基于U-Net 的海洋鋒智能檢測模型*

任詩鶴 韓焱紅 李競時 趙亞明 匡曉迪 吳湘玉 楊曉峰

1（國家海洋環(huán)境預(yù)報中心 自然資源部海洋災(zāi)害預(yù)報技術(shù)重點實驗室 北京 100081）

2（中國氣象局公共氣象服務(wù)中心 北京 100081）

3（北京市5111 信箱 北京 100094）

4（中國科學(xué)院空天信息創(chuàng)新研究院 遙感科學(xué)國家重點實驗室 北京 100101）

0 引言

海洋鋒是海洋中兩種不同性質(zhì)的水體之間的邊界，在鋒面處對應(yīng)的水文要素（例如溫度、葉綠素濃度、鹽度、密度等）急劇變化，形成對應(yīng)水文要素的高梯度區(qū)域[1-2]。海洋鋒對漁業(yè)、軍事和海洋環(huán)境保護等許多領(lǐng)域有重要影響，目前也成為海洋交叉學(xué)科研究中的一個重要課題。由鋒面引起的輻聚等動力過程為魚類提供了豐富的餌料[3]，使得鋒面區(qū)域成為漁業(yè)活動的熱點[4]。鋒區(qū)的輻聚作用還能將浮游碎屑、油污、微塑料等物質(zhì)聚集在鋒面附近。鋒面對于海洋軍事領(lǐng)域也有重要的影響，鋒面兩側(cè)的聲波的傳播過程具有明顯差異特征，所以水下作戰(zhàn)和通信、艦艇操作和海上搜救都需要準(zhǔn)確及時的鋒面分析預(yù)報數(shù)據(jù)[5]。鋒區(qū)附近的動量、熱量的交換十分活躍，在海氣相互作用過程中，對天氣和氣候的影響很大，不僅成為海上風(fēng)暴的易發(fā)區(qū)，也對局地海霧的形成有著重要影響。

海洋鋒的自動提取識別工作是海洋鋒分析預(yù)報的基礎(chǔ)，衛(wèi)星遙感技術(shù)的快速發(fā)展，使得分析識別海洋鋒變得更簡單可行。目前廣泛應(yīng)用的海洋鋒診斷方法可以分為以下幾類：梯度法、邊緣檢測法和直方圖分析法[6]，梯度法和邊緣檢測法都是基于鋒區(qū)內(nèi)具有高梯度的性質(zhì)，直方圖法是基于水團分類的定義。梯度法主要通過設(shè)置適當(dāng)?shù)乃綔囟忍荻乳撝祦磉M行海洋鋒的診斷識別，梯度法原理直觀，計算方便，是海洋學(xué)研究中診斷鋒區(qū)位置最常用的方法[7,8]。其基本原理是首先遍歷計算各像素點的水平溫度梯度，并根據(jù)經(jīng)驗選取合適的梯度作為鋒面閾值，然后將溫度梯度大于鋒面閾值的點設(shè)為鋒面像素點。鋒面往往是不同水團之間的分界面，其溫度有比較明顯的變化，直方圖法直接利用此定義通過設(shè)計一系列統(tǒng)計算法來劃分兩個水團，從而實現(xiàn)鋒面的檢測。鋒面在溫度直方圖中表現(xiàn)為兩個尖峰，該方法相比梯度法更適用于弱鋒面檢測[9,10]。邊緣檢測法最早用于圖像處理和計算機視覺識別等問題。Canny 邊緣檢測算法通過高斯濾波降低圖像中的噪聲影響，也具有很高的邊緣檢測準(zhǔn)確性，是抗噪聲與精確定位之間較好的折中方案[11,12]，Canny 鋒面檢測方法已被廣泛應(yīng)用在海洋鋒識別診斷中。海洋鋒面的快速準(zhǔn)確識別不僅對于理解和預(yù)測氣候、海洋循環(huán)和生態(tài)系統(tǒng)具有重要的科學(xué)意義，對提高漁業(yè)資源和漁場預(yù)測水平、服務(wù)軍事等也具有十分重要的實際應(yīng)用價值[10]。

