郭氏铭

郭氏字辈大全（二）：山西、安徽、湖南、江苏、浙江、河南、江西、内蒙古郭氏郭姓无论你在哪里，只要你姓郭；请点击上面“郭氏郭姓”关注，拥抱中华郭氏大家庭，和各地宗亲交流，携手同行，弘扬郭氏文化，共建繁荣郭氏，传播郭氏正能量，这里是免费“查家谱、阅古迹、读资讯”一站式宗亲互动平台。

郭氏字辈大全（二）山西山西吕梁：可兴士咸立，吉能宏茂年。

山西文水：广德长余庆，久远永乐兴。

山西临县郭家塔系：世九三龙升，明义赐其存，应文叠德时，鸿兴英杰忠，顺添伯智晓，泽唤典哲昆，灵品普誉谰，旌定扬国。

山西孝义高阳镇临水村：东社：鹏连贤兆瑞治政；南社：泗奉才崇德相政；西社：子川开昌运加庆。

后统一续为：清民安建光荣达步忠。

山西孝义河底村：绍有经龙绍俊杰。

山西孝义花寨：有恩常兴盛，富从勤俭生，代柏春灵应，芳振士裕永。

山西汾阳：荣华亦其昌，洪烈金鼎盛。

山西汾阳：内世系：尔帷有成式，家修其廷锡，克绍斯垂裕，升开乃作匹。

外世系：敏德开前范，彝行迪永图，昭明绪景祚，光大协贞符。

山西汾阳郭村士维公系(由子仪公34世孙至75世)：维承子秀义，朝臣登大世，明万廷尔盛，可秉学之銮，有恩常兴盛，富从勤俭生，代柏春灵应，芳振士裕永。

山西汾阳东宋家庄仲宝公系：仲大颜天永，恒正世怀朝，秉九起清振，德厚多贤良，恩荣富贵长，庆平安广太，子孙承万邦。

山西兴县小善村：思明运昌君开廷凤（维守）（选章）（态曾）怀。

山西一支：贵连朋洪绍。

安徽安徽：子文之世其芳。

安徽：世斗家政守宗嗣（四）长兴武金殿全洪照。

安徽：亚传家尚义广德新文。

安徽合肥：宏金玉宝，兆建远强。

安徽合肥：绍文之子世其。

安徽肥东：廷应朝承家有道绍文志子世奇芳世光宗翼运成人瑞积善陪元乃致祥。

安徽芜湖：廷应朝承家有道绍文之子世其昌。

安徽芜湖：富贵文章泽。

安徽芜湖：孝有传家远、诗书礼仪长。

安徽巢湖：国义传书，延珍在学，继绍应祥，辉宏大泽，德高宗发，立志永富。

安徽繁昌、无为黑沙洲：乐居叔甫，世宗道启，元士新明德，在修齐治平，传家尚义，经国维文，一庭正大，先志克成。

郭姓宝宝起名大全-郭姓男孩女孩起名大全-郭姓氏名字大全关于郭姓的姓氏说法为下：出自夏、商时代郭支与郭崇的同族。

据《姓氏考略》记载：夏有郭支，见《抱朴子》。

商有郭崇，见《三一经》，此郭氏之始。

看来，我市郭姓早在我国四千多年以前的夏朝就有了。

以居处为氏。

拒《风俗通》上记载：氏于居者，城、郭、园、池是也。

郭，字义为外城，即因住在城外，而以郭为氏。

在我国大多数的姓氏起源中，此种现象是比较少的。

出自姬姓，古代郭与虢两字相通，郭氏即为虢氏，为黄帝姬姓后裔。

殷商时封文王弟虢叔(一说虢仲)于西虢，虢仲(一说虢叔)于东虢。

周平王时，郑武公功灭郐和东虢，建立郑国，都今河南新郑，此时平王也不得不普遍认可，并名正言顺地将虢之地分封给郑武公。

周平王的作法引起了诸侯王的不满，于是，位于南方的楚国，从楚庄王时起逐渐发动迅速对周的战争，兼并了周围许多国家。

被分封给郑国的虢仲之封地地就是其中之一。

周平王不得不将东虢叔的裔孙序封于阳曲作为补救。

由此，号曰虢公。

因虢、郭音同，又称郭公，其后代遂有郭氏。

西虢，亦称成虢，在西周灭亡之后，也向东迁移，建都上阳，史称南虢。

后被晋国所灭。

西虢东迁时，还有虢国支族留居原地，史称小虢。

后被秦所灭。

这些虢国的后代，均以郭为姓。

出自冒姓或改姓。

如后梁有成纳，后冒姓郭氏;后晋有郭金海，本突厥人，改姓汉姓;后周太祖郭威，本常氏子，幼随母适郭氏，故改姓郭。

郭 [简体笔画]10 [部首]阝[姓名学] 笔划:15; 五行:木上列名字由系统自动生成，并非全吉名字，因个人喜好、文化、及审美观不同，不一定能够符合您的明确要求，更多的是为您提供一些起名方面的尽可能思路和参考;郭姓男孩宝宝名字：郭普颜郭轼康郭金锐郭迎翼郭晔鸣郭基统郭吾荣郭坚朋郭皓郝郭倡奥郭育越郭永勇郭品珝郭匀祥郭秋峥郭韩珉郭君桥郭麒镕郭旭柏郭举文郭谷虹郭卫旻郭宗川郭舜宏郭军韵郭汐鸿郭齐栋郭登颍郭汇嘉郭皖琰郭枫和郭奇楠郭贺普郭铂轼郭昭金郭犍晔郭振骅郭万呈郭皖居郭廷绍郭卓登郭熙英郭林宗郭珮享郭梧堂郭雨哲郭洪韩郭理筠郭筠清郭舜盛郭歌歌郭凯夕郭傲茗郭凡百郭锐锐郭呈叶郭宏宏郭彦安郭焘锋郭茗政郭昭修郭虹阳郭靖力郭中军郭煜元郭恺靖郭竹秋郭瑾竹郭强恺郭倡尉郭晓瑾郭涛淼郭义仁郭晨宏郭远明郭吉纯郭才煌郭逸左郭昭绮郭匀崇郭开政郭逵任郭玟方郭竣坤郭诚轲郭百贤郭都致郭歆纲郭川颜郭起智郭咏晔郭国晟郭震史郭珮城郭翌春郭坷楚郭普坚郭仲乐郭常涛郭豪岚郭全睿郭恒劭郭和洛郭祺中郭韩旺郭夕彬郭淇修郭立义郭奕奉郭润将郭义惇郭邦曙郭东睿郭倡朋郭苏伯郭谦禹郭绮庆郭弈享郭基胜郭安萧郭熙永郭智欧郭剀旺郭林景郭震桓郭刚宏郭冀都郭琪扬郭强登郭原尧郭昊珉郭铭翎郭斐宗郭庭瀚郭鸣忆郭成语郭毅俞郭增彦郭徵硕郭泓轲郭烨昂郭铠德郭合奕郭跃卲郭忆乘郭皓增郭钊郝郭懿喧郭致升郭磊珮郭权珂郭少千郭杰祥郭洪原郭康易郭珀齐郭崴硕郭辉潼郭扬楠郭清宇郭丞友郭源荣郭新湘郭珅贤郭温业郭理涵郭珽堂郭穆桥郭亮景郭骐合郭旺谷郭弟沛郭季邺郭焘昂郭春忆郭峰皓郭海钊郭瑭懿郭铉戌郭声致郭赋汇郭暄雨郭统剀郭昊汉郭学吉郭珝登郭基润郭轩旻郭维翱郭玹昂郭然先郭渲陌郭秉皑郭瑶森郭思枫郭勤渊郭道懿郭丰国郭奕劭郭青邦郭东皓郭羽川郭煌珀郭尧榕郭睿衡郭珽昱郭穆普郭卓锌郭致利郭邺铂郭祥宣郭瑾镇郭修延郭敬辽郭千仲郭柯赋郭姓女孩宝宝名字：郭匀珂郭榕清郭晔玥郭昱弘郭英钓郭妹秀郭蔷筠郭亮慧郭尹伊郭朝潼郭泰宜郭琪泓郭箫淇郭烨若郭曼沁郭佟楠郭棋霄郭彦纤郭岢汐郭真沄郭恒苛郭杰栖郭迅航郭惠本郭语景郭芃琦郭颍西郭娜匀郭品榕郭昕晔郭迪英郭瑗妹郭可蔷郭皑亮郭芳尹郭芪朝郭娴如郭梓彩郭容婧郭英多郭苫朵郭宇绮郭妮婕郭硕廷郭芷帆郭境皎郭小名郭景轩郭荧昕郭杰栖郭映伊郭颍鸣郭宁亦郭绚泓郭喻瑗郭曲千郭岢啬郭燕匀郭瑛语郭坷若郭旖羽郭凡旻郭茗茂郭嫣易郭奇衡郭荔夕郭贞娴郭凯梓郭亚容郭允英郭潼苫郭谊宇郭英蓉郭苫蓓郭茹婉郭斐莘郭茜琦郭育雪郭娣空郭荔嘉郭贞梓郭凯益郭静诚郭叶昭郭纾桦郭冰谕郭绚芳郭喻易郭泓昕郭红琪郭枫楠郭钧平郭千钰郭逸方郭娴卉郭珣翔郭佳睿郭啬筠郭若绢郭汐惠郭汎敏郭洋京郭娉英郭音苫郭昱茹郭欧斐郭珊茜郭朵育郭梅钓郭文誉郭缦娣郭佩珊郭月啬郭京晨郭纯若郭煊琰郭娉宇郭科禾郭宸璐郭夕滢郭予春郭翔冰郭晔喧郭昀丹郭方忆郭蔓皑郭航花郭彤彗郭易玫郭颍尹郭嫒允郭霄珑郭雅俪郭洁倩郭济梅郭汎文郭亭缦郭匀佩郭鸣月郭瑗京郭艺纯郭青煊郭茂娉郭芷科郭陇俞郭桓茂郭弘敏郭越真郭衡玉郭娥淇郭迎芩郭潼歌郭成淑郭羽君郭可雨郭曼名郭佟陆郭珮贤郭琼景郭薇汐郭瑜亮郭星清郭娴妍郭文奇郭杰鹭郭聆钓郭宸咏郭雯月郭芪芃郭英钧郭琪陇郭喻桓郭盈弘郭靓越郭汝衡郭润娥郭阡迎郭舒潼郭青成郭灵羽郭宝姬郭泰睿郭晨香郭吉昕郭娇宝郭红伊郭妤栩郭剀柔郭琀迎郭潆潞郭帆敏郭纭吉郭菡恒郭谕涵郭珣蔷郭岢秋郭英楠郭越轩郭名珑郭洪科郭荧川郭聪盈郭兰歌郭科琀郭诩瑗郭宇玲郭鸯桂郭容宁郭瑾奕郭薇俪郭惠美郭平钎郭彦帆郭昱芪郭凌皑郭洁佟。

