Chances and Challenges for Development of Surveying and Remote Sensing in the Age of Artificial Intelligence
-
摘要: 人工智能技术迅猛发展将对各行各业造成巨大影响。测绘遥感是一个与人工智能密切相关的领域,在人工智能领域迅速发展的大环境下,测绘遥感学科既有很好的发展机遇,也面临很大的学科危机。首先介绍了人工智能的范畴和与测绘遥感相关的领域,然后介绍了人工智能两大热门领域——机器视觉和机器学习在摄影测量与遥感领域的应用进展,最后介绍了基于时空大数据的认知与推理研究进展,展示了测绘遥感的时空大数据在自然和社会感知、认知与推理的应用前景,希望测绘遥感学科在人工智能时代获得大发展。Abstract: Artificial intelligence(AI) will affect various fields and professions. Geoinformatics and remote sensing are closed the field of artificial intelligence. Our discipline will have a good development chance, also face a big challenge. This paper firstly introduces the domain of AI and the fields related geoinformatics and remote sensing, then presents the progresses of photogrammetry and remote sen-sing applications based on computing vision and machine learning. Finally, some research progresses involved perceive and reasoning based on space-time big data have revealed the application prospect in sensing, perceive and reasoning for the nature and society based on space-time data from geoinforma-tics and remote sensing. A desire is to push the quick development of geoinformatics and remote sen-sing in AI era.
-
电离层是日-地空间系统的重要组成部分,会对无线电波产生折射、散射、极化面旋转等影响,对基于无线电波的对地观测技术造成延迟误差,如GPS的电离层延迟[1]、合成孔径雷达(synthetic aperture radar,SAR)的相位超前、群延迟以及法拉第旋转(Faraday rotation,FR)等[2]。此外,电离层变化与地震也存在一定关系[3-4]。因此,研究电离层不仅可以了解整个日-地空间系统,而且可以估计空间环境效应对无线电通信的影响。
总电子含量(total electron content,TEC)和电子密度是研究电离层的两个关键参数。TEC表示穿过电离层的单位截面柱体中电子数之和,反映了电离层的二维空间信息;而电子密度则描述了电离层三维空间结构信息,不仅包含电离层的水平结构信息,还包含了垂直结构信息。目前,GPS通过发射不同频率的信号获取垂直总电子含量(vertical total electron content,VTEC)[5-6];电离层与气候星座观测系统(the constellation observing system for meteorology,ionosphere,and climate,COSMIC)通过掩星事件获取电子密度剖线[7];非相干散射雷达(incoherent scattering radar,ISR)利用散射信号获取连续时间段内的电子密度剖线[8];电离层测高仪通过发射高频脉冲波并测量反射回波延迟获取F2层临界频率(foF2)等电离层参数[9];国际参考电离层(international reference ionosphere,IRI) [10]和差分整合移动平均自回归模型 [11]等也可获取VTEC和电子密度。然而,上述方法都存在空间分辨率不足的问题,而星载SAR凭借全天时、全天候、空间分辨率高等优点,已成为研究高空间分辨率电离层参数的重要手段。
文献[12]根据FR角与TEC之间的关系,利用全极化SAR数据计算了地磁北极及加科纳地区的TEC,证明了使用星载SAR数据反演TEC的可能性;文献[13]提出了利用距离分频法获取TEC的方法,将获取高空间分辨率TEC的方法拓展到单极化SAR领域;文献[14]提出了利用双波段路径延迟获取TEC的方法,进一步证实了分频法估计TEC的可行性;文献[15]利用全极化先进陆地观测卫星(advanced land observing satellite,ALOS)/相控合成孔径雷达(phased array type L-band synthetic aperture radar,PALSAR)数据,分别计算了高、中、低纬度地区的TEC分布,并分析了不同纬度的电离层特征;基于传统双波段路径延迟的方法,文献[16]提出了三波段路径延迟法,该方法可获取去除多重散射误差后的TEC;文献[17]提出了利用方位向子波段获取hmF2以及漂移速度场等电离层参数的方法,并使用ALOS-1/2数据进行实验,获取了相应的电离层参数结果;文献[18]使用全极化ALOS PALSAR数据反演了3组VTEC结果,并将其与ISR在几乎同一时空的实测数据进行比较,首次利用实测数据验证了利用全极化SAR反演VTEC的有效性。
