数据处理方法、装置、设备及计算机存储介质与流程

1.本技术属于计算机技术领域，尤其涉及一种数据处理方法、装置、设备及计算机存储介质。


背景技术：

2.目前，一些金融机构可能需要对农业领域的对象进行授信，例如对农户进行授信等。相关技术中，金融机构通常采用人工实地考察的方式，获取农户的农作物种植情况等信息，以确定对农户的授信额度，进而导致授信额度确定过程较为繁琐且不够智能化，授信额度确定结果不够准确。


技术实现要素：

3.本技术实施例提供一种数据处理方法、装置、设备及计算机存储介质，以解决相关技术中金融机构对农业领域的对象的授信额度的确定过程较为繁琐且不够智能化，授信额度的确定结果不够准确的问题。
4.第一方面，本技术实施例提供一种数据处理方法，包括：
5.获取目标地块在p个作物周期的遥感数据，目标地块为与授信对象关联的地块，p为大于1的整数；
6.根据遥感数据，确定种植适宜性与种植稳定性；
7.根据种植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。
8.第二方面，本技术实施例提供了一种数据处理装置，装置包括：
9.获取模块，用于获取目标地块在p个作物周期的遥感数据，目标地块为与授信对象关联的地块，p为大于1的整数；
10.第一确定模块，用于根据遥感数据，确定种植适宜性与种植稳定性；
11.确定执行模块，用于根据种植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。
12.第三方面，本技术实施例提供了一种电子设备，设备包括：处理器以及存储有计算机程序指令的存储器；
13.处理器执行计算机程序指令时实现如第一方面所示的数据处理方法。
14.第四方面，本技术实施例提供了一种计算机存储介质，计算机可读存储介质上存储有计算机程序指令，计算机程序指令被处理器执行时实现如第一方面所示的数据处理方法。
15.第五方面，本技术实施例提供了一种计算机程序产品，计算机程序产品中的指令由电子设备的处理器执行时，使得电子设备执行如第一方面所示的数据处理方法。
16.本技术实施例提供的数据处理方法，获取目标地块在多个作物周期的遥感数据，目标地块为与授信对象关联的地块，根据遥感数据，确定种植适宜性与种植稳定性，根据种
植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。本技术实施例可以基于遥感数据确定与授信对象关联的目标地块的种植适宜性与种植稳定性，并根据种植适宜性与种植稳定性确定对授信对象的授信额度，如此，可以减少在授信额度确定过程中人工实地考察所带来的工作量，降低授信额度确定过程的繁琐度，提升智能化程度，与此同时，也可以有效提高确定的授信额度的准确性与合理性。
附图说明
17.为了更清楚地说明本技术实施例的技术方案，下面将对本技术实施例中所需要使用的附图作简单的介绍，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
18.图1是本技术实施例提供的数据处理方法的流程示意图；
19.图2是一个具体应用例中数据处理方法的流程示意图；
20.图3是a地两年的ndvi曲线的示例图；
21.图4是a地两年的ndvi曲线滤波重构后的示例图；
22.图5是本技术实施例提供的数据处理装置的结构示意图；
23.图6是本技术实施例提供的电子设备的结构示意图。
具体实施方式
24.下面将详细描述本技术的各个方面的特征和示例性实施例，为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本技术进行进一步详细描述。应理解，此处所描述的具体实施例仅意在解释本技术，而不是限定本技术。对于本领域技术人员来说，本技术可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本技术的示例来提供对本技术更好的理解。
25.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
26.为了解决现有技术问题，本技术实施例提供了一种数据处理方法、装置、设备及计算机存储介质。下面首先对本技术实施例所提供的数据处理方法进行介绍。
27.图1示出了本技术一个实施例提供的数据处理方法的流程示意图。如图1所示，该方法包括：
28.步骤101，获取目标地块在p个作物周期的遥感数据，目标地块为与授信对象关联的地块，p为大于1的整数；
29.步骤102，根据遥感数据，确定种植适宜性与种植稳定性；
30.步骤103，根据种植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。
31.本技术实施例提供的数据处理方法可以是应用在电子设备中，其中，电子设备可以是例如移动终端、平板电脑等类型的可移动式电子设备，也可以是例如服务器、个人电脑等类型的非固定式电子设备，此处不做具体限定。
32.结合一些实际应用场景，电子设备可以是用于对授信对象进行授信的金融机构一侧的设备，相应地，数据处理方法的执行主体可以是金融机构等。
33.在步骤101中，金融机构可以获取与授信对象关联的地块在p个作物周期的遥感数据。其中，与授信对象关联的地块即上述的目标地块。
34.在一些举例中，授信对象可以是在目标地块上进行作物种植的农户等自然人，或者，也可以是在目标地块上从事农业生产活动的企业等法人机构等等。
35.目标地块可以预先确定。结合一些举例，金融机构利用定位设备，例如实时差分定位(real-time kinematic，rtk)设备对授信对象所指定的地块进行标定，得到授信对象关联的目标地块。或者，金融机构也可以在卫星地图中标记授信对象指定的地块，得到授信对象关联的目标地块等。
36.金融机构可以获取目标地块所在地理区域的遥感数据，例如卫星遥感图像等。在目标地块确定的情况下，目标地块的遥感数据也可以从卫星遥感图像中获取。
37.本步骤中，金融机构可以获取目标地块在多个作物周期的遥感数据。容易理解的是，作物通常会具有相应的种植季节与生长周期。在一些举例中，作物周期可以根据种植季节与生长周期进行确定。
38.步骤102，根据遥感数据，确定种植适宜性与种植稳定性；
