基于地理加权岭回归的多源降雨数据融合方法及设备

摘要

本发明提供了一种基于地理加权岭回归的多源降雨数据融合方法及设备。所述方法包括：步骤S1至步骤S7：采用连续性指标和分类指标，对原始卫星降雨产品与融合降雨产品进行精度评价。本发明可以适用于具有雨量站实测降雨和卫星遥感降雨产品的地区,为水利行业从事水文预报、流域水资源利用与管理决策提供支撑，具有很强的实用性和广泛的适用性。

说明书

技术领域

本发明实施例涉及多源降雨数据处理技术领域，尤其涉及一种基于地理加权岭回归的多源降雨数据融合方法及设备。

背景技术

卫星遥感降雨产品具有时空分辨率高、覆盖范围广、成本相对低廉等优势，在水文预报、水资源规划与管理等领域的科学研究和生产实践中已得到广泛应用。原始的卫星遥感降雨产品的精度较低，数据质量较差，很难满足防洪预警的精度要求。对雨量站和卫星降雨产品的降雨数据进行融合已经成为改善卫星降雨空间估计的一种重要手段。传统的融合方法为构建雨量站降雨实测值与卫星遥感降雨之间的地理加权回归(GWR)关系。然而，传统的融合方法中，雨量站观测降雨仅同单个卫星降雨产品融合，需要对大量卫星降雨产品进行评估以优选出表现较好的卫星降雨产品作为融合的数据源之一，很大程度上增加了多源降雨融合的繁琐程度，且数据精度仍待提高。另外，GWR作为一种局部回归方法，很容易遭受共线性问题的影响，共线性程度较高时，回归参数的估计将会变得很不稳定，极端情形下回归参数甚至无解。因此，开发一种基于地理加权岭回归的多源降雨数据融合方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。

发明内容

针对现有技术存在的上述问题，本发明实施例提供了一种基于地理加权岭回归的多源降雨数据融合方法及设备。

第一方面，本发明的实施例提供了一种基于地理加权岭回归的多源降雨数据融合方法，包括：S1：获取研究区域范围内的雨量站实测日降雨资料和卫星遥感日降雨资料，若用到多种卫星日降雨产品，则将各卫星遥感日降雨数据处理成相同的空间分辨率，并对雨量站实测日降雨和各卫星遥感日降雨进行Box-Cox变换；S2：求解经Box-Cox变换的雨量站实测日降雨与卫星遥感日降雨之间的地理加权回归GWR关系中的回归参数，并进行共线性诊断；S3：对出现共线性问题的位置，将岭回归集成到地理加权回归GWR的框架中，计算岭参数，求解经Box-Cox变换的雨量站实测日降雨与多种卫星遥感日降雨之间的地理加权岭回归GWRR关系中的回归参数，其余位置的回归参数仍保持S2步骤得到的GWR关系中的回归参数不变；S4：由各栅格位置处的各卫星日降雨数据和由S3步骤得到各栅格位置处的回归参数，计算各栅格位置处的日降雨估计值；S5：计算雨量站位置处的GWRR模型残差，并将其插值至各栅格位置处；S6：各栅格位置处的降雨估计值和残差叠加，经过还原变换，得到各栅格位置处的日降雨融合产品；S7：采用连续性指标和分类指标，对原始卫星降雨产品与融合降雨产品进行精度评价。

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S1中的Box-Cox变换，包括：

(1)式中，P

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S2中：

A1、地理加权回归GWR：

对于某一变量y，在区域内存在n个观测点，则GWR模型可表达为：

(2)式中，x

式(2)矩阵表示如下：

(3)式中，

y、X、β的具体形式分别为：

y＝(y

GWR模型中回归参数β(i)＝(β

(7)式中，w

对式(7)进行求解，可得GWR回归参数的估计值，其矩阵形式为：

(8)式中，W(i)＝diag[w

常用的空间权函数包含四种，即距离阈值函数、距离反比函数、高斯函数和bi-square函数，其表达式分别为：

(9)、(10)、(11)、(12)四式中，

带宽的选择有两种方案：一是固定带宽，即各回归点估计均采用相同的带宽，适用于样本点均匀分布的情况；二是自适应带宽，即参与各回归点估计的样本数目相同，带宽大小随回归点位置而自动调整，适用于样本点分布不均匀的情况，

