張貴花，王瑞燕

1.北京圖源科技有限公司，北京100192

2.山東農(nóng)業(yè)大學資源與環(huán)境學院，山東泰安271018

基于面向?qū)ο蟮臑l海濕地脆弱區(qū)土地利用/覆被信息精細提取

張貴花1，王瑞燕2*

1.北京圖源科技有限公司，北京100192

2.山東農(nóng)業(yè)大學資源與環(huán)境學院，山東泰安271018

土地利用/覆被信息的精細提取，對于維護瀕海濕地脆弱區(qū)的生態(tài)穩(wěn)定和保障當?shù)亟?jīng)濟可持續(xù)發(fā)展具有重要意義。本文以黃河口為研究區(qū)，以Landsat 8影像為數(shù)據(jù)源，利用面向?qū)ο蠓治黾夹g(shù)進行土地利用/覆被類型信息的精細提取研究。在建立土地利用/覆被詳細分類體系的基礎(chǔ)上，采用基于樣本的面向?qū)ο蠓诸惙椒▽ρ芯繀^(qū)土地利用/覆被類型進行初步提取，分類結(jié)果顯示該分類模型只能較準確地提取除藕池、稻田和苜蓿地之外的其他地類。針對該問題，論文采用基于規(guī)則和樣本相結(jié)合的面向?qū)ο蠓诸惙椒ㄟM行土地利用/覆被類型的精細提取，通過設(shè)置面積和形狀屬性規(guī)則從初步分類結(jié)果中進一步精確提取藕池和稻田，同時也改善了其他地類的精度，得到總精度94.93%、Kappa系數(shù)0.94的較為理想的分類精度，比最大似然法的總體分類精度提高了38.56%。研究結(jié)果表明，基于樣本與規(guī)則相結(jié)合的面向?qū)ο蠓诸惙椒軐崿F(xiàn)瀕海濕地脆弱區(qū)土地利用/覆被信息的精細提取。

濕地；Landsat 8影像；土地利用/覆被類型；精細提取

濕地是全球三大生態(tài)系統(tǒng)之一，在改善氣候、凈化水質(zhì)、維護生物多樣性以及區(qū)域生態(tài)平衡等方面具有極其重要的作用。目前全球濕地正在大量喪失或嚴重退化，物種多樣性銳減，生態(tài)平衡受到威脅［1-3］。及時、準確掌握濕地區(qū)域土地利用/覆被信息，對于濕地環(huán)境保護、監(jiān)測和應(yīng)對全球環(huán)境變化以及指導(dǎo)土地資源優(yōu)化配置等都具有重要意義。

遙感技術(shù)是獲取區(qū)域尺度上土地利用/覆被信息唯一可行的技術(shù)手段，國內(nèi)外學者針對土地利用/覆被信息的遙感提取方法進行了大量的研究工作。Teresa L.Evans等利用ALOS/PALSAR和RADARSAT-2等多源數(shù)據(jù)，采用面向?qū)ο蠓诸惙椒ǎ饘訉臀骶硟?nèi)的潘塔納爾濕地生態(tài)系統(tǒng)分為森林林地、稀樹草原、空曠的草地稀樹草原、沼澤草地、咸水湖、淡水湖等，總體精度達到83%［4］。Soe W.Myint等采用亞利桑那州中心區(qū)域的Quick Bird數(shù)據(jù)，利用面向?qū)ο蠹夹g(shù)提取城市覆被類別，得出分類精度比最大似然法提高了22.8%［5］。錢巧靜等人采用Landsat 7和ETM+數(shù)據(jù)利用面向?qū)ο蟮募夹g(shù)，通過對對象的目視識別建立模糊判別函數(shù)進行分類，將三峽庫區(qū)奉節(jié)縣中部土地分為林地、旱地、草地、水田等九類，利用野外采樣數(shù)據(jù)驗證其精度達到89.2%［6］。郭文娟等人利用ASTER數(shù)據(jù)，結(jié)合使用非監(jiān)督、監(jiān)督等多種分類方法將南京城郊區(qū)域分為水體、道路、居民點、農(nóng)田等類別，達到較好的分類精度［7］。但目前研究多是針對土地利用現(xiàn)狀的提取，土地覆被信息區(qū)分不夠細致，不能充分體現(xiàn)土地利用對濕地生態(tài)環(huán)境的影響及其響應(yīng)。土地利用/覆被信息的精細提取主要通過空間分辨率高的影像數(shù)據(jù)實現(xiàn)，但這些數(shù)據(jù)存在價格昂貴、設(shè)計壽命短的缺陷，不能滿足較長時間序列的LUCC研究需要。Landsat 8數(shù)據(jù)在Landsat 7基礎(chǔ)上新增了一些特征和功能，光譜分辨率和輻射分辨率都有所提高，新增加了深藍波段，近紅外的三個波段的波長范圍變窄，對水體和近海地物更加敏感，輻射分辨率量化級別提高到了16位，能更準確地捕捉地物反射率的差異，這些性能的改善對提高近海濕地土地利用/覆被類型信息的識別精度非常有利［8］。面向?qū)ο蠓椒ㄊ且杂扇舾赏|(zhì)性像元組成的“對象”為處理單元，將對象的光譜、紋理、形狀、空間關(guān)系等多種屬性信息用于分類，能在較大程度上解決傳統(tǒng)基于像元方法的光譜混淆、混合像元等問題，減小分類結(jié)果中“椒鹽效應(yīng)”［9］，是目前遙感影像分類方法的研究熱點和發(fā)展趨勢。