傳統(tǒng)的海洋鋒檢測和時空演化分析方法都是基于前人的文獻或根據(jù)經(jīng)驗得到的，而海洋鋒是動態(tài)變化的，對于不同季節(jié)不同區(qū)域的海洋鋒面識別和診斷都需要尋找合適的閾值，主觀性較大并難以保證較高的準(zhǔn)確性，不能很好地實現(xiàn)自動化檢測[13,14]。另外目前基于梯度法和邊緣檢測法的海洋鋒面的識別方法，其識別精度沒有統(tǒng)一標(biāo)準(zhǔn)[15]。基于直方圖的檢測算法盡管對梯度不敏感，但在鋒面精細(xì)化檢測方面也存在兩點限制：一是較大的檢測窗口對于近岸和云層覆蓋區(qū)域難以準(zhǔn)確識別鋒面；二是多個重疊窗口的獨立檢測會導(dǎo)致鋒面檢測出現(xiàn)不連續(xù)和重復(fù)。隨著深度學(xué)習(xí)在海洋數(shù)據(jù)重構(gòu)、分類識別和預(yù)測等領(lǐng)域不斷發(fā)展，國內(nèi)外學(xué)者利用深度學(xué)習(xí)方法從海量海洋遙感影像中自動學(xué)習(xí)海洋鋒全局特征并實現(xiàn)診斷識別，實現(xiàn)了從像素級的分類到對象級的檢測。目前已有相關(guān)研究將深度學(xué)習(xí)模型與海洋鋒物理機理相結(jié)合, 調(diào)整目標(biāo)檢測模型相關(guān)參數(shù)并進行訓(xùn)練, 可以避免閾值選取的主觀性, 大大提高了鋒面檢測速度和準(zhǔn)確度[16]。基于深度學(xué)習(xí)的海洋鋒智能識別診斷技術(shù)已成為中尺度海洋鋒提取和診斷的有力工具，隨著當(dāng)前各個行業(yè)對于準(zhǔn)確快速的海洋預(yù)報需求日益迫切，精細(xì)化中尺度過程的快速準(zhǔn)確的診斷預(yù)報能夠為海洋漁業(yè)、國防安全提供預(yù)報保障服務(wù)，基于深度學(xué)習(xí)技術(shù)進一步研發(fā)中尺度智能預(yù)報數(shù)據(jù)對于未來海洋預(yù)報的智能化、輕量化都具有重要意義。

Lima 等[17,18]基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks）提出了一種用于海洋鋒自動識別的深度學(xué)習(xí)方法，通過遷移學(xué)習(xí)的方式克服了海洋鋒小樣本訓(xùn)練的問題，實驗結(jié)果表明，該模型可以產(chǎn)生準(zhǔn)確的識別結(jié)果。Sun 等[14]在海洋鋒檢測分類模型的基礎(chǔ)上對之前算法做了進一步改進，對不同尺度的SST 圖像進行鋒面識別，實現(xiàn)了海洋鋒的像素級自動化檢測和定位。針對傳統(tǒng)的邊緣檢測算法并不能很好地檢測到海洋鋒的弱邊緣信息這一問題，Li 等[19]收集了相關(guān)的海洋溫度梯度圖像，找到相關(guān)專家對海洋鋒數(shù)據(jù)進行校準(zhǔn)以獲得海洋鋒的基準(zhǔn)值，并提出了一種用于海洋鋒檢測的弱邊緣識別網(wǎng)絡(luò)。曹維東等[20]基于Mask R-CNN 模型得到了海洋鋒像素級智能識別模型，并統(tǒng)計每一類鋒特有的梯度分布，對鋒面模型進行精細(xì)化調(diào)整，提高了模型的可靠性。Xie 等[13]建立了基于編碼-解碼器的端到端海洋鋒面精細(xì)化弱邊緣識別模型，該方法網(wǎng)絡(luò)結(jié)構(gòu)簡單，能夠從不同尺度提取海洋鋒，實現(xiàn)了中國近海的多條主要海洋鋒面的自動識別，并能夠輸出位置、類別、形狀、走勢等鋒面參數(shù)信息。Li 等[21]采用U-Net 框架基于遙感SST灰度圖像建立了一個海洋鋒提取和識別模型，該模型不但能夠提取鋒面的整體特征，也能夠連接許多細(xì)小的鋒面結(jié)構(gòu)。

