基于多源遥感数据的土壤有机碳估算方法及装置

1.本发明涉及机器学习技术领域，尤其是一种基于多源遥感数据的土壤有机碳估算方法及装置。


背景技术：

2.土壤有机碳(soil organic carbon，soc)是土壤有机质的关键组成部分，是衡量土壤肥力的重要指标。对土壤有机碳的估算，有利于对土地进行合理施肥，对提高农作物产量、改善土壤质量、保护土壤生态环境有着重要意义。
3.传统估算土壤有机碳的方法是基于野外实地采样与实验室化学测定，野外实地采样本身需要较高的人力成本，容易受到天气和地形等因素限制，因此费时费力且难以对大面积土壤有机碳进行精确估算，采样人员甚至容易面临生命危险，而且在测定过程中常使用重铬酸钾等含有重金属的化学试剂，容易造成环境污染，或者产生试剂处理成本。


技术实现要素：

4.针对目前的土壤有机碳技术成本高、受限多、难以对大面积土壤有机碳进行精确估算等至少一个技术问题，本发明的目的在于提供一种基于多源遥感数据的土壤有机碳估算方法及装置。
5.一方面，本发明实施例包括一种基于多源遥感数据的土壤有机碳估算方法，包括：
6.从目标区域采集土壤有机碳样本数据；
7.获取所述目标区域的第一变量数据；所述第一变量数据包括雷达影像数据、光学遥感数据和环境变量数据；
8.从所述第一变量数据中选择所述雷达影像数据、光学遥感数据和环境变量数据中的一种或多种组成变量组合，从而获得多个变量组合；
9.建立多个机器学习模型；
10.使用各所述变量组合与土壤有机碳样本数据对各所述机器学习模型进行训练和测试；
11.从训练好的各所述机器学习模型中选出最优模型；
12.以所述最优模型对所述目标区域进行土壤有机碳估算。
13.进一步地，所述从所述第一变量数据中选择所述雷达影像数据、光学遥感数据和环境变量数据中的一种或多种组成变量组合，从而获得多个变量组合，包括：
14.从所述第一变量数据中选择所述雷达影像数据组成第一变量组合；
15.从所述第一变量数据中选择所述光学遥感数据组成第二变量组合；
16.从所述第一变量数据中选择所述雷达影像数据和所述光学遥感数据组成第三变量组合；
17.从所述第一变量数据中选择所述雷达影像数据、所述光学遥感数据和所述环境变量数据组成第四变量组合。
18.进一步地，所述多个机器学习模型包括多元线性回归法模型、偏最小二乘回归法模型、逐步多元线性回归法模型、随机森林模型、支持向量机模型、增强回归树模型、决策树模型、极端梯度提升树模型、反向传播神经网络模型。
19.进一步地，所述基于多源遥感数据的土壤有机碳估算方法还包括：
20.对所述雷达影像依次进行热噪声去除、辐射校正、地形校正和年平均值合成处理；
21.对所述光学遥感数据依次进行辐射校正、大气校正、去云处理和年平均值合成处理；
22.对所述环境变量数据进行坐标转换、重采样和掩模处理。
23.进一步地，所述使用各所述变量组合与土壤有机碳样本数据对各所述机器学习模型进行训练和测试，包括：
24.分别将每个所述变量组合按比例划分成训练集和测试集；
25.将所述训练集输入各所述机器学习模型，各所述机器学习模型对输入的所述训练集进行处理，获得第一输出结果；
26.以所述土壤有机碳样本数据作为各所述机器学习模型的期望输出；
27.根据所述机器学习模型的第一输出结果和期望输出，对所述机器学习模型进行调参。
28.进一步地，所述使用各所述变量组合与土壤有机碳样本数据对各所述机器学习模型进行训练和测试，还包括：
29.将所述测试集输入各所述机器学习模型，各所述机器学习模型对输入的所述测试集进行处理，获得第二输出结果；
30.根据所述第二输出结果与所述土壤有机碳样本数据，计算验证指标。
31.进一步地，所述从训练好的各所述机器学习模型中选出最优模型，包括：
32.从多个所述验证指标中，筛选出精度最高的验证指标；
33.确定所述精度最高的验证指标对应的所述机器学习模型，作为所述最优模型。
34.进一步地，所述以所述最优模型对所述目标区域进行土壤有机碳估算，包括：
35.确定最优变量组合；所述最优变量组合为训练所述最优模型时所使用的所述变量组合；
36.获取所述目标区域的第二变量数据；所述第二变量数据与所述最优变量组合的类型相同；
37.将所述第二变量数据输入所述最优模型，所述最优模型对所述第二变量数据进行处理，获得土壤有机碳估算结果。
38.进一步地，所述基于多源遥感数据的土壤有机碳估算方法还包括：