墾利縣作為瀕海濕地環(huán)境脆弱區(qū)代表之一，是河流系統(tǒng)和海洋系統(tǒng)的耦合地帶，地物類型復(fù)雜多樣，土壤鹽漬化程度高，耕地質(zhì)量較差，并且耕地、鹽堿地、荒草地等相互交錯分布，為典型的光譜混淆區(qū)，所以對其進行高精度的精細分類難度較大。常春艷、趙庚星等人利用TM影像，采用面向?qū)ο笾С窒蛄繖C方法對黃河三角洲地區(qū)土地利用/覆被信息進行提取，分為旱地、林草地、水田、鹽荒地等10種地類，分類精度達到84.83%［10］。本文以Landsat 8影像數(shù)據(jù)為基礎(chǔ)，采用面向?qū)ο蠓诸惙椒?，探索瀕海濕地土地利用/覆被信息的精細提取方法，為當?shù)厣鷳B(tài)和土地資源的協(xié)調(diào)共存和發(fā)展提供參考。

1　研究區(qū)概況及數(shù)據(jù)來源

1.1研究區(qū)概況

研究區(qū)位于山東省東北部黃河入?？谔幍膲ɡh瀕海濕地區(qū)域，地處勝利油田腹地，北緯37°24′-38°10′，東經(jīng)118°15′-119°19'，地處溫帶季風氣候區(qū)，大陸性季風影響明顯，冬季干冷，夏季濕熱，四季分明。土壤類型以鹽化潮土為主，鹽堿土面積占土壤總面積的2/3，且與旱地、林草地等插花分布。地勢自西南至東北呈扇形微傾斜，地下水礦化度高，埋深淺，極易引起土壤鹽漬化［10］。野生植物主要以濱海耐鹽植被為主，如蘆葦、檉柳、堿蓬等，人工植被有柳樹、刺槐等。主要種植作物為小麥、水稻、棉花等。

1.2數(shù)據(jù)來源

數(shù)據(jù)來源：本文選擇2013年10月份Landsat 8影像作為土地利用/覆被類型的提取的基本數(shù)據(jù)，同年5月份影像作為選擇訓(xùn)練區(qū)的輔助數(shù)據(jù)，均通過下載獲得；收集1：5萬地形圖、墾利縣二調(diào)土地利用現(xiàn)狀圖，Google earth影像以及社會經(jīng)濟條件等資料；實地考察土地利用和植被類型及其空間分布情況。根據(jù)土地利用現(xiàn)狀圖、遙感影像的目視解譯、谷歌地球等資料以及實地考察建立土地利用/覆被類型提取精度驗證的基準圖。

