GIS与空间分析毕业文献翻译文档格式.docx
- 文档编号:5326447
- 上传时间:2023-05-05
- 格式:DOCX
- 页数:22
- 大小:2.70MB
GIS与空间分析毕业文献翻译文档格式.docx
《GIS与空间分析毕业文献翻译文档格式.docx》由会员分享,可在线阅读,更多相关《GIS与空间分析毕业文献翻译文档格式.docx(22页珍藏版)》请在冰点文库上搜索。
经验性的、而不是科学校正的在不同土壤条件下的氮肥施用的现实问题在希腊人的耕地管理上已有四十多年了。
含水层硝酸盐下渗作用加强的结果导致种植管理者采取措施减少氮素使用,出台计划重视减轻地下水氮素污染。
在此背景下,审视适应特定环境条件的施肥计划就十分重要了。
这些条件可分为空间和时间,具体细分为土壤、气候、种植经验都应该包括在每施肥计划中。
因此,成功的氮肥管理就是一项追求效益最优化与环境保护的一致,在合适的时间地点配置与管理。
特异位置的氮肥管理(SSNM)指的是氮肥用量在空间与时间进行合适的预先决策,提高氮素利用效率,减少对环境的不利影响。
在精耕细做的系统中,预测特定位置的氮肥需要量是十分困难的,像分析土壤基底中的氮素移动,像植物吸收、矿化、固定、反硝化、过滤以及别的过程以复杂的方式相互作用。
此外,像土壤、天气条件、耕地作业和作物生长都影响氮循环的不同组分,故而氮素控制的复杂性极大增加。
已提到,有一个能快速作业开发、校准、验证的工具需求,并且能估计氮肥需要量的同时氮素浓度不损害环境与水面资源。
各种模拟模型已经开发完成并用于田间氮素管理的估计过程中。
其中大多与空间模块相连,能进行施肥分区制图。
大多数此类模型需要过多的数据,多数情况不易得到。
此外,他们的估计过程需要特定专业知识并且认为需要复杂的专业计算机操作技术。
SSNM有一个关键的组成就是空间分析通过GIS实现的。
农业管理连接着环境参数与有明显空间特征的自然资源,因此,GIS在提高农业产量尤其是参照田间施肥量上有关键作用。
在大多数研究中,GIS用于处理模型输入与输出可视化结果。
为了解决更复杂也更特殊的问题,像施肥管理加强的空间模型是需要的,这种集成模型应该是GIS与强大的决策方法的集成。
在传统GIS模型中,多级地图通常转换成双重模型,区域之间弯曲的边界就会展现出来。
尽管实际上从来没有确定的边界。
引用控制论的观点来说,氮素管理是典型的在不确定基础上控制环境。
而且,从环境的观点看,氮循环是典型的被模糊的和固有的不确定包围的,如它包含大量物理化学过程和影响因素,这使得在如此模糊逻辑下很难去有效的模拟之。
模糊集在支持决策这种环境现象是个重要的候选方法,他能引入目标与模糊关系进行分析,因此常在现在的研究中使用。
不同的研究工作显示模糊理论在决策作物施肥这类问题时十分有效。
此研究的目的是要实现对于离散氮肥用量区域棉花产量的识别与制图的系统化和自动化步骤方法。
此外,通过这样设计开发与应用这么一个空间决策支持模型,我们致力于展示GIS与模糊理论对于决策者解决符合SSNM的实际施肥需要的区域划定是十分有效的。
可以想象,这样一个空间工具的开发对对外种植服务价值巨大,提供特定位置的精确施肥指导,对种植者与环境都有利。
2材料与方法
2.1系统设计
一个合理的施肥决策应该基于科学知识与实验结果,很好的结合种植经验与环境条件。
土壤中的硝酸盐由流动性很强的营养元素构成,使得它的利用要相当高的要求和多层次的决定。
为了提供完整和显示的氮素施用指导,像每剂施用量,肥料类型,指的是其中游离氮的形式,施肥剂量,施用时间与方法以及推荐施肥用量的空间限制,都应该考虑进来。
后者是相当必要的,只要我们认同农业是一个连续的、不断变化的受土壤、地质、气候和种植因素影响的系统。
该推荐方法考虑了两种系统的空间模型。