由以上各式，可以得到第i个观测点被解释变量的估计值

A2、共线性诊断：

共线性是指解释变量之间存在线性相关关系的现象，共线性程度较高时，回归参数的估计将会变得很不稳定，极端情况下回归参数甚至无解，

采用条件数CN作为共线性问题诊断的指标，对于各列单位化的解释变量矩阵X，条件数定义为：

式(14)中，μ

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S3中：

B1、地理加权岭回归GWRR：

GWWR通过限制回归参数的范围来收缩多余解释变量造成的影响，克服GWR中的共线性问题，GWRR模型中回归参数

(15)式的拉格朗日乘子形式写为：

(16)式中，λ(i)为岭参数，控制位置i处斜率的收缩程度，与式(14)中的参数M(i)存在一一对应的关系，

式(16)中截距β

(17)式中，

(18)式中，

缩放后的斜率估计矩阵

(20)式中，

在位置i处，GWRR模型的斜率估计

B2、岭参数计算：

若设计矩阵X

将X

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S4中的各栅格位置处的日降雨估计值的计算方式：各栅格位置处的回归参数记为

(24)式中，

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S5中雨量站位置处的残差的计算方式：各雨量站位置处的模型残差记为

(25)式中，

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S6中的各栅格位置处的日降雨融合结果的计算方式：

(26)式中，

在上述方法实施例内容的基础上，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，根据权利要求6所述的基于地理加权岭回归的多源降雨数据融合方法，其特征在于，所述步骤S7中：

C1、连续性指标：

包括相关系数CC、平均误差ME、相对误差rBIAS和均方根误差RMSE，相关系数CC表示卫星降雨与站点降雨的线性相关程度；平均误差ME衡量卫星降雨与站点降雨的平均偏差；相对误差rBIAS反映卫星降雨的系统偏差程度；均方根误差RMSE量化卫星降雨与实测降雨之间的离散程度，可以反映卫星降雨的整体误差水平和精度，主要侧重于对较大误差值的描述，各指标的计算公式分别为：

(27)、(28)、(29)、(30)四式中，S

C2、分类指标：

包括探测率POD、误报率FAR、频率偏差指数FBI和临界成功指数CSI，探测率POD越高表示降雨事件被漏报的几率越小，误报率FAR越低表示降雨事件被误报的概率越小，FBI＞1说明高估降雨事件的出现频次FBI＜1则低估降雨事件的出现频次，临界成功指数CSI越大表示对降雨事件的综合探测能力越强，各指标的计算公式分别为：

(31)、(32)、(33)、(34)四式中，H代表成功捕捉降雨事件，即雨量站与卫星均探测到降雨事件；M代表漏报，即雨量站探测到降雨事件，但卫星没有探测到)；F代表误报，即雨量站没有探测到降雨事件，而卫星探测到降雨事件，POD、FBI、CSI越接近于1越优，FAR越接近于0越优。

第二方面，本发明的实施例提供了一种电子设备，包括：

至少一个处理器；以及

与处理器通信连接的至少一个存储器，其中：

存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的基于地理加权岭回归的多源降雨数据融合方法。

第三方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的基于地理加权岭回归的多源降雨数据融合方法。

本发明实施例提供的基于地理加权岭回归的多源降雨数据融合方法及设备，可以适用于具有雨量站实测降雨和卫星遥感降雨产品的地区,为水利行业从事水文预报、流域水资源利用与管理决策提供支撑，具有很强的实用性和广泛的适用性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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。

图1为本发明实施例提供的基于地理加权岭回归的多源降雨数据融合方法流程图；

图2为本发明实施例提供的2010～2017年四种卫星遥感日降雨产品在西江流域的GWR融合模型的共线率(CR)与完全共线率(PCR)空间分布示意图；

图3为本发明实施例提供的电子设备的实体结构示意图；

图4为本发明实施例提供的GWRR

图5为本发明实施例提供的雨量站、四种卫星降雨产品和融合四种卫星的降雨产品MPP的日净雨数据于2010-2017年在全年及不同季节的泰勒图；

图6为本发明实施例提供的四种卫星降雨产品和融合四种卫星的降雨产品MPP在五种降雨强度下的分类指标统计；

图7为本发明实施例提供的融合四种卫星的降雨产品MPP于2010-2017年在42个雨量站点位置处的CC、ME、RMSE和rBIAS空间分布示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。

