得到包括原始多光譜影像在內的7種組合特征集，利用選出的最佳分類模型對特征集進行離散水體提取，對其精度檢驗結果進行對比。結果表明，對Landsat8 OLI和GF-1 WFV衛(wèi)星的多光譜影像同時引入Getis指數特征和灰度共生矩陣紋理特征能夠明顯提高分類精度，Landsat8 OLI影像Kappa系數從0.815 7提高到0.922 3，總體精度從94.25%提高到97.50%;GF-1 WFV影像的Kappa系數從0.832 6提高到0.932 4，總體精度從94.75%提高到98.25%。綜合可知，Getis指數和灰度共生矩陣同時作為新的特征波段引入到多光譜影像上，對于離散水體信息提取具有積極效果。

關鍵詞 濕地;離散水體;空間自相關;紋理特征;灰度共生矩陣;中分辨率影像

中圖分類號 TP79? 文獻標識碼 A? 文章編號 0517-6611（2022）11-0050-06

doi：10.3969/j.issn.0517-6611.2022.11.014

開放科學（資源服務）標識碼（OSID）：

Research on the Extraction of Discrete Water Body in Wetland Based on Medium-resolution Image—Taking Altay Kekesu Wetland in Xinjiang as an Example

Elhamjan·Anwar1，2，KONG Cui-cui1，2，MA Li-gang1，2 et al

（1. Key Laboratory of Oasis Ecology， Ministry of Education， Urumqi，Xinjiang 830046;2. College of Resources and Environmental Sciences， Xinjiang University， Urumqi，Xinjiang 830046）

Abstract Firstly，multi-spectral images of Landsat8 OLI and GF-1 WFV satellites were used to classify the discrete water bodies in Altay Kekesu Wetland in Xinjiang respectively by support vector machine model and maximum likelihood model， so as to select the best classification model. Then， the gray level co-occurrence matrix texture feature， Getis index feature and Moran'I index feature were extracted from Landsat8 OLI and GF-1 WFV images， respectively，and corresponding multispectral images were combined seven kinds of combinations， including the original multispectral image feature set.The selected best classification model was used to extract discrete water bodies from the feature sets， and the accuracy test results were compared.The results showed that the multi-spectral images of Landsat8 OLI and GF-1 WFV satellites could significantly improve the classification accuracy by introducing Getis index feature and grayscale co-existing matrix texture feature at the same time， which made the Kappa coefficient of Landsat8 OLI image increase from 0.815 7 to 0.922 3， and the overall accuracy increase from 94.25% to 97.50%. The Kappa coefficient of GF-1 WFV image was increased from 0.832 6 to 0.932 4， and the overall accuracy was increased from 94.75% to 98.25%. It can be concluded that both Getis index and grayscale symbiosis matrix were introduced into multi-spectral images as new characteristic bands at the same time， which had a positive effect on information extraction of discrete water bodies.

Key words Wetland;Discrete water bodies;Spatial autocorrelation;Texture features;Gray level co-occurrence matrix;Medium-resolution imagery

濕地是水文狀況的調節(jié)者，是某種獨特植物區(qū)系和動物區(qū)系賴以存活的生境，具有重大經濟價值、文化價值和科學價值，一旦完全喪失將不可逆[1]。近年來，由于人類開發(fā)和氣候變化的雙重影響，引起了生物多樣性銳減，水土流失、土壤沙化等一系列生態(tài)環(huán)境問題，濕地退化成為全球性現象[2-3]。

