The division of metallogenic prospective areas based on convolutional neural network model: A case study of the Daqiao gold polymetallic deposit
-
摘要:
大数据和高性能计算使得地质学可能突破种种主客观因素的限制，从传统的定性描述和不确定性作为特点转变为更全面的定量化发展阶段，即地质学更加注重通过挖掘复杂的多元地学数据间的关联关系来探究地质成因过程。为了厘清研究区多元化地质数据并划分成矿远景区，结合现代信息化新方法新技术，智能高效地帮助地学工作者提供辅助决策依据。以甘肃省大桥金矿为研究区，提出了利用一维卷积神经网络替代传统的人工计算，通过对研究区金多金属矿的地球化学元素及地球物理元素数据进行训练，挖掘研究区综合成矿信息，依据训练结果划分出4类成矿远景区。研究结果表明，地质成矿过程复杂，每一个成矿预测要素在地质成矿过程中均发挥重要的作用。在大比例尺度上，应用深度学习网络模型划分成矿远景区能客观地反映多元化地质数据本身的非线性特征，识别地质要素的空间特征，深层次提取和挖掘成矿异常信息，实现矿产资源智能化预测评价。
Abstract:Big data and high performance computing make it possible for geology to break through the limitations of various subjective and objective factors and transform from the traditional qualitative description and uncertainty to a more comprehensive quantitative development stage, that is, geology pays more attention to exploring the geological genesis process by mining the correlation between complex and multiple geoscience data. In order to clarify the diversity of geological data in the study area and divide the metallogenic prospective area, the authors aimed to help the geoscientists to make decisions intelligently and efficiently by combining the new methods and technologies of modern informatization. With the Daqiao gold deposit in Gansu Province as the study area, the authors proposed to use one-dimensional convolutional neural network instead of traditional manual calculation and, through training the geochemical and geophysical element data in the study area, excavated the comprehensive metallogenic information in the study area, and then recognized four types of metallogenic prospective areas based on the training results. The results show that the geological mineralization process is complex, and each element of metallogenic prediction plays an important role in the geological mineralization process. On a large scale, the deep learning network model can objectively reflect the nonlinear characteristics of diversified geological data, identify the spatial characteristics of geological elements, extract and excavate the information of mineralization anomalies, and realize the intelligent prediction and evaluation of mineral resources.
-
Keywords:
- convolutional neural network /
- model /
- metallogenic prospective area /
- Daqiao /