126新时代公民道德建设的要求及有效途径■朱熙宁／河南牧业经济学院摘　要：全面建设小康社会和我国社会生活发展方向等方面的变化，使得公民道德的建筑逐渐具有新的要求，这一过程中就需要对新时代下的公民道德建设的时代要求有效掌握，只有对其加以科学掌握，才能够促使公民道德建设更加深入实施，公民道德基础建设对时代的特点能够充分反应出来，也能够体现时代发展的需要，不断创新，这就需要在实践的过程中，对公民道德建设的特点和规律积极探索，采取更加有趣的途径，使得公民道德建设更加有效。

关键词：新时代　公民道德建设　有效途径一、当前公民道德建设的时代要求公民道德主要是指国家公民在社会生活中需要对道德规范加以遵守，道德规范本身包含有道德核心和道德的基本要求等内容。

我国倡导和建设的公民道德，是社会注意道德体系中的内容，企业是社会主义道德的基础内容，公民道德建设需要一定时间，而道德风尚在建设的过程中，都具有时代发展的特点，我国社会主义公民道德建设需要和时代发展相结合，并且也需要体现时代发展的需要，在其发展的过程中不断进行创新和发展［1］。

社会发展的过程中，由于工业化和城镇化以及市场化等方面的摄入发展以及社会结构调整等，都促使人们的思想观念出现变化，社会舆论也呈现出多元化发展的趋势，舆论主体的多元化发展促使利益主体得到创新发展。

思想观念在任何时候都是对社会存在的反应，社会存在也会使得人们思想观念具有多元化的特点，这也是时代发展下对公民道德建设所提出的重要要求。

其次，当前社会主义文化在发展的时候，具有阶段性发展的特点，随着人们生活水平的提升，也使得人民群众精神文化需求提升，也是人们对自身价值的实现，精神文化生活的丰富和发展逐渐成为人们追求的重要目标，这也对社会先进文化提出了的越更高要求，使得公民道德的发展具有更高的挑战，进行丰富的精神文化产品的创造也能够促使人们基本文化权益得到保障，促使人民精神丰富是时代发展的过程中，对公民道德建设具有更高的要求。

