本發(fā)明涉及地表水資源技術(shù)領(lǐng)域，特別是涉及基于多源遙感數(shù)據(jù)的土壤濕度重建方法和系統(tǒng)。

背景技術(shù)：

作為水循環(huán)中的一個關(guān)鍵要素，土壤濕度信息在農(nóng)業(yè)、水文、氣象、生態(tài)等科學(xué)與生產(chǎn)領(lǐng)域都非常重要，但是土壤水分空間分布不均勻，且隨時間動態(tài)變化，因此準(zhǔn)確獲取時空連續(xù)的土壤濕度存在困難，但具有重要意義。基于土壤濕度的干旱監(jiān)測，是植被特別是農(nóng)作物干旱情況的最直接表達(dá)，時空連續(xù)的土壤濕度產(chǎn)品對于農(nóng)作物長勢監(jiān)測及估產(chǎn)有著重要的指示作用，顯示出土壤濕度產(chǎn)品顯著的經(jīng)濟(jì)價值。

衛(wèi)星遙感作為大范圍土壤濕度觀測的主要手段，在近二十年來得到迅速發(fā)展，但受衛(wèi)星重放周期、下墊面類型及模型算法的限制，所有的衛(wèi)星遙感土壤濕度產(chǎn)品均存在不同程度的缺失。目前主流的土壤濕度遙感產(chǎn)品如AMSR-E(Advanced Microwave Scanning Radiometer-Earth Observing System)的美國國家航空航天局版本土壤濕度和日本宇宙航空研究開發(fā)機(jī)構(gòu)版本土壤濕度，歐空局的SMOS(Soil Moisture and Ocean Salinity)土壤濕度產(chǎn)品，中國國家氣象局的FY(Fengyun)土壤濕度產(chǎn)品，荷蘭ASCAT(Advanced Scatterometer)土壤濕度產(chǎn)品等約10余種基于衛(wèi)星遙感的土壤濕度產(chǎn)品，均存在一個嚴(yán)重缺失問題，除高緯度地區(qū)外，很難達(dá)到50％以上的時間覆蓋度，嚴(yán)重影響著相關(guān)產(chǎn)品對地表的連續(xù)監(jiān)測，制約著土壤濕度產(chǎn)品時效性應(yīng)用價值的挖掘。

技術(shù)實(shí)現(xiàn)要素：

基于此，有必要針對衛(wèi)星數(shù)據(jù)計(jì)算土壤濕度數(shù)據(jù)不連續(xù)的問題，提供一種基于多源遙感數(shù)據(jù)的土壤濕度重建方法和系統(tǒng)，其中，所述方法包括：

獲取預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)和所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)；

根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，確定預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)；

將所述預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息確定為輸入信息，將土壤濕度確定為輸出信息，構(gòu)建待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)；

以所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)為訓(xùn)練樣本，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)；

將所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，輸入所述土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取預(yù)設(shè)區(qū)域的土壤濕度數(shù)據(jù)。

在其中一個實(shí)施例中，所述獲取所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，包括：獲取預(yù)設(shè)區(qū)域的微波遙感土壤濕度原始數(shù)據(jù)；在所述微波遙感土壤濕度原始數(shù)據(jù)中，篩選出沒有被積雪覆蓋且地表溫度大于零攝氏度的像元數(shù)據(jù)；將所述篩選出的像元數(shù)據(jù)確定為微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

在其中一個實(shí)施例中，所述獲取預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)，包括：獲取預(yù)設(shè)區(qū)域的光學(xué)遙感原始數(shù)據(jù)，所述光學(xué)遙感原始數(shù)據(jù)包括植被指數(shù)原始數(shù)據(jù)、地表溫度原始數(shù)據(jù)和地表反照率原始數(shù)據(jù)；將所述預(yù)設(shè)區(qū)域的植被指數(shù)原始數(shù)據(jù)通過基于時間序列諧波分析重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)；將所述預(yù)設(shè)區(qū)域的地表溫度原始數(shù)據(jù)通過基于參考序列的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度；將所述預(yù)設(shè)區(qū)域的地表反照率原始數(shù)據(jù)通過基于時空濾波的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表反照率；將所述預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)、所述預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度和所述預(yù)設(shè)區(qū)域的地表反照率，確定為預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)。