新疆維吾爾自治區(qū)位于我國西部邊陲，受溫帶大陸性干旱氣候控制，當地降水量較少，且存在季節(jié)性的特點。相對其他地區(qū)濕地，干旱區(qū)濕地對氣候變化和人類活動的響應更為敏感，極易受到當地工農業(yè)用水和生活用水的影響[4]。中上游地區(qū)工農業(yè)用水的增加使得濕地面積退化相當嚴重。據估算，新疆的典型濕地如艾比湖濕地、博斯騰湖濕地，在過去30年縮減了10%～20%[5-7]。為了改善和恢復退化的濕地，當地政府采用了一系列生態(tài)補水的工程，目前已取得了較好的成果，其中以漓漫灌溉為手段的輸水性工程發(fā)揮了最突出作用。漓漫灌溉指的是為保護和恢復河谷和濕地生態(tài)系統(tǒng)，根據流域內河谷和濕地生態(tài)系統(tǒng)需水要求及生態(tài)分區(qū)，利用水庫群生態(tài)調度，人為營造流域內河流洪峰，通過生態(tài)水利工程調控水流量，在生態(tài)系統(tǒng)最缺水季節(jié)，精細化地對河流和濕地生態(tài)系統(tǒng)補水的方式[8]。不同于大水漫灌，漓漫灌溉主要目的是用最少的水資源發(fā)揮最大的生態(tài)價值。當前，漓漫灌溉在新疆尤其是在阿勒泰地區(qū)已實施多年，在生態(tài)系統(tǒng)保護與恢復中的作用顯著。但是，該生態(tài)水利工程實施時，由于水域離散造成輸水面積擴散，較難實時動態(tài)監(jiān)測漓漫灌溉的補水區(qū)域，它的工程效果難以準確評估。

遙感手段在干旱區(qū)水體流域監(jiān)測、濕地面積動態(tài)監(jiān)測等方面已有很多的研究，主要涉及技術以可見光遙感和微波遙感為主[9]。在研究尺度方面也已經有了大量探索，如單個湖泊或濕地尺度、流域尺度和區(qū)域尺度[10]。然而，目前針對干旱區(qū)濕地的離散水域，尤其是實施“漓漫灌溉”水利工程影響的水域的提取研究還十分欠缺。這是因為在干旱區(qū)離散水域，低空間分辨率影像在提取水體信息時誤差較大，高空間分辨率遙感影像覆蓋范圍小、費用昂貴，且時間分辨率也難以保證漓漫灌溉水利工程實施前后的全程監(jiān)測與評估。因此，研究合適的方法針對干旱區(qū)流域尺度離散水體進行監(jiān)測評估十分迫切。此外，對于進行生態(tài)補水濕地而言，漓漫灌溉前后水體分布差異較大，在進行遙感監(jiān)測時，對于分類模型的精度也會有相應的要求。

中分辨率遙感影像有幅寬較廣、時間序列較長的優(yōu)點[11]，但是它對離散水域水體面積的提取精度還與分類模型有關。目前針對遙感影像信息提取的模型種類繁多，如支持向量機（support vector machine，SVM）、人工神經網絡（artificial neural network，ANN）、最大似然分類（maximum likelihood classification，MLC）等，但是針對不同的問題，各模型都有各自的優(yōu)缺點。Landsat8 OLI影像數據和國產高分影像是當前在提取水域面積時最常用的中分辨率衛(wèi)星影像[12]。這是因為國產高分GF-1 WFV1相機可以獲取16 m多光譜彩色圖像（藍、綠、紅、近紅外4個波段），同時成像的幅寬可達200 km左右，它實現了高空間分辨率和高時間分辨率的完美結合;加上它具有重放周期短的特點，可以連續(xù)對水域水體面積進行實時監(jiān)測。Landsat8 OLI影像包含了9個波段，且避免了水汽吸收特征，其全色影像范圍較窄，這加大了在全色波段上對植被和非植被的區(qū)分度，其幅寬為180 km左右[13]。但目前很少有學者研究過國產GF-1 和Landsat8 OLI中分辨率影像在離散水域水體面積提取方面的適用性。因此，筆者以新疆阿勒泰科克蘇濕地為例，利用不同特征組合提高中分辨率影像離散水體信息提取精度，比較Landsat8 OLI數據與國產高分影像在離散水體信息提取方面的差異性，分析漓漫灌溉不同時間段模型提取精度的差異性，以期為干旱區(qū)濕地動態(tài)監(jiān)測提供借鑒。