前者负责计算在一个种植阶段应用中的推荐施肥量,后者会根据类型、时间和施肥方法提供一个全面描述的建议。
速率模块的结构是通过在对种植系统中的氮循环的估计,通过氮素平衡方程翻译来的。
类型模块考虑两种危险指标,避免由于酸化导致土壤降解和氮素淋溶损失的限制。
两个模块都集合了模糊集的观点和GIS环境下的功能,意味着他们设计为可以使用电子地图与关系数据库。
此外,该系统能够支持多尺度的决策,适宜解决用户需要与数据可用性。
空间决策支持模型的结构如下图1展示。
模型开发基于ModelBuilder10.1工具ArcGIS软件环境,充分发挥其在空间分析上的能力。
Figure1概念系统设计
纳入系统的变量和用于系统估计的数据都会根据他们的科学的和被证明的与合理施肥与环境友好目标的联系来进行仔细甄别。
此外,访问与检索与最少参数组合的模型数据的能力是选择系统参数最重要的标准。
系统保持灵活,能根据特定位置需要添加变量与减少多余参数。
数据能是空间显示的或是描述性的,连续的,分类的。
由于系统提供的专家知识水平,通过模糊集的使用,一个强大的能代替与解决模糊环境现象的框架就形成了。
2.2空间模块“施肥量”与“施肥类型”
施肥量模型是基于氮平衡的模糊估计方法。
该模型根据氮吸收过程的模糊估计得到的土壤对氮的需求量将参考数据进行分类。
模型中的这些过程有硝酸滤过、反硝化作用、植物吸收和氨态挥发,这些被视作土壤系统的输出,而且根据土壤系统的输入,指有机态氮矿化、无机残留的氮素和通过灌溉加入的氮。
该模型并不考虑氮的固定,因为相比于希腊土壤条件下别的输出对于氮平衡的贡献较低。
通过模糊推理方法,模型会辨别哪些地方最需要氮肥,并对参考区域进行分级标识施肥需要。
换句话说,负值就说明该地氮素输入小于输出,对于此类区域,模型会给于施肥建议。
正值就说明氮肥储备充足,而此时施肥计划就应瞄准经过种植阶段保持氮肥长效可用性。
施肥量模型需要14个正式指标来保证准确估计。
Table1两个模型中使用的参数
该施肥量模型充分利用五个正式指标(如表1)还考虑两项土壤退化风险来推荐氮肥施用处方。
第一项是土壤酸化的风险和经模糊估计的土壤PH,指每年降雨,灌溉系统的使用和酸性肥料的使用。
第二项风险指潜在氮素流失,由土壤粘土容重与年平均降水量来模糊估计。
具体模型对这两项风险进行模糊估计,将脆弱位置的风险归结为隶属度从0到1的范围。
增加值表示随后增加的流失与酸化的潜在风险。
该模型进一步绘制了以模糊分类形式确定的施肥推荐图。
后者的任务基于科学的和通过采访和专家参与的应用评价来的。
2.3.研究区域
选择该区域为了应用与证明在希腊中部的Kopaida平原的各类棉花地利用空间施肥模型的效果。
研究区域的选定基于一定的环境标准。
Kopaida平原以棉田著名同时也很适合设立一个大面积的氮素施肥应用基地。
它也被视为七个希腊最易受氮素污染的地方之一。
该区域的地表水显示遭受高值硝酸盐污染,多由农业生产和氮肥过量使用所致。
此外,该研究区域被生态敏感区所包围,在Natura2000网站上所标注,作为一个必须被保卫与保存的重要资源地。
该研究区域站地9000公顷。
Figure2研究区域
研究区的平均长度11km,宽度约8km,平均海拔95米。
该地地形平缓伴有小丘。
该区大面积的土壤在钙质或非钙质的低坡母质上,在强烈侵蚀与物质转化中发育而来。
对参考土壤的空间分配与分类如图三显示。
Figure3研究区域与土壤采样点分布图
该流域,作为感兴趣区域的一部分,位列半干旱区域的范围,是地中海和高海拔大陆性气候特征。
横跨宽阔的区域,气候参数变化很大。
年平均降水达678毫米,45.1%发生在冬季。
在夏季,平均降水低至50毫米,最热季节是七月,平均气温26.2摄氏度,最冷一月,6.6摄氏度。