在其中一個實(shí)施例中，所述將所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感訓(xùn)練數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息確定為輸入信息，包括：根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度，將所述植被指數(shù)、地表溫度和地表反照率進(jìn)行重采樣，獲取輸入植被指數(shù)、輸入地表溫度和輸入地表反照率；將所述輸入植被指數(shù)、輸入地表溫度、輸入地表反照率、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，確定為輸入信息。

在其中一個實(shí)施例中，所述訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，包括：在M*N個所述微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度范圍內(nèi)，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，其中M和N為正整數(shù)。

本發(fā)明所提供的基于多源遙感數(shù)據(jù)的土壤濕度重建方法，利用光學(xué)遙感產(chǎn)品和三維地理信息以及時間軸信息，構(gòu)建后向傳播神經(jīng)網(wǎng)絡(luò)，以預(yù)設(shè)的微波土壤濕度訓(xùn)練數(shù)據(jù)為樣本集，對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，再將時空連續(xù)的光學(xué)遙感數(shù)據(jù)輸入所述的土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取連續(xù)的土壤濕度數(shù)據(jù)。通過神經(jīng)網(wǎng)絡(luò)、時空連續(xù)的光學(xué)遙感數(shù)據(jù)和三維地理信息、時間軸信息的輸入，預(yù)測微波遙感土壤濕度數(shù)據(jù)的缺失值，得到時空連續(xù)的微波遙感土壤數(shù)據(jù)。

在其中一個實(shí)施例中，通過對微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的篩選，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確的訓(xùn)練樣本，從而提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

在其中一個實(shí)施例中，通過對光學(xué)遙感訓(xùn)練數(shù)據(jù)進(jìn)行空間分辨率的統(tǒng)一，以及根據(jù)微波遙感訓(xùn)練數(shù)據(jù)進(jìn)行重采樣，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有相同分辨率尺度的輸入輸出數(shù)據(jù)，提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

在其中一個實(shí)施例中，在一定的像元尺度范圍內(nèi)對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即可以提高輸出數(shù)據(jù)的連續(xù)性，有能保證不會因?yàn)榉秶^大而導(dǎo)致輸出數(shù)據(jù)的準(zhǔn)確率降低。

在其中一個實(shí)施例中，將時空不連續(xù)的光學(xué)遙感數(shù)據(jù)進(jìn)行時空重建后，獲取到時空連續(xù)光學(xué)遙感數(shù)據(jù)后，輸入訓(xùn)練好的后向傳播神經(jīng)網(wǎng)絡(luò)，便可以獲得時空連續(xù)的土壤濕度數(shù)據(jù)，所述各光學(xué)遙感數(shù)據(jù)的時空重建算法，即使得神經(jīng)網(wǎng)絡(luò)計(jì)算得出的土壤濕度數(shù)據(jù)的時空連續(xù)性，又能保證計(jì)算得出的土壤濕度數(shù)據(jù)的準(zhǔn)確性。

本發(fā)明還提供一種基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)，包括：

光學(xué)遙感數(shù)據(jù)和微波訓(xùn)練數(shù)據(jù)獲取模塊，用于獲取預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)和所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)；

光學(xué)遙感訓(xùn)練數(shù)據(jù)獲取模塊，用于根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，確定預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)；

神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊，用于將所述預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息確定為輸入信息，將土壤濕度確定為輸出信息，構(gòu)建待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)；

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，用于以所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)為訓(xùn)練樣本，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)；

土壤濕度數(shù)據(jù)獲取模塊，用于將所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，輸入所述土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取預(yù)設(shè)區(qū)域的土壤濕度數(shù)據(jù)。

在其中一個實(shí)施例中，所述光學(xué)遙感數(shù)據(jù)和微波訓(xùn)練數(shù)據(jù)獲取模塊，包括：微波訓(xùn)練數(shù)據(jù)獲取單元，用于獲取預(yù)設(shè)區(qū)域的微波遙感土壤濕度原始數(shù)據(jù)；在所述微波遙感土壤濕度原始數(shù)據(jù)中，篩選出沒有被積雪覆蓋且地表溫度大于零攝氏度的像元數(shù)據(jù)；將所述篩選出的像元數(shù)據(jù)確定為微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