1 資料與方法

1.1 研究區(qū)概況

阿勒泰科克蘇濕地是新疆北部荒漠中面積最大的沼澤濕地，位于新疆維吾爾自治區(qū)阿勒泰市境內，地理位置是 87°09′12″～87°34′59″E、47°28′31″～47°40′09″N（圖1）。在2017年被列為國家級濕地自然保護區(qū)，保護對象為濕地生態(tài)系統(tǒng)。保護區(qū)當地屬于溫帶大陸性氣候，年平均氣溫4.0 ℃，極端最高氣溫39.5 ℃，極端最低氣溫-46.7 ℃;≥5 ℃的年積溫為3 087.4 ℃·d;≥10 ℃的年積溫為2 794.7 ℃·d，年平均日照時數2 825～2 960 h;年均降水量為113 mm，最大年降水量為181 mm，最小年降水量為94 mm[14]?？瓶颂K濕地屬干旱區(qū)，日照時間長，年均蒸發(fā)量超2 000 mm。受周邊工農業(yè)用水量增加的影響，導致科克蘇濕地的主要水量補給來源即克蘭河水量逐年遞減，生態(tài)系統(tǒng)受到嚴重威脅。為保護科克蘇濕地生態(tài)系統(tǒng)，從2013年開始，在額爾齊斯河流域開發(fā)工程建設管理局主持下，當地對濕地及其連同河流進行了人工“漓漫淹灌”的大型水利生態(tài)工程，即每年按照流域內生態(tài)需求量，在5月下旬之后不定期利用水庫群進行淹灌，淹灌時長少則14 d，多則30 d。

1.2 試驗數據源及精度評價

每年的5月底至6月初為科克蘇濕地的首次漓漫灌溉時間，持續(xù)7～14 d。為了分析對比模型分類精度以及改進法的適用性，該研究從地理空間數據云和陸地觀測衛(wèi)星數據服務平臺上下載了2017年淹灌前期和淹灌期間各一景的Landsat8 OLI數據與國產高分GF-1 WFV影像。數據的預處理包括幾何校正和輻射校正。在目視分析的基礎上，該試驗設定的分類地物只分為兩類，即水體和非水體。由于試驗區(qū)中的植被、裸地、耕地等非水體地物都不是該試驗的主要研究對象，因此被統(tǒng)一歸為非水體一類。在此基礎上，對同一景影像選擇統(tǒng)一的訓練樣本，并使用ERDAS軟件中誤差矩陣的方法對精度進行驗證[15]。具體做法為：對每類地物隨機生成200個驗證點，通過產生誤差矩陣來實現分類精度檢驗，之后以得到的Kappa系數和總體精度作為檢驗依據;最終影像的水體識別能力，通過對分類結果進行目視判別和精度檢驗等方法綜合驗證。

安徽農業(yè)科學2022年

1.3 試驗流程

支持向量機模型和最大似然分類模型被認為是分類精度較高的模型，它們由于操作方便、性能穩(wěn)定的優(yōu)勢被大量使用在影像信息分類提取上[16-17]。此外，支持向量機模型在小樣本、非線性和高維空間中展現出良好的分類性能[18];最大似然分類模型具有易于與先驗知識融合、算法簡單且易于實施等優(yōu)點[19]。該研究基于前人研究成果，針對漓漫灌溉時期的科克蘇濕地，分別利用支持向量機模型和最大似然分類模型對2017年的Landsat 8 OLI和GF-1 WFV影像的淹灌前期以及淹灌期間的原始多光譜數據進行水體信息提取，并進行精度檢驗，以篩選出最優(yōu)提取離散水體面積的模型和最優(yōu)的衛(wèi)星影像。同時，為提高目標地物提取的精度，該研究針對待分類多光譜影像的特征波段加以改進，即在待分類多光譜影像的基礎上，對其引入灰度共生矩陣（gray-level co-occurrence matrix，GLCM）紋理特征、局部Getis指數特征和局部Moran’I指數特征，以不同的組合方式形成7種新的特征集（GLCM+RGB原圖、Getis+ RGB原圖、Moran’I+RGB原圖、GLCM+Getis+RGB原圖、GLCM+Moran’I+RGB原圖、Getis+Moran’I+RGB原圖、GLCM+Getis+Moran’I+RGB原圖），再利用選出的最佳分類模型進行分類。最后，采用混淆矩陣的方法，對各分類結果進行檢驗，以驗證特征集的可行性，從中篩選出適合于科克蘇濕地的漓漫灌溉時期可用于遙感監(jiān)測的方法。