39.对所述土壤有机碳估算结果进行图形化显示。
40.另一方面，本发明实施例还包括一种计算机装置，包括存储器和处理器，所述存储器用于存储至少一个程序，所述处理器用于加载所述至少一个程序以执行实施例中的基于多源遥感数据的土壤有机碳估算方法。
41.本发明的有益效果是：实施例中的基于多源遥感数据的土壤有机碳估算方法，只需要在对目标区域进行估算前，在目标区域进行小范围和小规模的土壤有机碳样本数据采样以训练得到机器学习模型，估算过程无需再进行实地采样以及实验室化验等工作，实施
成本低，受到天气和地形等因素限制小，对环境友好，并且容易对大面积的区域进行估算；通过使用第一变量数据形成不同的组合对机器学习模型进行训练，并对训练好的各个机器学习模型进行测试，可以验证第一变量数据中的雷达影像数据、光学遥感数据和环境变量数据反演目标区域的土壤有机碳含量的能力，从而能够选择出具有最优反演能力的变量组合，以及具有最优识别能力的机器学习模型，能够充分识别出第二变量数据中的特征信息，根据第二变量数据反演出土壤有机碳含量，所得到的土壤有机碳估算结果能够对目标区域的土壤有机碳含量进行良好估计。
附图说明
42.图1为实施例中的基于多源遥感数据的土壤有机碳估算方法的流程图；
43.图2为实施例中的基于多源遥感数据的土壤有机碳估算方法的原理图；
44.图3为实施例中以均方根误差表示的各种机器学习模型的验证指标示意图；
45.图4为实施例中以平均绝对值误差表示的各种机器学习模型的验证指标示意图；
46.图5为实施例中以决定系数表示的各种机器学习模型的验证指标示意图；
47.图6为实施例中土壤有机碳估算结果的图形化显示结果示意图。
具体实施方式
48.本实施例中，参照图1，基于多源遥感数据的土壤有机碳估算方法包括以下步骤：
49.s1.从目标区域采集土壤有机碳样本数据；
50.s2.获取目标区域的第一变量数据；第一变量数据包括雷达影像数据、光学遥感数据和环境变量数据；
51.s3.从第一变量数据中选择雷达影像数据、光学遥感数据和环境变量数据中的一种或多种组成变量组合，从而获得多个变量组合；
52.s4.建立多个机器学习模型；
53.s5.使用各变量组合与土壤有机碳样本数据对各机器学习模型进行训练和测试；
54.s6.从训练好的各机器学习模型中选出最优模型；
55.s7.以最优模型对目标区域进行土壤有机碳估算。
56.步骤s1-s7的原理如图2所示。
57.步骤s1中，可以从红壤丘陵区(如中国江西省吉安市泰和县)等目标区域，采集土壤有机碳样本数据。本实施例中，土壤有机碳样本数据是实测的土壤有机碳含量数据，在执行步骤s1时，可以从目标区域中的采样点采集土壤样品，具体可以采用五点采样法在耕地区域进行采样，采样厚度为0-20cm，将土壤样品放入实验室中进行除杂、自然风干、研磨和过筛等处理，采用氧化燃烧法测定土壤样品的土壤有机碳含量，获得土壤有机碳样本数据。
58.在执行步骤s1时，可以从目标区域的多个采样点分别采集土壤有机碳含量数据，计算各个土壤有机碳含量数据的平均值，从而作为目标区域整个地区的土壤有机碳含量数据。
59.步骤s2中，获取目标区域的雷达影像数据、光学遥感数据和环境变量数据，这些数据在本实施例中统称为第一变量数据。
60.在执行步骤s2时，可以从google earth engine(gee)数据云平台的sentinel-1的
grd产品获取目标区域的雷达影像数据，从google earth engine(gee)数据云平台的sentinel-2地表反射率数据level-2a产品获取目标区域的光学遥感数据。然后采集目标区域的土壤属性变量、地形变量、气候变量、植被变量和社会经济变量，组成目标区域的环境变量数据。具体地，这些数据的具体属性以及获取方式如下所示：
61.(1)土壤属性变量：包括土壤含水量(soil moisture,sm)、ph，通过实验室测定土壤样品获得。
62.(2)地形变量：包括高程dem、坡度slope、坡向aspect、地面曲率curvature、地面粗糙度roughness以及地形湿度指数twi。其中，dem数据来自于地理空间数据云(https://www.gscloud.cn/)的aster gdem数据产品。除了twi是由dem在sagagis软件中计算生成外，其他变量均在arcgis10.7中生成。
63.(3)气候变量：包括年平均降水量map、年平均温度mat，二者均来自于中国科学院资源环境科学与数据中心(https://www.resdc.cn/)。