在其中一個實(shí)施例中，所述光學(xué)遙感數(shù)據(jù)和微波訓(xùn)練數(shù)據(jù)獲取模塊，包括：光學(xué)遙感數(shù)據(jù)獲取單元，用于獲取預(yù)設(shè)區(qū)域的光學(xué)遙感原始數(shù)據(jù)，所述光學(xué)遙感原始數(shù)據(jù)包括植被指數(shù)原始數(shù)據(jù)、地表溫度原始數(shù)據(jù)和地表反照率原始數(shù)據(jù)；將所述預(yù)設(shè)區(qū)域的植被指數(shù)原始數(shù)據(jù)通過基于時間序列諧波分析重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)；將所述預(yù)設(shè)區(qū)域的地表溫度原始數(shù)據(jù)通過基于參考序列的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度；將所述預(yù)設(shè)區(qū)域的地表反照率原始數(shù)據(jù)通過基于時空濾波的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表反照率；將所述預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)、所述預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度和所述預(yù)設(shè)區(qū)域的地表反照率，確定為預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)。

在其中一個實(shí)施例中，所述神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊，包括：

重采樣計(jì)算單元，用于根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度，將所述植被指數(shù)、地表溫度和地表反照率進(jìn)行重采樣，獲取輸入植被指數(shù)、輸入地表溫度和輸入地表反照率；

輸入信息確定單元，用于將所述輸入植被指數(shù)、輸入地表溫度、輸入地表反照率、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，確定為輸入信息。

在其中一個實(shí)施例中，所述神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊，還用于在M*N個所述微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度范圍內(nèi)，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，其中M和N為正整數(shù)。

本發(fā)明所提供的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)，利用光學(xué)遙感產(chǎn)品和三維地理信息以及時間軸信息，構(gòu)建后向傳播神經(jīng)網(wǎng)絡(luò)，以預(yù)設(shè)的微波土壤濕度訓(xùn)練數(shù)據(jù)為樣本集，對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，再將時空連續(xù)的光學(xué)遙感數(shù)據(jù)輸入所述的土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取連續(xù)的土壤濕度數(shù)據(jù)。通過神經(jīng)網(wǎng)絡(luò)、時空連續(xù)的光學(xué)遙感數(shù)據(jù)和三維地理信息、時間軸信息的輸入，預(yù)測微波遙感土壤濕度數(shù)據(jù)的缺失值，得到時空連續(xù)的微波遙感土壤數(shù)據(jù)。

在其中一個實(shí)施例中，通過對微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的篩選，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確的訓(xùn)練樣本，從而提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

在其中一個實(shí)施例中，通過對光學(xué)遙感訓(xùn)練數(shù)據(jù)進(jìn)行空間分辨率的統(tǒng)一，以及根據(jù)微波遙感訓(xùn)練數(shù)據(jù)進(jìn)行重采樣，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有相同分辨率尺度的輸入輸出數(shù)據(jù)，提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

在其中一個實(shí)施例中，在一定的像元尺度范圍內(nèi)對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即可以提高輸出數(shù)據(jù)的連續(xù)性，有能保證不會因?yàn)榉秶^大而導(dǎo)致輸出數(shù)據(jù)的準(zhǔn)確率降低。

在其中一個實(shí)施例中，將時空不連續(xù)的光學(xué)遙感數(shù)據(jù)進(jìn)行時空重建后，獲取到時空連續(xù)光學(xué)遙感數(shù)據(jù)后，輸入訓(xùn)練好的后向傳播神經(jīng)網(wǎng)絡(luò)，便可以獲得時空連續(xù)的土壤濕度數(shù)據(jù)，所述各光學(xué)遙感數(shù)據(jù)的時空重建算法，即使得神經(jīng)網(wǎng)絡(luò)計(jì)算得出的土壤濕度數(shù)據(jù)的時空連續(xù)性，又能保證計(jì)算得出的土壤濕度數(shù)據(jù)的準(zhǔn)確性。

附圖說明

圖1為一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建方法的流程示意圖；

圖2為另一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建方法的流程示意圖；

圖3為再一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建方法的流程示意圖；

圖4為一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)的結(jié)構(gòu)示意圖；

圖5為另一個實(shí)施例中基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)的結(jié)構(gòu)示意圖；

