高分六號(hào)衛(wèi)星紅邊波段及紅邊植被指數(shù)對(duì)水稻分類精度的影響

劉道芳， 王景山， 李勝陽(yáng)

（1.黃河水利委員會(huì)信息中心，鄭州 450004； 2.寧夏回族自治區(qū)水利廳，銀川 750001）

黃河流域節(jié)水的重點(diǎn)是農(nóng)業(yè)，農(nóng)田灌溉引水量占流域用水的比重較大. 據(jù)《黃河水資源公報(bào)》，2019年黃河流域農(nóng)田灌溉取水量304.06 億m3［1］，占地表水取水量的68.8%. 寧蒙兩區(qū)農(nóng)田灌溉取用黃河水122.93 億m3，占流域農(nóng)田灌溉取用地表水總量的40.4%. 水稻作為一種高耗水的作物，其種植面積直接影響到灌區(qū)的耗水總量. 快速調(diào)查灌區(qū)水稻種植面積，對(duì)于支撐黃河流域深度節(jié)水控水、控制農(nóng)業(yè)耗水具有重要意義.

遙感技術(shù)具有客觀性、宏觀性和及時(shí)性特點(diǎn)，在農(nóng)作物種植面積調(diào)查中發(fā)揮的作用越來(lái)越大. 與實(shí)地調(diào)查數(shù)據(jù)結(jié)合后，遙感技術(shù)農(nóng)作物面積調(diào)查的精度越來(lái)越高，逐步成為農(nóng)作物面積快速獲取的主要方式［2-6］.目前提高農(nóng)作物監(jiān)測(cè)的精度方法主要為多時(shí)相監(jiān)測(cè)方法［7-11］和敏感波段監(jiān)測(cè)方法［12-13］. 多時(shí)相監(jiān)測(cè)方法是通過(guò)作物生長(zhǎng)關(guān)鍵期的多期影像獲取多時(shí)相信息提高分類精度，敏感波段監(jiān)測(cè)方法是通過(guò)傳感器增加對(duì)作物敏感的波段信息來(lái)提升地類的區(qū)分度. 傳統(tǒng)遙感衛(wèi)星的可見(jiàn)光數(shù)據(jù)一般分為藍(lán)（450～520 nm）、綠（520～590 nm）、紅（630～690 nm）和近紅外（770～890 nm）等波段. 研究發(fā)現(xiàn)，在波段范圍為690～730 nm的紅邊區(qū)域，植被的反射率會(huì)發(fā)生明顯變化，且受周圍環(huán)境的影響較小，可以提升作物遙感監(jiān)測(cè)的精度，是作物遙感監(jiān)測(cè)的理論基礎(chǔ)［14-16］.

快速準(zhǔn)確地監(jiān)測(cè)水稻種植面積信息，對(duì)于農(nóng)業(yè)生產(chǎn)、節(jié)水控水等具有重要意義［17］. 水稻面積的提取分為多時(shí)相的可見(jiàn)光遙感監(jiān)測(cè)方案、多極化合成孔徑雷達(dá)的監(jiān)測(cè)方案以及結(jié)合使用可見(jiàn)光與雷達(dá)的監(jiān)測(cè)方案［18］，綜合采用了MODIS［19-20］、HJ-1A/B［21］、TM［22-24］、Sentinel-2［25］、GF1［26-29］、SPOT-5［30］、RadarSat-2［31］等遙感數(shù)據(jù)類型，使用了隨機(jī)森林［32］、CART決策樹(shù)、人工神經(jīng)網(wǎng)絡(luò)法等分類方法［33］. 而采用高分六號(hào)紅邊波段及其衍生的紅邊植被指數(shù)對(duì)灌區(qū)水稻進(jìn)行提取的研究尚不多見(jiàn).

高分六號(hào)（GF6）衛(wèi)星是我國(guó)自主設(shè)計(jì)的一顆有利于作物監(jiān)測(cè)的可見(jiàn)光遙感衛(wèi)星. 2018年6月2日成功發(fā)射，理論上兩天可對(duì)同一地區(qū)重復(fù)觀測(cè)一次，衛(wèi)星可提供窄幅（PMS）和寬幅（WFV）2 種遙感數(shù)據(jù). 近年來(lái)，為了研究紅邊波段在植被信息提取中的作用，國(guó)內(nèi)外學(xué)者運(yùn)用多種具有紅邊波段的遙感數(shù)據(jù)，采用多種分類方法，在作物分類［34-35］、林地分類［36-38］等方面開(kāi)展了廣泛的應(yīng)用研究，從不同角度證明了紅邊波段在提升多種植被分類精度中有明顯的作用.