第５２卷第３期东㊀北㊀林㊀业㊀大㊀学㊀学㊀报Ｖｏｌ．５２Ｎｏ．３２０２４年３月ＪＯＵＲＮＡＬＯＦＮＯＲＴＨＥＡＳＴＦＯＲＥＳＴＲＹＵＮＩＶＥＲＳＩＴＹＭａｒ．２０２４１）国家自然科学基金项目（３１９０１２９８），西藏自治区科学技术重点研发计划项目（ＸＺ２０２２０１ＺＹ０００３Ｇ），福建农林大学省级大学生创新创业训练项目（Ｓ２０２３１０３８９０４６），福建农林大学科技创新专项基金项目（ＫＦｂ２２０３３ＸＡ）㊂第一作者简介：陈逊龙，男，１９９８年１０月生，福建农林大学林学院，硕士研究生㊂Ｅ－ｍａｉｌ：１２２０４９６００２＠ｆａｆｕ．ｅｄｕ．ｃｎ㊂通信作者：张厚喜，福建农林大学林学院㊁南方红壤区水土保持国家林业和草原局重点实验室（福建农林大学）㊁海峡两岸红壤区水土保持协同创新中心（福建农林大学）㊁福建长汀红壤丘陵生态系统国家定位观测研究站，副教授㊂Ｅ－ｍａｉｌ：ｚｈａｎｇｈｏｕｘｉ＠１２６．ｃｏｍ㊂收稿日期：２０２３年１０月２３日㊂责任编辑：王广建㊂应用无人机可见光影像和面向对象的随机森林模型对城市树种分类１）陈逊龙㊀孙一铭㊀郭仕杰㊀段煜柯㊀唐桉琦㊀叶章熙㊀张厚喜（福建农林大学，福州，３５０００２）㊀㊀摘㊀要㊀为及时准确的了解城市树种空间分布信息，提升城市居民生活水平和推动城市生态系统可持续发展㊂以福州市仓山区城市森林为研究对象，应用无人机（ＵＡＶ）监测城市树种空间分布及其动态变化的可见光影像，根据最佳尺度对影像进行分割，并提取分割对象的光谱㊁地形㊁指数㊁纹理和几何特征㊂通过对不同类型特征的组合构建不同的分类方案，利用递归特征消除法（ＲＦＥ）筛选出优选特征子集，利用面向对象方法结合随机森林（ＲＦ）模型对城市树种进行分类㊂结果表明：在随机森林模型分类的过程中，利用光谱特征对树种分类的总体分类精度为８２．１２％；地形特征对树种分类的贡献度率为１４．９６％；指数特征和纹理特征的引入，在一定程度提高了树种的分类精度；几何特征的贡献较小，在分类过程中没有明显的贡献㊂特征优选子集的Ｓ１０方案分类精度最高，总体精度达９２．４２％，Ｋａｐｐａ系数为０．９１㊂说明特征优选能够降低高维度特征的复杂性，在大幅减少数据冗余的同时提高了分类精度㊂在最优特征子集下，随机森林（ＲＦ）算法分类的总体精度比极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）和ｋ最近邻算法（ＫＮＮ）分别提高了１．１５％㊁１．８１％和１５．１５％，Ｋａｐｐａ系数分别提高了１％㊁２％和１７％㊂关键词㊀城市树种；无人机影像；面向对象；随机森林模型；地形特征分类号㊀Ｓ７７１．８ＵｒｂａｎＴｒｅｅＳｐｅｃｉｅｓＣｌａｓｓｉｆｉｃａｔｉｏｎｂｙＵＡＶＶｉｓｉｂｌｅＬｉｇｈｔＩｍａｇｅｒｙａｎｄＯＢＩＡ－ＲＦＭｏｄｅｌ／／ＣｈｅｎＸｕｎｌｏｎｇ，ＳｕｎＹｉｍ⁃ｉｎｇ，ＧｕｏＳｈｉｊｉｅ，ＤｕａｎＹｕｋｅ，ＴａｎｇＡｎｑｉ，ＹｅＺｈａｎｇｘｉ，ＺｈａｎｇＨｏｕｘｉ（ＦｕｊｉａｎＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，Ｆｕｚｈｏｕ３５０００２，Ｐ．Ｒ．Ｃｈｉｎａ）／／ＪｏｕｒｎａｌｏｆＮｏｒｔｈｅａｓｔＦｏｒｅｓｔｒｙＵｎｉｖｅｒｓｉｔｙ，２０２４，５２（３）：４８－５９．Ｉｎｏｒｄｅｒｔｏｏｂｔａｉｎｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎｉｎｆｏｒｍａｔｉｏｎｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ，ｉｍｐｒｏｖｅｔｈｅｌｉｖｉｎｇｓｔａｎｄ⁃ａｒｄｓｏｆｕｒｂａｎｒｅｓｉｄｅｎｔｓ，ａｎｄｐｒｏｍｏｔｅｔｈｅｓｕｓｔａｉｎａｂｌｅｄｅｖｅｌｏｐｍｅｎｔｏｆｕｒｂａｎｅｃｏｓｙｓｔｅｍｓ，ｔｈｉｓｓｔｕｄｙｔａｋｅｓｔｈｅｕｒｂａｎｆｏｒｅｓｔｉｎＣａｎｇｓｈａｎＤｉｓｔｒｉｃｔ，ＦｕｚｈｏｕＣｉｔｙａｓｔｈｅｒｅｓｅａｒｃｈｏｂｊｅｃｔ．Ｉｔａｐｐｌｉｅｓｕｎｍａｎｎｅｄａｅｒｉａｌｖｅｈｉｃｌｅｓ（ＵＡＶｓ）ｔｏｍｏｎｉｔｏｒｔｈｅｖｉｓｉｂｌｅｌｉｇｈｔｉｍａｇｅｓｏｆｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｓｐａｔｉａｌｄｉｓｔｒｉｂｕｔｉｏｎａｎｄｔｈｅｉｒｄｙｎａｍｉｃｃｈａｎｇｅｓ．Ｔｈｅｉｍａｇｅｓｗｅｒｅｓｅｇｍｅｎｔｅｄｂａｓｅｄｏｎｔｈｅｏｐｔｉｍａｌｓｃａｌｅ，ａｎｄｔｈｅｓｐｅｃｔｒａｌ，ｔｅｒｒａｉｎ，Ｉｎｄｅｘ，ｔｅｘｔｕｒｅ，ａｎｄｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｏｆｔｈｅｓｅｇｍｅｎｔｅｄｏｂｊｅｃｔｓａｒｅｅｘｔｒａｃｔｅｄ．Ｄｉｆｆｅｒｅｎｔｃｌａｓｓｉｆｉｃａｔｉｏｎｓｃｈｅｍｅｓｗｅｒｅｃｏｎｓｔｒｕｃｔｅｄｂｙｃｏｍｂｉｎｉｎｇｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｆｅａｔｕｒｅｓ，ａｎｄｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔｗａｓｓｅｌｅｃｔｅｄｕｓｉｎｇｔｈｅｒｅｃｕｒｓｉｖｅｆｅａｔｕｒｅｅｌｉｍｉｎａｔｉｏｎ（ＲＦＥ）ｍｅｔｈｏｄ．Ｔｈｅｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓｗｅｒｅｃｌａｓｓｉｆｉｅｄｕｓｉｎｇｔｈｅｏｂ⁃ｊｅｃｔ⁃ｏｒｉｅｎｔｅｄｍｅｔｈｏｄｃｏｍｂｉｎｅｄｗｉｔｈｔｈｅｒａｎｄｏｍｆｏｒｅｓｔ（ＲＦ）ｍｏｄｅｌ．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｉｎｔｈｅｐｒｏｃｅｓｓｏｆＲＦｍｏｄｅｌｃｌａｓｓｉｆｉｃａｔｉｏｎ，ｔｈｅｏｖｅｒａｌｌｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｕｓｉｎｇｓｐｅｃｔｒａｌｆｅａｔｕｒｅｓｗａｓ８２．１２％．Ｔｈｅｃｏｎｔｒｉｂｕｔｉｏｎｒａｔｅｏｆｔｅｒｒａｉｎｆｅａｔｕｒｅｓｔｏｔｒｅｅｓｐｅｃｉｅｓｃｌａｓｓｉｆｉｃａｔｉｏｎｗａｓ１４．９６％．ＴｈｅｉｎｔｒｏｄｕｃｔｉｏｎｏｆＩｎｄｅｘｆｅａｔｕｒｅｓａｎｄｔｅｘｔｕｒｅｆｅａｔｕｒｅｓｉｍ⁃ｐｒｏｖｅｓｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙｏｆｔｒｅｅｓｐｅｃｉｅｓｔｏａｃｅｒｔａｉｎｅｘｔｅｎｔ．Ｇｅｏｍｅｔｒｉｃｆｅａｔｕｒｅｓｈａｖｅａｓｍａｌｌｃｏｎｔｒｉｂｕｔｉｏｎａｎｄｄｏｎｏｔｈａｖｅａｓｉｇｎｉｆｉｃａｎｔｃｏｎｔｒｉｂｕｔｉｏｎｉｎｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎｐｒｏｃｅｓｓ．ＴｈｅＳ１０ｓｃｈｅｍｅｏｆｆｅａｔｕｒｅｓｅｌｅｃｔｉｏｎｓｕｂｓｅｔｈａｄｔｈｅｈｉｇｈｅｓｔｃｌａｓ⁃ｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ，ｗｉｔｈａｎｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆ９２．４２％ａｎｄａＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｏｆ０．９１．Ｔｈｉｓｉｎｄｉｃａｔｅｓｔｈａｔｆｅａｔｕｒｅｓｅｌｅｃ⁃ｔｉｏｎｃａｎｒｅｄｕｃｅｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｈｉｇｈ⁃ｄｉｍｅｎｓｉｏｎａｌｆｅａｔｕｒｅｓ，ｗｈｉｌｅｇｒｅａｔｌｙｒｅｄｕｃｉｎｇｄａｔａｒｅｄｕｎｄａｎｃｙａｎｄｉｍｐｒｏｖｉｎｇｃｌａｓｓｉｆｉ⁃ｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｕｎｄｅｒｔｈｅｏｐｔｉｍａｌｆｅａｔｕｒｅｓｕｂｓｅｔ，ｔｈｅｏｖｅｒａｌｌａｃｃｕｒａｃｙｏｆｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇｔｈｅＲＦａｌｇｏｒｉｔｈｍｗａｓｉｎ⁃ｃｒｅａｓｅｄｂｙ１．１５％，１．８１％，ａｎｄ１５．１５％ｃｏｍｐａｒｅｄｔｏｅｘｔｒｅｍｅｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇ（ＸＧＢｏｏｓｔ），ｌｉｇｈｔｇｒａｄｉｅｎｔｂｏｏｓｔｉｎｇｍａ⁃ｃｈｉｎｅ（ＬｉｇｈｔＧＢＭ），ａｎｄｋ⁃ｎｅａｒｅｓｔｎｅｉｇｈｂｏｒａｌｇｏｒｉｔｈｍ（ＫＮＮ），ｒｅｓｐｅｃｔｉｖｅｌｙ．