圖6為再一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

圖1為一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建方法的流程示意圖，如圖1所示的基于多源遙感數(shù)據(jù)的土壤濕度重建方法包括：

步驟S100，獲取預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)和所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

具體，所述預(yù)設(shè)區(qū)域?yàn)樾枰M(jìn)行土壤濕度重建的區(qū)域。所述衛(wèi)星的光學(xué)遙感數(shù)據(jù)，是指衛(wèi)星利用紅外線等光學(xué)手段，獲取到的遙感數(shù)據(jù)。所述衛(wèi)星的光學(xué)遙感數(shù)據(jù)包括：NDVI、LST和Albedo。

NDVI(Normalized Difference Vegetation Index,NDVI)即歸一化植被指數(shù)，可以直接通過衛(wèi)星觀測數(shù)據(jù)計(jì)算獲得，公式為：NDVI＝(NIR-R)/(NIR+R)，其中NIR為遙感衛(wèi)星近紅外波段反射率，R為紅色波段反射率，該指數(shù)值介于-1與1之間：0代表該區(qū)域基本沒有植被生長；負(fù)值代表非植被覆蓋的區(qū)域；取值0—1之間，數(shù)字越大代表植被的覆蓋面積越大，植被的量越多，因此NDVI能反映土壤濕度等背景對植物冠層的影響，NDVI同時也是微波遙感土壤濕度反演中用估算植被含水量的關(guān)鍵參數(shù)之一，是影響土壤濕度產(chǎn)品遙感反演的關(guān)鍵變量。

LST(Land Surface Temperature)即地表溫度，地表吸收太陽燈輻射能后，使地面增熱，地面的溫度即地表溫度。在相同太陽輻射情況下，LST的變化通常取決于土壤比熱，而土壤水分是影響土壤比熱的關(guān)鍵要素，LST隨土壤水分增加而降低，因此，LST是土壤干濕狀況的重要指示指標(biāo)。

Albedo即單位時間、單位面積上各方向出射的總輻射能量與入射的總輻射能量之比，反應(yīng)地表對外來輻射的反射能力，水分對外來輻射的吸收能力顯著高于其他土壤要素，因此，Albedo也是反應(yīng)土壤干濕狀況的指標(biāo)之一。

由于衛(wèi)星的光學(xué)遙感數(shù)據(jù)容易受到天氣等的影響缺失數(shù)據(jù)，導(dǎo)致衛(wèi)星的光學(xué)遙感數(shù)據(jù)的時空不連續(xù)。本實(shí)施例，需要將時空不連續(xù)的光學(xué)遙感數(shù)據(jù)預(yù)處理為時空連續(xù)的光學(xué)遙感數(shù)據(jù)。

所述微波遙感土壤濕度數(shù)據(jù)，是指衛(wèi)星利用微波進(jìn)行遙感的土壤濕度數(shù)據(jù)，受到遙感手段微波的傳輸特性的影響，容易受到地理因素等各種阻礙微波傳輸?shù)挠∠?，?dǎo)致數(shù)據(jù)缺失。所述微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，是指用于對后續(xù)步驟中構(gòu)建的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練的樣本集，需要在微波遙感土壤濕度數(shù)據(jù)中，獲取符合樣本條件的數(shù)據(jù)，作為微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

步驟S200，根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，確定預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)。

具體的，根據(jù)預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，在時空連續(xù)的光學(xué)遙感數(shù)據(jù)中，選取具有相同地理信息和時間信息的數(shù)據(jù)，即，所選取的時空連續(xù)光學(xué)遙感訓(xùn)練數(shù)據(jù)與所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，具有時空一致性。

步驟S300，將所述預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息確定為輸入信息，將土壤濕度確定為輸出信息，構(gòu)建待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)。

具體的，所述三維地理信息為三維地理信息，包括高程(Digital Elevation Model,DEM)、經(jīng)度(Latitude,Lat)、緯度(Longitude,Lon))；所述時間軸信息(Day of Year,DOY)。所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感訓(xùn)練數(shù)據(jù)包括：NDVI、LST和Albedo。