64.(4)植被变量：包括归一化差异植被指数ndvi，增强型植被指数evi以及改进型土壤调节植被指数msavi，三者的计算公式如下：
[0065][0066][0067][0068]
上述公式中，nir表示sentinel-2地表反射率数据集的近红外波段，r表示红光波段，b表示蓝光波段。
[0069]
(5)社会经济变量：包括人口密度pop、夜间灯光ntl、道路密度rd。其中人口密度来源于worldpop(https://www.worldpop.org/)网站上的全球国家和地区1km人口数量数据集，夜间灯光采用figshare网站(https://doi.org/10.6084/m9.figshare.9828827.v5)的全球夜间灯光数据集；道路密度采用openstreetmap(https://www.openstreetmap.org/)的道路矢量数据。
[0070]
在获得第一变量数据之后，可以对第一变量数据中的遥感数据和环境变量数据进行预处理。其中，对光学遥感数据的预处理，包括辐射校正、大气校正、去云处理和年平均值合成；对雷达影像数据的预处理，包括进行热噪声去除、地形校正、和年平均值合成；对环境变量数据的预处理，包括坐标转换、重采样和掩模处理。
[0071]
本实施例中，对于光学遥感数据，由于gee平台sentinel-2原始数据已经过辐射校正和大气校正，只需对光学遥感数据进行去云处理和年平均值合成，即可完成对光学遥感数据的预处理。同样对于雷达影像数据，由于gee平台sentinel-1原始数据已经过热噪声消除、辐射校正和地形校正，只需对雷达影像数据进行年平均值合成，即可完成对雷达影像数据的预处理。
[0072]
本实施例中，对于环境变量数据，环境变量数据均需进行坐标转换、重采样和掩膜处理。其中，坐标转换可以统一变量坐标系，重采样可以统一变量分辨率，掩膜可以统一变量空间范围，保持所有环境变量数据的时空一致性。
[0073]
步骤s3中，可以从第一变量数据中选择单一类型的数据组成变量组合，也可以选择出多种不同类型的数据组成变量组合。
[0074]
例如，参照图2，可以从第一变量数据中选择出全部雷达影像数据，由这种单一类型的数据组成一个变量组合，即本实施例中的第一变量组合；可以从第一变量数据中选择出全部光学遥感数据，由这种单一类型的数据组成一个变量组合，即本实施例中的第二变量组合；可以从第一变量数据中选择出全部雷达影像数据和全部光学遥感数据，由这种两种类型的数据组成一个变量组合，即本实施例中的第三变量组合；可以以第一变量数据中的全部数据，即全部雷达影像数据、全部光学遥感数据和全部环境变量数据组成一个变量组合，即本实施例中的第四变量组合。
[0075]
步骤s4中，所建立的多个机器学习模型，可以是多元线性回归法模型(mlr)、偏最小二乘回归法模型(plsr)、逐步多元线性回归法模型(smlr)、随机森林模型(rf)、支持向量机模型(svm)、增强回归树模型(brt)、决策树模型(cubist)、极端梯度提升树模型(xgboost)以及反向传播神经网络模型(bpnn)。其中，多元线性回归法模型(mlr)、偏最小二乘回归法模型(plsr)和逐步多元线性回归法模型(smlr)属于线性模型，随机森林模型(rf)、支持向量机模型(svm)、增强回归树模型(brt)、决策树模型(cubist)、极端梯度提升树模型(xgboost)以及反向传播神经网络模型(bpnn)属于非线性模型。
[0076]
步骤s4所建立的所有模型均可以基于r语言编程实现。针对不同模型，可以调用r语言的相关功能包，各种机器学习模型与功能包的对应关系如下：plsr
‑“
pls”包、smlr
‑“
mass”包、rf
‑“
randomforest”包、svm
‑“
kernlab”包、brt
‑“
gbm”包、cubist
‑“
cubist”包、xgboost
‑“
xgboost”包、bpnn
‑“
neuralnet”包。
[0077]
参照图2，本实施例中，在执行步骤s5，也就是使用各变量组合与土壤有机碳样本数据对各机器学习模型进行训练和测试这一步骤时，具体可以执行以下步骤：
[0078]
s501.分别将每个变量组合按比例划分成训练集和测试集；
[0079]
s502.将训练集输入各机器学习模型，各机器学习模型对输入的训练集进行处理，获得第一输出结果；