ＴｈｅＫａｐｐａｃｏｅｆｆｉｃｉｅｎｔｗａｓｉｎｃｒｅａｓｅｄｂｙ１％，２％，ａｎｄ１７％，ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｋｅｙｗｏｒｄｓ㊀Ｕｒｂａｎｔｒｅｅｓｐｅｃｉｅｓ；ＵＡＶｉｍａｇｅｒｙ；Ｏｂｊｅｃｔ－ｂａｓｅｄ；Ｒａｎｄｏｍｆｏｒｅｓｔｍｏｄｅｌ；Ｔｅｒｒａｉｎｆｅａｔｕｒｅ㊀㊀城市树木作为城市的重要组成部分是评估城市生态环境的重要指标之一，具有重要的生态㊁经济和社会效益［１］㊂随着城市化进程的不断深化，城市树木的生态效益也日渐凸显㊂然而，不同种类㊁种植结构和种植区域的城市树木会产生不同的生态环境效益［２］㊂因此，及时准确地获取城市树种的类别和空间分布信息对城市规划㊁城市树木的管理与维护具有重要意义［３］㊂传统的城市树种分类主要依靠地面调查，然而该方法存在成本高㊁耗时长且难以获取大尺度数据等不足［４］㊂近年来，遥感技术飞速发展，为城市树种的准确快速识别提供了新的途径㊂然而，传统的高分辨率卫星遥感影像易受天气和环境因素干扰㊁时效性较差且费用昂贵㊂此外，免费提供的卫星遥感影像空间分辨率低，难以适用于树种层面的识别研究［５］㊂相比传统的遥感平台，近地无人机（ＵＡＶ）能在较小空间尺度上提供高分辨率的遥感影像和地理数据，具有更高的适用性，是遥感数据获取的重要手段之一［６］㊂然而，目前有关树种信息提取的无人机遥感研究多集中于多光谱㊁高光谱影像的分类领域，但由于搭载多光谱㊁高光谱传感器的无人机普遍价格昂贵，极大地限制了其在实际生产中的推广应用㊂随着数码技术的发展，通过搭载可见光传感器的无人机获取包含树种信息的遥感影像，具有获取方便㊁成本低㊁空间分辨率高等优点，已成为遥感影像识别树种研究方向上重要的数据源之一［７］㊂根据遥感影像分类单元的不同，可将分类方法归为基于像元和面向对象两类㊂基于像元的方法主要关注局部像素的光谱信息，在处理高分辨率遥感影像时对噪声比较敏感㊁稳健性差，极易出现错分㊁漏分现象［８］㊂为弥补基于像元方法的不足，面向对象的影像分析技术（ＯＢＩＡ）逐渐被用于处理高分辨率遥感影像［９］㊂ＯＢＩＡ方法综合考虑区域相邻像素的纹理㊁形态以及空间结构等多维特征，减少了 椒盐噪声 的同时，通常具有更高的准确率［１０］㊂然而，随着特征维数的增加，数据处理的难度呈几何倍数增长，使得传统分类算法的应用受到一定限制㊂随机森林（ＲＦ）是一种基于集成学习思想集成多颗决策树的机器学习算法，通过对样本的决策树建模以及组合多棵决策树的预测，最终由分类树投票决定数据的分类［１１］㊂随机森林算法不仅具有模型简单㊁分类精度更高㊁校正参数更少的特点，而且鲁棒性强，不易过拟合，在遥感领域高维特征分类中得到广泛应用［１２］㊂面向对象方法可以有效减少 同物异谱 现象，而随机森林算法在处理高维数据时有其独特的性能优势，二者的结合在一定程度上提高了分类精度㊂宗影等［１３］将面向对象方法和随机森林算法的有机结合，有效提高了滨海湿地植被的分类精度，总体精度达８７．０７％；赵士肄等［１４］将面向对象方法和随机森林算法应用于耕地领域，并与其他机器学习分类算法进行对比验证，结果表明基于面向对象的随机森林模型取得了最高的耕地提取精度，并减弱了 椒盐 噪声，优化了分类结果；耿仁方等［１５］研究结果表明，基于面向对象结合随机森林算法对岩溶湿地植被具有较高的识别能力，在９５％置信区间内的总体精度为８６．７５％㊂虽然该方法的研究已经取得了一定的成功，但不同类型的特征对城市树种信息提取效果的影响尚不明确㊂因此，面向对象结合随机森林的方法对于城市树种分类的效果有待进一步探讨㊂此外，目前主流的数据源是大尺度的卫星影像和航空影像，或者是特征信息更加丰富的多光谱和激光雷达影像，而消费级无人机可见光影像在城市树种的精细分类方面还鲜有报道㊂因此，本文以福州市仓山区无人机可见光影像为研究对象，基于ＯＢＩＡ－ＲＦ模型，通过特征优选，构建最佳子集并比较不同机器学习算法的分类精度，并分析不同特征对城市树种分类的影响，构建该研究区城市行道树的最佳特征子集，比较不同分类算法对城市树种的分类效果，进一步评估ＯＢＩＡ－ＲＦ模型的分类性能和适用性，为城市生态系统保护及生态环境治理提供技术支持㊂１㊀研究区概况研究区位于福建省福州市仓山区（见图１），该区域属于南亚热带海洋性季风气候温暖湿润，冬季无严寒，夏季无酷暑㊂年日照时间１７００ １９８０ｈ，年降水量９００ ２１００ｍｍ，气温２０ ２５ħ㊂福州市仓山区典型树种包括白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉ⁃ｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌ⁃ｃａｔａｒｉａｆａｌｃａｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａ⁃ｃｈｙｃａｒｐｕｓｆｏｒｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ）等㊂研究区地势平坦，自然环境相对复杂，具备城市的基本特征，对研究城市树种分类具有一定的代表性㊂２㊀研究方法２．１㊀无人机数据采集与预处理实验数据于２０２０年２月８日采集，采用搭载ＦＣ６３１０Ｓ可见光镜头的大疆精灵４Ｐｒｏ（ＤＪＩＰｈａｎｔｏｍ４Ｐｒｏ）无人机进行航拍获取研究区影像，为削弱阴影对分类过程的干扰，选择天气状况良好无风有云的时间段进行作业㊂飞行相关参数设置如下：航高设置为６０ｍ，航向与旁向重叠率均为７０％，镜头角度－９０ʎ，光圈值ｆ／５，曝光时间１／２００ｓ，ＩＯＳ速度为ＩＯＳ－４００㊂本次飞行共获得４５０张航拍影像，照片分辨率为５４７２ˑ３０７８㊂通过瑞士Ｐｉｘ４Ｄｍａｐｐｅｒ专业摄影测量软件对所采集的原始数据进行空中三角测量㊁点云重建㊁裁切以及镶嵌等操作，得到研究区的正射影像（ＤＯＭ）和数字地表模型（ＤＳＭ）㊂为了精确获得研究区的道路信息，采用天地图在线矢量影像作为辅助信息，并通过手绘的方式提取道路矢量数据㊂根据实际调查情况，利用缓冲分析，将缓冲距离设置为５ｍ，得到了行道树的矢量分布图，然后，将矢量布图与原始影像叠加，最终裁剪出了研究区影像㊂２．２㊀地形特征提取归一化数字表面模型（ｎＤＳＭ）是一种反映地物绝对高度的高程模型［１６］，可为地物判别提供可靠依９４第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类据㊂使用ＡｒｃＭａｐ１０．２软件进行地形特征提取㊂首先，通过人工目视解译方法从ＤＳＭ中选取９５０个地面点，并批量提取栅格的高程信息，其中１００个样本点的高程数据用以验证精度㊂其次采用插值的方法生成数字高程模型（ＤＥＭ）㊂为获取更加精确的地面高程信息，比较常见的插值方法（克里金插值法㊁反距离权重法㊁样条插值法以及自然邻域法）生成的数字高程模型（ＤＥＭ），以均方根误差㊁平均绝对值误差和决定系数（Ｒ２）作为评分指标（见表１）㊂４种插值方法均可得到较高精度的ＤＥＭ数据，综合考虑决定系数（Ｒ２）㊁平均绝对值误差以及均方根误差，最终确定采用克里金插值法生成连续的ＤＥＭ数据㊂最后，根据已生成的ＤＥＭ数据，利用Ａｒｃ⁃Ｍａｐ１０．２软件中的栅格计算器，将ＤＳＭ数据与ＤＥＭ数据相减得到ｎＤＳＭ数据［１７］㊂图１㊀研究区概况图表１㊀不同插值方法精度评价方㊀法决定系数（Ｒ２）平均绝对值误差均方根误差克里金插值法０．９９０．０７０．０４反距离权重法０．９９０．０８０．０４样条插值法０．９９０．０８０．０５自然邻域法０．９９０．０７０．０４２．３㊀最佳分割尺度确定影像分割是面向对象方法中至关重要的初始环节，分割结果将直接影响分类精度［１８］㊂本研究采用尺度参数评价工具（ＥＳＰ２），结合目视解译的方法确定最佳分割尺度，所有图像分割过程均在ｅＣｏｇｎｉ⁃ｔｉｏｎ９．０Ｄｅｖｅｌｏｐｅｒ９．０软件完成㊂ＥＳＰ２是用以评价不同尺度影像整体最大差异性的工具，通过计算整体局部方差均值随尺度变化率评估不同地物所对应的最佳尺度参数［１９］㊂而ＥＳＰ２计算出的尺度参数往往是多个值，需要结合人工目视才能确定最佳分割尺度㊂形状参数和紧致度参数是准确表示不同树种轮廓，使得对象内部同质性高的关键㊂综合考虑无人机影像的特点以及影像对象形状和紧致度因子的相互关系，将形状参数设置为０．５，紧致度参数设置为０．３㊂其他必要参数为：各波段的权重值设置为１㊁起始分割尺度为４０㊁分割步长为１㊁迭代８０次㊂随着尺度的增大，局部方差均值整体呈现上升的趋势，而尺度变化率呈现下降的趋势（见图２）㊂为了获得图像的过分割和欠分割之间的临界值，选取尺度变化率峰值为５１㊁５７㊁７６㊁８０㊁８９㊁１０４㊁１０９和１１８作为相对最佳分割尺度参数，采用多尺度分割算法得到分割结果（见图３）㊂当分割尺度参数设置较大（分割尺度参数大于１０４）时，白兰㊁榕树和背景多处０５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷被划分为同一个对象，不同树种存在混淆现象难以被区分㊂当分割尺度参数设置较小（分割尺度小于７６）时，不同地物内部出现了过分割现象，增加了数据冗余㊂当分割尺度参数设置７６ ８９时，植被与背景区分相对明显，不同的树种之间能够被分割成独立的对象，整体分割效果较为理想㊂权衡分割效果与实际情况的吻合度，最终确定研究区无人机影像最佳分割尺度参数为７６，并利用该分割尺度参数进行城市行道树提取㊂图２㊀ＥＳＰ２最佳分割尺度估计图图３㊀不同尺度参数分割效果图２．４㊀对象光谱特征提取光谱特征是遥感影像的重要特征之一，地物通常具有不同的光谱特征，因此根据可见光影像中的地物光谱信息的差异可以用来区分不同的地物类型［２０］㊂植被指数利用植被在不同波段下反射和吸收的特性，增强植被信息的同时使非植被信息最小化［２１］，被广泛应用于林业病虫害防治㊁农作物生长量估计㊁生态环境监测等领域［２２］㊂在遥感图像中，不同地物通常具有复杂程度不同的边缘特征，因此，形状特征可以作为快速准确识别地物类型的有效手段［２３］㊂纹理特征是遥感影像的底层特征，不受图像亮度的影响，能够综合反映像素的灰度分布和结构信息，利用纹理特征可以有效弥补可见光影像光谱信息的不足［６］㊂在面向对象的分类过程中，结合纹理特征对于提升分类精度效果显著［２４］㊂地形特征能真实反映不同地物的高程信息，在影像分类过程中对于区分不同类型的地物具有重要意义㊂因此，本研究共选取光谱㊁指数㊁纹理㊁几何以及地形５大特征，剔除无效特征筛选出４０个子特征，具体如下：（１）光谱特征（ＳＰＥＣ）：主要包括：红色（Ｒ）波段的像元亮度的均值（ＭＲ）㊁绿色（Ｇ）波段的像元亮度的均值（ＭＧ）㊁蓝色（Ｂ）波段像元亮度的均值（ＭＢ）㊁最大差异值（Ｍｄ）㊁亮度值（Ｂｒ）㊂（２）指数特征（ＩＮＤＥ）：包括植被颜色指数（ＩＣＩＶＥ）㊁可见光波段差异植被指数（ＩＶＤＶＩ）㊁联合指数２（ＩＣＯＭ２）㊁超绿指数（ＩＥＸＧ）㊁超绿超红差分指数（ＩＥＸＧＲ）㊁植被指数（ＩＶＧＥ）㊁归一化红绿差异指数（ＩＮＧＲＤＩ）以及归一化绿蓝差异指数（ＩＮＧＢＤＩ）（见表２）㊂（３）几何特征（ＧＥＯＭ）：包括面积㊁边界长㊁宽度㊁长度㊁不对称性㊁长宽比㊁边界指数㊁圆度㊁像素个数㊁紧致度㊁体积㊁密度㊁椭圆拟合㊁主方向㊁形状指数㊁最大封闭椭圆半径㊁最小封闭椭圆半径以及矩形拟合㊂１５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类（４）纹理特征（ＧＬＣＭ）：基于灰度共生矩阵（ＧＬＣＭ）提取影像的纹理特征，包括对比度（ＴＣＯＮ）㊁相关性（ＴＣＯＲ）㊁相异性（ＴＤＩＳ）㊁熵（ＴＥＮＴ）㊁同质度（ＴＨＯＭ）㊁均值（ＴＭＥＡ）㊁角二阶矩（ＴＡＳＭ）和标准差（ＴＳＤ）等特征值［６］（见表３）㊂（５）地形特征：归一化数字表面模型（ｎＤＳＭ）㊂表２㊀植被指数及表达式指数特征公㊀式归一化红绿差异指数（ＩＮＧＲＤＩ）［２５］ＩＮＧＲＤＩ＝（ＭＧ－ＭＲ）／（ＭＧ＋ＭＲ）归一化绿蓝差异指数（ＩＮＧＢＤＩ）［２６］ＩＮＧＢＤＩ＝（ＭＧ－ＭＢ）／（ＭＧ＋ＭＲ）超绿指数（ＩＥＸＧ）［２７］ＩＥＸＧ＝２ＭＧ－ＭＢ－ＭＲ超绿超红差分指数（ＩＥＸＧＲ）［２８］ＩＥＸＧＲ＝ＭＧ－ＭＢ－２．