39.一般来说，不同的作物的遥感数据通常会存在不同，比如在一个时间点的遥感数据不同，或者在一个作物周期中遥感数据的变化规律不同等等。因此，根据遥感数据，可以确定目标地块在一个作物周期中所种植的作物类型。
40.通常情况下，不同类型的作物具有不同的适宜生长环境。比如，一些类型的作物可能适用于长日照环境下生长，一些类型的作物可能比较适宜于在酸性土壤下生长等等。
41.目标地块所处地理区域的气候与地形，目标地块的土壤酸碱度等因素可以构成影响作物生长适宜性的因素，这些因素的数据通常比较固定且可以通过相应的测量手段进行预先获取的。在已知作物类型以及目标地块的气候、地形与土壤等因素的数据的情况下，可以确定目标地块所种植作物的类型的种植适宜性。
42.在一定程度上，种植适宜性可以是目标地块中种植的作物类型对目标地块相关因素(例如气候、土壤、地形、环境)的适应能力，实际应用中，种植适宜性可以进行量化处理。
43.结合一些应用场景，种植适宜性通常会对作物的产量与品质等构成比较直接的影响，进而对作物的经济价值以及授信对象的偿还能力带来影响。
44.对于目标地块来说，不同作物周期中种植的作物类型可能相同或不同，由于在步骤101中，金融机构获取了多个作物周期的遥感数据，通过不同作物周期的遥感数据的比较，可以确定目标地块中种植的作物类型是否发生变化。而根据多个作物周期中种植作物类型的变化情况，可以确定目标地块的种植稳定性。
45.一般来说，同一类型的作物在不同作物周期的经济价值差异较小，当种植稳定性较高时，可以认为授信对象具有比较稳定的偿还能力。反之，当种植稳定性较低时，授信对象在每个作物周期所能获得的经济收益难以确定，偿还能力也难以得到保证。
46.从其他角度来看，当种植稳定性高时，说明授信对象针对某些类型的作物具有比较丰富的种植经验，能够有效保证作物的经济收益等。或者，种植稳定性也可以反映同一类型的作物在不同作物周期中的长势的差异，进而可以确定作物的产量是否稳定。
47.在一定程度上，种植稳定性可以理解为不同作物周期中目标地块的遥感数据的相似度。
48.在步骤103中，金融机构可以根据种植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。
49.如上文所示的，种植适宜性与种植稳定性均可能对授信对象的偿还能力带来影响，因此，在步骤103中，金融机构可以根据种植适宜性与种植稳定性，确定对授信对象的授信额度。
50.结合一些举例，金融机构可以在授信额度和种植适宜性与种植稳定性之间建立函数关系，将种植适宜性与种植稳定性作为输入量，计算授信额度。
51.或者，金融机构授信额度和种植适宜性与种植稳定性之间建立表格对应关系，在确定种植适宜性与种植稳定性的情况下，通过表格对应关系查询授信额度。
52.或者，金融机构可以针对授信对象确定初始的授信额度，并使用种植适宜性与种植稳定性对初始的授信额度进行修正，得到对授信对象的授信额度等等。
53.在确定授信对象的授信额度的情况下，金融机构可以依据授信额度执行对授信对象的操作，该操作可以是将授信额度发送至授信对象所使用的终端；或者，根据授信额度对授信对象进行投融资；或者，金融机构也可以将授信对象的信息和授信额度进行关联存储或显示等等。此处不做一一举例说明。
54.本技术实施例提供的数据处理方法，获取目标地块在多个作物周期的遥感数据，目标地块为与授信对象关联的地块，根据遥感数据，确定种植适宜性与种植稳定性，根据种植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。本技术实施例可以基于遥感数据确定与授信对象关联的目标地块的种植适宜性与种植稳定性，并根据种植适宜性与种植稳定性确定对授信对象的授信额度，如此，可以减少在授信额度确定过程中人工实地考察所带来的工作量，降低授信额度确定过程的繁琐度，提升智能化程度，与此同时，也可以有效提高确定的授信额度的准确性与合理性。
55.可选地，根据遥感数据，确定种植适宜性，包括：
56.根据遥感数据，确定目标种植类型，目标种植类型为在p个作物周期中的目标作物周期中的种植类型；
57.根据预设的第一对应关系，获取与目标种植类型对应的r个适宜性指标，第一对应关系包括目标种植类型与r个适宜性指标之间的对应关系，r为大于1的整数；
58.获取与目标地块关联，且与r个适宜性指标对应的测量数据，根据测量数据确定与r个适宜性指标对应的r个指标值；
59.根据r个指标值，确定种植适宜性。
60.如上文所示的，基于遥感数据，可以确定作物的种植类型。本实施例中，金融机构可以使用目标地块在目标作物周期的遥感数据，来确定该目标作物周期中目标地块中的作物种植类型，即上述的目标种植类型。
61.在一些举例中，目标作物周期可以是当前作物周期，也就是说，可以是确定授信额
度的时间点对应的作物周期。当然，在实际应用中，目标作物周期也可以是当前作物周期的上一个作物周期等等。
62.为简化描述，以下将主要以目标作物周期为当前作物周期为例进行说明。
63.结合一个具体应用例，金融机构在确定目标地块后，可以调取包括该目标地块最近的卫星遥感光谱影像，例如多光谱和高光谱影像等。根据卫星遥感光谱影像的谱特征，结合作物叶子结构的差别在近红外波段的反射率的差别进行分类，或者也可以根据遥感影像的时相变化，结合不同类型的作物的物候特征进行分类，来得到上述的目标种植类型。
64.在确定目标种植类型的情况下，可以根据预设的第一对应关系，确定目标种植类型对应的r个适宜性指标。
65.结合一些举例，若目标种植类型指示目标地块当前的种植作物为玉米，根据第一对应性关系，确定的r个适宜性指标可以包括生育期均温、生育期降水量、土壤ph值、海拔高度以及与水源(例如河流或湖泊等)的距离等等。
66.当然，在实际应用中，第一对应关系还可以记载有玉米以外的作物类型和适宜性指标之间的对应关系，此处不作一一举例说明。
67.对于每一个适宜性指标，目标地块均可以具有对应的测量数据。比如，生育期均温与生育期降水量均可以基于往年的气候数据的测量与统计得到，土壤ph值则可以通过土壤ph值测量设备测量得到等。
68.从金融机构的角度来说，上述的测量数据可以是从相关的数据库中获取，或者基于用户的数据输入操作来获取等等。