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，簡稱ANN)是在基于人腦的基本單元－神經(jīng)元的建模與聯(lián)結(jié)，模擬人腦神經(jīng)系統(tǒng)，形成一種具有學(xué)習(xí)、聯(lián)想、記憶和模式識別等智能信息處理的人工系統(tǒng)。包括一個輸入層、多個隱藏層和一個輸出層。后向傳播神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network,BPNN)是一種經(jīng)典的的人工神經(jīng)網(wǎng)絡(luò)，具有自組織、自學(xué)習(xí)和非線性的特點(diǎn)，被廣泛應(yīng)用于非線性系統(tǒng)，以分析多要素的影響。BPNN通過后向傳播算法使預(yù)測值和目標(biāo)值間的均方誤差(RMSE)最小。從理論上講，在神經(jīng)元足夠多的情況下，三層神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)任何非線性函數(shù)的逼近。

將上述七個參數(shù)作為待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)的輸入信息，將土壤濕度確定為輸出信息，構(gòu)建待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，例如，所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)可以為中間層10層的神經(jīng)網(wǎng)絡(luò)，及7-10-1的神經(jīng)網(wǎng)絡(luò)，中間層的層數(shù)也可以為其它滿足計(jì)算需求的層數(shù)。

步驟S400，以所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)為訓(xùn)練樣本，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)。

具體的，對所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，使得訓(xùn)練后其輸出的土壤濕度數(shù)據(jù)與所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)之間相同，或在滿足一定需求誤差范圍之內(nèi)，即能結(jié)束訓(xùn)練，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)。

步驟S500，將所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，輸入所述土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取預(yù)設(shè)區(qū)域的土壤濕度數(shù)據(jù)。

具體的，訓(xùn)練后的土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，能夠在輸入上述七個輸入信息的基礎(chǔ)上，給出貼合實(shí)際的土壤濕度數(shù)據(jù)，因此，將所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息重新輸入后，就可以獲取到預(yù)設(shè)區(qū)域的土壤濕度數(shù)據(jù)，且所述預(yù)設(shè)區(qū)域的土壤濕度數(shù)據(jù)是時空連續(xù)的土壤濕度數(shù)據(jù)。

本實(shí)施例所提供的基于多源遙感數(shù)據(jù)的土壤濕度重建方法，利用光學(xué)遙感產(chǎn)品和三維地理信息以及時間軸信息，構(gòu)建后向傳播神經(jīng)網(wǎng)絡(luò)，以預(yù)設(shè)的微波土壤濕度訓(xùn)練數(shù)據(jù)為樣本集，對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，再將時空連續(xù)的光學(xué)遙感數(shù)據(jù)輸入所述的土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取連續(xù)的土壤濕度數(shù)據(jù)。通過神經(jīng)網(wǎng)絡(luò)、時空連續(xù)的光學(xué)遙感數(shù)據(jù)和三維地理信息、時間軸信息的輸入，預(yù)測微波遙感土壤濕度數(shù)據(jù)的缺失值，得到時空連續(xù)的微波遙感土壤數(shù)據(jù)。

在其中一個實(shí)施例中，所述獲取所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，包括：獲取預(yù)設(shè)區(qū)域的微波遙感土壤濕度原始數(shù)據(jù)；在所述微波遙感土壤濕度原始數(shù)據(jù)中，篩選出沒有被積雪覆蓋且地表溫度大于零攝氏度的像元數(shù)據(jù)；將所述篩選出的像元數(shù)據(jù)確定為微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

具體的，選取微波遙感土壤濕度訓(xùn)練數(shù)據(jù)時，需要對土壤濕度的準(zhǔn)確度進(jìn)行衡量，若有積雪覆蓋或地表溫度小于零攝氏度，則認(rèn)為土壤中的水是固態(tài)，需要用含水量衡量，而不能用衡量液態(tài)水的濕度進(jìn)行表達(dá)。

在本實(shí)施例中，通過對微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的篩選，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確的訓(xùn)練樣本，從而提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

在其中一個實(shí)施例中，所述訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，包括在M*N個所述微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度范圍內(nèi)，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，其中M和N為正整數(shù)。