４ＭＲ可见光波段差异植被指数（ＩＶＤＶＩ）［２１］ＩＶＤＶＩ＝（２ＭＧ－ＭＲ－ＭＢ）／（２ＭＧ＋ＭＲ＋ＭＢ）植被颜色指数（ＩＣＩＶＥ）［２９］ＩＣＩＶＥ＝０．４４ＭＲ－０．８８ＭＧ－０．３９ＭＢ＋１８．７９植被指数（ＩＶＧＥ）［３０］ＩＶＧＥ＝ＭＧ／ＭａＲＭ１－ａＢ，ａ＝０．６６７联合指数２（ＩＣＯＭ２）［３１］ＩＣＯＭ２＝０．３６ＩＥＸＧ＋０．４７ＩＣＩＶＥ＋０．１７ＩＶＧＥ㊀㊀注：ＭＲ㊁ＭＧ㊁ＭＢ分别为红㊁绿㊁蓝波段像元亮度的均值㊂表３㊀纹理特征及表达式纹理指标公㊀式角二阶矩（ＴＡＳＭ）ＴＡＳＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）２对比度（ＴＣＯＮ）ＴＣＯＮ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｊ）２相关性（ＴＣＯＲ）ＴＣＯＲ＝ðＮｇｉ＝０ðＮｇｊ＝０（（ｉ－ｕｘ）ˑ（ｊ－ｕｙ）ˑｐ（ｉ，ｊ）２）／σｘσｙ相异性（ＴＤＩＳ）ＴＤＩＳ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ｜ｉ－ｊ｜熵（ＴＥＮＴ）ＴＥＮＴ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｌｎｐ（ｉ，ｊ）同质度（ＴＨＯＭ）ＴＨＯＭ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（１／（１＋（ｉ＋ｊ）２））均值（ＴＭＥＡ）ＴＭＥＡ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑｉ标准差（ＴＳＤ）ＴＳＤ＝ðＮｇｉ＝０ðＮｇｊ＝０ｐ（ｉ，ｊ）ˑ（ｉ－ｕｘ）２㊀㊀注：其中ｉ，ｊ是像元在图像中的行列坐标，ｐ（ｉ，ｊ）为像素对的频数，Ｎｇ为灰度级数，ｕｘ㊁σｘ分别为ｐｘ的均值和标准差，ｕｙ㊁σｙ分别为ｐｙ的均值和标准差㊂２．５㊀试验样本选取本实验通过实地调查获取样本数据㊂调查者沿着研究区的主要道路记录了绿化树种，并排除了数量较少或被其他冠层遮挡的树种，最终确定了７类树种（白兰（Ｍｉｃｈｅｌｉａ✕ａｌｂａ）㊁荔枝（Ｌｉｔｃｈｉｃｈｉｎｅｎｓｉｓ）㊁芒果（Ｍａｎｇｉｆｅｒａｉｎｄｉｃａ）㊁南洋楹（Ｆａｌｃａｔａｒｉａｆａｌｃａ⁃ｔａ）㊁榕树（Ｆｉｃｕｓｍｉｃｒｏｃａｒｐａ）㊁棕榈（Ｔｒａｃｈｙｃａｒｐｕｓｆｏｒ⁃ｔｕｎｅｉ）㊁樟（Ｃｉｎｎａｍｏｍｕｍｃａｍｐｈｏｒａ））以及草地㊁灌木作为研究对象㊂根据遥感影像中不同地物类型的分布位置与大致面积比例，共选取了１１００个样本点㊂为了避免较小的样本数量影响模型分类精度，将最小样本数量设置为６０㊂采用Ｓｃｉｋｉｔ－ｌｅａｒｎ中内置的ｔｒａｉｎ＿ｔｅｓｔ＿ｓｐｌｉｔ函数进行分层抽样，按７：３的比例将数据划分为训练集和测试集（见表４），使各类别样本点数量大致与该类别的总面积成比例㊂训练集用于构建分类模型，测试集用于验证分类精度㊂表４㊀训练和验证样本地物总样本数训练样本数测试样本数白兰２００１４０６０草地５０３５１５灌木５０３５１５荔枝１４０９８４２芒果２００１４０６０南洋楹１２０８４３６榕树１４０９８４２棕榈６０４２１８樟１２０８４３６总计１１００７７０３３０２．６㊀分类模型与参数优化２．６．１㊀随机森林算法随机森林算法（ＲＦ）是一种通过集成学习的装袋思想将多棵决策树集合起来的算法，每棵决策树都充当预测目标类别的分类器㊂随机森林模型在样本数据和分类特征选择方面具有随机性，不容易过拟合，并且表现出良好的稳健性，即使在处理具有缺失值的高维数据时，仍能保持较高的分类精度㊂因此，它被认为是当今最好的算法之一［３２］㊂目前，随机森林算法已经广泛集成在各种软件包中，使用Ｓｔａｔａ数据管理统计绘图软件㊁Ｒ语言统计软件可以轻松实现㊂在模型构造的过程中，通常只需要确定每个树节点包含的特征数量（Ｍ）以及决策树数量（Ｎ），就足以保证模型的性能［３３］㊂本文采取递归特征消除法（ＲＦＥ）［３４］结合交叉验证（Ｃｒｏｓｓ－Ｖａｌｉｄａｔｉｏｎ）确定最佳特征数（见图４）㊂随着特征维数的增加，整体分类精度曲线经历 几何增长 ㊁ 缓慢上升 这个两个阶段后趋于平稳㊂当特征数为２０时，各分类精度曲线均处于相对最高点，因此最终将特征数量的参数设置为２０㊂在使用装袋方法生成训练集的过程中，随机森林算法会导致原始数据集中大约３７％的数据未被抽到，这部分数据被称为袋外（ＯＯＢ）数据㊂利用袋外数据对随机森林模型进行评估是一种无偏估计方法，且在一定程度上能减少计算量，提高算法的运行效率［３５］㊂因此，本文采取遍历不同数量（１ １０００）决策树的方法，通过比较袋外误差的大小，确定最佳的决策树数量（见图５）㊂当决策树数量小于８５时，不同子集的袋外数据误差均随着决策树数量的增加而急剧下降，而后随着决策树数量的增加袋外数据误差的下降速度逐渐迟缓，当决策树数量为２００时，袋外数据误差处于相对最低点㊂因此，选择决策树２５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷的最佳数量为２００㊂图４㊀模型分类精度与特征数的关系曲线图５㊀袋外误差与决策树数量的关系曲线２．６．２㊀其他分类模型为充分探索随机森林算法对城市树种信息提取的适用性，引入当下流行的机器学习算法作为对照，包括极致梯度提升（ＸＧＢｏｏｓｔ）㊁轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）以及ｋ最近邻算法（ＫＮＮ）㊂ＸＧＢｏｏｓｔ是一种基于增强学习（Ｂｏｏｓｔｉｎｇ）的集成算法，它通过在梯度下降方向上将弱分类器集成到强分类器中，并迭代生成新树以拟合先前树的残差㊂ＸＧＢｏｏｓｔ能够自动利用中央处理器（ＣＰＵ）的多线程进行分布式学习和多核计算，在保证分类准确度的前提下提高计算效率，尤其适用于处理大规模数据［３６－３７］㊂ＬｉｇｈｔＧＢＭ也属于增强学习方法，基本原理与ＸＧ⁃Ｂｏｏｓｔ相似㊂但ＬｉｇｈｔＧＢＭ使用基于直方图的决策树算法来减少存储与计算成本，并优化模型训练速度［３８］㊂ＫＮＮ算法是一种近似自变量与连续结果之间的关系的非参数方法［３９］，其基本思路是通过计算待分类样本与临近样本的距离（欧氏距离㊁曼哈顿距离）来确定所属类别，是一种简单而有效的分类算法㊂为了防止过拟合，本研究在ＪｕｐｙｔｅｒＮｏｔｅｂｏｏｋ平台上利用Ｓｃｉｋｉｔ－ｌｅａｒｎ库中的ＧｒｉｄＳｅａｒｃｈＣＶ包对这３种分类器参数进行了调优（见表５）㊂表５㊀不同分类器的超参数分类器参㊀数参数取值范围极致梯度提升（ＸＧＢｏｏｓｔ）决策树数量［５０，１００，１５０，２００］最大树深度［３，５，７，９］学习率［０．０１，０．０５，０．１０］样本抽样率［０．６，０．８，１．０］特征抽样率［０．６，０．８，１．０］轻量级梯度提升机（ＬｉｇｈｔＧＢＭ）学习率［０．０１，０．０５，０．１０］决策树数量［５０，１００，１５０，２００］叶子节点数［１０，２０，３０，４０］最大树深度［３，５，７，９］ｋ最近邻算法（ＫＮＮ）近邻数［１，２，３，４，５，６，７，８，９，１０］２．７㊀试验方案构建不同树种之间单一特征的差异有限，难以满足树种分类的要求㊂因此，本研究采取增加特征数量的方式来提高分类精度，并探究不同特征组合对分类结果的影响（见表６）㊂表６㊀研究区各地物特征值地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟面积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１不对称性０．５５０．４３０．４４０．４３０．４５０．４２０．４８０．５６０．４５边界指数１．７４１．４６２．０１１．９７１．９９１．８４２．０６２．１９１．７９边界长５７８．７０３４０．２０４３１．９５６５０．４１６６９．２９６７０．７３４８８．１６４０８．６３６０１．００亮度值８３．１０７８．７９１１５．６９７４．０９７７．２０８１．１５７１．６３９６．８７６３．８３植被颜色指数－２９．１４－３３．１７－４７．７８－２１．１５－１８．８９－２１．６２－２９．９６－１７．７４－２０．１８联合指数２１４．１１１６．２５２０．１９１１．７４１０．７５１１．６０１５．２７９．２５１１．８２紧致度１．８５１．６３１．８７１．９１１．８６１．８０２．００２．３６１．８５密度２．０３２．１０２．０４２．１０２．１０２．１６１．９７１．８２２．０９超绿指数７６．６０８７．７７１１７．８１５９．６２５３．９３５９．８２８０．８３４８．３１５８．５２超绿超红差分指数－２１５．５６－２０４．０６－３０４．３３－１９４．８８－２０４．０７－１９９．５４－１６８．３２－２７３．２４－１５５．９７椭圆拟合０．６８０．７５０．６３０．６７０．６７０．７１０．５９０．５００．６８角二阶矩０００００００００对比度５５６．７７７８６．２４８７７．５５５９７．２９６１４．１２７７０．７７７１４．２５７６５．５１５１４．１１相关性０．８７０．８２０．８２０．８８０．８８０．８４０．８５０．８６０．９０相异性１７．１３１９．０５２１．６６１８．１２１８．６８２０．２８１９．７２１９．６２１６．６４熵８．７９８．６６８．９０９．１４９．１８９．１９８．９４８．６９９．０７同质度０．０６０．０６０．０５０．０５０．０５０．０５０．０５０．０５０．０６均值１２７．０３１２６．０７１２５．６７１２６．８１１２６．６８１２６．７３１２６．２３１２５．９７１２６．