摘要：森林空間分析技術(shù)會(huì)議（ForestSAT）是國(guó)際林業(yè)遙感領(lǐng)域的一大學(xué)術(shù)盛事，已成為該領(lǐng)域的學(xué)術(shù)風(fēng)向標(biāo)。ForestSAT 2024于9月9—13日在新西蘭羅托魯瓦舉行，吸引了來(lái)自超過(guò)40個(gè)國(guó)家的學(xué)者，共同探討38個(gè)議題，包括統(tǒng)計(jì)遙感、森林清查、森林生態(tài)、遙感算法、遙感產(chǎn)品及未來(lái)展望。此次會(huì)議呈現(xiàn)5大特點(diǎn)：首先，統(tǒng)計(jì)遙感備受關(guān)注；其次，遙感技術(shù)的應(yīng)用需求旺盛，服務(wù)于森林生態(tài)和清查；第三，強(qiáng)調(diào)數(shù)據(jù)融合，充分利用多源多模態(tài)數(shù)據(jù)優(yōu)勢(shì)；第四，遙感產(chǎn)品為全球“雙碳”戰(zhàn)略提供支持；最后，把脈林業(yè)遙感未來(lái)發(fā)展路徑。會(huì)議期間舉行了兩場(chǎng)主旨報(bào)告并深入討論無(wú)人機(jī)遙感、尺度上升、小域估計(jì)及誤差傳播等前沿問(wèn)題。統(tǒng)計(jì)遙感作為抽樣調(diào)查、統(tǒng)計(jì)模型與遙感技術(shù)的融合，是突破林業(yè)遙感瓶頸的重要手段，展現(xiàn)了林業(yè)遙感的新發(fā)展趨勢(shì)。

關(guān)鍵詞：ForestSAT;統(tǒng)計(jì)遙感;尺度上升;小域估計(jì);誤差傳播

中圖分類(lèi)號(hào)：S757""""" 文獻(xiàn)標(biāo)志碼：A開(kāi)放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

文章編號(hào)：1000-2006（2024）06-0001-04

Emerging academic trends at the ForestSAT 2024 Conference

HOU Zhengyang， HUANG Huaguo

（Key Laboratory of Forest Cultivation and Conservation， Ministry of Education， Beijing Forestry University， Beijing 100083， China）

Abstract： The Forest Spatial Analysis Technology （ForestSAT） Conference is a pivotal assembly in the global domain of forestry remote sensing， functioning as a vital gauge for advancements in this area of research. The ForestSAT 2024 was" convented from September 9 to 13 in Rotorua， New Zealand， drawing academics from more than 40 nations to deliberate on 38 subjects， including statistical remote sensing， forest inventory， forest ecology， remote sensing algorithms， remote sensing products， and future trends. The conference underscored five significant aspects： firstly， the prominence of statistical remote sensing; secondly， the robust demand for remote sensing applications within forest ecology and inventory; thirdly， the accentuation on data fusion to capitalize on the strengths of multi-source and multi-modal data; fourthly， the vital support that remote sensing products contribute to the global “double carbon” strategy;" lastly， the inquiry into future developmental trajectories for forestry remote sensing. During the event， two keynote speeches were presented， with additional avant-garde topics such as UAV remote sensing， upscaling， small-domain estimation， and error propagation. As an integration of sampling surveys， statistical models， and remote sensing technology， statistical remote sensing is instrumental in addressing the challenges of forestry remote sensing， elucidating the emerging developmental directions in this discipline.

Keywords：ForestSAT; statistical remote sensing; upscaling; small-area estimation; error propagation

森林空間分析技術(shù)會(huì)議（ForestSAT）由森林空間分析技術(shù)協(xié)會(huì)主辦，堪稱(chēng)國(guó)際林業(yè)遙感領(lǐng)域的學(xué)術(shù)盛宴。自2002年首次召開(kāi)以來(lái)，F(xiàn)orestSAT通常隔年舉辦一次，圍繞前沿主題展開(kāi)匯報(bào)與研討，已然成為林業(yè)遙感研究的重要風(fēng)向標(biāo)[1-2]。

