朱永基,陶新宇,陳小芳,蘇祥祥,劉吉凱,李新偉,*

(1.安徽科技學院 資源與環(huán)境學院,安徽 鳳陽 233100; 2.安徽省農業(yè)廢棄物肥料化利用與耕地質量提升工程研究中心,安徽 鳳陽 233100)

受全球氣候變暖[1]、耕地質量下降[2]、人地關系緊張[3]等因素的影響,我國長期存在糧食供需不平衡的狀況[4]。冬小麥作為我國主要糧食作物之一,種植面積約占全國作物種植總面積的15%,產量約占全國糧食總產量的20%;因此,穩(wěn)定冬小麥產量對保障我國糧食安全有著重要意義[5]。冬小麥的地上部生物量(above-ground biomass,AGB)是評價冬小麥生長發(fā)育狀況與預測產量的重要指標之一[6]。準確監(jiān)測冬小麥的AGB是提高作物產量和確保糧食安全的先決條件[7]。傳統(tǒng)的冬小麥AGB監(jiān)測結果主要通過破壞性采樣方式獲取,需要消耗大量的時間、人力和物力;因此,迫切需要研發(fā)出更高效、更靈活的監(jiān)測方式來提升冬小麥AGB的估算效率。

遙感技術的快速發(fā)展為作物無損監(jiān)測提供了一種高效的新方式。早期的遙感監(jiān)測研究主要集中在衛(wèi)星、可駕駛飛機、地面等平臺上。前人利用衛(wèi)星數(shù)據(jù)進行大區(qū)域尺度的AGB監(jiān)測[8],但衛(wèi)星存在數(shù)據(jù)空間分辨率相對較低、重返周期較長、數(shù)據(jù)獲取難度較大(受天氣條件、過境時間等因素的制約)等問題,難以滿足高精度、高效率的作物監(jiān)測需求[9]?？神{駛飛機在遙感上的應用,極大地克服了衛(wèi)星遙感技術訪問周期長、空間分辨率低等問題,但人造飛機的使用需要固定的跑道設施,價格昂貴[10],不利于田間使用。隨著田間尺度的表型監(jiān)測技術的發(fā)展,一種低成本、操作簡易的地面遙感技術得到了廣泛應用。研究人員使用手持傳感器設備(如高光譜儀、CropCircle手持式植物冠層光譜儀、GreenSeeker便攜式光譜儀等)獲取作物光譜信息,可以高精度地獲取特定位置點的作物生長信息;但這種手持式設備的數(shù)據(jù)采集范圍較小,需要通過增加采樣點數(shù)量來提升數(shù)據(jù)對地塊的代表性,當?shù)貕K較多時,這種方式難以滿足高效的表型監(jiān)測需求[11]。因此,在生產上迫切需要一種機動靈活、作業(yè)效率高、監(jiān)測成本低的平臺來解決上述遙感平臺所存在的問題。

無人機以高時效、高通量、高機動性等優(yōu)勢,在一定程度上彌補了衛(wèi)星、地面平臺的不足,逐漸成為作物監(jiān)測的主流平臺。在無人機表型監(jiān)測中,歸一化植被指數(shù)(NDVI)、差值植被指數(shù)(DVI)、歸一化紅邊指數(shù)(NDRE)等植被指數(shù)被廣泛應用于冬小麥AGB監(jiān)測[12]。但是,Kong等[13]、Maimaitijiang等[14]的研究發(fā)現(xiàn),植被指數(shù)在作物生長密集、冠層覆蓋率較高的情況下會出現(xiàn)飽和現(xiàn)象。為此,有研究采取融合多源傳感器數(shù)據(jù)的方法來削弱光譜飽和效應對模型的影響。利用無人機平臺搭載高光譜、激光雷達、熱紅外等傳感器獲取更加豐富的數(shù)據(jù)特征,可以提高監(jiān)測模型的精度[15]。雖然多傳感器的應用提高了模型精度,但多傳感器融合面臨數(shù)據(jù)處理過程復雜、數(shù)據(jù)冗余、數(shù)據(jù)精度不匹配、成本高等問題[16]。有些研究利用光譜數(shù)據(jù)結合結構特征來估算AGB。如劉楊等[17]利用無人機提取作物株高(plant height, PH)數(shù)據(jù),并與植被指數(shù)相結合,提升了模型估算馬鈴薯地上部生物量的精度。但株高提取易因受到土壤背景的干擾而產生低估,且存在特征位置不匹配的問題。與結構特征相比,紋理特征是像元與其鄰域像元灰度頻率的表征,是描述微觀結構的重要指標之一,與光譜的特征位置高度一致。Liu等[18]將植被指數(shù)與紋理特征相結合,利用隨機森林(random forest, RF)算法獲得了準確的冬油菜AGB估算模型;Freitas等[19]將無人機圖像光譜與紋理特征相結合,準確估算了牧場草本作物的AGB;Xu等[20]利用無人機高光譜圖像的紋理與光譜信息,改進了水稻AGB估算的精度。上述研究說明,耦合光譜和紋理信息在估算冬小麥AGB方面具有潛力。