[0080]
s503.以土壤有机碳样本数据作为各机器学习模型的期望输出；
[0081]
s504.根据机器学习模型的第一输出结果和期望输出，对机器学习模型进行调参。
[0082]
步骤s501-s504为使用第一变量数据对各个机器学习模型进行训练的步骤。
[0083]
步骤s501中，可以按照数据量7:3的比例，分别将每个变量组合划分成训练集和测试集。例如，对于第一变量组合，从第一变量组合随机选择70％的数据作为第一变量组合对应的训练集1，另外30％的数据作为第一变量组合对应的测试集1；对于第四变量组合，从第四变量组合随机选择70％的数据作为第四变量组合对应的训练集4，另外30％的数据作为第四变量组合对应的测试集4。
[0084]
步骤s502中，由于存在多个训练集以及多个机器学习模型，可以在训练集与机器学习模型之间两两配对，将训练集输入被配对中的机器学习模型进行处理，输出相应的第一输出结果。对于步骤s502-s504，参照图2，可以执行以下过程：
[0085]
(1)将第一变量组合对应的训练集1输入mlr模型中进行处理，步骤s503中，以土壤有机碳样本数据作为mlr模型的期望输出，步骤s504中，根据mlr模型的第一输出结果和期望输出，采用r语言的caret包对mlr模型进行调参，从而实现使用第一变量组合对mlr模型
进行训练，得到经过第一变量组合训练过的mlr模型；
[0086]
(2)将第二变量组合对应的训练集2输入mlr模型中进行处理，步骤s503中，以土壤有机碳样本数据作为mlr模型的期望输出，步骤s504中，根据mlr模型的第二输出结果和期望输出，采用r语言的caret包对mlr模型进行调参，从而实现使用第二变量组合对mlr模型进行训练，得到经过第二变量组合训练过的mlr模型；
[0087]
(3)将第一变量组合对应的训练集1输入plsr模型中进行处理，步骤s503中，以土壤有机碳样本数据作为plsr模型的期望输出，步骤s504中，根据plsr模型的第一输出结果和期望输出，采用r语言的caret包对plsr模型进行调参，从而实现使用第一变量组合对plsr模型进行训练，得到经过第一变量组合训练过的plsr模型。
[0088]
上述过程(1)-(3)是其中一些训练过程的列举，还可以形成其他变量组合与机器学习模型的配对，其中，每次使用一个变量组合对一个机器学习模型进行训练的过程是相互独立的，例如过程(1)、(2)和(3)之间是相互独立的。通过执行步骤s501-s504，可以实现以不同的变量组合对各个机器学习模型进行训练，从而获得多个训练好的机器学习模型，其中存在属于相同类型而通过不同的变量组合训练的机器学习模型，例如经过第一变量组合训练过的plsr模型、经过第二变量组合训练过的plsr模型以及经过第三变量组合训练过的plsr模型；也存在属于不同类型而通过相同的变量组合训练的机器学习模型，例如经过第一变量组合训练过的mlr模型、经过第一变量组合训练过的plsr模型以及经过第一变量组合训练过的smlr模型。
[0089]
参照图2，本实施例中，在执行步骤s5，也就是使用各变量组合与土壤有机碳样本数据对各机器学习模型进行训练和测试这一步骤时，具体还可以执行以下步骤：
[0090]
s505.将测试集输入各机器学习模型，各机器学习模型对输入的测试集进行处理，获得第二输出结果；
[0091]
s506.根据第二输出结果与土壤有机碳样本数据，计算验证指标。
[0092]
步骤s505-s506为使用第一变量数据对各个机器学习模型进行测试的步骤。
[0093]
步骤s505中，测试集与其被输入至的机器学习模型之间存在对应关系，即接收测试集的机器学习模型，经过了该测试集对应的训练集的训练。例如，将第一变量组合划分出的测试集1，输入至经过第一变量组合训练的mlr模型中进行处理，由mlr模型输出第二输出结果；或者，将第一变量组合划分出的测试集1，输入至经过第一变量组合训练的svm模型中进行处理，由svm模型输出第二输出结果；或者，将第二变量组合划分出的测试集2，输入至经过第二变量组合训练的svm模型中进行处理，由svm模型输出第二输出结果。
[0094]
步骤s506中，根据第二输出结果与土壤有机碳样本数据，计算验证指标。具体地，针对每个第二输出结果，可以分别计算rmse(均方根误差)、mae(平均绝对值误差)和r2(决定系数)作为验证指标。本实施例中，各验证指标的计算公式如下：