８８３５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类续（表６）地物特征不同地物的特征值草地灌木白兰荔枝芒果南洋楹榕树棕榈樟标准差３４．１７３４．６５３６．２３３６．４０３６．２３３５．７６３６．４０３７．６６３６．３２长度１４３．４５９１．１０８５．９６１３６．３３１３６．９０１４４．３８１００．０３８９．６２１３８．３１长宽比１．８１１．７４１．５２１．５５１．５５１．５１１．６２１．７８１．６１主方向１１３．６１１３０．６３９５．３２９６．５２９４．５６９４．５５９１．４８８３．５６８１．４５最大差异值１．６４１．６９１．５３１．４７１．３６１．２０１．５０１．３４１．４６蓝色（Ｂ）波段像元亮度的均值８４．４７６６．８０９４．６２７４．２０７９．０８８１．７２６３．６４１０５．５３６４．３８绿色（Ｇ）波段像元亮度的均值１３６．２２１３３．７５１８９．３６１１６．２８１１６．９０１２０．４０１１８．７９１４１．２９１０１．７２红色（Ｒ）波段像元亮度的均值１１１．３８１１２．９２１６６．２８９８．７４１００．７９９９．２６９３．１１１２８．７５８０．５５归一化数字表面模型０．３２１．７０１２．５１７．１６１２．０４２３．２０１０．９６１１．９３８．６７归一化绿蓝差异指数０．２１０．２７０．２７０．２００．１７０．１８０．２６０．１３０．２１归一化红绿差异指数０．１００．０９０．０７０．０８０．０７０．１００．１３０．０５０．１２像素个数６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１最大封闭椭圆半径０．５８０．７２０．４９０．５６０．５４０．６１０．４５０．３８０．５９最小封闭椭圆半径１．４５１．３９１．４４１．４９１．４５１．４３１．５１１．６３１．４５矩形拟合０．８２０．８６０．８００．８２０．８２０．８３０．７８０．７４０．８２圆度０．８６０．６７０．９５０．９３０．９２０．８２１．０６１．２５０．８６形状指数１．８４１．５５２．０９２．０４２．０６１．９０２．１６２．３２１．８６可见光波段差异植被指数０．１７０．２００．１９０．１５０．１３０．１４０．２１０．０９０．１７植被指数１．３６１．４３１．３８１．３０１．２６１．３０１．４６１．１８１．３７体积６８５９．６７３６３６．７３２９２８．７９７１９４．０５７２００．１０８６８８．４８３４５７．７５２２６３．１３７３２５．０１宽度８０．７８５２．７５５８．０３９０．８１９０．４９９７．８８６２．９６５１．４６８８．９４㊀㊀根据优选特征贡献率（见表７），将所选取的５大特征组合形成了１０种试验方案（Ｓ１ Ｓ１０）㊂光谱特征作为每幅遥感影像的基本特征，作为基础被纳入到这１０种方案的构建中㊂其中，Ｓ１仅包含光谱特征；为了全面探究其他特征对分类结果的影响，在Ｓ１基础上引入了地形㊁指数㊁纹理等３个总体特征贡献率较高的特征，通过遍历这３个特征的各种组合得到了Ｓ２ Ｓ８；Ｓ９包含了所有的特征；根据２０个优选特征组合建立Ｓ１０，具体的分类方案见表８㊂表７㊀优选特征重要性优选特征重要性／％归一化数字表面模型１４．９６最大差异值１２．４１联合指数２５．５７植被颜色指数５．４２绿色（Ｇ）波段像元亮度的均值４．８４归一化绿蓝差异指数４．６７超绿指数４．５８亮度值４．３６可见光波段差异植被指数３．４２植被指数３．２６红色（Ｒ）波段像元亮度的均值３．０５角二阶矩２．９０蓝色（Ｂ）波段像元亮度的均值２．８６超绿超红差分指数２．７８标准差２．２５归一化红绿差异指数２．２３熵２．０３相关性１．９７均值１．４１边界指数１．２８表８㊀分类方案方案特征子集特征数量Ｓ１光谱５Ｓ２光谱＋地形６Ｓ３光谱＋指数１３Ｓ４光谱＋纹理１３Ｓ５光谱＋地形＋指数１４Ｓ６光谱＋地形＋纹理１４Ｓ７光谱＋指数＋纹理２１Ｓ８光谱＋地形＋指数＋纹理２２Ｓ９光谱＋地形＋指数＋纹理＋几何４０Ｓ１０优选特征２０２．８㊀精度评价本文根据混淆矩阵对模型的分类精度进行定量评价㊂混淆矩阵也称为误差矩阵，是遥感影像二分类问题上的一种评价方法，反映了分类结果与真实地物类别之间的相关性［４０］㊂混淆矩阵的评价指标包括总体精度（ＯＡ）㊁Ｋａｐｐａ系数（Ｋｐ）㊁生产者精度（ＰＡ）以及用户精度（ＵＡ）㊂其中，总体精度指正确分类样本与总体样本的比值；生产者精度指分类结果与参考分类相符合的程度；用户精度指样本分类正确的可能性；Ｋａｐｐａ系数是用于检验遥感影像分类结果的一致性，也可以用以均衡分类效果［４１］㊂各指标计算公式如下：㊀㊀㊀㊀㊀ＯＡ＝ðｎｉ＝１ｘｉｉＮ；㊀㊀㊀㊀㊀Ｋｐ＝Ｎðｎｉ＝１ｘｉｉ－ðｎｉ＝１ｘｉ＋ｘ＋ｉＮ２－ðｎｉ＝１ｘｉ＋ｘ＋ｉ；４５㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀东㊀北㊀林㊀业㊀大㊀学㊀学㊀报㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀㊀第５２卷㊀㊀㊀㊀㊀ＰＡ＝ｘｉｉ／ｘ＋ｉ；㊀㊀㊀㊀㊀ＵＡ＝ｘｉｉ／ｘｉ＋㊂式中：Ｎ为参与评价的样本总数；ｎ为混淆矩阵的行列数；ｘｉｉ为混淆矩阵第ｉ行㊁第ｉ列上的样本数；ｘｉ＋和ｘ＋ｉ分别为第ｉ行和第ｉ列的样本总数㊂３㊀结果与分析３．１㊀随机森林算法的不同分类方案精度由表９可知，随着不同特征类型数量的增加，总体分类精度和ｋａｐｐａ系数整体呈上升趋势㊂其中，仅利用光谱特征作为分类依据的方案Ｓ１精度最低，总体精度和ｋａｐｐａ系数分别为８２．１２％和０．７９，说明光谱特征是遥感影像最重要的特征之一，但仅利用光谱特征难以达到所需的分类精度㊂方案Ｓ２ Ｓ４是在Ｓ１的基础上分别加上地形㊁指数和纹理特征，相比方案Ｓ１，这３个方案的总体分类精度分别提高了５．１５％㊁４．５５％㊁１．８２％，ｋａｐｐａ系数分别提高了０．０６㊁０．０６㊁０．０３㊂在分类过程中，地形特征相较于指数和纹理特征扮演着更重要的角色，大幅提高了分类精度㊂方案Ｓ５ Ｓ７是在光谱特征的基础上加入地形㊁指数和纹理特征的两两组合，旨在研究它们之间的相互作用对分类精度的影响㊂整体而言，与Ｓ２ Ｓ４相比，这３个方案的总体分类精度呈上升趋势㊂其中，Ｓ６具有最高的总体精度和ｋａｐｐａ系数，分别达到９０％和０．８８；其次是Ｓ７，和Ｓ１相比，总体精度和ｋａｐｐａ系数分别提高了７．２７％和０．０９；而Ｓ５总体精度和ｋａｐｐａ系数只增长了６．３６％和０．０８㊂表明地形与指数特征交互作用在分类过程中提供了更大的贡献度㊂方案Ｓ８是由特征重要性靠前的光谱㊁地形㊁指数以及纹理特征构成㊂与包含所有特征的方案Ｓ９相比，Ｓ８反而具有更高的总体分类精度和ｋａｐｐａ系数，分别达到９２．１２％和０．９１㊂表明几何特征对分类精度具有负向影响，它的加入降低了分类精度㊂方案Ｓ１０由优选特征组成，其获得了所有子集中最高的分类精度和ｋａｐｐａ系数，分别为９２．４２％和０．９１㊂与Ｓ９相比，分类精度提高了０．６０％㊂说明特征优选方法能消除高维复杂特征间的信息冗余，使模型仅利用较少特征数量并获得更高的运行效率和分类精度㊂表９㊀不同分类方案分类精度方案总体精度／％Ｋａｐｐａ系数方案总体精度／％Ｋａｐｐａ系数Ｓ１８２．１２０．７９Ｓ６９０．０００．８８Ｓ２８７．２７０．８５Ｓ７８９．３９０．８８Ｓ３８６．６７０．８５Ｓ８９２．１２０．９１Ｓ４８３．９４０．８２Ｓ９９１．８２０．９１Ｓ５８８．４８０．８７Ｓ１０９２．４２０．９１㊀㊀由表１０可知，虽然Ｓ１方案的用户精度与生产者精度整体上处于最低水平，但棕榈树的用户精度达到了１００％，表明棕榈与其他树种存在明显的光谱差异㊂方案Ｓ２加入地形指数后，各类地物的用户精度与生产者精度相比Ｓ１都有不同程度的提高，用户精度提升幅度１．８８％ ８．１８％，生产者精度提升幅度２．７８％ １１．１１％，因为地形特征的加入更好的反映了不同地物之间的空间关系，从而大幅提高了分类精度㊂方案Ｓ３在Ｓ１的基础上加入了指数特征，荔枝㊁榕树以及樟的用户精度分别提升了１０．９５％㊁９．１８％和８．７２％，说明植被指数对荔枝㊁榕树以及樟分类效果显著，但对于其他树种的区分能力有限㊂方案Ｓ４加入纹理特征，芒果和樟的用户精度提升了８．８５％和９．００％，而棕榈和榕树的生产者精度分别提升了２２．２２％和１１．９％，说明这些树种的纹理结构特异性强与其他地物的差异显著，因此纹理特征的加入对分类精度有正向影响㊂方案Ｓ５与Ｓ２相比，荔枝和榕树的用户精度提升了７．０５％和５．１２％，而草地的精度下降了５．８８％；与Ｓ３相比，灌木的用户精度提升了４．４７％㊂总体而言，地形特征与指数特征的组合对分类精度的提升不显著，并且在某些树种的分类上精度出现不同程度的下降，说明这二者的组合产生了冗余信息影响了分类精度㊂方案Ｓ６与Ｓ２相比，芒果与樟的用户精度分别提升了６．４４％和７．６６％，而棕榈树和榕树的生产者精度分别提升了２７．７８％和１１．９０％，这个结果与方案Ｓ４类似，说明地形特征和纹理特征的组合与树种的分类精度呈正相关㊂方案Ｓ７与Ｓ６相比，除个别树种外，整体精度出现了不同程度的降低，波动范围为－６．２１％ ４．０４％㊂然而，与方案Ｓ５相比，总体分类精度有一定的提升，波动范围是－０．５８％ ７．５５％㊂方案Ｓ８与表现最好的方案Ｓ７相比，荔枝和榕树的总体分类精度分别提升了９．４２％和６．６７％，其他树种的总体分类精度保持稳定，这表明高维度的特征组合带来了更多的信息，在一定程度上提高了分类精度㊂综合所有特征的方案Ｓ９与Ｓ８相比，总体分类精度呈现出不升反降的现象，波动范围为－１０．２３％ ４．７４％，说明高纬度的特征产生了冗余信息，影响了随机森林模型的分类性能㊂优选特征子集Ｓ１０与Ｓ９相比，总体分类精度有所提升，其中灌木㊁草地以及荔枝的用户精度分别提升了１０．２３％㊁５．８８％和３．５５％㊂由此可见，特征优选通过对高维数据集的降维和优化，使模型仅利用较少的特征仍能保证良好的分类效果㊂３．２㊀应用优选特征子集对不同分类模型的精度评价由表１１可知，随机森林模型的分类精度最高，总体精度为９２．４２％，比ｋ最近邻算法（ＫＮＮ）㊁极致５５第３期㊀㊀㊀㊀㊀㊀㊀陈逊龙，等：应用无人机可见光影像和面向对象的随机森林模型对城市树种分类。