1 基本情況

ForestSAT 2024于9月9—13日在新西蘭羅托魯瓦盛大召開(kāi)，與會(huì)學(xué)者來(lái)自40多個(gè)國(guó)家，共同商議38個(gè)議題（附件，nldxb.edu.cn;https：//tcc.eventsair.com/fsat24/）。議題涵蓋統(tǒng)計(jì)遙感、森林清查、森林生態(tài)、遙感算法、遙感產(chǎn)品、未來(lái)展望六大類(lèi)，呈現(xiàn)出以下5方面特點(diǎn)：其一，統(tǒng)計(jì)遙感是抽樣調(diào)查、統(tǒng)計(jì)模型與遙感技術(shù)的有機(jī)融合，備受關(guān)注；其二，以應(yīng)用為導(dǎo)向，彰顯遙感落地的剛性需求，服務(wù)森林生態(tài)及資源清查；其三，注重?cái)?shù)據(jù)融合，充分發(fā)揮多源多模態(tài)數(shù)據(jù)的優(yōu)勢(shì)；其四，遙感產(chǎn)品助力全球變化背景下達(dá)成“雙碳”戰(zhàn)略目標(biāo)；其五，眺望未來(lái)，為林業(yè)遙感發(fā)展路徑精準(zhǔn)把脈。鑒于涵蓋內(nèi)容廣泛，僅就兩場(chǎng)主旨報(bào)告和前沿問(wèn)題進(jìn)行簡(jiǎn)要介紹。

2 主旨報(bào)告

2.1 首場(chǎng)主旨報(bào)告

Crystal Schaaf教授在首場(chǎng)主旨報(bào)告中，向老一輩遙感學(xué)人和中分辨率成像光譜儀（MODIS）對(duì)全球氣象、氣候及生態(tài)環(huán)境監(jiān)測(cè)所做出的卓越貢獻(xiàn)致以崇高敬意。Schaaf教授身為馬薩諸塞大學(xué)波士頓分校環(huán)境學(xué)院榮譽(yù)退休教授，同時(shí)也是美國(guó)國(guó)家航空航天局（NASA）MODIS科學(xué)小組成員，專(zhuān)注于地表反照率及各向異性產(chǎn)品的研發(fā)。她在演講中詳細(xì)闡述了VIIRS BRDF、Albedo與Nadir BRDF Adjusted Reflectance（NBAR）產(chǎn)品在森林監(jiān)測(cè)領(lǐng)域的應(yīng)用情況及廣闊發(fā)展前景。這些產(chǎn)品已然成為近25年高質(zhì)量每日地表能量預(yù)算記錄的杰出代表，廣泛應(yīng)用于氣候、天氣、生物地球化學(xué)循環(huán)及水文模型，在植被范圍、物候和生產(chǎn)力監(jiān)測(cè)方面亦發(fā)揮著至關(guān)重要的作用。如此長(zhǎng)期且高質(zhì)量氣候檔案的存在，既得益于Terra和Aqua衛(wèi)星上MODIS傳感器的超長(zhǎng)壽命與卓越品質(zhì)，也歸功于科學(xué)算法的持續(xù)評(píng)估與改進(jìn)，以及NASA對(duì)定期處理整個(gè)記錄的鄭重承諾。VIIRS作為AVHRR和MODIS的擴(kuò)展與延伸，能夠確保未來(lái)10年該領(lǐng)域系列遙感產(chǎn)品的持續(xù)獲取[3-4]。Schaaf教授反復(fù)強(qiáng)調(diào)，遙感產(chǎn)品的不確定性量化（QA）乃是確保產(chǎn)品可靠性的必要前提，是遙感研究必須呈現(xiàn)的關(guān)鍵要素以及遙感應(yīng)用的根本保障，其本質(zhì)為統(tǒng)計(jì)遙感的置信區(qū)間和誤差傳播問(wèn)題。