目前利用SAR估计电离层参数只能获取二维的VTEC分布,难以获取精细化的三维电子密度分布。基于此,本文利用全极化SAR计算得到的VTEC联合IRI的电子密度剖线信息,提出了一种三维电子密度分布估计方法。
1 本文方法
本文方法的具体流程如图 1所示,首先利用全极化SAR数据计算FR角;然后根据得到的FR角结合磁场信息计算VTEC;最后联合IRI模型的电子密度剖线求解三维空间电子密度分布。
1.1 利用全极化SAR数据计算FR角
对于全极化SAR系统,观测值散射矩阵M可表示为[19]:
式中,
为雷达系统的总体增益; 为复数; 为双程相位延迟; 为因发射与接收的非完全独立性导致的串扰; 为通道失配; 为单程FR角; 为真实散射系数; 为附加噪声;角标代表不同极化方式,HH(horizontal horizontal)表示水平发射水平接收的同向极化方式,VV(vertical vertical)表示垂直发射垂直接收的同向极化方式,VH(vertical horizontal)表示垂直发射水平接收的交叉极化方式,HV(horizontal vertical)表示水平发射垂直接收的交叉极化方式。经系统误差改正后的观测值散射矩阵为[20-21]: 根据真实散射矩阵的散射互易性(SHV=SVH),式(2)可变为:
由于法拉第旋转效应,观测值散射矩阵的
,因此可根据式(3)解算FR角 。由式(3)可导出多种FR角估计器[22-24],其中Bickel and Bates估计器最为稳定,计算如下: 式中,arg()表示取幅角函数;*表示共轭数。
1.2 由法拉第旋转角反演VTEC
SAR信号穿过电离层产生的FR角可表示为[13]:
式中,
为信号频率; 为电子密度; 为磁场强度; 为磁场与SAR信号夹角; 表示沿信号传播路径对电子密度积分。考虑到积分路径(信号传播路径)上 近似成线性变化,且 几乎不变,因此取路径上的平均磁场强度 作为 ,式(6)可变为: 式中,
为SAR入射角。对式(7)进行变换后得: 由此可知,在磁场信息已知的情况下,可由FR角计算VTEC。
1.3 联合IRI电子密度剖线估计三维空间电子密度分布
IRI是根据真实观测数据结合电离层模式形成的经验模型,可提供高时空分辨率的全球电离层参数。然而,由于观测数据相对较少,电离层特性不稳定,IRI模型计算得到的VTEC以及电子密度的精度不理想。由于SAR数据计算的VTEC具有较高的可靠性,因此本文基于SAR数据计算的VTEC对IRI模型的电子密度进行改正,得到较高可靠性的三维空间电子密度分布。IRI可提供全球60~2 000 km的电子密度,根据VTEC的定义,可得到IRI模型的VTEC,计算如下:
式中,
为IRI模型的VTEC; 为IRI高度为 (单位:km)处的电子密度; 、 分别为计算VTEC时的最大、最小高度。由于IRI提供的电子密度存在误差,从而导致估计的VTEC也存在误差。本文利用SAR数据计算的VTEC对IRI电子密度进行改正,计算如下: 式中,
为改正后高度h(单位:km)处的电子密度; 为SAR数据计算的VTEC。为了验证改正方法的合理性,对改正后的电子密度求和得到: 将式(9)代入式(11)中得到:
综上,经改正后,IRI模型VTEC与SAR计算的VTEC相等。
2 实验结果
2.1 数据及研究区域
为了验证本文方法的可行性,利用全极化的ALOS-1/PALSAR数据进行实验。实验区域位于美国阿拉斯加地区,分别采用升轨(实验一)和降轨(实验二)数据来验证VTEC和电子密度结果,数据详细参数如表 1所示。
表 1 实验使用的SAR影像Table 1. SAR Images Used in the Experiment实验 日期 入射角 /(°) 飞行方向 轨道高度/km 轨道号 影像号 采集时间 实验一 2007-04-01 23.94 升轨 695 243 1250~1260 07:28 实验二 2009-08-03 23.98 降轨 695 618 2270~2310 21:08 数据覆盖范围如图 2所示,褐色矩形为实验一研究区域,黑色矩形为实验二研究区域,红色星号为ISR测站(Poker Flat测站),红色三角形为GPS观测站所在的费尔班克斯城。为了验证实验结果,收集了SAR对应时间和位置的ISR数据。
2.2 利用SAR数据计算FR角
本文利用收集到的全极化数据计算FR角,首先,读取全极化SAR数据并构建观测值散射矩阵M;其次,采用Bickel and Bates FR角估计器计算FR角,根据式(5)计算
