基于随机森林算法的福建省林火发生主要气象因子分析

梁慧玲，郭福涛，苏漳文，王文辉，林芳芳，林玉蕊*

(1.福建农林大学林学院，福州，350002；2.福建农林大学计算机与信息学院，福州，350002)



基于随机森林算法的福建省林火发生主要气象因子分析

梁慧玲1,2，郭福涛1*，苏漳文1，王文辉1，林芳芳2，林玉蕊2*

(1.福建农林大学林学院，福州，350002；2.福建农林大学计算机与信息学院，福州，350002)

摘要：应用“随机森林”算法，以福建省22个国家级气象站每日气象数据和2000年～2003年间林火火点卫星解译数据为基础，对影响福建省林火发生的主要气象因子进行分析，并对2004年的林火数据进行独立检验。研究结果显示，“日最高地表气温”、“日最低地表气温”、“日照时数”、“日最高气温”和“日最小相对湿度”等5个气象因子是影响林火发生的主要驱动因子，且这5个气象因子对林火发生的影响大小为：“日照时数”>“日最高气温”>“日最低地表气温”>“日最小相对湿度”>“日最高地表气温”；随机森林算法的拟合结果显示：随机森林算法对福建省林火发生的预测精度为82.3%，表明随机森林算法对我国福建省林火发生的预测具有较高的预测能力，可用于基于气象因子的我国福建省林火发生的预测预报。本研究可为福建省林火的预测和决策工作提供一定的参考依据。

关键词：气象因子；林火发生；福建省；随机森林算法

0引言

林火是森林生态系统重要的干扰因子，对森林更新、演替有重要影响，同时也会对森林资源与环境造成损失和破坏[1-3]。目前，森林火灾已成为一个全球性的问题，引起了各国政府和科研工作者的广泛关注。已有研究表明，气候变化是引发森林火灾的一个重要原因，气候变化会影响森林植被类型、可燃物湿度的变化，进而影响森林火灾的发生及其危害程度[4]。在全球气候变暖的条件下，森林火灾的发生情况可能会越来越严重，防火要求和难度也会随之加大[5,6]。因此，对森林火灾发生与气象因子之间的关系进行分析，对森林防火的预测预报和规划管理具有十分重要的意义。目前，我国关于林火发生的预测研究主要集中在北方[2,7-12]，对南方林区火灾发生的预测研究还较少，且以上研究主要运用逻辑斯蒂模型进行林火预测分析，但是在运用逻辑斯蒂模型对林火发生进行建模分析时，模型无法自动去除变量之间的多重共线性，需要单独对变量进行共线性诊断，因此存在将可能会显著的变量提前剔除的风险。

福建省是我国四大林区之一，森林覆盖率高达65.95%，位居全国首位，但同时也是我国的林火高发区。近年来，已有学者对福建省的林火发生进行了研究。何等[5](2013)采用GIS图像处理技术对将乐县的森林可燃物类型进行了等级划分，得到不同等级可燃物的分布图，并基于气象数据对该地区的林火发生进行了时间尺度和空间尺度上的描述分析。郭等[13](2012)运用聚类分析法对三明地区的11个区县进行了林火等级划分。纪等[14](2013)运用分形理论，对1987年～2010年福建省森林火灾的受灾面积时间序列进行了分析。目前国内学者对福建省林火发生的研究主要采用灾害风险指数法、层次分析法、加权综合评价法、突变级数法、灰色拓扑预测法、加权马尔科夫链预测方法和信息扩散理论等方法对福建省的森林火灾进行风险评估、等级划分和林火发生预测[15-19]。但以上对福建省林火发生的研究主要集中在对林火发生等级的划分与评估，或者仅对林火发生序列进行预测，而关于林火发生的驱动因子分析目前研究还不充分。

随机森林(random forest, RF)算法是一种基于分类和回归树(classification and regression trees, CART)的数据挖掘方法，由Breiman和Cutler[20-22]在2001年提出的一种较新的机器学习算法。目前随机森林算法主要应用于生态学领域，并且表现出较高的预测精度[21-23]。近几年，国外已有少数学者将随机森林算法应用于林火的预测预报[20-25]，并表现出了很好的预测能力，该算法是目前国际上比较推荐的应用于林火决策因子分析和预测预报的方法。但国内关于随机森林算法在林火方面的应用还鲜有报道。因此，本文应用"随机森林"算法，以福建省22个国家级气象站每日气象数据和2000年～2003年间林火火点卫星解译数据为基础，对福建省林火发生的主要驱动因子进行分析，并基于随机森林算法对福建省林火发生的预测概率，运用ArcGIS软件对其进行空间插值，分析福建省林火发生概率的空间分布特征，且利用2004年的火点数据进行独立检验。研究结论为当地林火发生预测预报与决策工作提供一定的科学依据。