至于霜冻天气,多发生在12月、1月、2月以及3月部分时间,通常会对作物造成伤害。
2.4.数据收集与管理
土壤的物理化学参数是基于对该区的的土壤调查取样取得的。
为了验证土壤调查取回的包含过期的数据,95%的该区域的土样都要采集与分析其物理化学属性。
这些差异主要由表土层造成,并会调整向更新的土壤数据结果。
更具体的说,土壤调查会被数字化记录,产生一个包含土壤制图单元的多边形图层和一个显示采样点的点图层。
点图层的描述性数据包含表土层的土壤无机氮、PH、有机质、容重、土壤含水量等,多边形图层则是土壤区域分类。
对于没有数据的区域的土壤参数则用空间插值的方法,克里金法。
该方法是基于统计数据中对已有点数据间的空间关联关系的统计模拟,用此方法不仅因为它能产生一个预测表面,还提供了准确预测的一些方法。
此外,点数量足够用于插值方法来产生可信赖的结果。
该模型中的气候数据是棉花种植季的平均土温与平均降水。
两者都源于15个气象站网络30年间的数据。
站点的位置有一个点图层记录,为了产生研究区域的连续的估计值表面,采用了泰森多边形的方法。
虽然气象数据的推荐使用克里金方法,但该区可选择的气象站数量有限,并且大多数水文模型采用泰森多边形方法使得作者采用后者来对土壤温度与降水参数进行插值。
模型中的农业数据源自生产者在种植期的灌溉、施肥管理措施记录(表1)。
这种分类下,所含的产量潜力会被管理决定强烈影响。
数据和管理都在区域水平上进行,因此,这些数据的空间参照也就是区域边界。
通过对当地种植者的50分问卷的调查与分析之后的获得产量数据。
区域多边形的描述性数据通过对区域的问卷收集、种子数据、应用的施肥,之前的施肥方法,灌溉计划和产量。
所有的数据集都存储于地理空间数据库中(如图4)。
连续的点数据,如土壤酸性、无机氮、气候参数等等,经过空间插值后,都转化成了一个像元代表10米的栅格数据结构。
土壤流域分类,从土壤调查中作为一多边形图层取得,直接转化成了一个像元大小为十米的栅格表面。
此外,农学数据(连续的或分级的),在归结于多边形面的要素后,被转换成了栅格像元。
模糊集的方法被选用来进一步详细绘制连续的栅格文件结果。
Figure4数据和地理数据库中的处理流程
2.5.灵敏度分析
模型的使用,尤其是在环境范围内,不可避免的包含了原本存在的与不确定的处理对策。
通常,当一个系统用来估计一个复杂过程时,敏感性分析的应用对于模型的可用性与可靠性变得尤为重要。
敏感性分析作为一个决策过程中的集成模块,由于其能在一个或多个机构化参数波动较大时,识别其对决策支持系统的表现的影响。
为了识别最重要的输入参数,当取自两个发达模型时,一个本地的一对一的敏感性分析方法可以帮助实现。
采用这种方法,改变每个无分类模型参数的值对于模型输出的影响会立刻被估计。
换句话说,模型输出回答由模型参数的不同顺序和保持别的参数在其基准值来决定的。
基准值指的是两个模型估计产生的基本模型输出的最初参数值,同时有顺序运行都会参与比较。
敏感性分析结果的数量由一个无尺寸指标(SI1)来表示,该指标由模型输出的相关变化和一个无分类参数指标的相关变化的比率来估计得到。
施肥量模型中进入敏感性分析的参数有土壤无机氮、容重,PH,有机物、土壤含水量、平均土温、平均降雨、灌溉水量以及灌溉水与田里的无机氮含量。
敏感性方法通常跟随于一个施肥类型模型例子,改例子中的参数有土容重、ph、平均降水。
当施肥类型模型输出以属性数据编码方式分类,因属性编码不同于基准值,相关敏感性方法以土地区域单元来表达,在初始值变化时的应用。
3.结果与讨论
模糊方法过程有两个分离步骤。
第一,栅格数据要通过特殊的隶属函数转换成模糊展示地图,是将行数据转换成从0-1的模糊集。
对于要分类栅格图层,为了得到值为0到1的数据进行重分类。