- orefield
-
土城子组在中国北方发育广泛，分布东起辽西，西至内蒙古包头，北达锡林浩特，南抵北京中北部。土城子组岩性以杂色粗碎屑岩为主，不利于化石保存，化石发现并不多见。少量的化石具有明显的穿时性，不同门类化石确定的时代也不一致，生物地层学对该地层时代的看法也不一致。通过对双壳类[1-3]、叶肢介类[1-2, 4]、介形类[4-6]、昆虫[1-2, 7-8]、恐龙足迹[9-10]、木化石[11-12]和孢粉化石[5、13-15]的研究，认为土城子组时代为晚侏罗世早期；基于叶肢介类[16-17]、恐龙足迹[18]、木化石[19]和孢粉化石[20]的研究，认为土城子组时代为中侏罗世；根据介形类[21-22]、恐龙足迹[23-27]、恐龙骨骼[10, 28-30]的研究，认为土城子组时代为晚侏罗世；根据恐龙足迹[31-32]、孢粉化石[33]资料，认为土城子组时代为晚侏罗世—早白垩世。
北京地区的土城子组分布广泛，受燕山运动影响，主要分布于新城子四海-凤驼梁、千家店、白河堡、妙峰山、髫髻山等伸展背景下的断陷盆地中[34]。一般认为，沉积物中的孢粉组合可以反映其周围区域植物群，离母体植物越远的地方，孢粉的频度越小。孢粉组合在很大程度上能反映当时、当地植物群的面貌[35]。到目前为止，北京地区还没有土城子组孢粉化石组合特征的详细报道。本文对北京地区土城子组的孢粉化石组合特征进行研究，可为整个北方地区土城子组及其生物地层学对比提供参考。
1. 研究材料与方法
本文样品采自北京市延庆千家店盆地土城子组，剖面东起桥堡沟西至石湖南(图 1)，自下而上可分为3个岩性段：①由复成分砾岩、砂砾岩、凝灰质砂岩构成沉积韵律，夹流纹质凝灰岩、安山质角砾熔岩；②由凝灰质砂岩、粉砂岩和花岗质砾岩构成沉积韵律，夹粗面质流纹质角砾凝灰岩，局部产动物、植物化石；③由复成分砾岩、含砾粗砂岩构成沉积韵律。样品采于土城子组二段深灰色粉砂质泥岩、黑色泥质页岩中，取样位置见图 1、图 2，共采集13块孢粉样品，其中样品均取样500 g，采样间距平均约5 m，总厚度约80 m，采用盐酸和氢氟酸法，浸解分离提取化石。
![]()
图 1 研究区地质略图Jtˆc3—土城子组三段；Jtˆc2—土城子组二段；Jtˆc1—土城子组一段；Jx—蓟县系；Ch—长城系Figure 1. Geological sketch map of the study area![]()
图 2 桥堡沟-石湖剖面柱状图及取样层位示意图1—复成分砾岩；2—砂砾岩；3—泥灰质砂岩；4—泥灰质粉砂岩；5—流纹质角砾凝灰岩；6—粉砂岩；7—角砾凝灰岩；8—粗面质火山碎屑岩；9—砂质页岩；10—页岩；11—含砾粗砂岩Figure 2. Stratigraphic column of the Qiaobaogou-Shihu section and sampling horizon2. 孢粉组合特征
13个样品中有3件含孢粉化石，其中1件较丰富，2件极少，另外8件未见任何孢粉。3件样品含517粒孢粉化石，共计12属8种，6种未定种(表 1)，常见及代表性种属见图版Ⅰ。孢粉组合面貌如下。
表 1 延庆千家店桥堡沟-石湖剖面土城子组孢粉化石Table 1. Statistics(in grain)of pollen and spores from the Tuchengzi Formation in Qiaobaogou-Shihu section, Qianjiadian, Yanqing属种名称 TCZ(2)- bf-2 TCZ(2)- bf-5 TCZ(2)- bf-9 Cyathidites minor 5 Converrucosisporites sp. 4 Asseretospora parva 1 Cicatricosisporites? sp. 1 Classopollis spp. 105 177 195 Quadraeculina minor 1 Quadraeculina anellaeformis 5 Quadraeculina limbata 1 Pinuspollenites sp. 5 3 Protoconiferus funarius 5 Podocarpidites spp. 2 Pseudopicea rotundiformis 1 Piceites sp. 1 Alisporites minutisaccus 1 不能鉴定的无肋双囊类花粉 4 ![]()
图版Ⅰ1~4.小桫椤孢Cyathidites minor Couper; 5、6.三角瘤面孢(未定种)Converrucosisporite ssp.; 7.小阿赛勒特孢Asseretispora parva(Li et Shang) Pu et Wu; 8.无突肋纹孢？(未定种)Cicatricosisporites? sp.; 9~11.克拉梭粉(未定多种)Classopollis spp.; 12.小四字粉Quadraeculina minor(Pocock) Xu et Zhang; 13~15.矩形四字粉Quadraeculina anellaeformis Maljawkina; 16.有边四字粉Quadraeculina limbata Maljawkina; 17.双束松粉(未定种)Pinuspollenites sp.; 18.罗汉松粉(未定多种)Podocarpidites spp.; 19.