1研究区域概况

福建省位于我国东南沿海地带，介于北纬23°33′~28°20′、东经115°50′~120°40′之间(图1)，紧靠北回归线北面，属亚热带。其气候区域差异较大，闽东南沿海区域属于南亚热带气候，而闽东北、闽北和闽西属于中亚热带，气候自然条件十分优越，适宜林木的生长，拥有1.15亿亩的森林面积，是我国南方林区的重点省份之一。但是由于气候条件变化、人类活动等因素的影响，福建省林火发生愈发频繁。据统计，福建省1998年～2007年共发生4504次林火，其中2004年发生了1164次火灾，1998年林火发生次数最少，为156次；仅十年就发生了40次重大火灾[16]。

图1　研究区域示意图Fig.1　Sketch map of the study area

2数据来源与处理

2.1　数据来源

本文数据来源包括林火发生数据和每日气象数据(表1)两部分。

林火发生数据来源于林业科学数据中心(http://www.cfsdc.org/indexAction.action?classId=1)提供的福建省2000～2004年卫星火点解译数据(包括起火地理坐标、火灾发生时间等)。

每日气象数据来源于中国气象数据共享网络(http://cdc.cma.gov.cn/)，为福建省内22个国家级气象站的每日气象数据，一共包含极大风速的风向等22个气象因子。本文预先对气象数据进行了处理，剔除由于仪器设备损坏而造成的缺失数据，剩下的气象因子包括日平均地表气温(℃)，日最高地表气温(℃)，日最低地表气温(℃)，日平均风速(m·s-1)，日最大风速(m·s-1)，20～20时累计降水量(mm)，日平均本站气压(hPa)，日最高本站气压(hPa)，日最低本站气压(hPa)，日照时数(h)，日平均气温(℃)，日最高气温(℃)，日最低气温(℃)，日平均相对湿度(%)，日最小相对湿度(%)共15个气象因子。其提取步骤为：首先，以各气象站点为中心建立缓冲区；然后，以气象站点到最外围缓冲带为半径创建圆；最后，提取圆内的火点或随机点所对应的每日气象数据。

表1　气象因子概况Table 1　The meteorological factors

2.2　数据处理

在应用随机森林算法对福建省林火发生数据构建分类模型时，需要构建一定比例的对照点(非火点)。因此，本文参照前人的研究，应用ArcGIS软件按照1∶2的比例随机创建对照火点[7]。

并应用R统计软件对随机森林算法进行实现。

3研究方法

随机森林算法通过聚集大量的分类回归树来提高模型的预测精度，可以用来解决分类和回归问题。与传统的回归模型相比，随机森林算法不需要预先设定函数的具体形式，可以克服自变量之间的交互作用，而且不容易出现过度拟合的现象[23,26-28]。

3.1　随机森林算法的基本思想

随机森林算法是基于分类回归树的非参数技术，由许多树组成，且每棵树的样本数据集都通过自助法(bootstrap)重抽样技术产生，而每次bootstrap重抽样未被抽到的样本(out-of-bag，OOB)用来检验模型拟合优度。

首先，利用bootstrap重抽样技术从原始数据集中抽取k个样本数据集，每个样本数据集的样本容量均与原始数据集大小相同；然后，对这k个样本数据集分别建立k棵分类树，得到k个分类结果；最后，对这k个分类结果分别投票表决，从而得到随机森林的最终分类结果(图2)[26]。

图2　随机森林算法流程图Fig.2　Random forest algorithm flow chart

3.2　随机森林算法的参数设定

3.3　随机森林算法特征变量的选择

随机森林算法以使袋外误差最小为原则对模型的特征变量进行选择，本文调用R统计软件中的varSelRF程序包对模型的特征变量进行选择计算。基于随机森林算法的特征变量选择的具体步骤为：