;然后,对计算的 进行多视处理以减小运算量,本文实验中多视比距离向为2,方位向为14;最后,利用自适应光谱滤波器对多视后的 进行滤波,并根据式(4)计算FR角,结果如图 3所示。 图 3(a)为实验一FR角分布图,可以看出明显的FR角异常现象。对数据进行统计可知FR角最大值为13.4°,最小值为3.2°,平均值为6.1°。根据法拉第效应分析,该研究区域上空的磁场和电离层的共同作用使得SAR信号发生了极化面的旋转,从而产生了FR角。图 3(b)为实验二FR角分布图。对FR角进行统计分析发现FR角最小值为2°,最大值为2.2°,平均值为2.1°。该研究区域FR角较为稳定,变化区间大小仅为0.2°,推断实验二没有电离层异常事件。
2.3 计算VTEC
首先,基于FR角,可由式(8)计算VTEC分布,获取国际参考地磁场(international geomagnetic reference field,IGRF)提供的磁场强度、磁倾角以及磁偏角,由于ALOS卫星飞行高度为700 km左右,地磁场在高度向近似成线性变化,且分析电离层模型得出电离层通常在300 km左右电子密度达到峰值,本文使用高度为300 km的值作为磁场信息平均值;其次,利用数字高程模型(digital elevation model,DEM)和SAR成像参数计算SAR入射角
的分布图;然后,将SAR入射角 以及磁场信息转换到SAR坐标系下,并计算磁场与SAR入射角 之间的夹角 的分布;最后,根据式(8)计算研究区域VTEC分布图,结果如图 4所示。 从图 4可以看出,实验一的VTEC最大值为33.4 TECU,最小值为7.9 TECU,平均值为15.2 TECU;实验二的VTEC最大值为5.3 TECU,最小值为4.8 TECU,平均值为5.2 TECU。结合图 3可以看出,VTEC分布与FR角分布趋势相似。这是因为VTEC由FR角和磁场信息共同得到,且本实验中,磁场信息的变化相对于FR角的变化较小,因此得到的VTEC和FR角高度相关。在实验一中,VTEC变化区间较大,VTEC变化可达20 TECU左右,推测存在电离层异常事件;在实验二中,VTEC变化较小,仅为0.5 TECU,不存在电离层异常事件。但在图 4(d)中,方位向4 000行左右出现了一个较小的沟壑,通过查看研究区域的卫星影像发现该位置为费尔班克斯城的水域,推测为该水域影响了SAR信号后向散射系数,导致VTEC出现误差。
2.4 联合IRI估计三维电子密度分布
首先根据IRI模型获取研究区域的电子密度剖线;然后由SAR数据计算的VTEC对电子密度剖线进行改正,从而获得整个区域三维电子密度分布。在计算IRI VTEC时,IRI模型的输入值为时间、经纬度以及高度范围,其中时间为2009年年积日第215天21:08,经纬度与实验二SAR数据覆盖范围相同,高度范围为80~700 km。IRI模型输出值为对应时空80~700 km的电子密度,将IRI模型输出的电子密度相加可获取VTEC。由于SAR飞行高度约为700 km,假设空间中每千米的电子密度分布均匀,且电离层通常位于80 km上方,因此式(10)中h为80~700 km,按每千米分层,约620层。考虑到后续验证的需要,这里只显示了实验二的三维电子密度。
图 5为实验二不同高度处的电子密度分布。由图 5可知,电子密度在300 km和400 km处较大,在其他高度则较小。
图 6为图 5中AA'连线的剖线,反映了不同高度的电子密度在方位向的变化趋势。由图 6可知,研究区域不同高度的电子密度在方位向有着相似的变化趋势,且该趋势近似于图 4(d)的VTEC变化趋势;同时由剖线可知,VTEC中的沟壑现象同样出现在了电子密度剖线中;在本文方法中,电子密度结果与使用的VTEC密切相关。
3 误差分析
3.1 VTEC结果验证
为验证FR角估计VTEC的可靠性,分别利用GPS和ISR数据验证实验一和实验二结果。实验一中SAR获取位置和时刻无对应ISR数据,因此使用附近的GPS数据进行验证。图 7(a)为GPS在实验一SAR获取时间段内的轨迹,红色矩形为实验一研究区域,红色五角星为GPS测站,图 7(b)为GPS估计的VTEC数据,棕色虚线为SAR数据采集时间。由图 7(b)可知,在07:30左右,GPS VTEC突然上升,验证了之前对电离层异常的推测。此外,GPS在SAR采集时间的VTEC为18.3 TECU,SAR数据VTEC平均值为15.2 TECU,差值为3.1 VTEC。两者虽有一定差距,但考虑到GPS数据在时间和空间上与SAR数据范围并未完全对应,会导致两者存在误差,可以认为两者在电离层扰动情况下计算的VTEC有相当的一致性。对于实验二,SAR获取位置和时刻附近GPS轨迹相隔较远,因此利用精度更高的ISR数据进行验证。对实验二SAR卫星时刻的ISR电子密度进行积分,计算出ISR VTEC为5.5 TECU,SAR VTEC为5.3 TECU,两者相差0.2 TECU,进一步验证了SAR估计VTEC的可靠性。
3.2 三维电子密度结果验证
为验证本文方法估计三维电子密度的可靠性,使用ISR实测的电子密度对三维电子密度结果进行验证。由于在实验一的研究区域及时间没有对应的ISR数据,因此使用Poker Flat测站2009年年积日第215天21:06 ISR的电子密度数据验证实验二的电子密度结果。考虑到ISR数据与实验二SAR数据采集时间仅相差2 min,且该时间段电离层没有异常活动,因此认为可将ISR电子密度数据作为真实的电子密度结果与本文结果进行比较分析,结果如图 8所示。