現(xiàn)有方法大多都是針對海洋鋒區(qū)的智能識別和提取研究，而針對海洋鋒中心線的提取方法則很少提及，這些研究中的鋒面樣本集很多時候都需要采用主觀方法進行標(biāo)注。本文利用Ren 等[8]提出的一種融合梯度法和邊緣檢測法的鋒面自動提取算法進行樣本集制作，該方法能更好地適用于目前高分辨率的遙感和數(shù)值模擬結(jié)果，既保證了鋒面診斷的準(zhǔn)確性，又提高了鋒面的連續(xù)性。將深度學(xué)習(xí)圖像分割網(wǎng)絡(luò)與提取鋒面特征的方法相結(jié)合，利用基于U-Net 架構(gòu)的實例分割模型，分別建立海洋鋒區(qū)和鋒面中心線的智能檢測模型，同時在編解碼過程中采用殘差學(xué)習(xí)單元對模型特征提取網(wǎng)絡(luò)進行改進，經(jīng)過實驗驗證，與以往研究結(jié)果對比，該模型在一定程度上提高了鋒面檢測精度，為海洋鋒的自動識別提供了新思路。

1 研究方法

1.1 模型選取

U-Net 網(wǎng)絡(luò)作為語義分割領(lǐng)域的一個重要架構(gòu)，前半部分就是特征提取，后半部分是上采樣，也叫做編碼器-解碼器結(jié)構(gòu)，由于網(wǎng)絡(luò)的整體結(jié)構(gòu)是一個大寫的英文字母U，所以叫做U-Net。通過嵌入殘差學(xué)習(xí)單元對U-Net 進行改進，模型結(jié)構(gòu)如圖1 所示，模型將上一個殘差塊的特征信息加入下一個殘差單元中，有效地避免了網(wǎng)絡(luò)過深引起的性能退化和特征信息丟失問題。模型使用了3 階的全32 位過濾器架構(gòu)，采用了典型的“編碼器-解碼器”網(wǎng)絡(luò)架構(gòu)，編碼器路徑具有3 個階段，每個階段的殘差單元模塊主要包括兩組批歸一化處理層（Batch Normalization，BN）、ReLU 激活函數(shù)層和3×3 卷積層，進行殘差連接后，通過2×2 最大池化層（Max Pooling）進行下采樣。其中3×3 卷積層主要用于提取SST 場的特征信息，在每個最大池化層之前和每個轉(zhuǎn)置卷積層之前添加Dropout 層（Dropout=0.5），提高了檢驗損失的性能并且優(yōu)化了過擬合問題。解碼器路徑同樣具有3 個階段，每個階段首先對上采樣（Up Sampling）特征圖與對應(yīng)層級的編碼器卷積層進行拼接，以返回到圖像原始分辨率，之后再進行相應(yīng)的特征提取工作。

圖1 基于U-Net 的鋒面檢測模型Fig. 1 Front detection model based on U-Net structure

1.2 損失函數(shù)

對于深度學(xué)習(xí)中圖像分割的二分類問題，一般采用分類交叉熵或Dice 系數(shù)作為損失函數(shù)進行訓(xùn)練，基于U-Net 的EddyNet 中尺度渦智能提取模型采用了基于Dice 系數(shù)的損失函數(shù)，獲得了更好的分類效果[22]。因此本模型同樣使用基于Dice 系數(shù)（Dice coefficient）實現(xiàn)的Dice Loss 作為損失函數(shù)。Dice 系數(shù)是一種集合相似度度量函數(shù)，通常用于計算兩個樣本的相似度，取值范圍在[0,1]之間，即圖像分割效果好則傾向于1，分割效果差則傾向于0。Dice 系數(shù)對正負(fù)樣本嚴(yán)重不平衡的場景具有較好的性能，訓(xùn)練過程中更側(cè)重對前景區(qū)域的挖掘，因此更適合于海洋鋒檢測這類場景。Dice 系數(shù)計算公式如下：

其中，P為預(yù)測區(qū)域，G為真實區(qū)域，|P|+|G|表示兩個區(qū)域中元素的總和，Dice 系數(shù)值D為P與G區(qū)域交集與區(qū)域總和之比的兩倍，直觀解釋可以理解為鋒面預(yù)測正確的結(jié)果與真實結(jié)果+預(yù)測結(jié)果比值的兩倍。