第一步：计算每个特征变量的重要性得分，并根据其得分对特征变量进行降序排列；

第二步：确定剔除比例，从当前的特征变量集中剔除对应比例的最不重要的特征变量；

第三步：对第二步保留下来的特征变量重新构建随机森林；

第四步：重复第二、三步，比较各指标集对应的袋外误差(errOOB)，选取与最小的errOOB相对应的特征子集作为模型的最终指标体系。[30]

3.4　随机森林算法特征变量的重要性排序

其中，Σ是对所有的树进行求和[22,30,31]。

3.5　ROC曲线分析法

受试者工作特征曲线(Receiver Operating Characteristic curve，ROC曲线)是一条以假阳性率为横坐标，真阳性率为纵坐标绘制而成的曲线，其以所有的检查结果作为可能的诊断阈值，是一种不依赖阈值的检验方法，以其曲线下的面积(the area under the curve, AUC)作为模型预测准确性的衡量指标。AUC值在[0.5，1]区间上变化，AUC值越大，模型的拟合效果越好。一般认为，AUC值等于0.5时等同于一个完全的随机预测；在(0.5，0.7]之间说明模型的拟合效果较差；在(0.7，0.9]之间说明模型的拟合效果中等；在(0.9，1]之间说明模型的拟合效果非常好[25]。

4结果与分析

4.1　特征变量的选择

为了减少训练样本的分布情况对实验结果的影响，本文将总体样本数据随机的分成60%的训练样本和40%的测试样本[32]，其中训练样本用于模型的建立，测试样本用于模型的检验，并且重复5次随机划分，从而得到5组不同的样本集和1个全样本数据集。首先，分别对5个训练样本进行随机森林算法特征变量的选择计算，得到5组不同的特征子集，然后在五个样本特征子集中选择出现3次及以上的特征变量进入最后全样本数据的拟合计算(表2)。

由表2可知，“日最高地表气温”、“日最低地表气温”、“日照时数”、“日最高气温”和“日最小相对湿度”共5个变量进入了全样本数据的拟合阶段。

表2　5个随机样本数据及全样本数据拟合中的特征集Table 2　The significant variables in five randomlysamples and complete sample

注：+：变量在模型中；-：变量不在模型中。

4.2　随机森林算法特征变量的重要性排序

本文在利用随机森林算法对5个训练样本数据集和全样本数据集进行模型变量选择之后，分别对所得的6个特征子集进行重要性排序(图3)。从全样本的变量排序结果来看，“日照时数”对林火发生的影响最大，“日最高气温”对林火发生的影响次之，“日最高地表气温”对林火发生的影响最小。从6个样本的拟合结果来看，“日照时数”对林火发生的影响均高于其他变量对林火发生的影响。

图3　影响林火发生的气象因子的重要性排序Fig.3　Sort the importance of the meteorological factors of forest fire注：其中平均准确率降低度(Mean Decrease Accuracy)是衡量把一个变量的取值变为随机数，随机森林算法预测准确性的降低程度，该值越大说明该变量的重要性越大[33]。

4.3　随机森林算法的检验

应用ROC曲线分析法对随机森林算法的拟合优度进行检验。图4为5个子样本和全样本的ROC曲线图，表3为各样本的AUC值及其显著性水平。由表3可知，样本4的AUC值为0.896，介于(0.7，0.9]之间，说明随机森林算法对样本4的拟合效果中等；其余5个样本的AUC值在(0.9，1]之间，说明随机森林算法对这5个样本的拟合效果非常好，且5个子样本和全样本的显著性水平均小于0.001，说明所建立的随机森林算法具有统计意义，可用于基于气象因子的福建省森林火灾发生的预测预报。

表3　随机森林算法的AUC值和显著性水平Table 3　The AUC and significant levelof random forest algorithm