1.4 研究方法

1.4.1 基于高分影像離散水體提取方法的選擇。

1.4.1.1 灰度共生矩陣紋理特征的提取。

一般來說，在進行主成分分析（principal component analysis，PCA）后，影像中第一主成分包含了所有波段中80%的方差信息[20]?？紤]到這一點，該研究中將經過預處理的GF-1 WFV影像進行主成分變換，選用變換后的第一主成分進行GLCM紋理、局部Getis系數和局部Moran’I指數的計算?；叶裙采仃囉?4種紋理特征，而一般認為對于水體的提取選擇同質性紋理（HOM）最為有效[21]，因此選擇采用灰度共生矩陣中的熵（ENT）紋理和同質性紋理特征作為新的紋理特征波段。它們的計算公式如下：

ENT= -.Ni，j=1P（i，j|d，θ）× log P（i，j|d，θ）（1）

HOM =-.Ni，j=1P（i，j|d，θ）/[1+（i-j）2]（2）

在灰度共生矩陣中，元素值代表灰度級之間聯合條件概率密度P（i，j|d，θ），P（i，j|d，θ）表示在給定空間距離d和方向θ時，灰度以i為始點，出現灰度級為j的概率（也叫頻數） 。該研究的紋理計算過程均在ENVI 5.3中完成，考慮到紋理偏移距離和計算方向對計算結果影響不大[22]，因此對于偏移距離 d和偏移角度θ 均取ENVI軟件默認值（偏移距離 d 為1個像元距離，偏移角度 θ 方向為135°），移動窗口大小固定為3×3。

1.4.1.2 基于GF-1 WFV影像空間自相關局部指標。

根據地理學第一定律的描述，空間單元之間是存在相互聯系的，對于空間單元的屬性和分布模式而言，距離近的地物比距離遠的地物影響更大。而空間統(tǒng)計學中的空間自相關是用于檢測空間單元之間的自相關程度。而空間自相關有全局和局部指標[23]，全局空間自相關用單一的值來表示整個區(qū)域的自相關性，而局部空間自相關是表征每個空間單元與鄰近單元之間某一屬性相關程度。常用的空間自相關局部指標有Moran’I指數和Getis指數[24]。Moran’I指數定義如下：

Ii=（xi-）S2.j[wij（xj-）]（3）

式中，xi為空間單元i的屬性值，w為空間權重矩陣，wij代表空間單元i和j之間的影響程度[25]，=1n.ni=1xi，S2=.nj=1，j≠i[Wij（xj-）2]n-1。公式（3）檢驗的標準化統(tǒng)計量如下：

Z（Ii）=Ii- E （Ii） VAR （Ii）（4）

式中， E （Ii）是其理論期望值， VAR （Ii）是理論方差值。

局部Moran’I指數并不是特指一個統(tǒng)計量，它的每一個觀測值表示該值周圍相似觀測值在空間上的聚集程度。這樣，局部Moran’I指數就可以表達某個位置 i 上的觀測值與周圍鄰近觀測值之間的關系。

局部Getis指數是由Ord和Getis提出，是基于距離定義空間權重矩陣，是一種探測空間聚集程度的指標[26]，其公式如下：

Gi=.i（wijxj）.jxj（5）

式中，Gi的物理意義是在某一步長條件下具有相同特征值的空間單元的相關程度，特征值越大，那么空間單元的相關程度越高 。對于局部Moran’I指數和局部Getis指數的計算，該研究采用ArcGIS 10.4軟件中的相關模塊兒進行聚類統(tǒng)計。具體步驟：①對高分一號GF-1 WFV影像進行主成分分析，將得到的第一主分量進行局部Moran’I指數和Getis指數的計算;②將得到的局部Moran’I指數和Getis指數的結果進行柵格化作為高分影像的新的波段，與原始影像進行合成;③利用支持向量機分類和最大似然分類的方法進行分類。具體流程如圖2所示。

1.4.2 基于Landasat8 OLI影像的空間自相關局部指標的特征空間分類法。

對于Landsat8 OLI影像而言，比起多光譜通道數據，全色數據的空間分辨率更高，紋理和結構信息更加豐富，可以提供更加詳細的地表覆蓋信息[27]。因此該研究對于Landsat8 OLI影像的紋理特征、局部Moran’I指數和Getis指數的計算均基于Landsat8 OLI影像的全色數據。首先對其進行預處理，其后利用全色數據分別提出紋理特征、局部Moran’I指數和Getis指數，而后續(xù)步驟與“1.4.1.2”中GF-1 WFV影像的處理步驟②、③一致。具體處理流程如圖3所示。