070《名家名作》·研究［摘 要］ 位于太原市西南的天龙山，毗邻晋祠，景区石窟林立，古迹众多，自然风光秀美，在环省诸山中实属罕见。

镶嵌在圣寿寺禅堂院内的闽中陈全之诗碣就是其一道靓丽的风景线，试着探讨诗碣形成的原因，借此领略古人的智慧，唤醒我们文物保护的意识。

［关 键 词］ 诗碣；陈全之；乔白岩；周文端天龙山陈全之诗碣浅析吴 涛天龙山是一座人文景观与自然景观交相辉映的历史文化名山。

其境内的天龙山石窟为全国重点文物保护单位，涵盖了我国东魏、北齐、隋、唐等几个朝代的25座石窟，造型优雅、技法娴熟、比例得当，被誉为“天龙山式样”，对后世中国佛教造像的发展产生了深远的影响。

天龙山的自然风光亦别有特色，其中蟠龙松、凤凰松多为举世奇珍，这些都是大自然鬼斧神工师造化，留给我们后人优秀的景观资源。

除此之外，其中还有一类古迹值得引起我们重视，那就是镌刻在禅堂院内的诗文碑碣。

这些碑碣中有明朝时期闽中陈全之的两首唱和诗作，具有一定的历史价值和文化价值，它们对天龙山的重要意义不容被忽视。

现就其碑碣相关情况研究分析综述如下。

一、陈全之其人陈全之（1512—1580），陈叔刚曾孙，名朝蓥，号津南，晚号梦宜居士，福建省福州市闽县（今闽侯县）大义村人。

明嘉靖二十三年（1544年）进士。

后授礼部主事，提督四夷馆，升员外郎。

出知荆州府，筑堤治水利民，民间称陈公堤。

后任山西右参政，致仕归乡，耕读于义溪。

著有《蓬窗日录》《游杂集》《巴黔集》等传世。

据上所述，陈氏籍贯为福建省福州市闽县（今闽侯县）大义村。

在古代，有一种观点认为福州即是“闽中”，如明代“闽中十子”即指福州地区的十位诗人。

现在从概念上来讲，闽中有广义、狭义之分。

广义闽中即福建，唐朝中期前闽中即闽的名称。

因闽处在吴越（浙江北部）和南越（广东大部、广西、越南中北部）中间，故称闽中；狭义的闽中指地理位置上以莆田（大洋）为中心的“闽中革命根据地”（福清、莆田、仙游、惠安四县），处于福建中部的地区。

心理科学进展2010, Vol. 18, No. 8, 1329–1338Advances in Psychological Science基于阶层线性理论的多层级中介效应*方杰1 张敏强1邱皓政1,2(1华南师范大学心理应用研究中心, 广州510631) (2台湾师范大学管理学院, 台湾)摘要本文介绍了三种常见的多层级中介效应模型, 并根据阶层线性理论和依次检验回归系数的方法, 详述了多层级中介效应的检验步骤以及中介效应量的估计方法, 在2-1-1和1-1-1中介效应模型中, 推荐采用对层1自变量按组均值中心化, 同时将组均值置于层2截距方程式的中心化方法, 以实现组间和组内中介效应的有效分离。