图4　随机森林算法ROC曲线图Fig.4　ROC curves of random forest algorithm

4.4　随机森林算法的拟合优度分析

根据特征变量的选择结果，计算随机森林算法对林火发生的预测准确率(表4)。由表4可知，随机森林算法对福建省林火发生的拟合精度较高。从五个样本数据的拟合效果来看，随机森林算法对福建省林火不发生(Y=0)的预测概率介于68.0%~76.7%之间，对福建省林火发生(Y=1)的预测概率介于84.3%~87.7%之间，其对林火发生的预测精度均高于对林火不发生的预测精度；对福建省林火发生总体的判别准确率为77.7%~81.9%。根据前5个样本的变量选择结果，选取在5个样本中出现三次及以上的变量进入全样本数据的拟合计算，其拟合精度为82.3%，与前5个样本的拟合结果一致。拟合结果表明，基于气象因子的随机森林算法对福建省林火发生的预测预报具有较高的预测准确率。为了更好地对算法的拟合效果进行分析，本文利用2004年的林火数据进行独立检验。经计算，随机森林算法对福建省2004年林火数据的预测精度为68.6%，拟合效果虽然较2000年~2003年的预测精度低，但其拟合效果仍具有较高的可信度。

4.5　林火概率分布及残差分析

本文运用随机森林算法对全样本数据进行拟合计算，得出福建省2000年~2003年1783个火点与随机点的预测概率，并基于克里格插值法运用ArcGIS软件对其进行空间插值。由概率分布图(图5)可知，基于气象因子的福建省林火发生预测概率整体表现较低，但也有高火险地区零散分布在全省各地市中。结果显示，龙岩和南平有明显的高火险区，三明、宁德、福州和漳州也有较高的火险区。因此，在福建省的火灾防护中应加强对这些高火险区的管理与监督，以减少福建省的林火发生频数。

为了更精确的分析随机森林算法对福建省2000年~2003年林火发生的拟合优度，本文对林火发生概率的残差值(林火发生的真实值(0/1)-林火发生预测概率)进行空间插值计算，进一步分析随机森林算法的拟合优度[20]。由林火发生概率残差图(图6)可知，随机森林算法能准确的对福建省的林火发生进行预测，其残差图大面积趋向于0，低估福建省林火发生概率的区域较少。因此，随机森林算法可用于基于气象因子的福建省林火发生的预测预报。

表4　随机森林算法的预测校正率Table 4　Prediction accuracy of random forest algorithm

图5　福建省林火发生概率分布图Fig.5　Fire probability distribution in Fujian province

图6　福建省林火发生概率残差图Fig.6　Fire probability residual figure in Fujian province

5结论与讨论

本文应用随机森林算法对我国福建省林火发生与气象因子之间的关系进行分析。基于随机森林算法的变量选择及其重要性排序结果显示，“日最高地表气温”、“日最低地表气温”、“日照时数”、“日最高气温”和“最小相对湿度”共5个变量进入了全样本数据的拟合阶段，说明这5个气象因子是影响林火发生的主要驱动因子，其中“日照时数”对福建省林火发生的影响最大，“日最高气温”对林火发生的影响次之，“日最高地表气温”对林火发生的影响最小；“日照时数”直接影响林内温湿度变化，进而间接影响森林可燃物的蒸腾作用和含水率的变化，导致其燃烧性发生改变。此外，“日照时数”的显著差异也是区别阴雨和晴天的一个重要指标。本研究也揭示了"日照时数"对林火发生的重要影响。研究还表明"气温"、"相对湿度"同"日照时数"一样对森林火灾有显著影响，这也与国外一些学者的研究结论相一致[34,35]。

随机森林算法的拟合优度分析结果显示，随机森林算法对福建省林火发生的预测精度较高，在全样本数据的拟合中，其拟合精度为82.3%，表明随机森林算法可用于基于气象因子的福建省林火发生的预测预报。

目前国内关于林火预测预报的研究主要集中在我国北方的大小兴安岭林区，主要是对森林火灾与驱动因子的相关关系、森林火灾的空间分布格局进行分析或者基于驱动因子对林火发生进行预测预报，以及对预测模型选择的研究[8,9,36-38]。郭等[7](2015)分别对大兴安岭塔河地区森林火灾与气象因子和地形植被之间的关系进行了分析；Zhang等[39](2010)综合考虑了地形、人为因素和气象等因素对我国内蒙古呼伦贝尔地区的林火发生情况进行了分析；Chang等[40](2013)运用逻辑斯蒂回归模型对我国黑龙江省的林火发生与气象、人为因素和植被类型等因素进行了分析。研究结果表明，地形、人为因素和植被类型等因素对林火发生具有重要的影响。本研究主要基于气象因子对福建省的林火发生进行分析，缺少对地形、植被、人为因素和社会经济等因素的分析，且没有考虑空间的异质性，在今后的研究中，可在本研究的基础上，尽可能多的对这些驱动因子进行分析，以期为福建省的林火发生预测预报提供更为准确、科学的参考依据。

参考文献

[1] 张斌. 福建林火的发生特点与防治对策探讨[J]. 福建林业科技, 1995, 22(4): 81-84.