2 結果與分析

2.1 最大似然和支持向量機分類模型的精度比較

根據2017年的Landasat8 OLI和GF-1 WFV衛(wèi)星的淹灌前期和淹灌期間的影像的2種不同模型分類精度檢驗結果（表1）可以看出，淹灌前期無論是GF-1 WFV影像或是Landsat8 OLI影像，其支持向量機分類（SVM）的檢驗結果均高于最大似然分類（MLC）的檢驗結果。因此認為對于離散水域，支持向量機模型的分類精度高于最大似然模型的分類精度。在淹灌期間的水體分類試驗中，支持向量機模型與最大似然分類模型的分類檢驗精度相當，由此認為對于水體密集區(qū)域，兩者的分類精度無太大差異。因此后續(xù)的試驗只選擇離散程度較大的淹灌前期的影像。

2.2 基于不同特征組合的分類精度檢驗結果

從Landsat8 OLI和GF-1 WFV影像不同特征組合分類結果局部效果（圖4）可以看出，2種衛(wèi)星影像均存在少分和誤分的情況，且都出現在水體和非水體相互交錯較嚴重的區(qū)域，但從分類效果圖的整體來看，GF-1 WFV影像的水體分類結果優(yōu)于Landsat8 OLI影像，且再對比混淆矩陣分類結果時，也能看出Landsat8 OLI影像的水體提取精度較弱于GF-1 WFV影像，這說明與Landsat8 OLI影像相比，GF-1 WFV影像對于水體的光譜響應程度更高。

根據不同特征組合分類精度檢驗結果（表2）可以看出，Landsat8 OLI影像同時引入了局部Getis指數紋理和灰度共生矩陣紋理（GLCM）的特征組合的分類精度最高，其Kappa系數為0.922 3，總體精度為97.50%;而GF-1 WFV影像也同樣是同時引入局部Getis指數紋理和灰度共生矩陣紋理的特征組合的分類精度最高，其Kappa系數為0.932 4，總體精度為98.25%。

對比不同特征組合的分類精度，再結合分類結果圖進行目視解讀可以發(fā)現，對多光譜影像同時引入局部Getis指數紋理和灰度共生矩陣的熵紋理和同質性紋理有利于濕地水體信息的提取。相反原始多光譜影像單獨引入某一種紋理特征或是隨機引入多種紋理特征，對離散程度較大的水域而言，并不能保證水體分類精度的提高。

3 結論

該研究基于Landsat8 OLI影像和GF-1 WFV影像，利用支持向量機和最大似然分類算法對科克蘇濕地水體進行了分類提取，對比了2種分類模型的分類精度;并提取了2種衛(wèi)星影像的原始多光譜影像、紋理特征、Getis指數、Moran’I指數等特征，對其確定了8種不同的試驗方案，結合支持向量機算法對科克蘇濕地進行了水體信息提取，得出了以下結論：

（1）通過對比支持向量機分類與最大似然分類算法，得出對于干旱區(qū)濕地離散水體的提取支持向量機算法分類精度高于最大似然分類。

（2）在水體信息提取中，與Landsat8 OLI影像相比，GF-1 WFV影像對水體的光譜響應程度更高，它能夠更準確識別水體。

（3）對比8種特征集，無論是Landsat8 OLI影像或是GF-1 WFV影像，在其多光譜影像的基礎上，同時加入紋理特征和Getis指數特征，能夠有效提高濕地水體信息提取的精度。同時引入局部Getis指數紋理和灰度共生矩陣的熵紋理和同質性紋理有利于提高濕地水體信息提取的精度，但單獨引入某一特征對濕地水體信息提取精度的影響不大。

參考文獻

[1] 張珮綸，王浩，雷曉輝，等.濕地生態(tài)補水研究綜述[J].人民黃河，2017，39（9）：64-69.

[2] 韓大勇，楊永興，楊楊，等.濕地退化研究進展[J].生態(tài)學報，2012，32（4）：289-303.