69.以生育期均温这一适宜性指标为例，一般来说，对于一种类型的作物，其可以具有最适宜生长的生育期均温范围、次优的生育期均温范围以及不适宜生长的生育期均温范围。
70.当目标地块的生育期均温的测量数据指示处于最适宜生长的生育期均温范围时，可以针对生育期均温这一适宜性指标赋予一较高的分值。而目标地块的生育期均温的测量数据指示处于次优的生育期均温范围时，可以针对生育期均温这一适宜性指标赋予一中等的分值。而当目标地块的生育期均温的测量数据指示处于不适宜生长的生育期均温范围时，可以针对生育期均温这一适宜性指标赋予一较低的分值等。
71.以上举例中，针对适宜性指标赋予的分值，可以是适宜性指标对应的指标值。当然，在实际应用中，上述的适宜性指标不限于举例中所示的生育期均温，还可以是其他类型的适宜性指标。
72.在一些具体应用例中，适宜性指标可以是作物生长指标。对于不同的适宜性指标，可以使用不同的模糊隶属度函数对输入值进行无量纲化与归一化，构造适宜性的单因子模型。
73.比如，单因子模型可以有偏小型或偏大型函数模型(即指数值越小或越大时，适宜性越高)以及中间型函数模型(即指数值处于某一区间时，适宜性值越高)。
74.再根据适宜性指标的均值和标准差，结合该适宜性指标的最佳值以及其对作物生长的影响，选择线性、抛物型或半抛物型函数，完成适宜性的单因子模型的构建。后续可以将适宜性指标的测量值作为输入量，使用单因子模型计算在各适宜性指标对应的指标值。
75.在确定r个适宜性指标对应的r个指标值的情况下，金融机构可以根据r个指标值，
确定种植适宜性。
76.比如，金融机构可以对这些指标值进行相加，或者加权求和，或者采用其他的计算方式，来计算种植适宜性。
77.本实施例确定目标地块在目标作物周期中的目标种植类型，根据目标种植类型确定与目标种植类型对应的r个适宜性指标，基于测量数据确定与r个适宜性指标对应的r个指标值，并根据r个r个指标值，确定种植适宜性。如此，有助于充分考虑影响作物种植适宜度的各个因素，提高种植适宜度确定结果的准确性与合理性。
78.可选地，根据r个指标值，确定种植适宜性，包括：
79.获取与r个适宜性指标对应的r个指标权重值，其中，适宜性指标对应的指标权重值，与适宜性指标对目标种植类型的生长重要性正相关；
80.根据r个指标权重值，对r个指标值加权求和，得到种植适宜性。
81.结合上文中举例，目标地块当前的种植作物为玉米，确定的r个适宜性指标可以包括生育期均温、生育期降水量、土壤ph值、海拔高度以及与水源(例如河流或湖泊等)的距离等等。
82.在实际应用中，各个适宜性指标对玉米的生长的重要程度可能存在不同，比如，例如生育期均温、生育期降水量等气候类指标，相对于与水源的距离等指标，对玉米的生长可能具有更为显著的影响。
83.当然，这里是对影响种植作物的适宜性指标的相对重要程度的举例说明，在实际应用中，可以根据经验数据等，来确定各个适宜性指标的相对重要程度。
84.为了体现适宜性指标的相对重要程度，本实施例中，可以获取各个适宜性指标对应的指标权重值。这些指标权重值可以根据经验数据进行获取，或者也可以结合其他数学计算模型进行获取等，此处不做具体限定。
85.一般来说，使得适宜性指标对应的指标权重值，与适宜性指标对目标种植类型的生长重要性正相关即可。也就是说，适宜性指标对目标种植类型的生长重要性越高，该适宜性指标对应的指标权重值可以越大。
86.根据r个指标权重值，对r个指标值加权求和，可以得到种植适宜性。
87.结合一些举例，若将第i个适宜性指标的指标值记为wi，将第i个适宜性指标的指标权重值记为ki，种植适宜性可以通过数值k表示，k的计算方式可以如下：
[0088][0089]
本实施例中，根据各个适宜性指标对目标种植类型的生长重要性，赋予适宜性指标相应的指标权重值，结合指标权重值来确定适宜性指标，有助于进一步提高种植适宜度确定结果的准确性与合理性。
[0090]
可选地，r个适宜性指标归属于至少一个准则；
[0091]
获取与r个适宜性指标对应的r个指标权重值，包括：
[0092]
获取目标准则的准则权重值，以及归属于目标准则的全部s个适宜性指标，目标准则为至少一个准则中的任一准则；
[0093]
在s为大于1的整数的情况下，针对s个适宜性指标建立权重判断矩阵，权重判断矩
阵中的第i行，第j列个元素的值表示第i个适宜性指标与第j个适宜度指标之间的相对生长重要性，i与j均为小于或等于s的正整数；
[0094]
对权重判断矩阵的特征向量进行归一化，得到权重向量；
[0095]
根据准则权重值与权重向量，确定s个适宜性指标中每一适宜性指标对应的指标权重值。
[0096]
结合第一作物类型为玉米的举例，r个适宜性指标可以包括生育期均温、生育期降水量、土壤ph值、海拔高度以及与水源的距离等等。其中，生育期均温与生育期降水量可以归属于气候这一准则，土壤ph值可以归属于土壤这一准则，海拔高度可以归属于地形这一准则，与水源的距离可以归属于周边环境这一准则。
[0097]
当然，实际应用中，适宜性指标与准则之间的归属关系可以根据实际需要进行设定。此外，针对各种作物类型，可以设置相应的准则，以及归属于准则的适宜性指标等。
[0098]
各个准则可以具有相应的准则权重值。在一些示例中，与指标权重值类似，准则权重值也可以根据各准则对作物的相对生长重要性进行确定。
[0099]
目标准则可以是上述r个适宜性指标归属的至少一个准则中的任一准则。在目标准则之下，可以具有s个适宜性指标。
[0100]
在s为大于1的整数的情况下，可以针对s个适宜性指标建立权重判断矩阵，权重判断矩阵中的第i行，第j列个元素的值表示第i个适宜性指标与第j个适宜度指标之间的相对生长重要性，i与j均为小于或等于s的正整数。
[0101]
为便于理解，可以将权重判断矩阵记为a，其中：
[0102][0103]
矩阵a中，第i行，第j列个元素可以记为a
ij
，代表第i个适宜性指标与第j个适宜度指标之间的相对生长重要性。相应地，a
ji
代表第j个适宜性指标与第i个适宜度指标之间的相对生长重要性。因此，a
ij
与a
ji
可以互为倒数，即a
ij
＝1/a
ji
，至于a
ii
则表示第i个适宜度指标相对于自身的生长重要性，一般可以等于1。基于以上说明可知，权重判断矩阵a可以是正互反矩阵。