[2] 彭欢, 等. 基于Logistic的大兴安岭雷击火预测模型[J]. 东北林业大学学报, 2014, 42 (7): 166-169.

[3] Chuvieco E, et al. Global characterization of fire activity: towards defining fire regimes from earth observation data[J]. Global Change Biology, 2008, 14(7): 1488-1502.

[4] 陈锋, 等. 气候变化对云南省森林火灾的影响[J]. 北京林业大学学报, 2012, 34(6): 7-15.

[5] 何中华, 等. 福建将乐县森林燃烧性及林火时空分布规律研究[J]. 湖南农业科学, 2013, 04: 108-111.

[6] 郭福涛, 等. 不同模型对拟合大兴安岭林火发生与气象因素关系的适用性[J]. 应用生态学报, 2010, 01: 159-164.

[7] 郭福涛, 等. 大兴安岭塔河地区雷击火发生驱动因子综合分析[J]. 生态学报, 2015, 35(19):6439-6448.

[8] 秦凯伦, 等. 大兴安岭塔河地区林火发生的优势预测模型选择[J]. 应用生态学报, 2014, 25(3): 731-737.

[9] 朱沛林, 等. 黑龙江大兴安岭雷击火概率预测模型研究[J]. 中南林业科技大学学报, 2014, 34(8): 82-85.

[10] 张伟, 等. 基于Logistic回归的森林火险天气等级模型[J]. 东北林业大学学报, 2013, 41(12): 121-131.

[11] 邓欧, 等. 基于空间Logistic的黑龙江省林火风险模型与火险区划[J]. 农业工程学报, 2012, 28(8): 200-205.

[12] 郭福涛, 等. 基于负二项和零膨胀负二项回归模型的大兴安岭地区雷击火与气象因素的关系[J]. 植物生态学报, 2010, 34(5): 571-577.

[13] 郭怀文, 等. 福建三明地区森林火险区划[J]. 东北林业大学学报, 2012, 40(11): 70-73.

[14] 纪志荣, 等. 基于时间序列的福建省森林火灾分形特征[J]. 福建农林大学学报(自然科学版), 2013, 42(5): 508-511.

[15] 陈华泉. 福建省1990-2009年森林火灾灾害风险评估[J]. 西南林业大学学报, 2013, 33(4): 72-76.

[16] 朱学平, 等. 基于突变级数法的福建省森林火灾评价分析[J]. 福建林学院学报, 2011, 31(4): 295-299.

[17] 金旭, 廖善刚. 基于信息扩散理论的福建省森林火灾风险评估[J]. 河南大学学报(自然科学版), 2014, 44(2): 190-195.

[18] 曹彦, 等. 加权马尔科夫链在福建省森林火灾预测中的应用研究[J]. 西南林业大学学报, 2014, 34(3): 62-66.

[19] 张典铨. 灰色拓扑预测方法在森林火灾预测中的应用[J]. 福建林学院学报, 2005, 25(1): 67-71.

[20] Oliveira S, et al. Modeling spatial patterns of fire occurrence in mediterranean europe using multiple regression and random forest[J]. Forest Ecology and Management, 2012, 275: 117-129.

[21] 李欣海. 随机森林模型在分类与回归分析中的应用[J]. 应用昆虫学报, 2013, 50(4): 1190-1197.

[22] 张雷, 等. 随机森林算法基本思想及其在生态学中的应用——以云南松分布模拟为例[J]. 生态学报, 2014. 34(3): 650-659.

[23] Cutler DR, et al. Random forests for classification in Ecology[J]. Ecology, 2007, 88(11): 2783-2792.

[24] Prasad AM, et al. Newer classification and regression tree techniques: Bagging and random forests for ecological prediction[J]. Ecosystems, 2006, 9(2): 181-199.

[25] Rodrigues M, De la Riva J. An insight into machine-learning algorithms to model human-caused wildfire occurrence[J]. Environmental Modelling & Software, 2014, 57: 192-201.