[0095][0096]
[0097][0098]
上述式子中，oi代表soc的观测值(例如本实施例中的实测的土壤有机碳样本数据)，pi代表soc的预测值(例如本实施例中的第二输出结果)，代表soc观测值的算术平均值，i代表样本号，n代表总体样本数。
[0099]
本实施例中，rmse(均方根误差)、mae(平均绝对值误差)和r2(决定系数)这三种验证指标中，rmse(均方根误差)越小表明对应的精度越高，mae(平均绝对值误差)越小表明对应的精度越高，r2(决定系数)越大表明对应的精度越高。
[0100]
本实施例中，在执行步骤s6，也就是从训练好的各机器学习模型中选出最优模型这一步骤时，具体可以执行以下步骤：
[0101]
s601.从多个验证指标中，筛选出精度最高的验证指标；
[0102]
s602.确定精度最高的验证指标对应的机器学习模型，作为最优模型。
[0103]
本实施例中，执行步骤s505-s506所获得的验证指标如图3、图4和图5所示。图3、图4和图5中，横轴表示各个被训练过的机器学习模型，各个矩形表示被特定的变量组合训练过的机器学习模型，在测试过程中获得的验证指标。其中，图3中的验证指标是rmse(均方根误差)，图4中的验证指标是mae(平均绝对值误差)，图5中的验证指标是r2(决定系数)。
[0104]
从图3、图4和图5可以了解到，经过第四变量组合(即包括雷达影像数据、光学遥感数据和环境变量数据)训练的rf模型，其获得的验证指标分别为rmse＝4.09、mae＝3.14、r2＝0.56，综合各种类型的验证指标，可以确定rf模型的验证指标对应最高的精度，步骤s602中，确定经过第四变量组合训练的rf模型为最优模型。
[0105]
本实施例中，用来训练机器学习模型的第一变量数据中，包括雷达影像数据、光学遥感数据和环境变量数据，其中雷达影像数据可以是来自合成孔径雷达(sar)的数据，可以提供土壤散射和纹理特征信息，光学遥感数据可以提供土壤的光谱信息，环境变量数据可以提供自然环境和社会环境对土壤含碳量影响的信息，因此第一变量数据能够从多个维度表示土壤含碳量的特征。
[0106]
本实施例中，通过执行步骤s1-s6，使用第一变量数据形成不同的组合对机器学习模型进行训练，并对训练好的各个机器学习模型进行测试，可以验证第一变量数据中的雷达影像数据、光学遥感数据和环境变量数据反演目标区域的土壤有机碳含量的能力，从而能够选择出具有最优反演能力的变量组合，以及具有最优识别能力的机器学习模型。
[0107]
本实施例中，在执行步骤s7，也就是以最优模型对目标区域进行土壤有机碳估算这一步骤时，具体可以执行以下步骤：
[0108]
s701.确定最优变量组合；最优变量组合为训练最优模型时所使用的变量组合；
[0109]
s702.获取目标区域的第二变量数据；第二变量数据与最优变量组合的类型相同；
[0110]
s703.将第二变量数据输入最优模型，最优模型对第二变量数据进行处理，获得土壤有机碳估算结果。
[0111]
本实施例中，通过图3、图4和图5所示的测试结果可以确定经过第四变量组合训练的rf模型为最优模型，训练最优模型时所使用的变量组合为第四变量组合，即雷达影像数据、光学遥感数据和环境变量数据，那么步骤s701中，确定第四变量组合为最优变量组合。
[0112]
步骤s702中，当需要对目标区域进行土壤有机碳估算时，从目标区域采样得到第二变量数据，其中第二变量数据与最优变量组合的类型相同，例如最优变量组合包括雷达影像数据、光学遥感数据和环境变量数据，那么在目标区域采集雷达影像数据、光学遥感数据和环境变量数据组成第二变量数据。
[0113]
步骤s703中，将由雷达影像数据、光学遥感数据和环境变量数据组成的第二变量数据输入至最优模型，即本实施例中经过第四变量组合训练的rf模型，由最优模型对第二变量数据进行处理，输出土壤有机碳估算结果。土壤有机碳估算结果与训练机器学习模型时所使用的土壤有机碳样本数据有相同的格式。
[0114]
本实施例中，通过执行步骤s7，可以使用步骤s1-s6中训练出来的具有最优识别能力的机器学习模型，对属于具有最优反演能力的变量组合的第二变量数据进行识别，能够充分识别出第二变量数据中的特征信息，根据第二变量数据反演出土壤有机碳含量，所得到的土壤有机碳估算结果能够对目标区域的土壤有机碳含量进行良好估计。