本文还展望了多层级中介效应模型的拓展方向, 即多层级调节性中介模型和多层级结构方程模型; 以及检验方法的拓展, 即Sobel检验和置信区间检验。

关键词多层级; 中介效应; 阶层线性理论; 中心化分类号B841.21 前言中介(mediation)是社会科学研究中重要的方法学概念。

如果自变量X通过某一变量M对因变量Y产生一定影响, 则称M为X和Y的中介。

中介通常用来解释自变量和因变量关系的构成机制, 反映研究者如何看待或说明自变量和因变量之间的关系(柳士顺, 凌文辁, 2007; MacKinnon, Fairchild, & Fritz, 2007)。

自从Jame和Brett (1984)、Baron和Kenny (1986)阐述了中介效应的概念和检验方法后, 中介效应的研究大量出现在管理学(Wood, Goodman, Cook, & Beckman, 2008)、心理学(MacKinnon et al., 2007; MacKinnon, 2008; Fairchild & McQuillion, 2010)等各个学科中, 取得了较为丰硕的成果。

但是, 这些成果大部分都集中在单一层级的单一中介变量研究上, 这种中介效应被称为简单中介效应(simple mediation) (MacKinnon et al., 2007; Preacher & Hayes, 2008)。

郭姓男孩起名字洋气寓意好在父母眼里，每个男孩都是独一无二的，是他们一生中收到的最为珍贵的礼物。

所以对于给男孩起名这件事，父母们总是表现得格外上心，生怕自己取出来的名字与别人重上，这就会对男孩造成一些不便。

那么，姓郭的男孩应该如何取名才会显得与众不同呢？这里五行阁为大家带来的是男孩姓郭独特的名字，希望你们能够喜欢吧。

一、如何给姓郭男孩起独特的名字01：虚词与实词巧妙结合虚词指的是没有实际意义的字，比如“之、若、其、以、也”等等。

虽然说从寓意来看，这些字并不会给我们带来太大的惊喜，但是它们与实词搭配在一起时，看上去是非常独特有内涵的，能够更好地展现出姓郭男孩的人格魅力。

像“郭以泽”这个名字，读起来就非常悦耳好听，简洁又大气。

02：选取文雅有诗意的字在给姓郭男孩起独特的名字时，家长不妨选取一些文雅有诗意的字，这些字会显得男孩文质彬彬，很有气质，并且会让人感觉男孩很好亲近，有利于男孩扩大自己的朋友圈，逐渐变得自信、勇敢。

比如“郭安桐”这个男孩名字，看着就很有意境，充满古典韵味，暗喻郭姓男孩个性爽朗、随性洒脱。

03：避开男孩起名常用字若想要姓郭男孩的名字新颖独特，我们就要尽量避开男孩起名常用字，以免出现名字烂大街情况，这会给男孩的性格养成带来一些负面影响。

这时候，家长们不妨在家中备上一本字典，没事就翻阅上几页，从中挑选出独特罕见、寓意又好的字，比如“锵、玮、苑”等字，用在男孩名字里就很不错。

二、姓郭男孩独特的名字大全郭凯荣郭宇臣郭松佑郭振雨郭骏传郭侨生郭圣亦郭凡锋郭朝晨郭风鑫郭辰波郭群宇郭智哲郭凯彬郭仲郭郭顺雷郭纶狄郭译威郭兴佳郭杜海郭鸿鹏郭弘琛郭寒虹郭斌庆郭炎振郭亦森郭锡亦郭司友郭华畅郭兆朝郭晗哲郭钟基郭基启郭阳风郭麟博郭正贤郭新剑郭蓝明郭靖协郭协曦郭骏艺郭龙尊郭升凡郭衡若郭杭帆郭宗权郭升琛郭星浩郭楠茂郭奇鑫郭西杰郭奇凯郭清迅郭浩浩郭宇译郭泽玮郭郭博郭凯源郭伟浩郭克豪郭佐星郭昌才郭佐韬郭滨传郭超克郭伦兴郭建言郭星贯郭纶德郭博琛郭君雨郭言协郭清西郭磊新郭健彬郭宏岳郭元杉郭义庆郭仁尊郭言晨郭达茂郭源坚郭达立郭荣平郭晨毅郭锋坚郭禹友郭辰炎郭蓝顺郭润磊郭毅炫郭烽哲郭晗坤郭明翰郭然磊郭亦广郭博达郭尧鸿郭泰佑郭晏伟郭仁东郭百生郭侨庆郭朋波郭聪基郭茂佳郭涛宇郭伊海郭晗峻郭杉洋郭西霆郭谦盛郭贤建郭贯衡郭清震郭松麟郭振谦郭然恒郭恒腾郭若利郭群博郭雨润郭森伦郭达楚郭辰森郭尧虹郭骏博郭秦翔郭儒宗郭泰霆郭廷汉郭龙楚郭彬寒郭岳栋郭伊协郭泽朋郭达道郭君伦郭峰嘉郭友谦郭雨锋郭骏宸郭源鹏郭浩儒郭康宗郭晗森郭宇勤郭鹏儒郭侨雨郭明承郭亚隆郭梁伦郭兴才郭驰楠郭兴学郭坚毅郭尊艺郭宇毅郭隆建郭华亦郭佳敬郭麟寒郭嘉钟郭大凡郭风兴郭佑仁郭树杭郭雷华郭源明郭中晨郭宥鹏郭渝志郭寒政郭杉镇郭嘉同郭浩炎郭毅钧郭儒鹏郭嘉鸿郭鹏寒郭广剑郭立廷郭义澄郭泽铭郭峰侨郭狄少郭海骏郭澄飞郭海达郭文天郭升义郭威元郭景良郭风明郭玮嘉郭臣禹郭霖辉郭郴新郭渝道郭朝飞郭永霆郭奇皓郭皓云郭盛江郭峰明郭岳圣郭彦绍郭亚乐郭锋狄郭强卫郭聪蓝郭志钧郭航利郭奕震郭亚咏郭星喜郭坚郭郭秦辉郭龙启郭树乐郭朗楚郭祖若郭侨喜郭俊智郭宗谦郭涛勇郭奕宸郭荣俊郭炫西郭东齐郭杰华郭君乐郭郴腾郭政钟郭奇阳郭志超郭聪风郭锡朗郭震权郭锋强郭裕宥郭祥祖郭敬明郭伊伦郭蓝克郭安仲郭源言郭强承郭渝权郭晗勤郭西亚郭凡浩郭辰尊郭亦鸣郭哲腾郭振天郭磊鑫郭赫鹏郭光灿郭润义郭超盛郭元卫郭卫博郭兴铭郭建宏郭康天郭正志郭明成郭泽航郭希钟郭逸宇郭咏友郭宗振郭咏驹郭宁俊郭恒瀚郭景卫郭迅畅郭皓光郭皓熙郭元康郭元清郭泽旭郭恩炎郭霆杜郭风华郭中寒郭政康郭翔亦郭传楠郭晨雨郭赫威郭星百郭雨善郭绍谦郭坤晨郭泽锡郭森生郭艺学郭鑫帆郭良宥郭安超郭明诚郭星磊郭祖绍郭靖广郭江柏郭蓝郭郭翰云郭源海郭荣翰郭恩贯郭坚驰郭迅彬郭阳霆郭言鸿郭辉武郭文宁郭文立郭佳宏郭楚学郭侨玮郭元超郭飞亚郭同群郭麟希郭帆龙郭文正郭震盛郭熙文郭炫滨郭逸博郭诚朗郭权风郭威树郭滨庆郭克盛郭涛梁郭伟恺郭译峻郭润盛郭齐卫郭华辰郭曦雨郭洋腾郭龙洋郭政威郭松译郭圣启郭泰昌郭晨杭郭迅生郭洋恺郭力磊郭志梁郭诚克郭绍松郭泽宗郭博纶郭树广郭超同郭晗盛郭伦郴郭晗虹郭亮生郭贤咏郭俊成郭郭寒郭磊健郭元威郭祖曦郭霆卓郭畅平郭瀚友郭宗亚郭凯鹏郭明清郭龙雨郭百西郭正经郭亚桦郭敬家郭嘉智郭伦凯郭广腾郭尊维郭锦喜郭华熙郭聪旭郭炎赫郭司楚郭辰佑郭杰浩郭升兆郭晏雨郭翰善郭坤鹏郭中清郭泰立郭灿佑郭宏炫郭辰源郭明彦郭剑俊郭锋弘郭杉彬郭世聪郭兆天郭若振郭东辉郭亦希郭康然郭朝琛郭麟虹郭志纶郭贯华郭廉熙郭咏宁郭凡康郭百钧郭勤航郭广鑫郭东儒郭源成郭汉超郭儒坚郭锋桦郭宥俊郭阳坤郭星坤郭德昌郭辰尊郭明奕郭秦奕郭司康郭强敬郭骏嘉郭协东郭杰锦郭大学郭嘉宇郭勤杰郭道明郭儒卓郭宏东郭浩兴郭浩赫郭渝浚郭荣勇郭喜靖郭振雄郭司风郭聪骏郭旭驹郭坤浚郭家虹郭锋辉郭伦臣郭东坤郭勇威郭儒臣郭仲喜郭敬强郭浚驹郭翰言郭鸿雄郭谦明郭仁利郭恩武郭侨朗郭家雄郭俊强郭坤晨郭龙衡郭然才郭锡明郭振西郭荣琛郭鸣景郭杉康郭平杰郭超禹郭奇昌郭汉明郭麟奕郭弘毅郭韬俊郭霖杭。