2.2 第2場(chǎng)主旨報(bào)告

第2場(chǎng)主旨報(bào)告人是墨爾本大學(xué)理學(xué)院和工程學(xué)院的Pablo J Zarco-Tejada教授，其領(lǐng)導(dǎo)的HyperSens實(shí)驗(yàn)室致力于利用無(wú)人機(jī)獲取的高光譜影像對(duì)農(nóng)作物和森林脅迫進(jìn)行監(jiān)測(cè)。Zarco-Tejada教授在報(bào)告中圍繞用于森林健康監(jiān)測(cè)的高光譜和熱成像在近25年的進(jìn)展展開(kāi)，明確指出植物病理遙感診斷呈現(xiàn)新趨勢(shì)與新挑戰(zhàn)。傳統(tǒng)多光譜成像技術(shù)雖能同時(shí)獲取被測(cè)目標(biāo)光譜和空間信息以全面快速提取植物病害信息，但無(wú)法在癥狀出現(xiàn)前診斷病害。而高光譜遙感技術(shù)具備更高的光譜分辨率，能提供更詳細(xì)的光譜信息，可在病害早期進(jìn)行監(jiān)測(cè)和識(shí)別，為提前防治提供有力依據(jù)。通過(guò)無(wú)人機(jī)搭載高光譜傳感器在低空飛行獲取植物圖像和光譜數(shù)據(jù)，可針對(duì)小范圍森林進(jìn)行圖像處理和數(shù)據(jù)分析，提取對(duì)植株分類(lèi)貢獻(xiàn)值最大的特征波長(zhǎng)組合，基于特征波段使用邏輯回歸、支持向量機(jī)等算法，建立分類(lèi)模型，以準(zhǔn)確判斷植株患病情況及程度[5]。然而，Zarco-Tejada指出植物病理遙感診斷的瓶頸在于突破局部范圍，也就是針對(duì)更大空間尺度診斷這一監(jiān)測(cè)的尺度上升問(wèn)題，本質(zhì)為統(tǒng)計(jì)遙感問(wèn)題。

3 前沿問(wèn)題

3.1 無(wú)人機(jī)遙感

無(wú)人機(jī)遙感作為低空遙感的一種具體表現(xiàn)形式，并非單一的技術(shù)體系。它以無(wú)人飛行器作為遙感平臺(tái)，以數(shù)字遙感設(shè)備作為任務(wù)載荷，同時(shí)以遙感數(shù)據(jù)快速處理系統(tǒng)作為技術(shù)支撐，能夠以高機(jī)動(dòng)性、低成本、自動(dòng)化的模式迅速獲取地理資源環(huán)境等空間遙感信息，進(jìn)而完成遙感數(shù)據(jù)處理以及應(yīng)用分析等一系列技術(shù)流程[6]。借助無(wú)人機(jī)遙感技術(shù)，能夠從空間觀測(cè)的角度高精度地獲取豐富的基礎(chǔ)數(shù)據(jù)，并且通過(guò)對(duì)這些數(shù)據(jù)資料的整理和分析，實(shí)現(xiàn)對(duì)森林資源現(xiàn)狀與變化的有效監(jiān)測(cè)。然而，無(wú)人機(jī)遙感存在空間覆蓋范圍較小以及處理復(fù)雜度高的問(wèn)題，這在一定程度上對(duì)其大規(guī)模的落地應(yīng)用形成了制約。與傳統(tǒng)的航天影像相比，無(wú)人機(jī)遙感具有采樣周期短、分辨率高、像幅小、影像數(shù)量多、傾角過(guò)大以及傾斜方向不規(guī)律等特征，由此使得無(wú)人機(jī)遙感圖像處理的數(shù)據(jù)量總量與復(fù)雜度均有所增加。其中，像幅小、傾角相對(duì)較大以及傾斜方向不規(guī)律等不利因素致使無(wú)人機(jī)遙感的作用范圍目前大多限于小區(qū)域，容易出現(xiàn)非全覆蓋的情況[7]。鑒于此，統(tǒng)計(jì)遙感中的尺度上升能夠?yàn)闊o(wú)人機(jī)遙感實(shí)現(xiàn)從小區(qū)域到大區(qū)域的有效監(jiān)測(cè)提供助力。

3.2 尺度上升

尺度上升，亦稱(chēng)為升尺度轉(zhuǎn)換，是從小尺度向大尺度的轉(zhuǎn)變，即從點(diǎn)位到小區(qū)域再擴(kuò)展至大區(qū)域[8-9]。在此過(guò)程中，空間分辨率降低，轉(zhuǎn)換后的數(shù)據(jù)趨于同質(zhì)且信息量減少，但準(zhǔn)確性顯著提升。其作用通常在于為遙感產(chǎn)品提供真實(shí)性檢驗(yàn)，在實(shí)踐中常常用于對(duì)應(yīng)尺度上的生態(tài)或營(yíng)林決策。遙感尺度轉(zhuǎn)換總是基于一定的主題或應(yīng)用目的而進(jìn)行，并且具體的尺度轉(zhuǎn)換模型需要各種數(shù)學(xué)方法予以支持。因此，統(tǒng)計(jì)遙感中的尺度上升方法至關(guān)重要。在對(duì)遙感影像進(jìn)行尺度轉(zhuǎn)換后，不可避免地會(huì)造成不同程度的信息損失或變異。故而，在進(jìn)行尺度上升時(shí)，必須考慮到誤差傳播的過(guò)程及其量化，以保障出數(shù)方法的無(wú)偏性。