[0115]
本实施例中，在执行步骤s1-s7的基础上，还可以执行以下步骤：
[0116]
s8.对土壤有机碳估算结果进行图形化显示。
[0117]
具体地，在执行步骤s8时，可以基于r语言与arcgis，对执行步骤s1-s7得到的土壤有机碳估算结果进行可视化制图。步骤s1-s7是针对一个目标区域的土壤有机碳估算结果。通过扩大目标区域，或者获取多个目标区域的土壤有机碳估算结果，并将不同目标区域的土壤有机碳估算结果拼接在一起，可以获得县级、市级、省级甚至全国级的土壤有机碳估算结果。
[0118]
本实施例中，设定目标区域为中国江西省吉安市泰和县，执行步骤s1-s7，所获得的泰和县土壤有机碳的预测值范围为13.04g/kg～33.61g/kg，通过执行步骤s8，所获得的图形化显示结果如图6所示。根据图6所示结果可以得知，估算得到的泰和县境内的耕地土壤中，有机碳含量空间分布上呈现北部低、南部高的趋势，与采样点实际测得的soc值分布相吻合，证明本实施例中的基于多源遥感数据的土壤有机碳估算方法是有效的。
[0119]
本实施例中的基于多源遥感数据的土壤有机碳估算方法，只需要在对目标区域进行估算前，在目标区域进行小范围和小规模的土壤有机碳样本数据采样以训练得到机器学习模型，估算过程无需再进行实地采样以及实验室化验等工作，实施成本低，受到天气和地形等因素限制小，对环境友好。
[0120]
可以通过编写执行本实施例中的基于多源遥感数据的土壤有机碳估算方法的计算机程序，将该计算机程序写入至计算机装置或者存储介质中，当计算机程序被读取出来运行时，执行本实施例中的基于多源遥感数据的土壤有机碳估算方法，从而实现与实施例中的基于多源遥感数据的土壤有机碳估算方法相同的技术效果。
[0121]
需要说明的是，如无特殊说明，当某一特征被称为“固定”、“连接”在另一个特征，它可以直接固定、连接在另一个特征上，也可以间接地固定、连接在另一个特征上。此外，本公开中所使用的上、下、左、右等描述仅仅是相对于附图中本公开各组成部分的相互位置关系来说的。在本公开中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。此外，除非另有定义，本实施例所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本实施例说明书中所使用的术语只是为了描述具体的实施例，而不是为了限制本发明。本实施例所使用的术语“和/或”包括一个
或多个相关的所列项目的任意的组合。
[0122]
应当理解，尽管在本公开可能采用术语第一、第二、第三等来描述各种元件，但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如，在不脱离本公开范围的情况下，第一元件也可以被称为第二元件，类似地，第二元件也可以被称为第一元件。本实施例所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例，并且除非另外要求，否则不会对本发明的范围施加限制。
[0123]
应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。
[0124]
此外，可按任何合适的顺序来执行本实施例描述的过程的操作，除非本实施例另外指示或以其他方式明显地与上下文矛盾。本实施例描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
[0125]
进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、ram、rom等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本实施例所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。
[0126]
计算机程序能够应用于输入数据以执行本实施例所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。
[0127]
以上所述，只是本发明的较佳实施例而已，本发明并不局限于上述实施方式，只要其以相同的手段达到本发明的技术效果，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。