索沟原始松柏粉Protoconiferus funarius(Naumova)Bolchovitina; 20.小囊阿里粉Alisporites minutisaccus Clarke; 21.圆形假云杉粉Pseudopicea rotundiformis (Maljawkina) Bolchovitina; 22.拟云杉粉(未定种)Piceites sp.图版Ⅰ.3件样品孢粉组合面貌相同，组成相当单调。克拉梭粉(Classopollis spp.)在组合中占绝对优势(90%以上)，另有一些松柏类的无肋双囊粉，Quadraeculina minor(Rocock)Xu et Zhang(0~0.38%)，Quadraeculina anellaeformis Maljiawkina(0~0.97%)，Quadraeculina limbata Maljawkina(0~0.19%)，Pinuspollenites sp.(0.58%~0.96%)，Protoconiferus funarius(Naumova)Bolchovitina(0~0.96%)，Podocarpidites spp.(0~0.39%)，Pseudopicea rotundiformis(Maljawkina)Bolchovitina(0~ 0.19%)，Piceites sp.(0~0.19%)和Alisporites minutisaccus Clarke(0~0.77%)。
蕨类植物孢子极少，属种分异度及含量远低于裸子植物花粉，仅占孢粉组合的2.13%，共计4属2种，2未定种，分别是Cyathidites minor Couper(0~ 0.97%), Converrucosisporites sp.(0~0.77%)，Asseretospora parva (Li et Shang) Pu et Wu(0~0.19%), Cicatricosisporites? sp.(0~0.19%)。
3. 讨论
3.1 土城子组孢粉组合时代
千家店盆地土城子组孢粉组合为Classopollis高峰组合，繁盛于中侏罗世的桫椤科孢子Cyathidites minor含量降低，未见被子植物花粉，见极少量疑似海金沙科孢子Cicatricosisporites。整个组合显示了晚侏罗世孢粉的植物群面貌，以Classopollis在组合中占据绝对优势，另有一些松柏类的无肋双囊类花粉，蕨类孢子极少。
苏德英等[36]在对中国非海相晚中生代介形虫、孢粉生物地层研究时，认为侏罗纪晚期Concavissimisporites- Cyathidites-Classopollis组合中裸子植物花粉居优势，Classopollis含量和类型较中侏罗世有大幅度的增长，蕨类孢子较贫乏，主要是Cyathidites和Concavssimisporites，见个别Cicatricosisporites。侏罗纪晚期Cicatricosisporites开始零星出现，至早白垩世逐渐增多，类型也随之丰富。Pocock [37]、Brideaux等[38]据孢粉及沟鞭藻(Gonyaulacysta-Pareodinia ceratophora)划分了加拿大北部及加拿大北极区侏罗系—白垩系的分界。孢粉组合的总体特征表现为自侏罗纪晚期Cicatricosisporites开始零星出现，至早白垩世逐渐增多，类型逐渐丰富。孢粉研究表明，侏罗系—白垩系的界线置于concavissmisporites-Cyathidites-Classopollis和Appendicisporites-Trilobsporites-Clavatipollenites组合之间，这种组合特征与中国北方侏罗纪晚期和早白垩世早期孢粉组合相似。俄罗斯北部带[39]及加拿大北极地区Mould Bay Formation下部孢粉组合与研究区组合类似，都表现为Classopollis属高含量组合，裸子植物花粉和蕨类孢子含量极少。中国晚侏罗世孢粉组合主要见于陕甘宁盆地安定组、冀北-辽西土城子组，可作对比研究。
陕甘宁盆地安定组孢粉同样表现为Classopollis属高含量组合，其含量最高，且种类繁多，裸子植物花粉含量明显高于蕨类植物孢子，Cyathidites minor含量下降，Klukisporites在组合中经常出现，个别样品中发现海金沙科孢子，松柏目两气囊花粉中，罗汉松科、松科花粉较发育[40]。袁效奇等[41]根据上述孢粉特征，结合双壳类、鱼类等化石的时代信息，将安定组确定为晚侏罗世早期。
研究区土城子组孢粉组合类同于辽西北票大板蔡家沟土城子组下部孢粉组合[13] (Classopollis 86.2%, 松柏类双气囊花粉3%)、河北宣化堰家沟土城子组中下段孢粉组合[15] (Classopollis 91%, 松柏类双气囊花粉3%)、北票巴图营子土城子组一段(Classopollis 60.56%, 松柏类双气囊花粉15.49%) [5]。并判断土城子组孢粉组合特征应为晚侏罗世早期，其孢粉组合典型的特征表现为高Classopollis和低松柏类两气囊花粉含量(图 3)。
![]()