2　土地利用/覆被分類體系與數(shù)據(jù)預(yù)處理

2.1土地利用/覆被分類體系的確定

由于目前濕地的土地利用/覆被分類體系尚且沒有統(tǒng)一標準，本文根據(jù)現(xiàn)行的土地利用分類體系和《全國濕地資源調(diào)查技術(shù)規(guī)程（試行）》濕地分類標準，并結(jié)合當?shù)氐闹脖活愋秃瓦b感影像的可解譯性建立研究區(qū)土地利用/覆被分類體系：有植被區(qū)、水域用地、建設(shè)用地和未利用地四個一級類。有植被區(qū)包括自然植被和人工植被，自然植被細分為蘆葦、堿蓬、蘆葦檉柳群落、刺槐林；人工植被細分為苜蓿、棉田、稻田、麥田；水域用地包括自然水面和人工水面，自然水面包括海洋及河流；人工水面細分為養(yǎng)殖水面、水庫、坑塘水面、藕池；建設(shè)用地細分為居民地及交通用地、油井；未利用地分為鹽荒地、灘涂。

2.2數(shù)據(jù)預(yù)處理

對影像數(shù)據(jù)進行輻射定標，將圖像的數(shù)字化值（DN）轉(zhuǎn)化為輻射亮度值。利用ENVI5.1的FLAASH模塊進行大氣校正。選擇高斯－克里格和北京54坐標系作為影像校正的投影和坐標系統(tǒng)，對大氣校正后影像進行幾何精校正和圖像融合。

2.3劃定瀕海濕地區(qū)范圍

黃河入海口地區(qū)的濕地除黃河口濕地保護區(qū)、黃河及沿岸濕地相對集中外，其余分布散亂，濕地范圍界線較難劃定。本文堅持研究范圍內(nèi)非濕地面積最少和行政區(qū)完整性原則劃定瀕海濕地范圍。

3　土地利用/覆被類型的提取

3.1尺度分割

為了提高運算速度，從影像中截取一小塊包含了多種地類的區(qū)域作為分割算法試驗樣區(qū)，結(jié)果顯示，采用基于邊緣檢測算法，分割參數(shù)為60時，能較好的分割出研究區(qū)地物，但存在過分割現(xiàn)象，而基于亮度檢測的算法不能得到清晰分割出地類的分割參數(shù)（當分割尺度小時分割后的圖斑瑣碎且邊界不清，尺度調(diào)大后分割的過大）。故本文選用基于邊緣檢測算法進行尺度分割，針對其過分割問題，采用Full Lambda Schedule算法和96的合并尺度合并處理，達到了理想的分割效果。

然而，將上述分割參數(shù)運用于整個影像的分割，發(fā)現(xiàn)分割效果不好。分割參數(shù)調(diào)整試驗顯示：當分割參數(shù)設(shè)置較小時，分割過于瑣碎，參數(shù)較大時，只有在景觀破碎度小的向海一側(cè)的區(qū)域內(nèi)能分割出完整的對象，而在向陸一側(cè)景觀破碎度大的區(qū)域中，地物被分割過細。重新設(shè)置不同大小的分割尺度，均沒有得出理想效果，這說明分割效果不僅與尺度相關(guān)，還可能與景觀破碎度有關(guān)。為驗證這一假設(shè)，我們根據(jù)研究區(qū)景觀破碎度和地類復(fù)雜程度，將影像分為東西兩個區(qū)：東部區(qū)為近海區(qū)域，主要為林地、植被群落、灘涂等圖斑面積大的地類，景觀破碎度小。西部區(qū)為居民點、麥田等圖斑小的地類，景觀破碎度大。對分區(qū)后影像進行尺度分割的試驗結(jié)果表明，分區(qū)后兩個區(qū)域均能得到恰當?shù)姆指顓?shù)，即當分割尺度為62，合并尺度為96的時候，西部區(qū)圖像能達到較好的分割效果，分割尺度為70，合并尺度為98時東部區(qū)影像的分割效果較好。圖1為影像裁剪前后同一分割尺度下效果圖。該結(jié)果說明影像分割參數(shù)的設(shè)置與圖像大小和區(qū)域的景觀破碎度等因素有關(guān)。

圖1　影像裁剪前后同一分割尺度下局部區(qū)域的效果圖Fig.1 The local effect of images before and after cutting at the same size