3.3 小域估計(jì)

小域估計(jì)在統(tǒng)計(jì)遙感中屬于尺度下降問(wèn)題，是尺度上升的逆過(guò)程[9-10]。尺度下降是指從小區(qū)域轉(zhuǎn)變至局部點(diǎn)位，空間分辨率升高，信息量變得更為豐富，但準(zhǔn)確性通常降低。在林業(yè)領(lǐng)域，小尺度包含單株樹(shù)尺度、樣地尺度、林分尺度等。例如，上述提及的無(wú)人機(jī)遙感以及森林健康監(jiān)測(cè)皆為局部點(diǎn)位上的數(shù)據(jù)產(chǎn)出，適用于林分尺度調(diào)查，然而卻難以支撐更大尺度如省、市、縣的出數(shù)。小域估計(jì)的核心問(wèn)題在于如何充分利用現(xiàn)有的樣本信息，在確保能夠獲得總體調(diào)查因子可靠估計(jì)的同時(shí)，亦能實(shí)現(xiàn)小域因子的有效估計(jì)[11]。然而，在實(shí)際情況中，小域估計(jì)常常面臨著落入小域的樣本量極為稀少甚至為零的困境。從改進(jìn)估計(jì)量的角度出發(fā)，可以借助該域中的遙感輔助信息，如通過(guò)遙感影像獲取的地理信息、土地覆蓋類(lèi)型等，與目標(biāo)變量建立關(guān)聯(lián)，以提高估計(jì)精度；也可以利用其他小域中的樣本信息，通過(guò)信息共享和模型融合等手段，將多個(gè)小域的信息綜合起來(lái)，為目標(biāo)小域的估計(jì)提供有力支持；還可以借助統(tǒng)計(jì)模型，如廣義線(xiàn)性模型、貝葉斯模型等，對(duì)數(shù)據(jù)進(jìn)行建模和參數(shù)估計(jì)，充分挖掘數(shù)據(jù)中的潛在規(guī)律，進(jìn)而獲得更準(zhǔn)確的小域估計(jì)結(jié)果。在林業(yè)等領(lǐng)域中，小域估計(jì)可以利用省尺度樣本為縣或林分等小尺度調(diào)查提供有效的估計(jì)方法，對(duì)于深入了解局部區(qū)域的特征具有重要意義。

3.4 新趨勢(shì)——統(tǒng)計(jì)遙感

統(tǒng)計(jì)遙感提供了堅(jiān)實(shí)的數(shù)學(xué)基礎(chǔ)和行之有效的技術(shù)手段，在對(duì)地觀測(cè)、資源清查和生態(tài)系統(tǒng)經(jīng)營(yíng)等領(lǐng)域的重要性愈加突出。在統(tǒng)計(jì)遙感的實(shí)踐過(guò)程中，可通過(guò)將抽樣調(diào)查與統(tǒng)計(jì)模型進(jìn)行有機(jī)結(jié)合，從而實(shí)現(xiàn)遙感尺度轉(zhuǎn)換以及誤差傳播的量化[12]。由此可見(jiàn)，統(tǒng)計(jì)遙感是解決尺度上升與下降問(wèn)題的一種重要統(tǒng)計(jì)學(xué)途徑。另一方面，通過(guò)對(duì)抽樣調(diào)查方法進(jìn)行改進(jìn)或者對(duì)統(tǒng)計(jì)模型加以?xún)?yōu)化以提高模型精度，能夠有效提升小域估計(jì)問(wèn)題中估計(jì)量的有效性。因此，統(tǒng)計(jì)遙感亦是解決小域估計(jì)問(wèn)題的主要手段。