图 3 土城子组不同剖面孢粉组合特征对比图Figure 3. Comparison of sporpollen assemblages in different section of Tuchengzi Formation研究区孢粉组合特征区别于林妙琴等[33]关于辽西北票四合屯土城子组三段孢粉组合特征的研究，其主要表现为松柏类两气囊花粉含量高达81.53%，Classopollis仅0.96%。林妙琴等[33]指出其特征符合该区早白垩世地层孢粉特征组合，认为该区土城子组三段时代应属于早白垩世；并归纳总结了土城子组自下而上体现出Classopollis大量减少而两气囊类显著增加的变化规律。据此，研究区土城子组二段Classopollis含量高达92.8%，其一、二段应处于土城子沉积期的早期。
前人在千家店盆地的土城子组二段中发现了双壳类[1]、昆虫[1, 7-8]、叶肢介[2]、木化石[11-12]及恐龙足迹[9]，认为这些生物化石应属晚侏罗世早期。
综上，研究区孢粉组合时代应属晚侏罗世早期。这一结论与焦润成等[42]、贺瑾瑞等[43]在该剖面土城子组一段下部和二段中上部流纹质凝灰岩夹层中分别获得的锆石同位数年龄157.62±0.69 Ma和157.13±0.96 Ma相符。另外，在北京其他地区，如汪洋等[44]在延庆白河堡获得土城子组测年数据为162.8±11.4 Ma，张计东等[45]在密云古北口地区获得土城子组测年数据为161.2±2.3 Ma。根据目前报道的测年结果，北京地区的土城子组主沉积期较集中，燕山地区土城子组的顶底年龄界线应该在130~163 Ma之间[46-51]，主体沉积时限应为146~137 Ma。
3.2 古气候环境
Classopollis在中生代非常繁盛，国内外许多学者对其所指示的古气候环境进行过讨论。Vakhrameev [52]、Pocock [53]认为其母体个体矮小，在结构和习性上像现代的侧柏，生活在干燥的环境中；Filatoff [54]研究认为，大量的Classopollis应出现在干旱条件下的灰色-杂色的泥质或砂质岩石中，如蒸发盐等；王从凤等[55]认为，产生Classopollis的掌鳞杉科生长于温暖、干旱的环境；苗淑娟[56]分析认为，Classopollis含量愈高，其生长的环境愈干旱；余静贤等[57]认为，Classopollis的母体生长时需要干热气候。
一般认为，土城子组在不同盆地发育的程度不一，形成的环境和沉积序列不同，所含生物化石有异，但其共同点是均在干热气候条件下形成的红杂色陆相碎屑岩。千家店盆地土城子组整体以红杂色碎屑岩为主，但局部有灰绿色和黑色粉砂或泥质页岩出现。Classopollis的高峰组合加之本文样品TCZ(2)-bf-2取自千家店盆地土城子组第二段黑色页岩层中，并有大量动植物化石发现[1-2]，黑色页岩层的出现表明当时局地处于静水的还原环境。由此表明，在北方整体较干旱或半干旱的气候条件下，至少在局地有湖泊气候的存在。
4. 结论
(1) 本文详细报道了北京地区土城子组孢粉组合。延庆千家店地区晚侏罗世早期的孢粉组合以Classopollis高含量，少量松柏类的无肋双囊粉，极少蕨类植物孢子和无被子植物孢粉为特征。
(2) 根据其孢粉组合特征，可与陕甘宁盆地安定组、冀北-辽西土城子组二段或中下部层位产出孢粉组合对比，其时代为晚侏罗世早期，并与盆地剖面上的测年数据吻合。
(3) 根据本次孢粉组合特征研究，结合前人研究成果，认为研究区高含量的Classopollis指示气候环境为干热气候，土城子组沉积期内局地会出现相对潮湿的湖相气候环境。
致谢: 在模型调试阶段得到了中国地质大学（武汉）国家地理信息系统工程技术研究中心智能空间认知实验室团队的大力帮助，在样本库构建过程中得到了吉林大学地球科学学院薛福林和杨言辰教授的悉心指导，在此表示衷心的感谢。 -
![]()
图 1 一维卷积找矿预测神经网络结构图
Figure 1. Structural diagram of one-dimensional convolutional ore-prospecting prediction neural network
![]()
图 3 神经网络分类模型样本学习点位图
Figure 3. The sample learning point of neural network classification model
![]()
图 4 网络模型不同迭代轮数下的模型损失函数趋势图
Figure 4. Trend diagram of model loss function under different iteration rounds of network model
![]()
图 6 学习率为0.002时不同数据结构的预测精度
Figure 6. Prediction accuracy of different data structures when the learning rate is 0.002
![]()
图 7 分类网络模型综合信息预测图
Figure 7. Classification network model comprehensive information prediction diagram
![]()
图 8 化探数据网络模型预测结果与F3异常对比图
Figure 8. Comparison between prediction results of geochemical data network model and F3 anomaly
![]()
图 9 地球化学数据叠加地球物理数据前后结果（c1和c3：叠加前；c2和c4：叠加后）