[26] Breiman L. Random forests[J]. Mach Learn, 2001, 45(1): 5-32.

[27] 杨沐晞. 基于随机森林模型的二手房价格评估研究[D]. 湖南: 中南大学, 2012.

[28] 彭国兰. 随机森林在企业信用评估中的应用[D]. 福建: 厦门大学, 2007.

[29] Liaw A, Wiener M. Classification and regression by random forest[J]. Rnews, 2002, 2(3): 18-22.

[30] Genuer R, et al. Variable selection using random forests[J]. Pattern Recognition Letters, 2010, 31(14): 2225-2236.

[31] 武晓岩, 等. 基因表达数据的随机森林逐步判别分析方法[J]. 中国卫生统计, 2007, 24(2): 151-154.

[32] Rodrigues M, et al. Modeling the spatial variation of the explanatory factors of human-caused wildfires in Spain using geographically weighted logistic regression[J]. Applied Geography, 2014, 48: 52-63.

[33] Liaw A. Package "randomForest"[EB/OL]. http://stat-www.berkele.edu./users/breiman/RandomForests, 2012.

[34] Flannigan MD, et al. Forest fires and climate change[J]. Science of the Total Environment, 2000, 262(3): 221-229.

[35] Wotton BM, et al. Climate change and people-caused forest fire occurrence in Ontario[J]. Climate Change, 2003, 60(3): 275-295.

[36] 于文颖, 等. 大兴安岭林区火灾特征及影响因子[J]. 气象与环境学报, 2009, 25(4): 1-5.

[37] 孙海滨, 等. 大兴安岭森林火灾与气象因子相关性研究[J]. 内蒙古农业大学学报, 2012, 33(5-6): 87-90.

[38] 郭福涛, 等. 应用空间点模式方法研究大兴安岭雷击火空间分布格局[J]. 生态学报, 2009, 29(12): 6741-6747.

[39] Zhang ZX, et al. Using GIS spatial analysis and logistic regression to predict the probabilities of human-caused grassland fires [J]. Journal of Arid Environments, 2010, 74(3): 386-393.

[40] Chang Y, et al. Predicting fire occurrence patterns with logistic regression in Heilongjiang Province, China[J]. Landscape Ecology, 2013, 28(10): 1989-2004.

Analysis of meteorological factors on forest fire occurrence

of Fujian based on random forest algorithm

LIANG Huiling1,2, GUO Futao1, SU Zhangwen1,

WANG Wenhui1, LIN Fangfang2, LIN Yurui2

(1. College of Forestry, Fujian Agriculture and Forestry University, Fuzhou 350002, China;

2. College of Computer and Information Sciences, Fujian Agriculture and Forestry University, Fuzhou 350002, China)

Abstract:By Random Forest (RF) algorithm, an analysis of driving-factor on fire occurrence was performed based on the meteorological factors that were provided by the twenty-two national weather stations located in Fujian province and the fire dataset between 2000 and 2003 extracted from the satellite image, and used the dataset of 2004 to independent test. Daily maximum ground surface temperature, daily minimum ground surface temperature, sunshine hours, daily maximum temperature, daily minimum relative humidity were found to be the driving factors on forest fire occurrence. The importance test of predictors showed that the sunshine hours has the strong influence on the fire occurrence, followed by daily maximum temperature, daily minimum ground surface temperature, daily minimum relative humidity and daily maximum ground surface temperature. In addition, the result of model fitting revealed that RF approach performed very well in the prediction of fire occurrence in Fujian and the prediction accuracy reached 82.3%, which indicated that the RF method was suitable for the forest fire prediction of Fujian. Our study can benefit the fire prevention management and plan of Fujian.

Keyword: Meteorological factors; Fire occurrence; Fujian province; Random forest algorithm

DOI:10.3969/j.issn.1004-5309.2015.04.03

文章编号：1004-5309(2015)-00201-08

通讯作者：李阳，E-mail:406541533@qq.com

作者简介：李阳(1986-)，男，河北宁晋人，中国人民武装警察部队学院火灾物证鉴定中心讲师，材料学硕士研究生，主要从事火灾调查、火灾物证鉴定等相关的教学和研究工作。

收稿日期：2015-07-03；修改日期：2015-10-12

中图分类号：S762.2;X954

文献标识码：A