在两个模型中参数的模糊化隶属函数的选择是基于语义输入模型的。
因此,常用来绘制参数范围从0到一个空间的隶属函数由每一个参数对控制过程的影响来指导。
在每个模型中的指示隶属函数展示在图5a-e。
图表的左边,是数学方程与关系图的展示,右边项则是模糊处理位置的制图结果。
在此模拟阶段,GIS输出能力提供了每一个输入参数对于氮平衡参数在研究区域空间划分的贡献度。
色彩符号显示规定变量对于每个氮平衡参数的等级关系。
在图5a中,低容重值土壤,也在图3通过土壤类型显示,与流失潜在关系紧密,着绿色显示在地图的右边项中。
此外,土壤中残留的氮与无机氮的关系被归结于一个确定斜率的线性函数,转化成土壤中高无机氮直接导致残留氮值的增加。
此外,氮矿化,被视为是土壤系统的输入过程,受到有机物的积极影响,意味着高有机质值和低碳/氮比的矿化,丰富土壤无机氮的形式。
在此例中,反曲函数收到应用,其中有机质值越高,参考点位更像是属于大的矿化集的一部分(图5c)。
此外,当隶属一个模糊集的关系由特征值区分时,高斯或三角函数就能用到了。
此例子中,将矿化大数据集、中性与轻碱性的土壤位置视作高隶属度值(图5d)。
氮矿化不只是一个复杂的要考虑多种源于土壤特性的不确定性的过程,还通常是由期限模型确定的。
最近研究,模糊性计划常用更结构化的方法通过一个或多个语言集偏估计来处理此类不确定性。
在图5E中,另一个线性函数展示绘制的植物氮吸收中的生产潜力影响。
高潜力区域更可能提供更多的氮场所用于棉花种植、给与水土条件、促进氮肥的植物吸收,意味着来自土壤系统额外损失。
三角函数因其自然性与能力特征可以用来模拟来每一个非三角的函数,因此,被集成在以下方法中。
Figure5该研究区模糊隶属函数与GIS制图展示,考虑不同输入与系统氮平衡参数系统。
由红到绿显示的模型平衡参数中模糊变量的隶属关系强弱。
(a)容重-流失潜力;
(b)土壤无机氮-残留氮;
(c)有机质-矿化;
(d)土壤酸化-反硝化;
(e)产量潜力-氮吸收。
模糊叠加运算在在两个模型中通过AND实现。
模糊运算的语言解释关系到特殊决定问题与使用中的模糊推断过程。
此外,关联密切的模糊运算的选择能被一个模糊系统成功实现后估计与转换成一个经验。
最近研究中,逻辑运算符”and”的归属占据了最小的函数,并反应了模糊集的交叉。
通常,模糊集的交叉(“AND”操作符)在模糊规则下的估计中最常使用。
交叉解释为在在两个或更多的模糊集间将他们的分级值归结于真实的隶属度。
其中的最小值决定了数据交叉的单位。
除了and运算符,系统发展中,不同值的操作符都被测试了,像SUM、PRODUCT以及GAMMA。
然而这些操作符,趋向于平衡与减小不同差异在行列值间,导致同质化的空间模式。
基本上,对于氮平衡模拟面向模型的研究建议施肥率和处方都是基于存在的或修正了的模拟模型,这些都是在不同研究区域对于一系列作物、土壤、天气条件进行了评估与校正了的。
多数这类研究将模型估计与试验场结果进行比较,以得出关于施肥规划的实用模型[26,27]。
该模型集成了专家知识,并且启发实现了通过与棉花栽培与施肥专家的基于对话的程序。
该系统开发完全基于专业知识获取的,并将其通过模糊逻辑转化成模糊推断并在GIS环境中建立模型而没有进行实地实验。
通过ArcGIS建模工具环境,模型估计自动关联数据输入、GIS工具与最后结果输出。
换句话说,所有过程都能被保存、任意时间重新执行,这在当需要在分析过程做出调整时尤其有用。
更多的模型的全部制图结果能被描绘,让模型估计成为更清晰的一个过程。
这在模型发展的过程中很有帮助,仅通过简单改变一个参数,返回模型并看到新的结果,而不是重做整个分析过程。
此外,它还增强了整个系统在对于新的领域的研究与不同环境的探索中的时候的灵活性。