森林大數(shù)據(jù)的來(lái)源包括實(shí)測(cè)樣本、遙感觀測(cè)以及過(guò)程模型，這些數(shù)據(jù)可提供關(guān)于森林生態(tài)系統(tǒng)健康狀況、碳儲(chǔ)量和生產(chǎn)力等高維信息。隨著遙感數(shù)據(jù)量驟增，參數(shù)統(tǒng)計(jì)、半?yún)?shù)統(tǒng)計(jì)和非參數(shù)統(tǒng)計(jì)方法，包括深度學(xué)習(xí)，在大數(shù)據(jù)處理中變得愈發(fā)重要。這些方法可以幫助識(shí)別森林變化、預(yù)測(cè)森林發(fā)展趨勢(shì)，并為森林管理提供依據(jù)。在國(guó)家級(jí)森林資源調(diào)查監(jiān)測(cè)中，面對(duì)年度實(shí)測(cè)樣本量驟減的不利條件，統(tǒng)計(jì)遙感可以顯著提高調(diào)查精度、降低監(jiān)測(cè)成本，逐漸成為歐美主要發(fā)達(dá)國(guó)家實(shí)現(xiàn)連續(xù)且高效資源監(jiān)測(cè)的主要途徑。

在統(tǒng)計(jì)遙感領(lǐng)域，國(guó)際學(xué)術(shù)界活躍的研究者包括北京林業(yè)大學(xué)的侯正陽(yáng)、瑞典農(nóng)業(yè)大學(xué)的Gran Sthl、芬蘭自然資源研究所的Annika Kangas、美國(guó)林務(wù)局北方研究站的Ronald McRoberts、美國(guó)林務(wù)局落基山研究站的Sean Healey以及美國(guó)馬里蘭大學(xué)的GEDI研究組等。這些學(xué)者開(kāi)展了突破性研究，提出了諸如遙感數(shù)據(jù)同化方法以提高模型輔助估計(jì)的準(zhǔn)確性[13]、發(fā)展非全覆蓋遙感上的二階分層與混合估計(jì)量[14]、探討遙感樣本量大小及模型對(duì)估計(jì)精度的影響機(jī)制[15-16]等。

4 總結(jié)與展望

綜上所述，誤差傳播、尺度上升以及小域估計(jì)等統(tǒng)計(jì)遙感問(wèn)題在國(guó)際林業(yè)遙感領(lǐng)域中占據(jù)前沿地位。一方面，資源衛(wèi)星、微波遙感、成像光譜技術(shù)以及三維遙感等森林資源監(jiān)測(cè)新技術(shù)的不斷發(fā)展，能夠?yàn)樯仲Y源調(diào)查帶來(lái)諸多益處，不僅可以提升調(diào)查精度，還能夠擴(kuò)大調(diào)查區(qū)域；另一方面，將抽樣調(diào)查、統(tǒng)計(jì)模型與遙感技術(shù)相結(jié)合的統(tǒng)計(jì)遙感，作為解決上述共性問(wèn)題的統(tǒng)計(jì)學(xué)途徑，展現(xiàn)出了未來(lái)新的發(fā)展趨勢(shì)。

ForestSAT2026將于2026年5月4日至8日在美國(guó)佛羅里達(dá)州的蓋恩斯維爾（Gainesville）舉辦，此次會(huì)議的主席為佛羅里達(dá)大學(xué)林學(xué)院的林業(yè)統(tǒng)計(jì)學(xué)家Carlos Silva教授。期待有更多的中國(guó)學(xué)者積極參與其中，攜手共進(jìn)，在國(guó)際舞臺(tái)上披荊斬棘，充分發(fā)揮自身的專(zhuān)業(yè)優(yōu)勢(shì)和創(chuàng)新能力，為我國(guó)林業(yè)遙感的發(fā)展貢獻(xiàn)智慧與力量。這不僅有助于提升我國(guó)在國(guó)際林業(yè)遙感領(lǐng)域的影響力，還能夠推動(dòng)全球林業(yè)遙感技術(shù)的進(jìn)步與創(chuàng)新，為實(shí)現(xiàn)可持續(xù)發(fā)展的林業(yè)資源管理和生態(tài)環(huán)境保護(hù)目標(biāo)提供有力的技術(shù)支持。

參考文獻(xiàn)（reference）：

［1］MCROBERTS R E，COHEN W B，PFLUGMACHER D．Preface，2012 ForestSAT special issue[J]．Remote Sens Environ，2014，151：1-2．DOI： 10.1016/j.rse.2014.02.010.