具體的，例如，可以選取4*4個微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元的尺度范圍，也可以根據(jù)實(shí)際情況選用8*8個、或4*8個微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元的尺度范圍，對所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。由于土壤濕度數(shù)據(jù)，在實(shí)際中即有一定的連續(xù)性，在較大范圍內(nèi)又會受到氣候或地理因素的影響出現(xiàn)不連續(xù)性。所述M*N個像元尺度范圍的選取，根據(jù)實(shí)際的情況進(jìn)行選取，既能提高訓(xùn)練效率，又能保證不會因選擇的像元尺度范圍過大，使得訓(xùn)練后的誤差增大。

在本實(shí)施例中，在一定的像元尺度范圍內(nèi)對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，即可以提高輸出數(shù)據(jù)的連續(xù)性，有能保證不會因?yàn)榉秶^大而導(dǎo)致輸出數(shù)據(jù)的準(zhǔn)確率降低。

圖2為另一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建方法的流程示意圖，如圖2所示的基于多源遙感數(shù)據(jù)的土壤濕度重建方法包括：

步驟S110，獲取預(yù)設(shè)區(qū)域的光學(xué)遙感原始數(shù)據(jù)，所述光學(xué)遙感原始數(shù)據(jù)包括植被指數(shù)原始數(shù)據(jù)、地表溫度原始數(shù)據(jù)和地表反照率原始數(shù)據(jù)。

具體的，所述光學(xué)遙感原始數(shù)據(jù)包括植被指數(shù)原始數(shù)據(jù)、地表溫度原始數(shù)據(jù)和地表反照率原始數(shù)據(jù)具有時空不連續(xù)性。

步驟S120，將所述預(yù)設(shè)區(qū)域的植被指數(shù)原始數(shù)據(jù)通過基于時間序列諧波分析重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)；將所述預(yù)設(shè)區(qū)域的地表溫度原始數(shù)據(jù)通過基于參考序列的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度；將所述預(yù)設(shè)區(qū)域的地表反照率原始數(shù)據(jù)通過基于時空濾波的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表反照率。

具體的，數(shù)據(jù)預(yù)處理包括光學(xué)產(chǎn)品(NDVI，LST，Albedo)的時空重建及空間聚合。

NDVI即歸一化植被指數(shù)的時空重建，使用的是基于時間序列諧波分析的方法(Harmonic Analysis of Time Series,Hants)：

其中，NDVI為原始NDVI序列，為重建后的NDVI序列，ε為誤差序列，t_j(j＝1,2,...N)為NDVI取的時間，N為最大觀測數(shù)，nf是頻率為f_i的組份的數(shù)量，a₀，a_i，b_i是系數(shù)。

LST的時空重建，基于如下假設(shè)：在相似的植被生長情況下，時間較近的兩景LST影像同名點(diǎn)的地表溫度呈線性變化，則可以通過建立參考LST影像和待填充LST影像間的回歸關(guān)系式，通過已知的參考影像的LST預(yù)測待填充影像的LST。主要包含三個步驟：首先對圖像進(jìn)行分類，并使用NDVI對圖像進(jìn)行分割0,0.1,0.2,…,1；在同一NDVI區(qū)間內(nèi)，對不同影像(參考影像和待填充影像)的LST進(jìn)行邏輯回歸(二次多項(xiàng)式回歸)，得到使用參考影像LST對待填充影像LST預(yù)測的表達(dá)式，并利用回歸得到的表達(dá)式和參考影像的LST去預(yù)測待填充影像缺失的LST；對預(yù)測后的LST進(jìn)行后處理，消除空間上的不一致性。

Albedo的時空重建，采用時空濾波方法，假設(shè)時間相鄰像元的albedo間存在相關(guān)性，第k天的albedo可由第k+△k天的Albedo線性表示：

α_k＝a_△kα_k+△k+b_△k+e_△k

對于任意像元，回歸系數(shù)a_△k、b_△k和e_△k可由多年觀測值通過最大似然估計(jì)獲取。

步驟S130，將所述預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)、所述預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度和所述預(yù)設(shè)區(qū)域的地表反照率，確定為預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)。

在本實(shí)施例中，將時空不連續(xù)的光學(xué)遙感數(shù)據(jù)進(jìn)行時空重建后，獲取到時空連續(xù)光學(xué)遙感數(shù)據(jù)后，輸入訓(xùn)練好的后向傳播神經(jīng)網(wǎng)絡(luò)，便可以獲得時空連續(xù)的土壤濕度數(shù)據(jù)，所述各光學(xué)遙感數(shù)據(jù)的時空重建算法，即使得神經(jīng)網(wǎng)絡(luò)計(jì)算得出的土壤濕度數(shù)據(jù)的時空連續(xù)性，又能保證計(jì)算得出的土壤濕度數(shù)據(jù)的準(zhǔn)確性。