3.2基于樣本的面向?qū)ο蠓诸惙椒?/p>

以分割后的對象為分類單元，采用基于樣本的面向?qū)ο蠓诸惙椒ǚ謩e對裁剪后的東西兩半幅影像進行地類的初步提取。根據(jù)目視解譯，參考五月份影像及現(xiàn)場調(diào)查樣點選取各地類的訓(xùn)練樣本。刺槐林、堿蓬、蘆葦及蘆葦檉柳群落等自然植被，選擇每一波段的均值、最大值、最小值、亮度、歸一化值等光譜信息，以及紋理范圍、均值、熵值、方差等紋理信息作為訓(xùn)練樣本分類屬性，像苜蓿、棉田、稻田、水庫河流、居民點、柳樹、麥田及建設(shè)用地等在此基礎(chǔ)上要增加面積、長度、緊密度及形狀規(guī)則等空間特征作為訓(xùn)練樣本的分類屬性。本文采用K鄰近法，經(jīng)過多次調(diào)試，臨近元素的數(shù)目選擇1，Threshold為5，輸出分類結(jié)果最佳；對初步提取結(jié)果進行精度評估（見表1），分類的總體精度為89.04%，kappa系數(shù)為0.84，除苜蓿、藕池與稻田外，其他地類精度均達到76%以上。藕池與稻田的生產(chǎn)者精度雖然達到90.24%和90.22%，但用戶精度只有26.26%和9.87%，說明藕池和稻田漏分的較少，被錯分的比例高，其他類別錯分到藕池和稻田共2658.66 hm2，占總面積的1.377%，說明這些被錯分到藕池與稻田的地類精度受到一定的影響，致使分類總體精度不高。

3.3樣本和規(guī)則結(jié)合的面向?qū)ο蠓诸惙椒?/p>

初步提取結(jié)果表明，只考慮了光譜及紋理特征的基于樣本的面向?qū)ο蠓椒o法精確識別全部地類，需要結(jié)合其他特征才能解決這一問題。通過分析空間特征發(fā)現(xiàn)，藕池主要分布在水源附近，形狀成較規(guī)則的矩形，稻田面積相對于錯分類別的面積較大，這些特征與其他地類區(qū)別明顯。因此，形狀規(guī)則屬性和面積屬性是兩者識別的特征空間參數(shù)?；诖朔治觯覀儾捎没谝?guī)則的面向?qū)ο蠓诸惙椒ㄟM一步提高分類精度：將初步分類結(jié)果作為基于規(guī)則的面向?qū)ο蠓诸惙椒ǖ膶傩?，當藕池的形狀?guī)則Rectangular fit屬性值為0.5～0.7，面積屬性值大于0.0225 hm2；稻田面積屬性值規(guī)則為大于58.2752 hm2時，能將兩者與誤分地類區(qū)分開。

4　結(jié)果與分析

4.1分類結(jié)果精度分析

根據(jù)裁剪后的左右兩幅影像分類結(jié)果的混淆矩陣，分別匯總不同地類正確分類、錯分及誤分像元總數(shù)，形成整幅影像的精度評估報告。為進一步評價面向?qū)ο蠓椒ǖ膬?yōu)劣，與最大似然法進行比較，因混淆矩陣太大，只摘取生產(chǎn)者精度、用戶精度、總精度、Kappa系數(shù)幾個指標組成精度對比表（表1）。

表1　面向?qū)ο蠓椒ㄅc最大似然法分類精度對比表Table 1 Classification accuracy comparison between object oriented method and maximum likelihood method

表1的統(tǒng)計數(shù)據(jù)顯示，藕池和稻田的用戶精度分別提高到90.96%和91.9%，與藕池和稻田混淆的地類的精度都有所提高，對苜蓿、麥田等面積小的地類的精度影響最大，苜蓿由44.91%提高到92.23%，麥田由71.83%提高到93.24%。各地類精度的提高將總精度推升到94.93%的水平，高于基于樣本的面向?qū)ο蠓诸惙椒ê涂偩葹?6.37%的最大似然法，結(jié)合使用基于樣本與基于規(guī)則的面向?qū)ο蠓诸惙椒ǖ贸鯧appa系數(shù)為比只使用基于樣本的面向?qū)ο蟾叱?.1，比最大似然法高出0.45。

4.2各地類面積統(tǒng)計分析

表2　2013年墾利縣瀕海濕地區(qū)土地利用/覆被類型面積統(tǒng)計Table 2 Land use/coverage class area statistics of coastal wetland in Kenli County