海洋鋒圖像分割模型的分類為鋒面像素及背景像素，且數(shù)據(jù)集存在樣本嚴(yán)重不均衡的問題。對于鋒面檢測這類樣本量嚴(yán)重不平衡的場景來說，加權(quán)Dice 系數(shù)比分類準(zhǔn)確率更適合作為判斷模型好壞的標(biāo)準(zhǔn)。本文在建立模型之前，分別對鋒區(qū)檢測模型和鋒面中心線檢測模型計算每類樣本的權(quán)重，根據(jù)每類樣本的占比倒數(shù)確定Dice 系數(shù)的權(quán)重，加權(quán)Dice 系數(shù)與損失函數(shù)計算公式如下：

其中，Dfront和Dbg分別為類別屬于鋒面區(qū)域和背景區(qū)域的Dice 系數(shù)，α和β分別為二者的權(quán)重，Dweighted為數(shù)據(jù)總體加權(quán)Dice 系數(shù)，L為模型計算得出的損失函數(shù)值。通過2008—2017 年10 年的數(shù)據(jù)統(tǒng)計分析得出，鋒區(qū)檢測模型的α和β分別為0.88 和0.12，鋒面中心線檢測模型的α和β分別為0.97 和0.03。

2 結(jié)果與分析

2.1 實驗環(huán)境與參數(shù)

實驗環(huán)境基于python 3.9 搭建，GPU 為NVIDIA GeForce RTX 3090，CUDA 版本為11.5，Keras 版本為2.6.0，Tensorflow-gpu 版本為2.6.0。實驗選擇Dice Loss 作為損失函數(shù)，采用計算高效、善于處理非平穩(wěn)模型的Adam 優(yōu)化器來優(yōu)化模型。實驗訓(xùn)練時按照9∶1 劃分訓(xùn)練集和測試集，為避免過擬合問題，實驗設(shè)置早停機制，patience 設(shè)置為100 epoch，監(jiān)聽參數(shù)fitness 設(shè)置為評估損失val_loss。實驗中選擇分類準(zhǔn)確率（Categorical Accuracy）和加權(quán)Dice 系數(shù)（Weighted Dice Coefficient）兩種評價指標(biāo)為模型進行評估。

2.2 樣本集制作

實驗數(shù)據(jù)來自哥白尼海洋環(huán)境監(jiān)測中心（Copernicus Marine Environment Monitoring Service，CMEMS）提供的高分辨率的全球融合衛(wèi)星觀測數(shù)據(jù)OSTIA（Operational Sea Surface Temperature and Sea Ice Analysis）[23]，該數(shù)據(jù)是由GHRSST-PP 計劃提供的一套結(jié)合了多種觀測得到的SST 融合數(shù)據(jù)集，空間分辨率為0.05°。實驗選擇2008 年1 月1 日至2017 年12 月31 日共10 年的日平均數(shù)據(jù)，范圍為南海北部海域（10°—25°N，105°—121°E），水平格點數(shù)為300 ×320。

樣本集制作方法采用Ren 等[8]提出的一種融合梯度法和邊緣檢測法的鋒面自動提取算法，其中鋒面閾值為自適應(yīng)設(shè)置方案，高低閾值分別設(shè)置為梯度值大于當(dāng)天圖像中90%和80%像素點的溫度梯度值。處理流程如圖2 所示。

2.3 結(jié)果分析

為了驗證本文鋒面模型的可靠性和有效性，采用2008—2016 年鋒面樣本集分別將樣本集中的鋒區(qū)和鋒面中心線數(shù)據(jù)作為標(biāo)簽數(shù)據(jù)進行模型訓(xùn)練，在2017年測試集上進行測試。設(shè)置4 組模型，將SST 和SST 梯度分別作為輸入數(shù)據(jù)進行訓(xùn)練，以測試其在鋒區(qū)檢測模型和鋒面中心線檢測模型中的檢測效果。圖3 給出了4 種模型訓(xùn)練過程中訓(xùn)練集的損失率及測試集加權(quán)Dice 系數(shù)的變化情況。從圖3（a）可以看出對于鋒區(qū)檢測模型來說，采用SST 梯度作為輸入數(shù)據(jù)訓(xùn)練收斂速度比采用SST 訓(xùn)練更快，大約25 次訓(xùn)練之后，二者基本持平，均收斂至0.1 附近。對于鋒面中心線檢測模型，采用溫度梯度訓(xùn)練的結(jié)果要明顯好于采用SST 訓(xùn)練的模型，其收斂速度更快且損失率更低。測試集Dice 系數(shù)曲線也證明了這一點，采用溫度梯度訓(xùn)練的模型的Dice 系數(shù)也略高于采用SST 訓(xùn)練的結(jié)果。表1 給出了4 種模型測試集的分類準(zhǔn)確率和加權(quán)Dice 系數(shù)，4 種模型的分類準(zhǔn)確率均超過了0.98。