為了研究高分六號(hào)遙感數(shù)據(jù)紅邊波段在提升灌區(qū)水稻種植面積分類提取精度中的作用，采集了2020年5月31日、2020年8月13日及2020年10月5日多時(shí)相WFV寬幅影像，提取了水體指數(shù)、植被指數(shù)和紅邊植被指數(shù)等產(chǎn)品，設(shè)計(jì)了6種波段組合方案，選擇銀川靈武市為研究區(qū)，采用隨機(jī)森林（RF）分類方法，對(duì)水稻、其他作物（玉米大豆和蔬菜等）、水域、裸地等典型地物進(jìn)行分類，分析不同紅邊波段、紅邊植被指數(shù)組合方案對(duì)提升水稻的分類精度的作用，對(duì)比不同波段組合方案之間樣本可分離度的變化，為基于高分六號(hào)寬幅（WFV）數(shù)據(jù)紅邊波段的水稻面積分類提取提供參考.

1 研究區(qū)概況

靈武是寧夏銀川市下轄縣級(jí)市，位于銀川東部、黃河?xùn)|岸，地理坐標(biāo)東經(jīng)105.59°～106.37°，北緯37.60°～38.01°. 東與鹽池縣相鄰，南接同心縣、吳忠市，西濱黃河與永寧縣相望，北與內(nèi)蒙古鄂托克前旗接壤. 南北長(zhǎng)98 km，東西寬54 km，總面積4639 km2.

水稻是靈武的主要糧食作物之一，研究區(qū)水稻物候特點(diǎn)如下：長(zhǎng)期以來(lái)，靈武種植水稻多采用以插秧栽培為主，水田撒播為輔的方式. 一般要經(jīng)過(guò)泡田、播種、出苗、三葉、移栽、返青、分蘗、拔節(jié)、始穗、齊穗、完熟、收割等生長(zhǎng)過(guò)程. 每年5月上旬至6月上旬，一般為水稻的泡田、播種、插秧期；7月至9月初，為水稻的生長(zhǎng)期；9月中下旬至10月初，水稻的成熟期，水稻開(kāi)始泛黃，稻田的植被指數(shù)開(kāi)始下降，并逐步收割完畢.

2 材料和方法

2.1 數(shù)據(jù)獲取與預(yù)處理

根據(jù)靈武水稻的物候特點(diǎn)，選取水稻泡田期2020 年5 月31 日、生長(zhǎng)旺盛期2020 年8 月13 日及收割期2020年10月5日多時(shí)相GF6寬幅（WFV）影像為數(shù)據(jù)源. GF6 WFV寬幅影像具有8個(gè)波段，藍(lán)、綠、紅、近紅外及新增的紅邊1、紅邊2、紫、黃波段，且幅寬更大，衛(wèi)星波段信息見(jiàn)表1. 對(duì)采集到的GF6 WFV影像，經(jīng)過(guò)輻射定標(biāo)、大氣校正、正射校正等預(yù)處理過(guò)程. 預(yù)處理后的數(shù)據(jù)，在一定程度上消除大氣影響，具有較高的幾何精度，多期影像可以較好地疊合在一起.

表1 GF6 WFV波段信息Tab.1 Band information of GF6 WFV image

首先，根據(jù)中國(guó)資源衛(wèi)星中心提供的定標(biāo)系數(shù)，將數(shù)據(jù)的波段DN值轉(zhuǎn)換為輻射亮度值，其公式為

式中：Lf為根據(jù)定標(biāo)系數(shù)轉(zhuǎn)換后的輻射亮度，W/（m2·nm·sr）；Gain為定標(biāo)系數(shù)（也稱增益），W/（m2·nm·sr）；DN為波段灰度值.

然后，采用大氣模型進(jìn)行大氣校正，消除大氣影響.

最后，去除大氣影響后，選擇研究區(qū)高精度正射影像作為參考數(shù)據(jù)，在DEM數(shù)據(jù)的支持下，對(duì)采集到的高分六號(hào)數(shù)據(jù)進(jìn)行正射校正，誤差要求在1個(gè)像元以內(nèi).