［2］PFLUGMACHER D，MCROBERTS R E，MORSDORF F．Preface：ForestSAT 2014 special issue[J]．Remote Sens Environ，2016，173：211-213．DOI： 10.1016/j.rse.2015.11.025.

［3］LIU Y，WANG Z S，SUN Q S，et al．Evaluation of the VIIRS BRDF，Albedo and NBAR products suite and an assessment of continuity with the long term MODIS record[J]．Remote Sens Environ，2017，201：256-274．DOI： 10.1016/j.rse.2017.09.020.

［4］CAMPAGNOLO M L，SUN Q S，LIU Y，et al．Estimating the effective spatial resolution of the operational BRDF，albedo，and nadir reflectance products from MODIS and VIIRS[J]．Remote Sens Environ，2016，175：52-64．DOI： 10.1016/j.rse.2015.12.033.

［5］MOHAMMED G H，COLOMBO R，MIDDLETON E M，et al．Remote sensing of solar-induced chlorophyll fluorescence （SIF） in vegetation：50-years of progress[J]．Remote Sens Environ，2019，231：111177．DOI： 10.1016/j.rse.2019.04.030.

［6］SUOMALAINEN J，OLIVEIRA R A，HAKALA T，et al．Direct reflectance transformation methodology for drone-based hyperspectral imaging[J]．Remote Sens Environ，2021，266：112691．DOI： 10.1016/j.rse.2021.112691.

［7］ZHENG Y，HOU Z Y，STHL G，et al．Nexus of certain model-based estimators in remote sensing forest inventory[J]．For Ecosyst，2024，11：100245．DOI： 10.1016/j.fecs.2024.100245.

［8］STHL G，SAARELA S，SCHNELL S，et al．Use of models in large-area forest surveys：comparing model-assisted，model-based and hybrid estimation[J]．For Ecosyst，2016，3（1）：5．DOI： 10.1186/s40663-016-0064-9.

［9］HOU Z Y，DOMKE G M，RUSSELL M B，et al．Updating annual state- and county-level forest inventory estimates with data assimilation and FIA data[J]．For Ecol Manag，2021，483：118777．DOI： 10.1016/j.foreco.2020.118777.

[10]GOERNDT M E，MONLEON V J，TEMESGEN H．Small-area estimation of county-level forest attributes using ground data and remote sensed auxiliary information[J]．For Sci，2013，59（5）：536-548．DOI： 10.5849/forsci.12-073.

[11]HOU Z Y，MCROBERTS R E，ZHANG C Y，et al．Cross-classes domain inference with network sampling for natural resource inventory[J]．For Ecosyst，2022，9：100029．DOI： 10.1016/j.fecs.2022.100029.

[12]STHL G，GOBAKKEN T，SAARELA S，et al．Why ecosystem characteristics predicted from remotely sensed data are unbiased and biased at the same time-and how this affects applications[J]．For Ecosyst，2024，11：100164．DOI： 10.1016/j.fecs.2023.100164.

[13]HOU Z Y，YUAN K Y，STHL G，et al．Conjugating remotely sensed data assimilation and model-assisted estimation for efficient multivariate forest inventory[J]．Remote Sens Environ，2023，299：113854．DOI： 10.1016/j.rse.2023.113854.

[14]CHEN F T，HOU Z Y，SAARELA S，et al．Leveraging remotely sensed non-wall-to-wall data for wall-to-wall upscaling in forest inventory[J]．Int J Appl Earth Obs Geoinf，2023，119：103314．DOI： 10.1016/j.jag.2023.103314.

[15]SAARELA S，HOLM S，HEALEY S P，et al．Comparing frameworks for biomass prediction for the Global Ecosystem Dynamics Investigation[J]．Remote Sens Environ，2022，278：113074．DOI： 10.1016/j.rse.2022.113074.

[16]DUNCANSON L， KELLNER J R， ARMSTON J， et al. Aboveground biomass density models for NASA’s Global Ecosystem Dynamics Investigation （GEDI） lidar mission[J]. Remote Sens Environ， 2022， 270： 112845.

（責(zé)任編輯 吳祝華）