圖3為再一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建方法的流程示意圖，如圖3所示的基于多源遙感數(shù)據(jù)的土壤濕度重建方法包括：

步驟S310，根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度，將所述植被指數(shù)、地表溫度和地表反照率進(jìn)行重采樣，獲取輸入植被指數(shù)、輸入地表溫度和輸入地表反照率。

具體的，在對所構(gòu)建的待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)和輸出數(shù)據(jù)之間，需要具有相同的度量單位，才能進(jìn)行計(jì)算。因此，需要將統(tǒng)一了分辨率的輸入數(shù)據(jù)，根據(jù)輸出數(shù)據(jù)的像元尺度進(jìn)行重采樣，例如，重采樣到微波遙感產(chǎn)品像元尺度(1km到25km)。

步驟S320，將所述輸入植被指數(shù)、輸入地表溫度、輸入地表反照率、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，確定為輸入信息。

在本實(shí)施例中，通過對光學(xué)遙感訓(xùn)練數(shù)據(jù)進(jìn)行空間分辨率的統(tǒng)一，以及根據(jù)微波遙感訓(xùn)練數(shù)據(jù)進(jìn)行重采樣，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有相同分辨率尺度的輸入輸出數(shù)據(jù)，提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

由于不同的衛(wèi)星之間，或相同衛(wèi)星的不同光學(xué)遙感產(chǎn)品之間，都具有不同的分辨率，需要將所有數(shù)據(jù)統(tǒng)一到相同的分辨率緯度進(jìn)行計(jì)算。在其中一個實(shí)施例中，將所述預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)訓(xùn)練數(shù)據(jù)、預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度訓(xùn)練數(shù)據(jù)和預(yù)設(shè)區(qū)域的時空連續(xù)地表反照率訓(xùn)練數(shù)據(jù)，通過空間平均算法，分別計(jì)算具有相同空間分辨率的植被指數(shù)、地表溫度和地表反照率，以保證后續(xù)計(jì)算結(jié)果的準(zhǔn)確性，

圖4為一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)的結(jié)構(gòu)示意圖，如圖4所示的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)包括：

光學(xué)遙感數(shù)據(jù)和微波訓(xùn)練數(shù)據(jù)獲取模塊100，用于獲取預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)和所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

光學(xué)遙感訓(xùn)練數(shù)據(jù)獲取模塊200，用于根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)，確定預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)。

神經(jīng)網(wǎng)絡(luò)構(gòu)建模塊300，用于將所述預(yù)設(shè)區(qū)域的光學(xué)遙感訓(xùn)練數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息確定為輸入信息，將土壤濕度確定為輸出信息，構(gòu)建待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練模塊400，用于以所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)為訓(xùn)練樣本，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)；還用于在M*N個所述微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度范圍內(nèi)，訓(xùn)練所述待訓(xùn)練后向傳播神經(jīng)網(wǎng)絡(luò)，其中M和N為正整數(shù)。

土壤濕度數(shù)據(jù)獲取模塊500，用于將所述預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，輸入所述土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取預(yù)設(shè)區(qū)域的土壤濕度數(shù)據(jù)。

本實(shí)施例所提供的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)，利用光學(xué)遙感產(chǎn)品和三維地理信息以及時間軸信息，構(gòu)建后向傳播神經(jīng)網(wǎng)絡(luò)，以預(yù)設(shè)的微波土壤濕度訓(xùn)練數(shù)據(jù)為樣本集，對所述后向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練后，獲取土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，再將時空連續(xù)的光學(xué)遙感數(shù)據(jù)輸入所述的土壤濕度后向傳播神經(jīng)網(wǎng)絡(luò)，獲取連續(xù)的土壤濕度數(shù)據(jù)。通過神經(jīng)網(wǎng)絡(luò)、時空連續(xù)的光學(xué)遙感數(shù)據(jù)和三維地理信息、時間軸信息的輸入，預(yù)測微波遙感土壤濕度數(shù)據(jù)的缺失值，得到時空連續(xù)的微波遙感土壤數(shù)據(jù)。