為了確定隨機(jī)森林分類結(jié)果的精度，根據(jù)靈武市水稻種植的物候特征，采集水稻插秧期、拔節(jié)期、灌漿期及收割期的高分辨率0.8 m GF2、2 m GF1及GF6數(shù)據(jù)，結(jié)合靈武市當(dāng)?shù)剡b感影像數(shù)據(jù)進(jìn)行正射校正，誤差在1個(gè)像元內(nèi)，用于逐地塊人工驗(yàn)證GF6 WFV水稻隨機(jī)森林分類提取結(jié)果的分類精度.

2.2 地面數(shù)據(jù)獲取

由于靈武市分布有大量沙地，地面調(diào)查數(shù)據(jù)需要均勻分布在作物種植區(qū). 選取地面調(diào)查點(diǎn)的步驟如下：首先，根據(jù)影像特征選擇樣本區(qū)，并對(duì)不同區(qū)域的地物信息進(jìn)行預(yù)判. 然后手持高精度GPS，在不同區(qū)域的地塊位置采集樣本點(diǎn)，建立主要地物解譯標(biāo)志. 主要樣本應(yīng)涵蓋不同種植條件、不同地類、分布均勻. 樣本分為解譯標(biāo)志點(diǎn)和分類驗(yàn)證點(diǎn).

1）解譯標(biāo)志點(diǎn). 研究區(qū)解譯標(biāo)志點(diǎn)共選取161處，包括水稻81個(gè)、其他作物（玉米大豆菜地等）46個(gè)、裸地及建筑用地18個(gè)、水域16個(gè)，在水稻分類時(shí)，根據(jù)解譯標(biāo)志點(diǎn)選擇訓(xùn)練樣本.

2）分類驗(yàn)證點(diǎn). 研究區(qū)分類驗(yàn)證點(diǎn)共選取215處，其中水稻98個(gè)、其他作物（玉米大豆菜地等）58個(gè)、水域39個(gè)、荒草地1個(gè)、裸地及建筑用地20個(gè)，并根據(jù)0.8 m GF2、2 m GF1及GF6數(shù)據(jù)解譯為矢量面狀圖斑，用于不同方案的分類精度評(píng)價(jià).

2.3 不同波段組合方案下的特征指數(shù)計(jì)算

為了評(píng)價(jià)高分六號(hào)紅邊波段、紅邊植被指數(shù)在灌區(qū)水稻信息提取中的作用，本研究根據(jù)水稻的物候特征，采用水稻泡田期水體指數(shù)（NDWI）、灌漿期與收割期植被指數(shù)（NDVI）、水稻生長(zhǎng)關(guān)鍵期紅邊植被指數(shù)（包括NDVI710和NDVI750）及波段光譜數(shù)據(jù)B1～B8進(jìn)行地物分類提取和精度驗(yàn)證.

根據(jù)式（2）計(jì)算NDWI：

對(duì)2020年5月31日數(shù)據(jù)，計(jì)算得到水稻泡田期水體指數(shù)NDWI0531.

根據(jù)式（3）計(jì)算NDVI：

對(duì)2020年8月31日數(shù)據(jù)及2020年10月5日數(shù)據(jù)，計(jì)算得到灌漿期影像植被指數(shù)NDVI0831和收割期植被指數(shù)NDVI1005.

根據(jù)式（4）、式（5）計(jì)算NDVI710、NDVI750：

對(duì)2020年8月31日數(shù)據(jù)，計(jì)算得到紅邊植被指數(shù)NDVI7100831、NDVI7500831.

根據(jù)紅邊波段的參與情況，建立6種波段組合方案，分別為無(wú)紅邊波段參與方案、單一紅邊波段參與方案、單一紅邊波段及相應(yīng)紅邊植被指數(shù)參與方案、全部紅邊波段及紅邊植被指數(shù)參與方案. 采用隨機(jī)森林分類算法，自動(dòng)提取水稻等地物信息. 與地面驗(yàn)證點(diǎn)及高分辨率遙感數(shù)據(jù)對(duì)比后，計(jì)算不同方案的水稻分類精度和水稻與其他作物的可分離度（采用Jeffries-Matusita距離計(jì)算）. 分析不同紅邊波段、紅邊植被指數(shù)參與情況下，水稻分類精度的變化情況及水稻與其他作物的可分離度提升效果. 對(duì)比不同波段組合方案下，水稻的錯(cuò)分漏分以及“椒鹽”數(shù)量變化，評(píng)價(jià)不同紅邊波段及其紅邊植被指數(shù)對(duì)灌區(qū)水稻信息分類精度的影響.