[0104]
至于各适宜度指标之间的相对生长重要性，可以根据经验数据进行确定，此处不做具体说明。
[0105]
权重判断矩阵的特征向量记为v，则一般有如下关系：λv＝av，其中，λ为权重判断矩阵的特征值。将v表示为：
[0106]
v＝[v1,
…
,vs]
t
[0107]
对权重判断矩阵的特征向量进行归一化，得到权重向量，记为w，其中，w可以具体表示为：
[0108]
w＝[w
′1,
…
,w
′s]
t
[0109]
根据准则权重值与权重向量，可以确定s个适宜性指标中每一适宜性指标对应的指标权重值。比如，对于s个适宜性指标中的第1个适宜性指标，对应的指标权重值可以取目标准则的准则权重值与w
′1的乘积，其他适宜性指标的指标权重值的计算方式与之类似，此处不再详细说明。
[0110]
本实施例中，通过建立权重判断矩阵，对权重判断矩阵的特征向量归一化处理得到权重向量，并基于权重向量与准则权重值，来确定每一适宜性指标对应的指标权重值，有助于使得指标权重值能够比较准确地反映各适宜性指标对作物的相对生长重要性，进而有助于提高指标权重值的合理性。
[0111]
可选地，对权重判断矩阵的特征向量进行归一化，得到权重向量之前，方法还包括：
[0112]
在s为大于2的整数的情况下，检验权重判断矩阵的一致性；
[0113]
对权重判断矩阵的特征向量进行归一化，得到权重向量，包括：
[0114]
在权重判断矩阵的一致性检验通过的情况下，对权重判断矩阵的特征向量进行归一化，得到权重向量。
[0115]
如上文所示的，在权重判断矩阵中，各个元素反映的是两个适宜性指标对作物的相对生长重要性，然而，当适宜性指标数量较多时，适宜性指标两两比较的结果之间可能会存在估计误差，进而给特征向量与权重向量的计算结果造成偏差。
[0116]
因此，本实施例中，可以在对权重判断矩阵的特征向量进行归一化之前，先检验权重判断矩阵的一致性。当权重判断矩阵的一致性较高(对应于权重判断矩阵的一致性检验通过)时，说明对适宜性指标对作物的相对生长重要性的两两比较结果误差较小，进而可以进一步根据权重判断矩阵确定特征向量与权重向量，提高指标权重值的赋值结果的准确性。
[0117]
反之，若权重判断矩阵的一致性检验未通过，可以对权重判断矩阵中的元素的值进行调整，比如，调整一对或者多对适宜性指标对作物的相对生长重要性等，直至调整后的权重判断矩阵的一致性检验通过。
[0118]
在一些实施方式中，当s＝1或者2时，通常不存在权重判断矩阵的一致性问题，此时，可以直接认为权重判断矩阵的一致性检验通过。
[0119]
在一些实施方式中，可以针对权重判断矩阵中的各个元素的取值范围进行限制，比如，将取值范围限定为[1/9,9]等。当然，权重判断矩阵中的各个元素的取值范围也可以根据实际需要进行调整。
[0120]
可选地，检验权重判断矩阵的一致性，包括：
[0121]
获取权重判断矩阵的最大特征值；
[0122]
根据最大特征值与权重判断矩阵的阶数，确定权重判断矩阵的一致性指标，根据权重判断矩阵的阶数以及预设的阶数与平均一致性指标的对应关系，确定权重判断矩阵的平均一致性指标；
[0123]
根据一致性指标与平均一致性指标的比值，检验权重判断矩阵的一致性；
[0124]
其中，在一致性指标与平均一致性指标的比值小于预设比值的情况下，权重判断矩阵的一致性检验通过。
[0125]
如上文所示的，权重判断矩阵a及其特征向量v与特征值λ存在如下关系：λv＝av。对于权重判断矩阵a来说，其可能具有多个特征值λ，本实施例中，用于检验权重判断矩阵的一致性所采用的特征值，可以是权重判断矩阵的最大特征值，记为λ
max
。
[0126]
为便于理解，以下将权重判断矩阵的一致性指标记为ci，将权重判断矩阵的平均一致性指标记为ri。ci与ri的比值记为cr，即：
[0127]
cr＝ci/ri
[0128]
cr可以用于指示权重判断矩阵的一致性。
[0129]
一致性指标ci可以通过如下计算方式计算得到：
[0130]
ci＝(λ
max-s)/(s-1)
[0131]
其中，s为目标准则中适宜性指标的总数，其也可以是针对目标准则确定的权重判断矩阵的阶数。
[0132]
平均一致性ri可以是预设的，其与权重判断矩阵的阶数可以存在对应关系。比如，权重判断矩阵的阶数以及预设的阶数与平均一致性指标的对应关系可以如下表所示。
[0133][0134]
其中，当权重判断矩阵阶数为1或2时，可以无需对cr进行计算，直接判定权重判断矩阵的一致性检验通过。
[0135]
而在权重判断矩阵阶数为大于2的整数时，可以将计算得到的cr与预设比值进行比较，当cr小于预设比值时，判定权重判断矩阵的一致性检验通过。
[0136]
在一些可行的实施方式中，也可以单独根据上述ci的值，来对权重判断矩阵的一致性进行检验。
[0137]
在一些实施方式中，各个准则的准则权重值也可以基于与指标权重值的确定方式类似的方式进行确定。也就是说，可以根据各准则对作物的相对成长重要性，建立关于准则的权重判断矩阵阶数，并对该权重判断矩阵阶数求取特征向量及归一化，得到关于准则的权重向量，该权重向量中的各个元素的值，可以作为对应准则的准则权重值。
[0138]
可选地，根据遥感数据，确定种植稳定性，包括：
[0139]
根据遥感数据，获取目标地块在p个作物周期中的p个归一化植被指数(normalized difference vegetation index，ndvi)流，每一ndvi流分别包括在对应的作物周期中的多个预设采样时间点下的ndvi；
[0140]
根据p个ndvi流，确定种植稳定性。
[0141]
为便于理解ndvi流的获取过程，以下结合一个具体应用场景对本实施例进行说明。
[0142]
对于目标地块，金融机构可以调取近五年的作物周期内的遥感数据(主要为多光谱和高光谱遥感数据)，且保证遥感数据的时间分辨率不低于16天。容易理解的是，此处的五年的作物周期，可以对应于p个作物周期。
[0143]
通过分析光谱数据，可以计算目标地块在遥感影像在每个作物周期中每个采样时间点的ndvi。一般来说，ndvi可以定义为近红外波段(near infrared，nir)与可见光红波段(记为red)值之差和两者之和的比值，即：
[0144]