土地利用/覆被類型的面積如表2所示。由圖2和表2知，研究區(qū)主要土地利用/覆被類型為河流及海洋、棉田、養(yǎng)殖水面、灘涂、堿蓬、鹽荒地、蘆葦檉柳群落七大類，分別占總面積的20.34%、18.62%、13.57%、9.19%、9.00%、7.25%和4.87%。黃河和海洋是控制該區(qū)域土地利用/覆被類型的空間分布格局的兩大自然驅(qū)動力，接近渤海區(qū)域處海產(chǎn)品養(yǎng)殖資源充足，土地利用以水產(chǎn)養(yǎng)殖業(yè)為主。隨著與海洋距離的增大，土地利用/覆被逐漸從堿蓬群落、檉柳群落、蘆葦堿蓬群落等自然植被向苜蓿和棉花等種植業(yè)過渡，土地利用強度逐漸升級。黃河是區(qū)域內(nèi)主要淡水源，對土地利用/覆被的影響明顯，在靠近黃河的區(qū)域，引黃灌區(qū)發(fā)達，淡水資源充足，土壤含鹽量較低，土地利用程度高，分布著大面積的棉田和小塊的麥田、居民點、水庫、稻田和蘆葦；黃河水對土地利用/覆被類型的影響會隨著與海洋的靠近而被逐漸削弱，棉田和苜蓿等種植業(yè)的分布帶從內(nèi)陸向沿海逐漸收窄。人為活動對土地利用/覆被類型的影響主要體現(xiàn)為水利設(shè)施建設(shè)和石油開采。在離黃河較遠的永安鎮(zhèn)，由于大型水庫的建設(shè)改變了土壤水鹽含量，土地利用/覆被類型呈現(xiàn)出棉田、水稻田、藕池、鹽荒地等多地類插花分布形式。

圖2　墾利縣瀕海濕地區(qū)土地利用/覆被類型分布圖（面向?qū)ο蠓诸惙ǎ〧ig.2 The distribution of land use/coverage patterns of coastal wetland in Kenli county（Object-oriented method）

圖3　墾利縣瀕海濕地區(qū)土地利用/覆被類型分布圖（最大似然法）Fig.3 The distribution of land use/coverage patterns of coastal wetland in Kenli county（Maximum likelihood method）

面向?qū)ο笈c最大似然法分類結(jié)果如圖2和圖3所示，從目視效果看，面向?qū)ο蠓诸惤Y(jié)果總體上要優(yōu)于最大似然法。該法在光譜特征明顯，形狀規(guī)則的河流海洋、養(yǎng)殖水面、灘涂等效果相對較好，但是對于光譜易混淆的各類植物存在嚴重的“椒鹽現(xiàn)象”，對“同物異譜，同譜異物”地類不能區(qū)分，而面向?qū)ο蟮姆诸惤Y(jié)果能夠更清楚地表達研究區(qū)土地利用/覆被類型的分布規(guī)律及空間幾何特征。

5　結(jié)論與討論

（1）本文提出適用于瀕海濕地脆弱區(qū)的土地利用/覆被信息的精細分類方法。研究結(jié)果表明，利用面向?qū)ο蟮姆椒▽⒂跋竦墓庾V、紋理、空間幾何信息及規(guī)則屬性綜合運用于分類，大幅提高了分類精度，為瀕海濕地區(qū)土地利用/覆被類型精細提取研究提供了新的方法；

（2）基于景觀破碎度的對象分割方法是實現(xiàn)影像單尺度分割的可行途徑之一。目前在多地類的信息提取中，不同地類采用不同尺度分割參數(shù)，效率較低。

研究中按照研究區(qū)土地利用/覆被的景觀特征空間差異，將圖像進行裁剪后分別用一套分割參數(shù)即可獲取理想的同質(zhì)地類對象，為面向?qū)ο蟪叨确指钐峁┝诵碌膮⒖妓悸罚?/p>

（3）單純使用基于規(guī)則的方法工作量較大，只使用基于樣本的分類方法不能做到全要素的高精度提取，研究將兩者相結(jié)合能兼顧精度和速度，為土地利用/覆被動態(tài)監(jiān)測的現(xiàn)勢性提供了保障；

（4）研究中也存在著一些不足，基于規(guī)則的面向?qū)ο蟮姆诸愄崛≈?，相關(guān)參數(shù)及閾值的確定無法查詢或生成，需要人為多次試驗進行調(diào)整，主觀性較大，擬在下一步工作中對參數(shù)閾值的自動生成進行探討研究。