2.4 隨機(jī)森林

隨機(jī)森林（Random Forest，RF）是一種通過(guò)集成學(xué)習(xí)的方法對(duì)樣本進(jìn)行訓(xùn)練并預(yù)測(cè)的一種分類器，是高度靈活的一種機(jī)器學(xué)習(xí)算法［39］，其基本單元是決策樹(shù). 隨機(jī)森林先用bootstrap等方法從樣本庫(kù)中隨機(jī)抽取樣本，生成多個(gè)訓(xùn)練集；之后，對(duì)訓(xùn)練集進(jìn)行集成學(xué)習(xí)，初步構(gòu)造決策樹(shù)；隨后，在所有特征中隨機(jī)抽取主要特征，通過(guò)運(yùn)算找到最優(yōu)解，運(yùn)用隨機(jī)分裂技術(shù)構(gòu)建單一決策樹(shù)；最后綜合多棵決策樹(shù)的分類條件運(yùn)算得出最終分類結(jié)果［40］.

隨機(jī)森林分類方法是在CART決策樹(shù)的基礎(chǔ)上發(fā)展而來(lái)，對(duì)于復(fù)雜地區(qū)復(fù)雜地物的遙感數(shù)據(jù)進(jìn)行分類尤為有效. 作為遙感分類領(lǐng)域一種新型的機(jī)器學(xué)習(xí)算法，能將許多棵決策樹(shù)集成起來(lái)，得到精度較高的分類結(jié)果. 在隨機(jī)森林算法的計(jì)算過(guò)程中，采用基尼指數(shù)判斷每個(gè)節(jié)點(diǎn)的不純度，根據(jù)每個(gè)節(jié)點(diǎn)的不純度確定最優(yōu)屬性，將具有相同屬性的樣本劃分在同一類型上. 隨著決策樹(shù)的層次不斷增多，每個(gè)節(jié)點(diǎn)的地類的純度越來(lái)越高，最終完成高精度的分類結(jié)果.

使用隨機(jī)森林分類方法提取灌區(qū)水稻的過(guò)程為：首先，根據(jù)采集的地面解譯標(biāo)志點(diǎn)數(shù)據(jù)，在研究區(qū)遙感影像中選取不同地物類型（水稻、其他作物、水體、裸地及建設(shè)用地）的樣本數(shù)據(jù)集；其次，根據(jù)選取的樣本數(shù)據(jù)集，隨機(jī)抽取訓(xùn)練集、隨機(jī)抽取特征生成決策樹(shù)；最后，采用隨機(jī)森林分類法對(duì)研究區(qū)遙感數(shù)據(jù)集進(jìn)行自動(dòng)分類.

由于樣本直接影響分類結(jié)果的精度，因此，在選擇樣本時(shí)要綜合考慮同一地類在影像上的特征差異、區(qū)域差異、長(zhǎng)勢(shì)差異，在研究區(qū)范圍均勻選擇樣本區(qū). 使樣本數(shù)據(jù)集全面反映地類特征，提高分類精度.

2.5 精度驗(yàn)證

對(duì)分類結(jié)果的精度驗(yàn)證，主要是根據(jù)高分辨率影像與地面驗(yàn)證點(diǎn)結(jié)合依據(jù)高分辨率遙感數(shù)據(jù)解譯的矢量面狀圖斑，與分類結(jié)果進(jìn)行對(duì)比，對(duì)不同方案的分類結(jié)果進(jìn)行精度評(píng)價(jià)，評(píng)價(jià)指標(biāo)包括驗(yàn)證精度、制圖精度、用戶精度、總體精度、Kappa系數(shù)等.

同時(shí)，為了計(jì)算真實(shí)分類精度，采用高分辨率遙感數(shù)據(jù)逐方案逐地塊對(duì)水稻的分類結(jié)果進(jìn)行判斷，若分類準(zhǔn)確，則累計(jì)地塊面積，最后用全部準(zhǔn)確地塊面積除以隨機(jī)森林算法提取的水稻面積，計(jì)算每種方案的驗(yàn)證精度.