ndvi＝(nir-red)/(nir-red)
[0145]
由于每个作物周期内，遥感数据的时间分辨率不低于16天，因此，在每个作物周期中采样时间点的数量可以包括多个，采样时间点的数量记为t，为大于1的整数。一个作物周期中获取的ndvi流可以记为ndvi
t
，则有：
[0146]
ndvi
t
＝{ndvi1,
…
,ndvi
t
}
[0147]
对于任两个作物周期中的ndvi流，可以计算ndvi流之间的相似程度，确定这两个作物周期中目标地块中种植的作物类型是否一致，或者种植的作物的长势是否相似等，进而有助于确定目标地块的种植稳定性。
[0148]
当然，在实际应用中，也可以结合三个或者更多个作物周期的ndvi流，来确定目标地块的种植稳定性。
[0149]
本实施例中，通过多个作物周期中得到的多个ndvi流，来确定种植稳定性，有助于减少因遥感数据误差或者单年作物生长期提前或延迟等因素带来的影响，提高种植稳定性确定结果的准确性。
[0150]
可选地，根据p个ndvi流，确定种植稳定性，包括：
[0151]
获取第一ndvi流与第二ndvi流，第一ndvi流与第二ndvi流为在作物周期上相邻的任两个ndvi流；
[0152]
确定第一ndvi流与第二ndvi流之间的相似度；
[0153]
根据相似度确定种植稳定性。
[0154]
在一个举例中，可以计算第一ndvi流与第二ndvi流之间的pearson相关系数，以作为第一ndvi流与第二ndvi流之间的相似度。
[0155]
当然，ndvi流之间的相似度也可以求取夹角余弦距离等方式确定，此处不做一一举例说明。
[0156]
第一ndvi流与第二ndvi流之间的相似度可以用于确定种植稳定性，比如，可以将相似度作为种植稳定性的值，或者通过预设的函数转换关系，将相似度转换为种植稳定性的值等等。
[0157]
如上文所示的，可以结合三个或者更多个作物周期的ndvi流，来确定目标地块的种植稳定性。比如，金融机构可以依次计算相邻两个作物周期的ndvi流相似度，并将得到的多个相似度的均值用于反映种植稳定性等等。
[0158]
本实施例中，通过计算ndvi流之间的相似度来确定种植稳定性，可以从量化的角度计算种植稳定性，提高种植稳定性的确定效率。
[0159]
在一些实施方式中，在确定第一ndvi流与第二ndvi流之间的相似度之前，可以对第一ndvi流与第二ndvi流进行滤波，已提高ndvi流的数据质量，进而提高种植稳定性的确定结果的准确度。
[0160]
举例来说，针对各ndvi流可以基于savitzky-golay滤波方法(s-g滤波方法，又称最小二乘的卷积拟合算法)进行滤波。s-g滤波方法的滤波过程可以简单描述为：
[0161][0162]
其中，y
j*
为拟合值，y
j 1
为原始值，ci为第i个值滤波时的系数，m为半个滤波窗口长度，n为滤波器长度，n＝2m 1。
[0163]
为简化说明，可以将第一ndvi流记为x
t
＝{x1,
…
,x
t
}，将第二ndvi流记为y
t
＝{y1,
…
,y
t
}。
[0164]
第一ndvi流经滤波重构后，得到新的序列x
′
t
＝{x
′1,
…
,x
′
t
}，第二ndvi流经滤波重构后，得到新的序列y
′
t
＝{y
′1,
…
,y
′
t
}。
[0165]
计算序列x
′
t
和y
′
t
之间的pearson相关系数获取两者之间的相似度cor(x
′
t
,y
′
t
)，计算公式如下：
[0166][0167]
其中：
[0168][0169]
以p＝5为例，逐次比较近五年来的相邻两年的ndvi流的pearson相关系数，得到4个相关系数值，求平均后得到可以反映种植稳定性的pearson相关系数平均值。
[0170]
可选地，获取目标地块在p个作物周期的遥感数据之后，方法还包括：
[0171]
根据遥感数据确定目标种植类型，确定目标地块的地块面积；
[0172]
根据种植适宜性与种植稳定性，确定对授信对象的授信额度，包括：
[0173]
根据目标种植类型与地块面积确定种植净收益；
[0174]
基于种植适宜性、种植稳定性以及预设的额度系数，修正种植净收益，得到授信额度。
[0175]
目标种植类型在上文中进行了说明，可以是目标地块在当前作物周期中种植的作物的类型，可以通过对遥感数据的分析得到。
[0176]
目标地块的地块面积可以预先确定。
[0177]
结合一些实际应用场景，用户可以基于使用手机应用程序，通过在地图上选定边界点、连接成矢量以确定目标地块的边界。或者，用户也可以携带具有gps定位功能的手机、通过绕农田一周获取目标地块的边界。
[0178]
获取目标地块边界点后，通过边界信息计算地块面积。若目标地块为多边形，可以将多边形拆分成若干个三角形，并通过计算单个三角形的面积获取总面积；对于边界不规则的目标地块，也可以通过微积分方法获取总面积。
[0179]
在目标种植类型确定的情况下，金融机构可以根据经验数据，确定目标种植类型对应单位种植面积的种植收益与种植成本，结合目标地块的地块面积，可以确定目标地块的种植总收益(记为h)和种植总成本(记为c)，则种植净收益可以记为(h-c)。
[0180]
在一些示例中，
[0181][0182][0183]
si为目标地块中每个子地块的面积，yi为子地块中的作物的单位面积产量，pi为该作物单位产量的价格，ci为单位面积作物种植成本。
[0184]
本实施例中，金融机构可以基于种植适宜性、种植稳定性以及预设的额度系数，修
正种植净收益，得到授信额度。
[0185]
举例来说，将授信额度记为lr，其可以通过如下公式进行求取得到：
[0186]
lr＝α
×
k1×
k2×
(h
–
c)
[0187]
其中，α为金融机构预设的额度系数，为k1为种植适宜性，k2为种植稳定性。
[0188]
当然，在实际应用中，种植适宜性、种植稳定性以及预设的额度系数对种植净收益的修正方式，可以不限于通过相乘的方式修正。比如，在一些可行的实施方式中，种植适宜性或者种植稳定性可以对应有授信增额，通过种植适宜性或者种植稳定性修正种植净收益，可以是将种植净收益与授信增额相加等等。
[0189]
本实施例中，结合了种植适宜性、种植稳定性、预设的额度系数以及种植净收益，进行授信额度的确定，有助于提高确定的授信额度的合理性。