本发明实施例提供了一种基于地理加权岭回归的多源降雨数据融合方法，参见图1，该方法包括：S1：获取研究区域范围内的雨量站实测日降雨资料和卫星遥感日降雨资料，若用到多种卫星日降雨产品，则将各卫星遥感日降雨数据处理成相同的空间分辨率，并对雨量站实测日降雨和各卫星遥感日降雨进行Box-Cox变换；S2：求解经Box-Cox变换的雨量站实测日降雨与卫星遥感日降雨之间的地理加权回归GWR关系中的回归参数，并进行共线性诊断；S3：对出现共线性问题的位置，将岭回归集成到地理加权回归GWR的框架中，计算岭参数，求解经Box-Cox变换的雨量站实测日降雨与多种卫星遥感日降雨之间的地理加权岭回归GWRR关系中的回归参数，其余位置的回归参数仍保持S2步骤得到的GWR关系中的回归参数不变；S4：由各栅格位置处的各卫星日降雨数据和由S3步骤得到各栅格位置处的回归参数，计算各栅格位置处的日降雨估计值；S5：计算雨量站位置处的GWRR模型残差，并将其插值至各栅格位置处；S6：各栅格位置处的降雨估计值和残差叠加，经过还原变换，得到各栅格位置处的日降雨融合产品；S7：采用连续性指标和分类指标，对原始卫星降雨产品与融合降雨产品进行精度评价。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S1中的Box-Cox变换，包括：

(1)式中，P

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S2中：

A1、地理加权回归GWR：

对于某一变量y，在区域内存在n个观测点，则GWR模型可表达为：

(2)式中，x

式(2)矩阵表示如下：

(3)式中，

y、X、β的具体形式分别为：

y＝(y

GWR模型中回归参数β(i)＝(β

(7)式中，w

对式(7)进行求解，可得GWR回归参数的估计值，其矩阵形式为：

(8)式中，W(i)＝diag[w

常用的空间权函数包含四种，即距离阈值函数、距离反比函数、高斯函数和bi-square函数，其表达式分别为：

(9)、(10)、(11)、(12)四式中，

带宽的选择有两种方案：一是固定带宽，即各回归点估计均采用相同的带宽，适用于样本点均匀分布的情况；二是自适应带宽，即参与各回归点估计的样本数目相同，带宽大小随回归点位置而自动调整，适用于样本点分布不均匀的情况，

由以上各式，可以得到第i个观测点被解释变量的估计值

A2、共线性诊断：

共线性是指解释变量之间存在线性相关关系的现象，共线性程度较高时，回归参数的估计将会变得很不稳定，极端情况下回归参数甚至无解，

采用条件数CN作为共线性问题诊断的指标，对于各列单位化的解释变量矩阵X，条件数定义为：

式(14)中，μ

具体地，由于这4种卫星遥感降雨产品的空间分辨率不尽相同，将其进行空间降尺度，统一处理成1km×1km分辨率。雨量站在i位置处第d天的实测日降雨记为

求解经Box-Cox变换的雨量站实测日降雨与卫星遥感日降雨之间的地理加权回归(GWR)关系中的回归参数，并进行共线性诊断；

经Box-Cox变换的

本实施例根据式(7)求解GWR关系中的回归参数时，空间权函数w

当条件数CN大于5.42的阈值时，GWR将出现共线性问题；当CN无穷大的极端情况下，GWR的回归参数不可解，此时的共线性问题称为完全共线性问题。

定义共线率(Collinearity rate,CR)为共线性问题出现次数与GWR模型拟合总次数之比；定义完全共线率(Perfect collinearity rate,PCR)为完全共线性问题出现次数与GWR模型拟合总次数之比。

图2展示了2010～2017年四种卫星遥感日降雨产品在西江流域的GWR融合模型的共线率(CR)与完全共线率(PCR)空间分布。可以看出，在42个雨量站位置处，GWR融合模型的PCR取值范围为30％-48％，比相同位置处的CR值低约20％。极大的PCR值说明GWR集合模型的共线性问题亟需解决，否则回归参数将不可解。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S3中：

B1、地理加权岭回归GWRR：

GWWR通过限制回归参数的范围来收缩多余解释变量造成的影响，克服GWR中的共线性问题，GWRR模型中回归参数

(15)式的拉格朗日乘子形式写为：

(16)式中，λ(i)为岭参数，控制位置i处斜率的收缩程度，与式(14)中的参数M(i)存在一一对应的关系，

式(16)中截距β

(17)式中，

(18)式中，

缩放后的斜率估计矩阵

(20)式中，

在位置i处，GWRR模型的斜率估计

B2、岭参数计算：

若设计矩阵X

将X

具体地，根据GWR和GWRR的原理，GWR就是GWRR的岭参数取值为0时的特殊情况。因此，GWRR与GWR这两种回归方法所构建的回归模型在形式上是相似的，区别仅在于回归参数的求解方法。

经Box-Cox变换的

本实施例根据式(16)求解GWR关系中的回归参数时，空间权函数w

将雨量站实测降雨与四种卫星降雨的GWRR融合模型记为GWRR

图4展示了GWRR

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S4中的各栅格位置处的日降雨估计值的计算方式：各栅格位置处的回归参数记为

(24)式中，

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S5中雨量站位置处的残差的计算方式：各雨量站位置处的模型残差记为