機器學習算法能有效處理預測因子與目標變量之間的復雜關系,在應對多模態(tài)、高維度數(shù)據(jù)時具有很好的抗冗余效果。目前,RF[21]、偏最小二乘回歸(partial least squares regression, PLSR)[22]等機器學習算法已廣泛應用于作物表型監(jiān)測,取得了不錯的效果,但機器學習算法會提高數(shù)據(jù)計算成本,且模型的構造較為復雜;因此,有必要考慮不同算法下模型的精度差異與實用性。

盡管光譜特征在估算冬小麥生理生化參數(shù)上具有廣闊的應用前景,但光譜特征易受冠層結構的影響而產生“飽和”效應。研究表明,紋理特征在估算作物AGB方面具有巨大潛力[18-20]。為了探究紋理特征在監(jiān)測冬小麥AGB中的效果,本研究利用消費級多光譜無人機評估紋理特征對AGB估算模型的改善效果。本研究的目標:1)探究植被指數(shù)結合紋理特征對冬小麥AGB的監(jiān)測效果;2)研究最優(yōu)的冬小麥AGB監(jiān)測時期;3)分析不同算法在不同時期對冬小麥AGB的監(jiān)測效果。

1 材料與方法

1.1 試驗方法

于2020-2021年在安徽省滁州市鳳陽縣小崗村開展冬小麥田間試驗。本研究采用裂區(qū)試驗設計,設置36個2 m×8 m的小區(qū),使用淮麥44(P1)、煙農999(P2)和寧麥13(P3)3個冬小麥品種,于2020年11月播種,2021年6月上旬收獲。播種前,鉀肥(氯化鉀,K2O質量分數(shù)為50%)、磷肥(過磷酸鈣,P2O5質量分數(shù)為12%)以基肥的形式一次性施入,施用量分別為135 kg·hm-2(以K2O計,折純)、90 kg·hm-2(以P2O5計,折純)。氮肥使用顆粒尿素(N質量分數(shù)46%),分2次施用:60%作基肥施入,40%于拔節(jié)期追肥。試驗共設置4個氮肥處理:N0,不施氮;N1,100 kg·hm-2(以N計,折純,下同);N2,200 kg·hm-2;N3,300 kg·hm-2。每個品種每個處理設置3次重復。試驗年間未出現(xiàn)生物脅迫與非生物脅迫,田間管理同當?shù)馗弋a大田管理方案。

1.2 數(shù)據(jù)獲取

本研究使用大疆精靈4多光譜版(P4M)無人機(深圳市大疆創(chuàng)新科技有限公司)采集數(shù)據(jù)。P4M無人機配備一體式云臺,該云臺集成1個可見光成像傳感器和5個多光譜成像傳感器[藍:(450±16)nm;綠:(560±16)nm;紅:(650±16)nm;紅邊:(730±16)nm;近紅外:(840±26) nm]。利用DJI GS Pro軟件規(guī)劃飛行任務,獲取90%前向重疊和85%旁向重疊的圖像,小麥不同生育期的飛行計劃和相機設置保持一致。無人機以30 m高度獲取試驗區(qū)影像,飛行速度2 m·s-1,在地面放置4塊標準反射布,用于無人機影像的輻射校正。每次飛行活動于11:00-14:00、光照穩(wěn)定的條件下進行。分別于2021-03-14(拔節(jié)期)、2021-04-08(孕穗期)、2021-04-18(抽穗期)、2021-04-29(開花期)、2021-05-09(灌漿期)、2021-05-24(成熟期)獲取無人機影像數(shù)據(jù),其空間分辨率分別為1.64 cm×1.44 cm、1.85 cm×1.54 cm、1.74 cm×1.44 cm、1.74 cm×1.45 cm、1.74 cm×1.46 cm、1.74 cm×1.47 cm。