该系统的施肥量与施肥类型模型展示分别如图6与图7。
在两模型中,所包含的元素可归为三类,变量、工具与连接符(ESRIInc.)。
变量是有一个特征值或者硬盘中存储的数据的参考的模型参数。
在参考模型中,输入变量由蓝色描绘,获得变量着绿色。
工具元素是模型工作流中的基本建筑单元。
这些地理处理工具用于展现对于模型中的图形与表格的不同操作,并且用黄色矩形表示。
最后,连接符将变量与工具连接起来。
连接符的箭头展示了处理过程的方向,在图6和图7中就是从左至右的方向。
Figure6施肥量模型展示了数据流、转换与输出结果。
输入变量着蓝色,获得变量着绿色,处理工具黄色。
Figure7施肥类型模型的展示。
输入为蓝色,获得为绿色,处理为黄色。
从施肥量模型中(图6),三类可见水平的处理流程能够被认出。
第一次将所有数据转成浮点栅格格式并给出了取值范围的模糊性方法。
在此水平下,连续性变量被直接转化成了小、大、线性和高斯型隶属函数[28,29],当分类数据进行了一个预处理过程。
这一步预先假定重分类的使用是为了将数值转换成字符串数据,并将输出结果归一化为0到1之间的因素进一步划分。
第二水平采用模糊叠加处理方法,将模糊参数分组划分为氮平衡因素,再进一步模糊化,计算氮素的输入与输出。
最后一个水平的处理,对输入与输出进行数学消减,对研究区域进行最后分类以划分施肥区域。
因此,施肥类型模型由两个主要水平组成(图7)。
其一包含对输入变量的模糊化与第二次模糊叠加。
在此例中,最终计算土壤可持续性的总风险是通过SUM模糊运算符实现的,集合了流失与酸化的风险并将隶属度归结为0到1。
在研究区域棉花种植期间对施肥量模型的估计产生的分类结果连续值从-0.69到0.35(如图8)。
取值范围色谱来源于代数加减结果的负值输出。
根据输出结果,大多地方标为负值(黄色到红色),意味着这些地方田地氮素输出超过输入。
这些地区已达总面积的81.1%。
在模型各自估计的位置与特定时间条件下,负值区域需要施用氮肥。
图标方法提供了每个田块甚至是田以下施肥量,通过田块的像元值乘以希腊行动计划缓解kopaida地区水体氮素污染的施肥推荐量。
本质上,图8认同研究区域有一个权重因素每一位生产者都能计算田块氮素需要量和进一步提出了特定区域在目前水平的改进建议,这些都由参考行动计划展示。
不同的研究调查通过空间统计聚类方法将区域划分为特定土壤施肥建议的区域管理单元[31,32]。
结果显示,明确的土壤管理区域的识别能优化施肥计划与减少环境风险。
系统中的管理区域描绘,源于对氮平衡的模糊化和模糊叠加处理,它是面向专家知识的,而不是数据驱动。
进一步说,系统完全建立在GIS环境下,发挥其集成模糊能力,作为管理完全不确定性环境现象的模型。
Figure8施肥量模型的空间输出
标记正值的区域占了总测试区域的18.9%,根据模型设计与估计,这些田块不需要提前施用或在播种期施用氮肥。
然而,对于这些位置,氮肥施用应该考虑到种植期间适应作物需要。
那些不需要或需很少施肥量的地方主要是有高浓度无机氮、粘土粒以及低产潜力的有机物。
比较位于研究区域不同部分的两块田地的特征,模型分配了不同的权重,结果的原因显示出来。
例如,田A(权重-0.65)建议施用大量氮肥与田B相反,田B一点也不用(权重0.3)。
实际上,田A所在区域,根据输入数据,土壤质地中等至粗糙、干燥,有机质含量低于区平均,无机氮水平也低。
这些土壤条件导致氮素流失,与种植与灌溉措施结合起来,肥料组成缺失与节水灌溉系统的使用,增加了氮素流失。
因而,施肥量模型在估计了这些特征与氮平衡参数关系后建议增加肥料施用。
另一方面,在田B,土壤保持了无机氮与有机物的肥力性质,当生产商使用滴灌系统时,导致了氮素损失。