(25)式中，

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S6中的各栅格位置处的日降雨融合结果的计算方式：

(26)式中，

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S7中：

C1、连续性指标：

包括相关系数CC、平均误差ME、相对误差rBIAS和均方根误差RMSE，相关系数CC表示卫星降雨与站点降雨的线性相关程度；平均误差ME衡量卫星降雨与站点降雨的平均偏差；相对误差rBIAS反映卫星降雨的系统偏差程度；均方根误差RMSE量化卫星降雨与实测降雨之间的离散程度，可以反映卫星降雨的整体误差水平和精度，主要侧重于对较大误差值的描述，各指标的计算公式分别为：

(27)、(28)、(29)、(30)四式中，S

C2、分类指标：

包括探测率POD、误报率FAR、频率偏差指数FBI和临界成功指数CSI，探测率POD越高表示降雨事件被漏报的几率越小，误报率FAR越低表示降雨事件被误报的概率越小，FBI＞1说明高估降雨事件的出现频次FBI＜1则低估降雨事件的出现频次，临界成功指数CSI越大表示对降雨事件的综合探测能力越强，各指标的计算公式分别为：

(31)、(32)、(33)、(34)四式中，H代表成功捕捉降雨事件，即雨量站与卫星均探测到降雨事件；M代表漏报，即雨量站探测到降雨事件，但卫星没有探测到)；F代表误报，即雨量站没有探测到降雨事件，而卫星探测到降雨事件，POD、FBI、CSI越接近于1越优，FAR越接近于0越优。

本发明实施例提供的基于地理加权岭回归的多源降雨数据融合方法，可以适用于具有雨量站实测降雨和卫星遥感降雨产品的地区,为水利行业从事水文预报、流域水资源利用与管理决策提供支撑，具有很强的实用性和广泛的适用性。

基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的基于地理加权岭回归的多源降雨数据融合方法，所述步骤S7中：

C1、连续性指标：

包括相关系数CC、平均误差ME、相对误差rBIAS和均方根误差RMSE，相关系数CC表示卫星降雨与站点降雨的线性相关程度；平均误差ME衡量卫星降雨与站点降雨的平均偏差；相对误差rBIAS反映卫星降雨的系统偏差程度；均方根误差RMSE量化卫星降雨与实测降雨之间的离散程度，可以反映卫星降雨的整体误差水平和精度，主要侧重于对较大误差值的描述，各指标的计算公式分别为：

(27)、(28)、(29)、(30)四式中，S

C2、分类指标：

包括探测率POD、误报率FAR、频率偏差指数FBI和临界成功指数CSI，探测率POD越高表示降雨事件被漏报的几率越小，误报率FAR越低表示降雨事件被误报的概率越小，FBI＞1说明高估降雨事件的出现频次FBI＜1则低估降雨事件的出现频次，临界成功指数CSI越大表示对降雨事件的综合探测能力越强，各指标的计算公式分别为：

(31)、(32)、(33)、(34)四式中，H代表成功捕捉降雨事件，即雨量站与卫星均探测到降雨事件；M代表漏报，即雨量站探测到降雨事件，但卫星没有探测到)；F代表误报，即雨量站没有探测到降雨事件，而卫星探测到降雨事件，POD、FBI、CSI越接近于1越优，FAR越接近于0越优。

具体地，图5展示了雨量站、四种卫星降雨产品和融合四种卫星的降雨产品MPP的日净雨数据于2010-2017年在全年及不同季节的泰勒图。可以看出，无论是在全年范围还是四个不同季节，MPP的CC和RMSD表现均明显优于四种卫星降雨产品。另外，除了在夏季和GSMaP_NRT、CMORPH和TMPA 3B42RT相当、在秋季略差于TMPA 3B42RT外，MPP的SD统计均最接近雨量站。

图6展示了四种卫星降雨产品和融合四种卫星的降雨产品MPP在五种降雨强度下的分类指标统计。可以看出，在总体上，MPP对五种不同强度降雨事件的检测能力均明显优于四种卫星降雨产品。

图7展示了融合四种卫星的降雨产品MPP于2010-2017年在42个雨量站点位置处的CC、ME、RMSE和rBIAS空间分布。可以看出，在雨量站点位置处，MPP均表现出与雨量站实测降雨较好的一致性。

本发明实施例提供的基于地理加权岭回归的多源降雨数据融合方法及设备，可以适用于具有雨量站实测降雨和卫星遥感降雨产品的地区,为水利行业从事水文预报、流域水资源利用与管理决策提供支撑，具有很强的实用性和广泛的适用性。

本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。

此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。

附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，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，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。

在本专利中，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，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它要素，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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。