在無人機作業(yè)的同一天內,對36個小區(qū)的AGB進行采樣。每個小區(qū)選擇3處長勢均勻、大小為0.5 m雙行的冬小麥。將冬小麥從根部剪斷,將新鮮樣品帶回實驗室進行莖、葉分離。將帶回的樣品于105 ℃殺青30 min,然后在75 ℃干燥24 h至質量恒定。稱量冬小麥莖、葉的干重,換算AGB(kg·hm-2)。

1.3 無人機影像預處理

利用大疆智圖(DJI terra)軟件處理無人機圖像,生成數(shù)字正射影像(digital orthophoto model, DOM)。關鍵處理步驟包括圖像對齊、相機校準、密集點云構建,以及DOM的生成。本研究所使用的無人機自帶厘米級定位系統(tǒng),因此不需要額外的控制點來對圖像進行校正。

采用經驗線性模型進行輻射定標,以消除不同時期圖像因光照不同而造成的輻射失真。為消除邊界效應,在參考板中心位置選擇約0.2 m×0.2 m的區(qū)域取其平均值作為該參考板的DN值(數(shù)字量化值,遙感影像的像元亮度值,記錄的地物的灰度值)。

R(i,j)=V(i,j)*ai+bi,i∈[1,5],j∈[1,4]。

(1)

式(1)中:R(i,j)和V(i,j)分別代表波段i在第j塊參考板上的反射率值和DN值,ai為斜率,bi為截距。

為降低土壤背景對生物量估算的干擾,本研究利用作物與背景之間的反射率閾值去除土壤背景。對比作物與土壤的反射率發(fā)現(xiàn),作物與土壤在近紅外波段的反射率差異最大。經過多次試驗,最終利用近紅外波段閾值法去除土壤背景的影響。

1.4 植被指數(shù)計算

本研究選擇了7種植被指數(shù)用于冬小麥AGB的估算,具體包括歸一化植被指數(shù)(normalized vegetation index, NDVI)[23]、差值植被指數(shù)(difference vegetation index, DVI)[24]、比值植被指數(shù)(ratio vegetation index, RVI)[23]、綠色歸一化植被指數(shù)(green normalized vegetation index, GNDVI)[25]、歸一化紅邊植被指數(shù)(normalized red-edge vegetation index, NDRE)[26]、紅邊葉綠素指數(shù)(red edge chlorophyll index, RECI)[8]、轉化葉綠素吸收比值指數(shù)[27](transformed chlorophyll absorption ratio index, TCARI)。

1.5 紋理特征提取

紋理特征通過像素鄰域的灰度值變化來反映空間位置特征,與植被指數(shù)相比不存在飽和效應,屬于一種微觀的結構特征?；诨叶裙采仃?grey level co-occurrence matrix, GLCM)提取影像紋理特征。為了減少數(shù)據(jù)交叉,提升數(shù)據(jù)處理速度,且最大限度地保留紋理信息,本研究利用ENVI 5.6軟件對影像進行主成分分析,利用第一主成分的數(shù)據(jù)進行紋理特征提取。根據(jù)Haralick等[28]和劉楊等[29]的研究,選擇其中運算量較小且應用較多的3種紋理特征--均值(Mean)、方差(Var)、熵(Ent)。

1.6 模型算法選擇

機器學習算法已經被廣泛用于處理作物生理/生化參數(shù)與遙感變量之間的非線性關系。與線性回歸模型相比,機器學習算法適合于建立多輸入量的模型。從實際生產應用來說,線性回歸在一定程度上可以降低模型的復雜性。綜上,本研究選擇一元線性回歸、PLSR、RF算法構建冬小麥AGB監(jiān)測模型,比較模型間的精度差異,探究適宜農業(yè)生產應用的算法。