Figure 9. Results before and after geochemical data overlaid with geophysical data (c1 and c3: before superposition; c2 and c4: after superimposition)
![]()
图 10 地球化学数据叠加地质数据前后结果（d1：叠加前；d2：叠加后）
Figure 10. Results before and after geochemical data overlaid with geological data (d1: before the superposition; d2: superimposed)
![]()
图 11 深度卷积神经网络模型预测图（加虚线框9处远景区范围）
Figure 11. Prediction diagram of deep convolutional neural network model (dotted box with 9 perspective areas)
表 1 一维卷积神经找矿预测分类网络参数
Table 1 Parameters of one-dimensional convolutional neural ore-prospecting prediction classification network
编号 网络层 卷积核大小/步长 卷积核数目 输出大小(宽度*深度） 零补 1 卷积1 3*1/1 16 17*16 是 2 卷积2 3*1/1 16 17*16 是 3 池化1 2*1/2 16 8*16 否 4 卷积3 3*1/1 32 8*32 是 5 卷积4 3*1/1 32 8*32 是 6 池化2 2*1/2 32 4*32 否 7 卷积5 3*1/1 64 4*64 是 8 卷积6 3*1/1 64 4*64 是 9 池化3 2*1/2 64 2*64 否 11 Softmax 4 1 4 
下载: 导出CSV
表 2 成矿预测要素
Table 2 Metallogenic prediction elements
成矿预测要素 内容描述 成矿地质条件与标志 岩石组合 三叠系滑石关组的硅化角砾岩、纹层状硅质岩、硅质胶结角砾岩 构造控矿标志 NE向构造及其与NW向构造交会部位；环形构造产状变化部位 地表找矿标志 硅化或硅质角砾岩 硅化角砾岩、纹层状硅质岩、硅质胶结角砾岩 地球化学标志 水系、土壤元素组合及指示元素异常 指示元素Au、Ag、Cu、Pb、Zn、As、Sb、Hg、W、Sn、Bi、Mo等元素异常；AuAsBiWCu3Sb2组合显示金矿化与岩浆热液有关；组合元素叠加部位对找寻大型矿床具有重要意义 地球物理标志 高磁 环形构造与线性构造的交会部位；NE向线性构造及其与NW向线性构造的交会部位。 航磁 NE向、NNE向线性构造及其与N向线性构造的交会部位 重力 NE向和NW向构造交会部位；环形构造产状变化部位
下载: 导出CSV
表 3 网络模型学习样本库数据结构类型
Table 3 Data structure types of network model learning sample database
数据集编号 数据结构类别 1 地球化探 2 地球化探叠加地球物理 3 地球化探叠加地质数据 4 地球化探，地质数据，地球物理三者叠加
下载: 导出CSV
-
严光生, 薛群威, 肖克炎, 等.地质调查大数据研究的主要问题分析[J].地质通报, 2015, 34(7):1273-1279. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150704&flag=1 Chen L R, Guan Q F, Xiong Y H, et al. A Spatially Constrained Multi-autoencoder Approach for Multivariate Geochemical Anomaly Recognition[J]. Computers and Geosciences, 2019:43-54. http://cn.bing.com/academic/profile?id=fb2c06344f20a0c74107c95ab1e01c6b&encoded=0&v=paper_preview&mkt=zh-cn
陈建平, 李靖, 崔宁, 等.大数据背景下的地质云的构建[J].地质通报, 2015, 34(7):1260-1265. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20150702&flag=1 Chen L R, Guan Q F, Feng B, et al. AMulti-convolutional Autoencoder Approach to Multivariate Geochemical Anomaly Recognition[J]. Minerals, 2019:1-23. http://cn.bing.com/academic/profile?id=2595d3e042d6efa4f6b0d7a5cb602ba5&encoded=0&v=paper_preview&mkt=zh-cn