2.6 類別間光譜可分離度

以水稻、其他作物、水域、裸地及建筑用地的所有地面調(diào)查數(shù)據(jù)為基礎(chǔ)，以6種方案的波段組合設(shè)定光譜特征空間，選取各類地物的樣本作為樣本空間. 在6種光譜特征空間中計(jì)算各樣本數(shù)據(jù)集之間的最小J-M距離（可分離度）. 數(shù)值越大說(shuō)明樣本數(shù)據(jù)集之間分離度越大，對(duì)于地物分類越有利.

J-M距離是一種用來(lái)判斷類別間光譜的可分性的指標(biāo)，其本身是建立在條件概率理論的基礎(chǔ)之上. J-M距離是判斷樣本間的可分離度的重要參數(shù)，公式如下：

式中：P(X/ωi)為條件概率密度，即第i個(gè)像元?dú)w屬為ωi個(gè)類別的概率.Jij取值范圍0～2，該值越大，說(shuō)明樣本數(shù)據(jù)集在光譜空間的可分離度越高，分類結(jié)果越好. 當(dāng)值在1.9～2.0之間時(shí)，說(shuō)明樣本數(shù)據(jù)集在光譜空間的可分離度達(dá)到最優(yōu)，數(shù)值越大，地物分類精度最高；當(dāng)值在1.9以下時(shí)，數(shù)值越小，樣本空間的光譜可分度越差，地物分類精度越低. 樣本數(shù)據(jù)集的J-M 距離越小，則樣本中各地類的可分性越差，作物分類精度越低.樣本數(shù)據(jù)集在光譜空間的可分離度數(shù)值大小對(duì)分類結(jié)果精度影響較大.

3 分類結(jié)果與分析

3.1 不同紅邊波段、紅邊植被指數(shù)方案下的分類精度比較

根據(jù)是否參與，設(shè)計(jì)了6種不同波段組合方案（表2），使用同一組樣本數(shù)據(jù)集，采用隨機(jī)森林分類方法，提取了水稻、其他作物、水域、裸地及建筑用地等信息. 隨機(jī)森林分類方法的參數(shù)設(shè)定為：決策樹(shù)數(shù)量設(shè)為100，特征數(shù)量獲取方式設(shè)為平方根. 方案6水稻分類結(jié)果及方案1～6分類結(jié)果局部如圖1所示.

表2 不同紅邊波段、紅邊植被指數(shù)參與條件下的分類方案Tab.2 Classification schemes with different red-edge wavebands and red edge vegetation index conditions

圖1 方案6水稻分類結(jié)果及方案1～6局部分類結(jié)果Fig.1 Rice classification results of scheme 6 and local classification results of different schemes

對(duì)每個(gè)方案的分類結(jié)果，與研究區(qū)實(shí)地分類驗(yàn)證點(diǎn)和高分辨率遙感數(shù)據(jù)進(jìn)行比較，進(jìn)行精度評(píng)價(jià)，如表3所示.

從表3 可以看出，在全部紅邊波段及紅邊植被指數(shù)全部參與的方案6相比沒(méi)有紅邊波段及紅邊植被指數(shù)參與的方案1，水稻分類的總體精度由89.80%提高到93.38%，Kappa系數(shù)由0.852提高到0.903 7，經(jīng)高分影像比對(duì)驗(yàn)證，水稻的面積分類精度（驗(yàn)證精度）從88.19%提高到93.01%.

表3 不同方案下水稻分類精度Tab.3 Rice planting area classification accuracy under different schemes

從分類結(jié)果來(lái)看，引入紅邊波段后，方案2與方案3的水稻的分類精度有所提高，但不太明顯. 方案4與方案5、方案2、方案3 相比，分類精度有明顯提高. 這表明B5 波段紅邊波段在水稻識(shí)別中的重要性要高于B6紅邊波段，特別是B5波段紅邊植被指數(shù)作用大于B6波段紅邊植被指數(shù)，對(duì)水稻分類精度提升明顯. 方案6分類結(jié)果表明，引入全部紅邊波段和紅邊植被指數(shù)后，水稻的分類精度也明顯有所提升. 通過(guò)分類結(jié)果可以看出，紅邊波段及紅邊植被指數(shù)對(duì)提高水稻分類精度有重要作用.