1.7 模型評價

為了建立適用于不同生育時期冬小麥AGB的監(jiān)測模型,采用隨機分層方法對不同生育時期的樣本進行劃分,其中,70%的樣本用于模型構建,30%的樣本用于模型驗證。使用決定系數(shù)(R2)、均方根誤差(RMSE)和平均絕對誤差(MAE)評價模型的準確性。R2值越接近1,RMSE和MAE值越小,表明模型的精度越高,穩(wěn)定性越好。

2 結果與分析

2.1 多光譜植被指數(shù)、紋理特征與小麥生物量的相關性

測算不同生育時期AGB與植被指數(shù)和紋理特征的相關性(表1)。紋理特征中:Mean在前4個生育期(拔節(jié)期-開花期)的表現(xiàn)較好,與植被指數(shù)的表現(xiàn)相近,與AGB在P<0.001水平上顯著相關;Var在拔節(jié)期的表現(xiàn)最好(與AGB的相關系數(shù)為0.77,在P<0.001水平上顯著相關);Ent在拔節(jié)期的表現(xiàn)較好(與AGB的相關系數(shù)達到0.66),但在抽穗期和開花期的表現(xiàn)相對較差。各植被指數(shù)在各生育期與AGB均在P<0.001水平上顯著相關:拔節(jié)期時,DVI與AGB的相關系數(shù)最大(0.83);孕穗期時,TCARI與AGB的相關系數(shù)最大(0.77);抽穗期和開花期時,均以RVI與AGB的相關系數(shù)最大(分別為0.77和0.78);灌漿期時,RECI與AGB的相關系數(shù)最大(0.81);成熟期時,GNDVI與AGB的相關系數(shù)最大(0.85)。總的來說,植被指數(shù)與冬小麥AGB的相關性要高于紋理特征。周元琦等[30]、杭艷紅等[25]的研究結果也表明,植被指數(shù)與AGB的相關性要高于紋理特征。

表1 植被指數(shù)、紋理特征指標與生物量的相關性Table 1 Correlations within vegetation indexes, texture features and biomass

2.2 基于最優(yōu)植被指數(shù)的冬小麥生物量估算模型構建與驗證

在不同生育期選擇與AGB相關性最高的植被指數(shù)構建估算冬小麥AGB的一元線性模型(表2),對比各模型的準確性。結果顯示,灌漿期的建模效果最好,R2、RMSE和MAE分別為0.78、2 228.92 kg·hm-2和1 783.60 kg·hm-2,其次是拔節(jié)期與成熟期。

表2 基于各生育期最優(yōu)植被指數(shù)的線性模型Table 2 Linear models based on optimal vegetation indexes for growth stages

對各生育期的生物量實測值與模型預測值進行相關性分析,發(fā)現(xiàn)在抽穗期和灌漿期的實測值與模型預測值在P<0.05水平上顯著相關,其余時期的實測值與模型預測值均在P<0.01水平上顯著相關。從拔節(jié)期到孕穗期,模型的估算精度呈上升趨勢(圖1),至孕穗期達到頂點;從孕穗期到灌漿期,模型的估算精度呈下降趨勢。各生育期相比,成熟期的估算精度最高,R2為0.75,RMSE為3 066.15 kg·hm-2,MAE為2 669.59 kg·hm-2。其次是孕穗期,抽穗期與開花期的估算精度相近,灌漿期的估算效果最差。

y1～y6分別對應于拔節(jié)期、孕穗期、抽穗期、開花期、灌漿期、成熟期的預測值,x為相應時期的實測值。R2,決定系數(shù);RMSE,均方根誤差;MAE,平均絕對誤差。下同。y1-y6 represent the predicted value at joting stage, booting stage, heading stage, flowering stage, filling stage, mature stage, respectively. x represents the measured value at the corresponding stage. R2, Coefficient of determination; RMSE, Root mean squard error; MAE, Mean absolute error. The same as below.圖1 基于各生育期最優(yōu)植被指數(shù)的線性模型驗證Fig.1 Verification of the constructed linear models based on optimal vegetation indexes for growth stages

2.3 基于最優(yōu)植被指數(shù)與最優(yōu)紋理特征的小麥生物量估算模型構建與驗證

在不同生育期,結合與冬小麥AGB相關性最好的植被指數(shù)、紋理特征,構建二元線性模型(表3)。與僅利用植被指數(shù)構建的一元線性模型相比,二元線性模型在各個時期的精度均得到提高,尤以抽穗期和開花期的預測精度提升較多,說明紋理特征的加入有利于提升冬小麥生物量估算模型的性能。