蔡惠慧, 朱伟, 李孜轩, 等.基于深度学习的钨钼多金属矿矿产资源预测评价[J].地球信息科学学报, 2019, (6): Xiong Y H, Zuo R G. Recognition of Geochemical Anomalies Using a Deep Autoencoder Network[J]. Computers & Geosciences, 2016:75-82. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=f659583bb053f79afe258c22bcc05d8a
吴冲龙, 刘刚.大数据与未来地质的发展[J].地质通报, 2019, 38(7):1081-1088. http://dzhtb.cgs.cn/gbc/ch/reader/view_abstract.aspx?file_no=20190701&flag=1 吴冲龙, 刘刚, 张夏林, 等.地质科学大数据及其利用的若干问题探讨[J].科学通报, 2016, 61(16):1797-1807. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=kxtb201616010 李德仁, 王树良, 李德毅.空间数据挖掘理论与应用[M].北京:科学出版社, 2013. 周飞燕, 金林鹏, 董军.卷积神经网络研究综述[J].计算机学报, 2017, 40(6):1229-1251. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=jsjxb201706001 刘月高, 吕新彪, 张振杰, 等.甘肃西和县大桥金矿床的成因研究[J].矿床地质, 2011, 30(6):1085-1099. http://d.old.wanfangdata.com.cn/Periodical/kcdz201106009 卢欣祥, 董有, 常秋玲, 等. Indosinian Shahewan rapakivi granite in Qinling and its dynamic significance[J]. Science in China, 1996, 39(3):266-272. 张宗清, 张国伟, 唐索寒, 等.秦岭沙河湾奥长环斑花岗岩的年龄及其对秦岭造山带主造山期结束时间的限制[J].科学通报, 1999, 44(9):981-984. http://d.old.wanfangdata.com.cn/Periodical/kxtb199909020 Zhong N C. Wang W. Yao P, et al. Prevalence of chronic obstructive pulmonary disease in China: a large, population-based survey[J]. American Journal of Respiratory & Critical Care Medicine, 2006, 176(8): 753.
刘建宏, 张新虎, 赵彦庆, 等.西秦岭成矿系列、成矿谱系研究及其找矿意义[J].矿床地质, 2006, 25(6):727-734. http://d.old.wanfangdata.com.cn/Periodical/kcdz200606009 闫玉梅, 李永军.西秦岭礼县长安一带西汉水群牙形刺特征及时代讨论[J].甘肃地质, 1994, (2):18-26. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=QK199400110939 张复新, 季军良, 龙灵利, 等.南秦岭卡林型-似卡林型金矿床综合地质地球化学特征[J].地质论评, 2001, 47(5):492-499. http://d.old.wanfangdata.com.cn/Periodical/dzlp200105007 尤关进, 张忠平.甘肃大桥金矿地质特征及其发现的意义[J].甘肃地质, 2009, 18(4):1-8. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gsdzxb200904002 李永琴, 赵建群, 赵彦庆.西秦岭金成矿系统分析[J].甘肃地质, 2006, 15(1):47-52. http://d.old.wanfangdata.com.cn/Thesis/Y859897 孙则明, 王自翔, 徐亮, 等.甘肃大桥金矿硅质岩地球化学特征及其地质意义探讨[J].地球化学, 2016, 45(5):499-509. http://d.old.wanfangdata.com.cn/Periodical/dqhx201605006 张凤霞, 吴玉雯, 张玉辉, 等.甘肃大桥金矿地球化学异常特征对比[J].甘肃地质, 2015, 24(3):36-41. http://www.wanfangdata.com.cn/details/detail.do?_type=perio&id=gsdzxb201503006 常亮, 邓小明, 周明全, 等.图像理解中的卷积神经网络[J].自动化学报, 2016, 42(9):1300-1312. http://d.old.wanfangdata.com.cn/Periodical/zdhxb201609002 张文宇, 刘畅.卷积神经网络算法在语音识别中的应用[J].信息技术, 201, 8(10): 147-152.
计量
- 文章访问数: 3218
- HTML全文浏览量: 683
- PDF下载量: 2430