［1］SimasT，NunesJP，F(xiàn)erreriaJG.Effectsofglobalclimatechangeoncoastalsaltmarshes［J］.EcologicalModeling，2001，139：1-15

［2］Solomon SD，Qin D，Manning M，et al.Climate change 2007：the physical science basis.Contribution of Working Group I to the FourthAssessmentReportoftheIntergovernmentalPanelonClimateChange［M］.NewYork：CambridgeUniversityPress，2007

［3］徐東霞，章光新.人類活動對中國濱海濕地的影響及其保護對策［J］.濕地科學，2007，5（3）：282-288

［4］Evans TL，Costa M.Land cover classification of the Lower Nhecolandia subregion of the Brazilian Pantanal Wetlands using ALOS/PALSAR，RADARSAT-2and ENVISAT/ASAR imagery［J］.RemoteSensingof Environment，2013，128：118-137

［5］Myint SW，Gober P，Brazel A，et al.Per-pixel vs.object-based classification of urban land cover extraction using high spatial resolution imagery［J］.Remote Sensing of Environment，2011，115（5）：1145-1161

［6］錢巧靜，謝瑞，張磊，等.面向?qū)ο蟮耐恋馗采w信息提取方法研究［J］.遙感技術(shù)與應(yīng)用，2005，20（3）：338-342

［7］郭文娟，張佳華.利用ASTER遙感資料提取南京城郊土地利用信息的研究［J］.農(nóng)業(yè)工程學報，2005，21（9）：62-66

［8］徐涵秋，唐菲.新一代Landsat系列衛(wèi)星：Landsat 8遙感影像新增特征及其生態(tài)環(huán)境意義［J］.生態(tài)學報，2013，33（11）：3249-3257

［9］莫利江，曹宇，胡遠滿，等.面向?qū)ο蟮臐竦鼐坝^遙感分類——以杭州灣南岸地區(qū)為例［J］.濕地科學，2012，10（2）：206-213

［10］常春艷，趙庚星，王凌，等.濱海光譜混淆區(qū)面向?qū)ο蟮耐恋乩眠b感分類［J］.農(nóng)業(yè)工程學報，2012，28（5）：226-231

Precise Extraction of Land Use/Cover Information in the Fragile Coastal Wetland Based on Object-oriented Method

ZHANG Gui-hua1，WANG Rui-yan2*
1.Beijing Map Core Technology Co.Ltd.，Beijing 100192，China
2.College of Resources and Environment/Shandong Agricultural University，Tai'an 271018，China

Precise extraction of the land use/cover information is of great significance for the ecological stability and the economic sustainable development in the fragile coastal wetland region.This paper took the Yellow River Entrance as the study area to extract the land use/cover information accurately by Object-oriented technology based on the Landsat 8 image. Based on the establishment of the detailed land use/cover classification system，we got the preliminary land use/coverage classification results with the object-oriented method which was based on sample.However，the classification results showed this classification model could accurately extract all land types except paddy fields，lotus root pools and Medicago.To solve this problem，combining the rule-based and example-based object-oriented method was used to complete high accuracy extraction of land use/coverage information.Results indicated that the paddy fields and lotus root pools got more accurate by setting the area and rectangular attributes rules，at the same time，other land types precision also have been improved，this classification model produced an overall accuracy of 94.93%and a Kappa value of 0.94 which was 38.56%more than the maximum likelihood method.Therefore，the research demonstrated that this method combining the rule-based and example-based object-oriented methods could achieve high accuracy classification of the land use/coverage information in the wetland.

Wetland；Landsat8 image；land use/land cover type；precise extraction

TP79

A

1000-2324（2016）05-0705-05

2015-03-25

2015-06-23

山東省高等學?？萍加媱濏椖浚↗11LC11）；山東省教育廳科學技術(shù)項目（J11LC19）；山東省自然科學基金（ZR2009BQ017）；山東省博士后創(chuàng)新項目專項資金資助（201003026）；國家自然科學基金（41271235）；山東省優(yōu)秀青年科學家科研獎勵基金項目（BS2013NY004）

張貴花（1988-），女，碩士研究生，主要從事土地信息遙感技術(shù)研究.E-mail：zhang.guihua112729@163.com

Author for correspondence.E-mail：wry@sdau.edu.cn