[0190]
在一些实施方式中，上述授信额度lr可以为授信额度确定过程中的一中间授信额度或者推荐授信额度，金融机构最终确定的对授信对象的授信额度，还可以进一步考虑其他因素。
[0191]
举例来说，金融机构针对授信对象可以预先确定了托底额度lf和盖帽额度lh，金融机构对授信对象确定的最终授信额度l可以通过如下公式进行计算。
[0192]
l＝min{max{lr,lf},lh}
[0193]
如图2所示，图2是在一个具体应用例中，数据处理方法可以包括步骤201～步骤212。
[0194]
步骤201，获取农户身份信息。
[0195]
该具体应用例中，授信对象可以是农户。
[0196]
步骤202，获取农户种植面积和种植类别。
[0197]
本步骤中，农户种植面积可以对应于上述目标地块的地块面积，种植类别可以对应于上述的目标种植类型。
[0198]
在步骤202之后，可以同步或异步执行步骤203与步骤208，
[0199]
步骤203，挑选准则因子并分层。
[0200]
本步骤中，可以获取与种植类别对应的准则，以及各个准则下的适宜性指标。其中，准则与适宜性指标可以构成分层。
[0201]
步骤204，构建成对比较矩阵。
[0202]
该步骤中，可以针对多个准则构建成对比较矩阵，也可以针对单个准则中的多个适宜性指标构建成对比较矩阵。成对比较矩阵可以对应于上文中的权重判断矩阵。
[0203]
步骤205，一致性检验，在成对比较矩阵的一致性检验通过的情况下，执行步骤206，在一致性检验不通过的情况下，返回执行步骤204，修改成对比较矩阵中元素的值。
[0204]
步骤206，获得目标地块的种植适宜性模型。
[0205]
种植适宜性模型可以包括各个适宜性指标的指标权重，且种植适宜性模型可以是与种植类别相匹配的。
[0206]
步骤207，计算目标地块的种植适宜性。
[0207]
步骤208，分析光谱遥感数据，获得ndvi曲线。
[0208]
此处的ndvi曲线可以对应于上述的ndvi流。
[0209]
步骤209，使用s-g滤波方法进行重构获得完整ndvi时序曲线。
[0210]
步骤210，对相邻两年的ndvi时序曲线计算pearson相关系数。
[0211]
步骤211，计算农户的种植稳定性。
[0212]
步骤212，根据步骤207和步骤211的计算结果，分析农户信息获得农户授信额度。
[0213]
基于以上应用例可见，本技术实施例提供的数据处理方法利用遥感数据确定授信额度，一方面，可以减少因实地考察带来的工作量，另一方面，可以综合考虑种植适宜性与种植稳定性确定授信额度，提高授信额度的准确性与合理性。
[0214]
为更为直接地理解本技术实施例中的授信额度的确定过程，以下将结合一些具体的数据，来对授信额度的计算方式进行说明。
[0215]
步骤1、获取农户身份信息，以及农户自行录入的地块信息。
[0216]
金融机构需要对针对位于a地的农户b进行授信，在确定授信额度的过程中，金融机构可以录入农户b的身份信息，并圈定农户b的目标地块的坐标信息。
[0217]
比如，目标地块为矩形，则可以将目标地块的四个边角点的坐标经纬度信息进行录入。
[0218]
步骤2、根据遥感数据获取农户种植信息。
[0219]
步骤2.1、获取地块边界点后，通过边界信息计算地块面积。根据目标地块的边界坐标，计算得到目标地块的地块面积为12.47亩。
[0220]
步骤2.2、分析该目标地块近期的卫星遥感影像，根据其光谱特性和作物物候特征，结合先验信息(a地主要种植作物)，获得作物的类别信息。确定目标地块的种植作物为玉米。
[0221]
步骤3、对种植适宜性进行建模计算。
[0222]
步骤3.1、根据该作物的生长特性，构建递阶层次结构，并挑选准则层和指标层的准则因子，即目标层(种植适宜性)、准则层(气候、地形、土壤、环境)、指标层。对指标层各个因子，根据作物生长规律及当地实际情况，确定分级评分标准，示意如下：
[0223]
[0224][0225]
获取某个指标的均值、标准差以及最适宜值，挑选合适的模糊隶属度函数对输入值进行散列，以获得适宜性关于该参数的单因子模型。
[0226]
以生育期平均温度指标为例，统计可得a地6月上中旬到9月中下旬的平均温度为23.4℃，历史平均温度的方差为1.5℃，又由夏玉米生育期最佳平均温度为23℃，即可得到均温指标区间划分(最佳值
±
一个标准差为最适宜，最佳值
±
3个标准差为次适宜)，使用抛物函数构造得到适宜性关于生育期均温的单因子模型：
[0227][0228]
其中，tep为生育期均温，k(tep)为生育期均温对应的适宜性得分。
[0229]
类似分析可以得到a地夏玉米(生育期从6月上中旬到9月中下旬，约100天)，气候指标的评判标准：
[0230][0231]
步骤3.2、构建权重判断矩阵。以气候条件为例，比较各气候因素之间重要性，获得权重判断矩阵a：
[0232][0233]
步骤3.3、对该权重判断矩阵a进行特征值分解，最大特征值为λ
max
＝5.0495，其对应的特征向量为v＝[0.669,0.619,0.369,0.100,0.151]
t
，归一化后得到权向量w＝[0.351,0.324,0.193,0.052,0.079]
t
。
[0234]
对a进行一致性检验，其中
[0235][0236][0237]
则一致性检验通过。其中，ri可以根据权重判断矩阵a的阶数查询得到，0.1则可以是预设比值。
[0238]
步骤3.4、完成目标层-准则层、准则层-指标层的层次分析后，最终指标层的各因子的权重为两者权重之积。得到当地夏玉米的种植适宜性模型：
[0239][0240][0241]
根据种植适宜性模型计算当地夏玉米的种植适宜性，计算公式可以为：
[0242]
种植适宜性＝0.232
ד
生育期均温” 0.214
ד
生育期降水量” 0.128
ד
≥10℃积温” 0.034
ד
≥10℃日数” 0.052
ד
生育期日照时数” 0.051
ד
土壤ph值” 0.153
ד
土壤类型” 0.042
ד
海拔” 0.042
ד
坡度” 0.004
ד
与道路距离” 0.001
ד
与河流距离”。
[0243]