表3 基于各生育期最優(yōu)植被指數(shù)與紋理特征的二元線性模型Table 3 Binary linear models based on optimal vegetation indexes and texture features for growth stages

驗證構建的二元線性模型估算冬小麥AGB的效果(圖2),除灌漿期外,估算精度均較構建的一元線性模型有所提升,且不同生育期的模型預測值與實測值均在P<0.01水平上顯著相關。結果表明,融合植被指數(shù)與紋理特征的模型的估算精度要優(yōu)于單一的植被指數(shù)模型,說明紋理特征的融入對生物量估算有積極意義。各生育期相比,孕穗期的估算精度最高,R2為0.76,RMSE為1 012.65 kg·hm-2,MAE為804.12 kg·hm-2。

圖2 基于各生育期最優(yōu)植被指數(shù)與紋理特征的二元線性模型驗證Fig.2 Verification of the constructed binary linear models based on optimal vegetation indexes and texture features for growth stages

2.4 基于機器學習算法的融合全部植被指數(shù)與紋理特征的小麥生物量估算模型構建與驗證

將本文選定的所有植被指數(shù)與紋理特征作為模型的輸入因子,分別基于PLSR、RF兩種方法進行模型的構建與驗證(表4、表5)?；谒兄脖恢笖?shù)與紋理特征構建的模型在驗證集上的精度在拔節(jié)期到抽穗期呈上升趨勢,但在抽穗期到灌漿期總體呈下降趨勢,以抽穗期的精度最高。利用全部植被指數(shù)建模時,RF方法在抽穗期的估算精度最高,R2為0.78,RMSE為2 464.82 kg·hm-2,MAE為1 783.65 kg·hm-2;利用全部植被指數(shù)融合紋理特征建模時,PLSR方法在抽穗期的估算效果最好,R2為0.82,RMSE為2 428.92 kg·hm-2,MAE為1 847.91 kg·hm-2。綜合各生育期結果判斷,植被指數(shù)與紋理特征相融合的估算效果整體上要優(yōu)于僅運用植被指數(shù)的模型的估算效果,融合植被指數(shù)與紋理特征能提高冬小麥生物量的估算精度,可在一定程度上降低光譜飽和、冗余所帶來的影響。

表4 基于偏最小二乘回歸(PLSR)算法構建的不同生育時期的冬小麥生物量預測模型Table 4 Prediction models for winter wheat biomass at growth stages based on partial least squares regression (PLSR)

表5 基于隨機森林(RF)算法構建的不同生育時期的冬小麥生物量預測模型Table 5 Prediction models for winter wheat biomass at growth stages based on random forest (RF)

在孕穗期和抽穗期,基于RF算法運用植被指數(shù)構建的模型結果要優(yōu)于融合了紋理特征的模型的效果。這可能是因為,本研究的樣本數(shù)據(jù)量較小,未能發(fā)揮RF模型對異常值和噪聲的處理優(yōu)勢,且植被指數(shù)與AGB的相關性明顯高于紋理特征,全部植被指數(shù)內部可能存在嚴重的過擬合現(xiàn)象,弱化了紋理特征對預測結果的貢獻。Sexton等[31]的研究也發(fā)現(xiàn),對于數(shù)據(jù)量大的數(shù)據(jù)集,基于bootstrap的RF估計效果更好。

綜上所述,植被指數(shù)與紋理特征的組合效果整體上優(yōu)于植被指數(shù)。但當輸入全部數(shù)據(jù)作為自變量時, RF算法在孕穗期與抽穗期的表現(xiàn)略差。有可能是因為樣本數(shù)據(jù)量較小,導致模型的擬合能力不足;也可能是因為穗部結構的出現(xiàn)會影響紋理特征與光譜特征。線性模型在孕穗期估算生物量的效果最佳,而PLSR與RF估算生物量的最佳時期則是抽穗期,這可能是因為紋理特征受冬小麥穗部特征的影響較小,且此時的冬小麥生長旺盛,以葉片為主的綠色像元在無人機視野內占據(jù)絕大部分比例,植被指數(shù)能更好地表達綠色植被的特征。