表1 4 種模型測試集的評價指標(biāo)Table 1 Evaluation metrics of four models in the test set

圖3 4 種模型訓(xùn)練集損失率（a）與測試集加權(quán)Dice 系數(shù)（b）的變化Fig. 3 Variation of loss rate in the training set （a） and Dice coefficients in the test set （b） of four models

圖4 給出了前述4 種模型的預(yù)測結(jié)果與測試集中2017 年第139 天的鋒面中心線和鋒區(qū)真值的對比圖，圖4（a）（b） 為日平均的SST 和SST 梯度分布，圖4（c）～（e）和圖4（f）～（h）分別為鋒區(qū)檢測模型和鋒面中心線檢測模型的結(jié)果，圖4（c）（f）為測試集真值，圖4（d）（g） 為采用SST 訓(xùn)練的模型結(jié)果，圖4（e）（h）為采用SSTgrad 訓(xùn)練的模型結(jié)果。可以看出，鋒面中心線和鋒區(qū)模型均表現(xiàn)了較好的準(zhǔn)確性和魯棒性，但也出現(xiàn)了一些漏檢的情況，如在越南東側(cè)沿岸的梯度較弱的鋒面沒有檢出，而且檢測模型的結(jié)果連續(xù)性還有待增強。考慮到這一情況，嘗試降低樣本數(shù)據(jù)集鋒面檢測的閾值，設(shè)置為長度大于50 km，梯度閾值大于0.01℃·km-1，這一閾值標(biāo)準(zhǔn)基本上是南海海表溫度閾值的最下限。用新制作的樣本集重新訓(xùn)練了4 組模型，將該實驗命名為exp_base，前述自適應(yīng)閾值的實驗命名為ctrl，并測試其在鋒區(qū)檢測模型和鋒面中心線檢測模型中的檢測效果。圖5 給出的是exp_base試驗的4 種模型訓(xùn)練過程中訓(xùn)練集的損失率及測試集加權(quán)Dice 系數(shù)的變化情況，對于鋒區(qū)和鋒面中心線檢測模型，采用SST 梯度作為輸入數(shù)據(jù)訓(xùn)練的收斂速度、損失率和加權(quán)Dice 系數(shù)全部優(yōu)于采用SST 訓(xùn)練的結(jié)果。通過表2 也可以看出，與ctrl 試驗相比，exp_base 試驗中降低了樣本閾值之后，Dice 系數(shù)提高明顯，其中鋒區(qū)訓(xùn)練模型由原來的0.92 左右提高至約0.97，鋒面中心線訓(xùn)練模型由原來的0.88 提高至0.92。

表2 exp_bases 實驗中4 種模型測試集的評價指標(biāo)Table 2 Evaluation metrics of four models in the test set of exp_base

圖4 （a）（b）測試集2017 年第139 天的SST 及其梯度分布。（c）～（e）為鋒區(qū)檢測模型結(jié)果（0 表示背景，1 表示鋒面），（f）～（h）為鋒面中心線檢測模型結(jié)果（0 表示背景，1 表示鋒面）Fig. 4 （a） （b） SST in Day 139 in 2017 and SST gradient. （c）～（e） are frontal area model results （0 expresses backgroud, 1 expresses front）; （f）～（h） are frontal line model results （0 expresses backgroud, 1 expresses front）

圖5 exp_base 試驗中4 種模型訓(xùn)練集損失率（a）與測試集加權(quán)Dice 系數(shù)（b）的變化情況Fig. 5 Variation of loss rate in the training set （a） and dice coefficients in the test set （b）of four models in the experiment of exp_base