将农户a的目标地块的地块数据带入以上公式，计算出该地块的种植适宜性的值为0.87。
[0244]
步骤4、使用历史归一化植被指数曲线的相似度对种植稳定性进行建模。
[0245]
步骤4.1、获取该区域近五年的作物生长周期内，时间分辨率不低于16天的光谱遥感数据。
[0246]
步骤4.2、分析光谱数据，获取每个采样时间点的归一化植被指数，进而可获取一个生长周期内的ndvi时间序列曲线。
[0247]
如图3所示，图3是在目标地块在2021年的ndvi曲线x
t
和2020年的ndvi曲线y
t
的示例图。
[0248]
步骤4.3、对2021年和2020年的ndvi曲线x
t
和y
t
进行savitzky-golay滤波，获得重构后的ndvi时间序列x
′
t
和y
′
t
：
[0249]
重构后的ndvi时间序列x
′
t
和y
′
t
可以参见图4。
[0250]
步骤4.4、计算序列x
′
t
和y
′
t
之间的pearson相关系数获取序列相似度。
[0251][0252]
分析近五年的ndvi曲线，获得相邻两年的pearson相关系数cor
21-20
、cor
20-1
、cor
19-1
、cor
18-1
，计算得到pearson相关系数平均值cor
mean
＝0.95。
[0253]
步骤5、使用农户信息建模获取农户信贷额度
[0254]
根据a地的历史经验数据，当地玉米平均产量为635kg/亩，玉米的收购价格为2720元/吨，且夏玉米种植成本约为800元/亩，则种植收益h和种植成本c分别为：
[0255][0256][0257]
又因为种植适宜性k1＝0.87，种植稳定性k2＝0.95，故根据额度模型，可以计算出推荐的授信额度lr为：
[0258]
lr＝α
×
k1×
k2×
(h-c)
[0259]
＝1.5
×
0.87
×
0.95
×
(21538-9976)＝14334
[0260]
若金融机构预设的托底额度lf为3000元，盖帽额度lh为100000元，则最终授信额度l为：
[0261]
l＝min{max{lr,lf},lh}＝min{max{14334,3000},100000}＝14334
[0262]
即金融机构对农户b的授信额度可以是14334元。
[0263]
如图5所示，本技术实施例还提供了一种数据处理装置，装置包括：
[0264]
获取模块501，用于获取目标地块在p个作物周期的遥感数据，目标地块为与授信对象关联的地块，p为大于1的整数；
[0265]
第一确定模块502，用于根据遥感数据，确定种植适宜性与种植稳定性；
[0266]
确定执行模块503，用于根据种植适宜性与种植稳定性，确定对授信对象的授信额度，并依据授信额度执行对授信对象的操作。
[0267]
可选地，第一确定模块502，包括：
[0268]
第一确定子模块，用于根据遥感数据，确定目标种植类型，目标种植类型为在p个作物周期中的目标作物周期中的种植类型；
[0269]
第一获取子模块，用于根据预设的第一对应关系，获取与目标种植类型对应的r个适宜性指标，第一对应关系包括目标种植类型与r个适宜性指标之间的对应关系，r为大于1的整数；
[0270]
第二获取子模块，用于获取与目标地块关联，且与r个适宜性指标对应的测量数据，根据测量数据确定与r个适宜性指标对应的r个指标值；
[0271]
第二确定子模块，用于根据r个指标值，确定种植适宜性。
[0272]
可选地，第二确定子模块，包括：
[0273]
第一获取单元，用于获取与r个适宜性指标对应的r个指标权重值，其中，适宜性指标对应的指标权重值，与适宜性指标对目标种植类型的生长重要性正相关；
[0274]
第一确定单元，用于根据r个指标权重值，对r个指标值加权求和，得到种植适宜性。
[0275]
可选地，r个适宜性指标归属于至少一个准则；
[0276]
第一获取单元，包括：
[0277]
第一获取子单元，用于获取目标准则的准则权重值，以及归属于目标准则的全部s个适宜性指标，目标准则为至少一个准则中的任一准则；
[0278]
建立子单元，用于在s为大于1的整数的情况下，针对s个适宜性指标建立权重判断矩阵，权重判断矩阵中的第i行，第j列个元素的值表示第i个适宜性指标与第j个适宜度指标之间的相对生长重要性，i与j均为小于或等于s的正整数；
[0279]
第二获取子单元，用于对权重判断矩阵的特征向量进行归一化，得到权重向量；
[0280]
确定子单元，用于根据准则权重值与权重向量，确定s个适宜性指标中每一适宜性指标对应的指标权重值。
[0281]
可选地，第一获取单元，还可以包括：
[0282]
检验子单元，用于在s为大于2的整数的情况下，检验权重判断矩阵的一致性；
[0283]
相应地，第二获取子单元可具体用于：
[0284]
在权重判断矩阵的一致性检验通过的情况下，对权重判断矩阵的特征向量进行归一化，得到权重向量。
[0285]
可选地，检验子单元，具体用于：
[0286]
获取权重判断矩阵的最大特征值；
[0287]
根据最大特征值与权重判断矩阵的阶数，确定权重判断矩阵的一致性指标，根据权重判断矩阵的阶数以及预设的阶数与平均一致性指标的对应关系，确定权重判断矩阵的
平均一致性指标；
[0288]
根据一致性指标与平均一致性指标的比值，检验权重判断矩阵的一致性；
[0289]
其中，在一致性指标与平均一致性指标的比值小于预设比值的情况下，权重判断矩阵的一致性检验通过。
[0290]
可选地，第一确定模块502，包括：
[0291]
第二获取子模块，用于根据遥感数据，获取目标地块在p个作物周期中的p个归一化植被指数ndvi流，每一ndvi流分别包括在对应的作物周期中的多个预设采样时间点下的ndvi；
[0292]
第三确定子模块，用于根据p个ndvi流，确定种植稳定性。
[0293]
可选地，第三确定子模块，可以包括：
[0294]
第二获取单元，用于获取第一ndvi流与第二ndvi流，第一ndvi流与第二ndvi流为在作物周期上相邻的任两个ndvi流；
[0295]
第二确定单元，用于确定第一ndvi流与第二ndvi流之间的相似度；
[0296]
第三确定单元，用于根据相似度确定种植稳定性。
[0297]
可选地，数据处理装置还可以包括：