图 8(a)为ISR、IRI及本文方法获取的电子密度数据,其中蓝色菱形符号为ISR数据,红色实线为IRI电子密度剖线,棕色虚线为经本文方法改正后的电子密度剖线。由图 8(a)可知,改正前IRI的电子密度普遍高于ISR电子密度,推测原因为IRI的VTEC估值偏高导致其电子密度也偏高。在改正后,电子密度偏高现象得到明显改善,分析原因为SAR数据计算的VTEC与真实的VTEC更为接近,因此使用SAR计算的VTEC进行改正后改善了原来电子密度偏高的现象。对误差进行统计发现,改正前IRI电子密度误差和为
,改正后电子密度误差和为 ,整体误差减少了33.57%。 为进一步对比不同高度处的电子密度精度,将ISR获取的电子密度作为真值,计算了IRI与本文方法的误差,如图 8(b)所示,红色条形图为IRI与ISR电子密度差值的绝对值,蓝色条形图为本文方法与ISR电子密度差值的绝对值。由图 8(b)可知,对于低于地球表面133 km部分的电子密度结果,本文方法获取的电子密度误差更大;对于高于地球表面133 km部分的电子密度结果,本文方法获取的电子密度精度明显高于IRI模型。统计结果发现,IRI在133 km以下误差为7.2×1010/m3,133 km以上误差为7.42×1011/m3;本文方法133 km以下误差为1.55×1011/m3,133 km以上误差为3.86×1011/m3,误差减少了47.98%。通过查询相关资料后发现,IRI模型在低空部分使用的是垂测站和火箭探测的数据,而在高空部分使用的是卫星探测数据[25]。再考虑到在研究区域附近存在ELELSON垂测站,因此推测在该研究区域IRI模型低空部分的电子密度本身可靠性较高,而本文方法改正时对所有高度进行了等比例的调整,导致低空部分改正后误差增大。
4 结语
本文提出一种利用全极化SAR数据结合IRI模型估计高空间分辨率三维电子密度分布的方法,并选择覆盖阿拉斯加地区的ALOS-1全极化数据进行实验,对结果进行分析得出如下结论:
1)利用全极化SAR能够获取高空间分辨率的VTEC分布。基于FR角与VTEC之间的关系,利用全极化SAR数据计算了研究区域VTEC分布,并利用GPS和ISR数据验证可靠性。结果发现,实验一获取的含有电离层异常扰动的VTEC与GPS估计的VTEC相差3.1 TECU,实验二利用SAR估计的VTEC与ISR的VTEC相差0.2 TECU,证明了利用全极化SAR估计VTEC分布的可靠性。
2)基于SAR获取了高精度VTEC,并联合IRI电子密度剖线获取了研究区域三维电子密度分布。结果发现,在不同高度处的三维电子密度不同,300~400 km处较大,而在其他高度处相对较小,且不同高度的电子密度在水平方向具有相似的分布趋势。将结果与ISR数据对比后发现,本文方法获取的电子密度在整体误差上比IRI模型少33.57%,在低于133 km高度的误差比IRI模型大,在高于133 km高度的误差比IRI模型少47.98%,这与IRI模型所使用的数据相关。
-
表 1 使用深度学习的影像内容检索方法与传统方法的精度比较
Table 1 Accuracy Comparison Between the Way Using Deep Learning of Image Content Retrieval and the Traditional Ways
类别 DCNN LBP-HF EFT-HOG 查全率 精度 查全率 精度 查全率 精度 油罐 0.947 2 0.987 6 0.717 9 0.605 4 0.827 6 0.808 2 飞机 0.946 7 0.988 3 0.725 8 0.611 1 0.832 1 0.804 7 立交桥 0.947 2 0.930 1 0.664 6 0.584 9 0.786 2 0.761 5 田径场 0.954 4 0.922 0 0.666 7 0.571 6 0.775 7 0.741 9 -
[1] Wu Yingnian, Xie Jianwen, Lu Yang, et al. Sparse and Deep Generalizations of the FRAME Model[J]. Annals of Mathematical Sciences and Applications, 2018, 3(1):1-9
[2] Marr D. Vision:A Computational Investigation into the Human Representation and Processing of Visual Information[M]. Cambridge:MIT Press, 1982
[3] Canny A. A Computational Approach to Edge Detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1986, 8(6):679-698 http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_3d39d0b11988c5f90bf44b10d764f020
[4] Horn B. Robot Vision[M]. Cambridge:MIT Press, 1986
[5] Duda R, Hart P. Use of the Hough Transformation to Detect Lines and Curves in Pictures[J]. Comm ACM, 1975, 15(1):11-15 doi: 10.1145-361237.361242/