圖5為另一個實(shí)施例中基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)的結(jié)構(gòu)示意圖，如圖5所示的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)包括：

微波訓(xùn)練數(shù)據(jù)獲取單元110，用于獲取預(yù)設(shè)區(qū)域的微波遙感土壤濕度原始數(shù)據(jù)；在所述微波遙感土壤濕度原始數(shù)據(jù)中，篩選出沒有被積雪覆蓋且地表溫度大于零攝氏度的像元數(shù)據(jù)；將所述篩選出的像元數(shù)據(jù)確定為微波遙感土壤濕度訓(xùn)練數(shù)據(jù)。

光學(xué)遙感數(shù)據(jù)獲取單元120，用于獲取預(yù)設(shè)區(qū)域的光學(xué)遙感原始數(shù)據(jù)，所述光學(xué)遙感原始數(shù)據(jù)包括植被指數(shù)原始數(shù)據(jù)、地表溫度原始數(shù)據(jù)和地表反照率原始數(shù)據(jù)；將所述預(yù)設(shè)區(qū)域的植被指數(shù)原始數(shù)據(jù)通過基于時間序列諧波分析重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)；將所述預(yù)設(shè)區(qū)域的地表溫度原始數(shù)據(jù)通過基于參考序列的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度；將所述預(yù)設(shè)區(qū)域的地表反照率原始數(shù)據(jù)通過基于時空濾波的重建算法，計(jì)算預(yù)設(shè)區(qū)域的時空連續(xù)地表反照率；將所述預(yù)設(shè)區(qū)域的時空連續(xù)植被指數(shù)、所述預(yù)設(shè)區(qū)域的時空連續(xù)地表溫度和所述預(yù)設(shè)區(qū)域的地表反照率，確定為預(yù)設(shè)區(qū)域的時空連續(xù)光學(xué)遙感數(shù)據(jù)。

在本實(shí)施例中，通過對微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的篩選，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有準(zhǔn)確的訓(xùn)練樣本，從而提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。通過對光學(xué)遙感訓(xùn)練數(shù)據(jù)進(jìn)行空間分辨率的統(tǒng)一，以及根據(jù)微波遙感訓(xùn)練數(shù)據(jù)進(jìn)行重采樣，使構(gòu)建的后向傳播神經(jīng)網(wǎng)絡(luò)具有相同分辨率尺度的輸入輸出數(shù)據(jù)，提高訓(xùn)練后的后向傳播神經(jīng)網(wǎng)絡(luò)輸出值的準(zhǔn)確率。

圖6為再一個實(shí)施例中的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)的結(jié)構(gòu)示意圖，如圖6所示的基于多源遙感數(shù)據(jù)的土壤濕度重建系統(tǒng)包括：

重采樣計(jì)算單元310，用于根據(jù)所述預(yù)設(shè)區(qū)域的微波遙感土壤濕度訓(xùn)練數(shù)據(jù)的像元尺度，將所述第一植被指數(shù)、第一地表溫度和第一地表反照率進(jìn)行重采樣，獲取輸入植被指數(shù)、輸入地表溫度和輸入地表反照率；

輸入信息確定單元320，用于將所述輸入植被指數(shù)、輸入地表溫度、輸入地表反照率、所述預(yù)設(shè)區(qū)域的三維地理信息和所述預(yù)設(shè)區(qū)域的時間軸信息，確定為輸入信息。

在本實(shí)施例中，將時空不連續(xù)的光學(xué)遙感數(shù)據(jù)進(jìn)行時空重建后，獲取到時空連續(xù)光學(xué)遙感數(shù)據(jù)后，輸入訓(xùn)練好的后向傳播神經(jīng)網(wǎng)絡(luò)，便可以獲得時空連續(xù)的土壤濕度數(shù)據(jù)，所述各光學(xué)遙感數(shù)據(jù)的時空重建算法，即使得神經(jīng)網(wǎng)絡(luò)計(jì)算得出的土壤濕度數(shù)據(jù)的時空連續(xù)性，又能保證計(jì)算得出的土壤濕度數(shù)據(jù)的準(zhǔn)確性。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡潔，未對上述實(shí)施例中的各個技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。