[0298]
第二确定模块，用于根据遥感数据确定目标种植类型，确定目标地块的地块面积；
[0299]
第三确定模块，用于根据种植适宜性与种植稳定性，确定对授信对象的授信额度，包括：
[0300]
第四确定模块，用于根据目标种植类型与地块面积确定种植净收益；
[0301]
修正模块，用于基于种植适宜性、种植稳定性以及预设的额度系数，修正种植净收益，得到授信额度。
[0302]
需要说明的是，该数据处理装置是与上述数据处理方法对应的装置，上述方法实施例中所有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
[0303]
图6示出了本技术实施例提供的电子设备的硬件结构示意图。
[0304]
电子设备可以包括处理器601以及存储有计算机程序指令的存储器602。
[0305]
具体地，上述处理器601可以包括中央处理器(cpu)，或者特定集成电路(application specific integrated circuit，asic)，或者可以被配置成实施本技术实施例的一个或多个集成电路。
[0306]
存储器602可以包括用于数据或指令的大容量存储器。举例来说而非限制，存储器602可包括硬盘驱动器(hard disk drive，hdd)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(universal serial bus，usb)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器602可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器602可在综合网关容灾设备的内部或外部。在特定实施例中，存储器602是非易失性固态存储器。
[0307]
在特定实施例中，存储器602可包括只读存储器(rom)，随机存取存储器(ram)，磁盘存储介质设备，光存储介质设备，闪存设备，电气、光学或其他物理/有形的存储器存储设备。因此，通常，存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如，存储器设备)，并且当该软件被执行(例如，由一个或多个处理器)时，其可操作来执行参考根据本公开的一方面的方法所描述的操作。
[0308]
处理器601通过读取并执行存储器602中存储的计算机程序指令，以实现上述实施例中的任意一种数据处理方法。
[0309]
在一个示例中，电子设备还可包括通信接口603和总线610。其中，如图6所示，处理器601、存储器602、通信接口603通过总线610连接并完成相互间的通信。
[0310]
通信接口603，主要用于实现本技术实施例中各模块、装置、单元和/或设备之间的通信。
[0311]
总线610包括硬件、软件或两者，将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制，总线可包括加速图形端口(agp)或其他图形总线、增强工业标准架构(eisa)总线、前端总线(fsb)、超传输(ht)互连、工业标准架构(isa)总线、无限带宽互连、低引脚数(lpc)总线、存储器总线、微信道架构(mca)总线、外围组件互连(pci)总线、pci-express(pci-x)总线、串行高级技术附件(sata)总线、视频电子标准协会局部(vlb)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下，总线610可包括一个或多个总线。尽管本技术实施例描述和示出了特定的总线，但本技术考虑任何合适的总线或互连。
[0312]
另外，结合上述实施例中的数据处理方法，本技术实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种数据处理方法。
[0313]
需要明确的是，本技术并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本技术的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本技术的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
[0314]
以上的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(asic)、适当的固件、插件、功能卡等等。当以软件方式实现时，本技术的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、rom、闪存、可擦除rom(erom)、软盘、cd-rom、光盘、硬盘、光纤介质、射频(rf)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
[0315]
还需要说明的是，本技术中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本技术不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
[0316]
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解，流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器，以产生一种机器，使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专
用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解，框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合，也可以由执行指定的功能或动作的专用硬件来实现，或可由专用硬件和计算机指令的组合来实现。
[0317]
以上，仅为本技术的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本技术的保护范围之内。