[6] Marr D, Hildreth E. Theory of Edge Detection[J]. Proceedings of the Royal Society of London, Series B:Biological Sciences, 1980, 207(1167):187-217 doi: 10.1098/rspb.1980.0020
[7] Boyle W S, Smith G E. Charge Coupled Semiconductor Devices[J]. Bell Syst Tech, 1970, 49(4):587-593 doi: 10.1002/bltj.1970.49.issue-4
[8] Forsyth D A, Ponce J. Computer Vision:A Mo-dern Approach[M]. New Jersey:Prentice Hall Professional Technical Reference, 2002:133-149
[9] Thrun S, Fox D, Burgard W, et al. Robust Monte Carlo Localization for Mobile Robots[J]. Artif Intell, 2001, 128:99-141 doi: 10.1016/S0004-3702(01)00069-8
[10] Marquardt D W. An Algorithm for Least-Squares Estimation of Nonlinear Parameters[J]. Journal of the Society for Industrial & Applied Mathema-tics, 2006, 11(2):431-441 http://d.old.wanfangdata.com.cn/OAPaper/oai_doaj-articles_10306def77bd8de4af3eb28b73def55a
[11] Hansen P C. Analysis of Discrete Ⅲ-Posed Pro-blems by Means of the L-Curve[J]. SIAM Review, 2006, 34(4):561-580
[12] Cummins M, Newman P. FAB-MAP:Probabilistic Localization and Mapping in the Space of Appea-rance[J]. International Journal of Robotics Research, 2008, 27(6):647-665 doi: 10.1177/0278364908090961
[13] Li R, Archinal B A, Arvidson R E, et al. Spirit Rover Localization and Topographic Mapping at the Landing Site of Gusev Crater, Mars[J]. Journal of Geophysical Research Atmospheres, 2006, 111(E2):516-531 http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=99efef4b92c5ff9b3c3d270ee0c97ed6
[14] Bengio Y, Lamblin P, Popovici D, et al. Greedy Layer-Wise Training of Deep Networks[C].21th Annual Conference on Neural Information Processing Systems, Vancouver, Canada, 2007
[15] Krizhevsky A, Sutskever I, Hinton G E. Imagenet Classification with Deep Convolutional Neural Networks[C]. Neural Information Processing Systems, Lake Tahoe, Nevada, USA, 2012
[16] Hinton G, Deng L, Yu D, et al. Deep Neural Networks for Acoustic Modeling in Speech Recognition:The Shared Views of Four Research Groups[J]. IEEE Transactions on Signal Processing Magazine, 2012, 29(6):82-97 doi: 10.1109/MSP.2012.2205597
[17] Kendall A, Grimes M, Cipolla R. PoseNet: A Convolutional Network for Real-Time 6-DOF Camera Relocalization[C]. The IEEE International Confe-rence on Computer Vision, Santiago, Chile, 2015