從圖1可以看出，在紅邊波段和紅邊植被指數(shù)全部參與的情況下，方案6分類結(jié)果圖斑的完整性、連續(xù)性、平滑性比方案1更好，同時(shí)小圖斑、碎圖斑更少.

3.2 不同方案下的可分離度比較

為了分析不同紅邊波段及紅邊植被指數(shù)參與條件下水稻和其他作物可分離度的變化情況，計(jì)算了6種方案中水稻和其他作物的J-M距離（可分離度）. 方案1～6可分離度如表4所示. 可以看出，在全部紅邊波段及紅邊植被指數(shù)全部參與的方案6，與沒(méi)有紅邊波段及紅邊植被指數(shù)參與的方案1進(jìn)行比較，水稻與其他作物的可分離度從1.824 9增加到1.970 3，增加了0.145 4，表明紅邊波段信息可以使影像更精準(zhǔn)地區(qū)分水稻和其他作物. 方案3和方案2相比，水稻-其他作物的可分度從1.834 2增加到1.878 5，表明B5紅邊波段比B6紅邊波段對(duì)區(qū)分水稻-其他作物作用更大. 這與不同方案下水稻分類精度（見(jiàn)表3）的結(jié)果一致. 方案4、方案5分別與方案2、方案3相比，水稻-其他作物的可分離性也有一定提升，表明單一紅邊植被指數(shù)的參與也能更好地區(qū)分水稻與其他作物. 方案6 與方案4、方案5 相比，水稻與其他作物間可分離度也有提高，表明所有紅邊波段、紅邊植被指數(shù)的都能提升水稻與其他作物的可分離度.

表4 各種方案中水稻與其他作物可分離度Tab.4 The separation degree of rice from other crops under different schemes

4 結(jié)論

本文研究了GF6 WFV影像紅邊波段及其衍生的紅邊植被指數(shù)產(chǎn)品對(duì)水稻分類精度的提升作用. 結(jié)論如下：

GF6 WFV 影像紅邊波段都能提高水稻的分類精度. 在充分利用水稻插秧期水體指數(shù)、收割期植被指數(shù)、生長(zhǎng)旺盛期的植被指數(shù)及光譜波段的基礎(chǔ)上，增加全部紅邊波段、紅邊植被指數(shù)后，水稻總體分類精度達(dá)93.38%. 單獨(dú)增加紅邊波段B5或B6，水稻分類總體精度提高明顯，且B5紅邊波段比B6更有利于提高水稻分類精度. 在紅邊波段及相應(yīng)紅邊植被指數(shù)都參與的情況下，B5紅邊波段、B5紅邊植被指數(shù)對(duì)提升水稻分類精度的作用要優(yōu)于B6紅邊波段、B6紅邊植被指數(shù).

紅邊波段、紅邊植被指數(shù)的參與能有效提高水稻與其他作物間的可分離度. 全部紅邊波段、紅邊植被指數(shù)參與和無(wú)紅邊波段、紅邊植被指數(shù)參與相比，水稻與其他作物的可分離度增加0.145 4. 在無(wú)紅邊植被指數(shù)參與的情況下，分別增加紅邊波段B5或B6，水稻與其他作物的可分離度分別增加0.053 6和0.009 4，說(shuō)明B5紅邊波段對(duì)區(qū)分水稻與其他作物的作用更大. 同時(shí)增加B5紅邊波段、B5紅邊植被指數(shù)或同時(shí)增加B6紅邊波段、B6紅邊植被指數(shù)，水稻與其他作物的可分離度分別增加0.124 3和0.104 3，說(shuō)明B5紅邊植被指數(shù)對(duì)區(qū)分水稻與其他作物的作用更強(qiáng). 由此可見(jiàn)，在紅邊波段及紅邊植被指數(shù)參與情況下，水稻與其他作物的可分離度有明顯提高，提高了水稻的分類精度. 分類結(jié)果表明，紅邊波段、紅邊植被指數(shù)的參與也可以提高圖斑的完整性、連續(xù)性、平滑性，減少小圖斑、碎圖斑的數(shù)量，提供更為科學(xué)合理的水稻分類數(shù)據(jù).