此外,第二生产者结合的应用的肥料,尝试减少了氨的挥发损失。
在田B例子里,模型模糊集合了下列条件还提出了最小的肥料处方。
在上述两个例子都设置了极端例子对照施肥建议;
然而,模型通过模糊推断的方法的使用,成功描述了研究区域棉田的权重处方。
总之,结果显示减少每个施肥单元的氮肥施用,不仅与施肥最佳实践手册一致,还与欧盟对氮素污染限制的标准与区域保护网站Natura2000相符合。
Figure9施肥类型模型的空间输出
施肥类型模型的估计结果产生展示如图9,将研究区分为四个管理区。
由于氮肥施用导致土壤退化的风险等级按顺序由红色至绿色标出。
之后,分类被指定了确定的施肥建议,从一到四标号。
这项任务由土壤肥料学与养分动力学的专家根据研究区特定位置的土壤状况的贡献结果。
被标号的施肥建议如下:
处方1:
此区域没有酸化风险。
适度偏碱性,只推荐酸性肥料。
氮肥可以是氨或硝的形式。
肥料能被表面接受在单处方中,然而,推荐混合两三种处方,减少气化和流失损失。
处方2:
此区域,只有酸性且不含硝态和尿素类氮肥肥料推荐使用,可以是富含铵态氮。
鼓励生产者综合使用至少两种处方。
处方3:
此例中,生产者应避免使用硝态和尿素类氮肥。
田表面可以施用,但是综合施用应该考虑三种处方,随作物需求时间分配。
处方4:
所有肥料都可以。
然而,最好不要使用酸性肥料,这会增加长期以来造成土壤酸化的风险。
这些区域土壤酸性监测是必要的。
进一步说,应抵制滴灌系统来降低潜在土壤流失。
处方主要针对重点区域(占总面积51%),与第二(23.7%)、第四区域(20.1%)紧接着的第三区域。
最小的推荐处方是第一个,只有研究区的5.2%。
对于田A与B,模型制定了处方,分别为4和2(如图9)。
此外,模型建议将田A的洒水系统替换成滴灌,而田B,就推荐综合多种肥料输入,生产者也多是这样做的。
通常,模型结果建立了一个包含施肥类型、处方与整个区域的施用时间的区域肥料施用方案。
实际上,伴随施肥量模型,过去经验性的施肥方法以替换成结构化与空间技术支持的必要投入估计方法。
通过GIS制图,系统结果直达终端用户,用户只需简单咨询就能获得基于棉田点位实测数据的施肥处方。
施肥量模型的敏感性分析结果,14个输入参数中10个值范围是连续的,展示如表2。
根据这些结果,5个输入参数(土壤无机氮、容重、平均土温、灌溉水量和灌溉水中的无机氮)的增加导致整个研究区域推荐的平均施肥量的减少。
这发现十分合理,预计土壤无机氮,灌溉水量,灌溉水中的无机氮和平均土温,因为这些参数单独影响氮平衡的输入而且确实与这些正相关(Figure6)。
结果,值的增加趋向于增加氮输入,导致模型建议发生地少施肥。
Table2施肥量模型中的因子1敏感性分析
相反的,此容重影响氮平衡(矿化、流失、反硝化)的三个参数,使得敏感性分析的描述并没有那么直截了当。
分析结果显示,根据研究区域的特征位点条件,氮输入(矿化)的粘土百分比增加的值的附加变量可能是间接地,因为通过排水区域条件弱化使得水的可用性的增加和流失潜力的进一步减少。
当至于有机质,额外增加至10%增加氮投入,但与输出相比进一步增加其损失(如Table2)。
这发生的原因是土壤有机质占比驱动矿化(输入)与反硝化(输出)过程。
对于小的变化,矿化产出超过反硝化,对于大的变量,则是相反的。
初始参数如土壤PH、平均降水、产量潜力的增加导致了施肥推荐量的增加。
最后,初始值如土壤含水量的变化不会改变模型结果的本质。
在敏感性分析结果的基础上进行输入变量的分类,施肥量模型证明对于土壤温度、容重、降水、土壤PH、产量潜力、有机质、土壤无机氮和质
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- GIS 空间 分析 毕业 文献 翻译