3 討論

3.1 無人機遙感的潛力

隨著現(xiàn)代化農業(yè)的蓬勃發(fā)展,操作簡單、機動靈活的平臺日益替代人工來獲取田間數(shù)據(jù),無人機已逐漸成為實現(xiàn)田間精確管理和作物表型監(jiān)測的重要平臺。雖然,固定翼飛機的飛行速度快、飛行距離遠,但其不能懸停獲取影像,存在操作難度大、易損壞等問題,不適用于小尺度田塊。與固定翼飛機相比,多旋翼飛機穩(wěn)定靈活,飛行速度適中,可以提供較高分辨率的影像。其中,多光譜無人機獲取的紅邊和近紅外波段信息對綠色植被有較高的反射特性,并與多種植物生理生化參數(shù)有良好的相關性,可以提高模型的準確性。

3.2 植被指數(shù)的飽和效應與紋理特征的增效

植被指數(shù)可以增強某種較弱的植被信號,但當冠層葉綠素吸收、反射某些光譜波段的能力與作物生長狀態(tài)出現(xiàn)非線性變化時,就會出現(xiàn)“飽和”現(xiàn)象。以NDVI為例,之所以會產生“飽和”效應,根本原因是,當植株的生物量和葉面積指數(shù)達到一定值時,紅光反射率趨于飽和[32]。為了降低這種飽和效應,有研究者利用綠光波段代替NDVI中的紅光波段來改進植被指數(shù)的性能。但是,這種改進方法還是從光譜的角度出發(fā),受冠層、土壤等因素的影響較大。將紋理特征與植被指數(shù)結合,是從圖像灰度變化的角度對冠層反射率進行的修正,有利于降低“飽和”效應對模型估算精度的影響。本研究結果表明,在冬小麥的不同生育時期,融合紋理特征均有助于提升冬小麥AGB的估算精度,且適用于不同算法下的AGB估算。未來,可以繼續(xù)挖掘無人機圖像的特征,利用多種特征、多種傳感器的組合來進一步提升模型的精度。

3.3 運用光譜特征和紋理特征估算不同生長時期AGB的效果

本研究利用線性回歸方法,運用植被指數(shù)、紋理特征建立冬小麥AGB估算模型。單獨運用植被指數(shù)估算AGB的模型在孕穗期和成熟期的精度較好,在成熟期精度最高,在其余時期的效果相對較差。這可能是因為拔節(jié)期的冬小麥植株相對矮小,此時的葉片還未完全展開,冠層光譜對于冬小麥AGB的表征能力不足。在抽穗期和開花期,穗、花結構會對光譜信息產生干擾,導致模型精度不佳。為了彌補植被指數(shù)在估算冬小麥AGB方面的不足,本文還嘗試組合紋理特征和光譜特征構建二元線性模型估算AGB,結果表明,在不同時期,構建的二元線性模型的精度都優(yōu)于單一運用植被指數(shù)估算冬小麥AGB的精度。這說明,在冬小麥的生長過程中,紋理信息可以彌補光譜信息受作物冠層結構、形態(tài)等變化帶來的影響,提升模型精度。

3.4 方法層面的選擇

目前,機器學習等方法被廣泛應用于作物監(jiān)測中。Yue等[33]利用結合了高光譜數(shù)據(jù)和株高的PLSR來反演小麥生物量。崔日鮮等[34]利用BP(反向傳播)神經網絡的方法對小麥生物量進行估算。本研究使用線性回歸、PLSR與RF方法進行對比研究,結果顯示,線性模型的結果在各時期較為穩(wěn)定,PLSR次之,RF的擬合程度最高,但對生物量的估算精度在不同時期整體浮動略大,模型穩(wěn)定性一般,這可能是由于樣本數(shù)量較少所致。申洋洋等[35]的研究表明,基于多時相遙感的PLSR方法對小麥產量的估算精度與逐步多元線性回歸的模型精度類似。這可能是因為植被指數(shù)間的相關性較高,導致結果中出現(xiàn)擬合精度較高、預測精度較低的現(xiàn)象[36],可利用主成分分析來降低自變量間的自相關性?？傮w來看,本研究中,基于篩選的特征運用線性回歸估算AGB時,孕穗期和成熟期的精度較好;而運用PLSR與RF估算生物量的最佳時期則是抽穗期。今后,在估算冬小麥AGB的研究中,應考慮更多因素,進一步優(yōu)化模型方法,提升模型的實用性。