圖6 給出了exp_base 試驗下2017 年第139 天的鋒面中心線和鋒區(qū)真值的對比圖，圖6（a）～（c）和（d）～（f）分別為鋒區(qū)檢測模型和鋒面中心線檢測模型的結(jié)果，圖6（a）（d）為測試集真值，圖6（b）（e）為采用SST 訓(xùn)練的模型結(jié)果，圖6（c）（f） 為采用SSTgrad 訓(xùn)練的模型結(jié)果。可以看出無論是鋒區(qū)模型還是鋒面中心線模型，和ctrl 試驗相比，均有了顯著的提升，沒有存在明顯的誤檢和漏檢情況。在鋒面閾值降低的情況下，由于其刻畫出了更多的鋒面細(xì)節(jié)，對于南海北部近岸區(qū)的較強的鋒面，高閾值的影響不大，但對于南海海盆內(nèi)部的中尺度鋒面，由于其瞬變性較強，降低閾值之后擴充了鋒面樣本數(shù)量，經(jīng)過充分的訓(xùn)練之后，模型能夠更好地擬合鋒面的精細(xì)結(jié)構(gòu)。與以往研究結(jié)果鋒區(qū)檢測準(zhǔn)確率比較，本文基于U-net 方法的準(zhǔn)確率有了一定的提升。

圖6 exp_base 實驗中測試集鋒區(qū)檢測模型和鋒面中心線檢測模型結(jié)果對比 （0 表示背景，1 表示鋒面）Fig. 6 Comparison of frontal area model and frontal line model in the test set of experiment exp_base （0 expresses backgroud, 1 expresses front）

盡管降低閾值能夠提高鋒面檢測模型的精度，但在實際的海洋鋒分析預(yù)報業(yè)務(wù)中，閾值過低會造成鋒面的過量檢出，對海洋鋒監(jiān)測和預(yù)報數(shù)據(jù)的解釋應(yīng)用帶來困擾。所以在后續(xù)的研究工作中，仍然需要從海洋鋒的動力機理出發(fā)，開展基于深度學(xué)習(xí)的海洋信息挖掘和對象級目標(biāo)檢測，利用多源海洋數(shù)據(jù)將相應(yīng)的深度學(xué)習(xí)模型與海洋中尺度過程的物理機理進行結(jié)合，在預(yù)處理和后處理環(huán)節(jié)與傳統(tǒng)檢測方法的機理結(jié)合，以提升鋒面檢測模型的精度。

3 結(jié)論

將深度學(xué)習(xí)圖像分割網(wǎng)絡(luò)與提取鋒面特征的方法相結(jié)合，基于U-Net 架構(gòu)的實例分割模型，分別建立海洋鋒區(qū)和鋒面中心線的智能檢測模型，同時在編解碼過程中采用殘差學(xué)習(xí)單元對模型特征提取網(wǎng)絡(luò)進行改進。實驗結(jié)果表明，基于U-Net 的鋒面智能檢測模型能夠準(zhǔn)確提取鋒區(qū)和鋒面中心線特征，達(dá)到了很好的檢測效果。通過比較不同閾值制作的樣本數(shù)據(jù)模型訓(xùn)練結(jié)果，發(fā)現(xiàn)無論是鋒區(qū)模型還是鋒面中心線模型，在降低樣本集閾值之后模型精度均有了顯著的提升。在實際海洋監(jiān)測預(yù)報業(yè)務(wù)中，還需要進一步從海洋鋒的動力機理出發(fā)，將相應(yīng)的深度學(xué)習(xí)模型與海洋中尺度過程的物理機理進行結(jié)合，例如將傳統(tǒng)方法對于鋒面的預(yù)處理和后處理流程加入智能算法中，以進一步改進鋒面檢測模型的整體性能。

隨著當(dāng)前各個行業(yè)對于準(zhǔn)確快速的海洋預(yù)報需求的日益迫切，精細(xì)化中尺度過程的快速準(zhǔn)確的診斷預(yù)報能夠為海洋漁業(yè)、國防安全提供預(yù)報保障服務(wù)，基于海洋再分析數(shù)據(jù)開展的海洋鋒智能診斷算法同樣可適用于海洋預(yù)報數(shù)據(jù)的解釋應(yīng)用。快速機動的中尺度智能預(yù)報數(shù)據(jù)制作和發(fā)布，對于未來海洋預(yù)報的智能化、輕量化都具有重要意義。