[3] 程琳琳，董雪梅，詹佳琪，等.基于面向對象的GF-1遙感影像采煤沉陷區(qū)濕地分類[J].農業(yè)工程學報，2018，34（9）：240-247.

[4] 朱長明，李均力，常存，等.新疆干旱區(qū)濕地景觀格局遙感動態(tài)監(jiān)測與時空變異[J].農業(yè)工程學報，2014，30（15）：229-238，339.

[5] 曾光，高會軍，朱剛，等.近32年新疆博斯騰湖濕地動態(tài)變化及機制分析[J].國土資源遙感，2010，22（S1）：213-218.

[6] 朱長明，李均力，張新，等.新疆博斯騰流域濕地遙感監(jiān)測及時空變化過程[J].吉林大學學報（地球科學版），2013，43（3）：954-961.

[7] 李磊，李艷紅，陳成賀日，等.1972～2011年期間艾比湖面積變化研究[J].濕地科學，2014，12（2）：263-267.

[8] 鄧銘江，黃強，張巖，等.額爾齊斯河水庫群多尺度耦合的生態(tài)調度研究[J].水利學報，2017，48（12）：1387-1398.

[9] 李建平，張柏，張泠，等.濕地遙感監(jiān)測研究現狀與展望[J].地理科學進展，2007，26（1）：33-43.

[10] 趙惠，張海英，李娜娜，等.中國濕地遙感研究現狀與趨勢評述[J].地理與地理信息科學，2010，26（2）：62-66.

[11] 于清永.利用中高分辨率影像對城市建成區(qū)信息提取的方法研究[D].阜新：遼寧工程技術大學，2016.

[12] 陶長華.基于Landsat 8和GF-1遙感影像南磯山濕地信息提取及時空動態(tài)變化研究[D].南昌：江西師范大學，2017.

[13] 宋軍偉，張友靜，李鑫川，等.基于GF-1與Landsat-8影像的土地覆蓋分類比較[J].地理科學進展，2016，35（2）：255-263.

[14] 成克武，臧潤國，張煒銀，等.新疆科克蘇濕地自然保護區(qū)維管束植物區(qū)系[J].干旱區(qū)研究，2007，24（1）：8-14.

[15] 王崇倡，郭健，武文波.基于ERDAS的遙感影像分類方法研究[J].測繪工程，2007，16（3）：31-34，39.

[16] 肖靚.基于支持向量機的圖像分類研究[D].上海：同濟大學，2006.

[17] 劉濤，孫忠林，孫林.基于最大似然法的遙感圖像分類技術研究[J].福建電腦，2010，26（1）：7-8.

[18] 高曉健.基于支持向量機的高光譜遙感圖像分類方法研究[D].杭州：杭州電子科技大學，2013.

[19] 陳亮，劉希，張元.結合光譜角的最大似然法遙感影像分類[J].測繪工程，2007，16（3）：40-42，47.

[20]? 馮尚榮，陳慶濤.主成分分析在遙感處理中的應用[J].世界有色金屬，2019（11）：255-256.

[21] 周小成，汪小欽，駱劍承，等.基于對象關系特征的高分辨率光學衛(wèi)星影像水上橋梁目標識別方法[J].遙感信息，2010，25（2）：36-42.

[22] 李利紅，張華國，厲冬玲，等.基于多尺度紋理和光譜信息的海島土地利用遙感分類方法研究[J].海洋學研究，2013，31（2）：35-44.

[23] 劉良云，王紀華，趙春江，等.基于地物空間信息的浮動先驗概率最大似然分類研究[J].遙感學報，2006，10（2）：227-235.

[24] 陳叢.基于空間自相關的圖像分割的方法研究[D].福州：福建師范大學，2011.

[25] 張松林，張昆.局部空間自相關指標對比研究[J].統(tǒng)計研究，2007，24（7）：65-67.

[26] ORD J K，GETIS A.Local spatial autocorrelation statistics：Distributional issues and an application[J].Geographical analysis，1995，27（4）：286-306.

[27] JENSEN J R，COWEN D C.Remote sensing of urban/suburban infrastructure and socio-economic attributes[J].Photogrammetric engineering & remote sensing，1999，65（5）：611-622.