[18] The KITTI Vision Benchmark Suite[OL]. http://www.cvlibs.net/datasets/kitti/eval_scene_flow.php?benchmark=stereo, 2015
[19] Cheng G, Wang Y, Xu S, et al. Automatic Road Detection and Centerline Extraction via Cascaded End-to-End Convolutional Neural Network[J]. IEEE Transactions on Geoscience and Remote Sen-sing, 2017, 55(6):3322-3337 doi: 10.1109/TGRS.2017.2669341
[20] Li P, Zang Y, Wang C, et al. Road Network Extraction via Deep Learning and Line Integral Convolution[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 2016
[21] Mnih V, Hinton G E. Learning to Detect Roads in High-Resolution Aerial Images[C].European Conference on Computer Vision, Crete, Greece, 2010
[22] Vakalopoulou M, Karantzalos K, Komodakis N, et al. Building Detection in very High Resolution Multispectral Data with Deep Learning Features[C]. IEEE International Geoscience and Remote Sensing Symposium (IGARSS), Milan, Italy, 2015
[23] 龚健雅, 季顺平.从摄影测量到计算机视觉[J].武汉大学学报·信息科学版, 2017, 42(11):1518-1522 http://ch.whu.edu.cn/CN/abstract/abstract5865.shtml Gong Jianya, Ji Shunping. From Photogrammetry to Computer Vision[J]. Geomatics and Information Science of Wuhan University, 2017, 42(11):1518-1522 http://ch.whu.edu.cn/CN/abstract/abstract5865.shtml
[24] Hu X X, Yuan Y. Deep-Learning-Based Classification for DTM Extraction from ALS Point Cloud[J]. Remote Sensing, 2016, 8(9):730 doi: 10.3390/rs8090730
[25] 陈能成, 王晓蕾, 肖长江, 等.事件驱动的城市信息聚焦服务模型与系统[J].武汉大学学报·信息科学版, 2015, 40(12):1633-1638 http://ch.whu.edu.cn/CN/abstract/abstract3392.shtml Chen Nengcheng, Wang Xiaolei, Xiao Changjiang, et al. Model and System for Event-Driven Focusing Service of Information Resources in Smart City[J]. Geomatics and Information Science of Wuhan University, 2015, 40(12):1633-1638 http://ch.whu.edu.cn/CN/abstract/abstract3392.shtml
[26] 方志祥, 李清泉, 萧世伦.利用时间地理进行位置相关的时空可达性表达[J].武汉大学学报·信息科学版, 2010, 35(9):1091-1095 http://ch.whu.edu.cn/CN/abstract/abstract1049.shtml Fang Zhixiang, Li Qingquan, Shaw Shihlung. Representation of Location-Specific Space-Time Accessibility Based on Time Geography Framework[J]. Geomatics and Information Science of Wuhan University, 2010, 35(9):1091-1095 http://ch.whu.edu.cn/CN/abstract/abstract1049.shtml
-
期刊类型引用(1)
1. 雷洋,朱武,孙全,杨文敬,张金敏. 顾及方位向偏移的光谱分频法InSAR电离层改正. 测绘科学. 2023(01): 81-90 . 百度学术
其他类型引用(3)