基于图像分析的保护区环境空间特征分析方法及系统

摘要

本发明涉及人工智能技术领域，特别涉及一种基于图像分析的保护区环境空间特征分析方法及系统。本发明获取针对目标保护区的无人机巡航监测图像和机载遥感监测数据；通过联合神经网络JNN中的图像处理子网对无人机巡航监测图像进行特征提取，得到无人机巡航监测图像对应的监测图像特征；以及，通过联合神经网络JNN中的深度残差子网对机载遥感监测数据进行语义挖掘以确定针对目标保护区的环境空间联动描述；依据监测图像特征对应的第一环境变化预测观点、遥感数据语义向量对应的第二环境变化预测观点以及环境空间联动描述对应的第三环境变化预测观点，确定目标保护区的目标环境变化预测观点。

说明书

技术领域

本发明涉及人工智能技术领域，特别涉及一种基于图像分析的保护区环境空间特征分析方法及系统。

背景技术

保护区环境空间特征分析是一种重要的生态学和环境科学研究方法。在保护区环境空间特征分析中，统计分析可以用来揭示环境特征之间的关系，识别模式和趋势，以及预测未来变化。在传统的保护区环境空间特征分析技术中，图像分析是统计分析其中一个主流方向（主要涉及遥感图像的使用）。然而在实际应用时，如何利用监测图像特征进行环境变化预测，是现目前需要攻克的一个技术问题。

发明内容

为改善相关技术中存在的技术问题，本发明提供了一种基于图像分析的保护区环境空间特征分析方法及系统。

第一方面，本发明实施例提供了一种基于图像分析的保护区环境空间特征分析方法及系统，应用于人工智能分析系统，所述方法包括：

获取针对目标保护区的无人机巡航监测图像和机载遥感监测数据；其中，所述无人机巡航监测图像是目标无人机通过机载摄像头对所述目标保护区进行图像采集所得的，所述机载遥感监测数据是所述目标无人机通过传感器对所述目标保护区进行遥感数据采集所得的；

通过联合神经网络JNN中的图像处理子网对所述无人机巡航监测图像进行特征提取，得到所述无人机巡航监测图像对应的监测图像特征；以及，通过联合神经网络JNN中的深度残差子网对所述机载遥感监测数据进行语义挖掘，得到所述机载遥感监测数据对应的遥感数据语义向量；

结合所述监测图像特征和所述遥感数据语义向量，确定针对所述目标保护区的环境空间联动描述；

依据所述监测图像特征对应的第一环境变化预测观点、所述遥感数据语义向量对应的第二环境变化预测观点以及所述环境空间联动描述对应的第三环境变化预测观点，确定所述目标保护区的目标环境变化预测观点。

优选的，所述依据所述监测图像特征对应的第一环境变化预测观点、所述遥感数据语义向量对应的第二环境变化预测观点以及所述环境空间联动描述对应的第三环境变化预测观点，确定所述目标保护区的目标环境变化预测观点，包括：

结合所述第一环境变化预测观点、所述第二环境变化预测观点以及所述第三环境变化预测观点生成预测观点集，并确定所述预测观点集对应的目标变化趋势图序列；

从所述预测观点集中提取环境状态数据，基于所述环境状态数据确定第一环境状态更新标签，所述环境状态数据包括环境状态线性描述块；

从所述目标变化趋势图序列中提取生态系统数据，基于所述生态系统数据确定第二环境状态更新标签，所述生态系统数据包括生态系统线性描述块；

对所述环境状态线性描述块和所述生态系统线性描述块进行描述块聚合操作，得到线性聚合描述块；

基于所述线性聚合描述块确定所述预测观点集与若干个设定环境状态全局更新标签中每个设定环境状态全局更新标签之间的适配系数；

基于所述若干个设定环境状态全局更新标签和适配系数确定第三环境状态更新标签；

基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，所述目标环境状态更新标签用于反映所述预测观点集所属的目标环境变化预测观点。

优选的，所述基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，包括：

如果所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签中存在最少两种环境状态更新标签为第一标签关键词，则确定所述第一标签关键词为所述预测观点集的目标环境状态更新标签；

如果所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签均为不同标签关键词，则获取所述第一环境状态更新标签对应的第一适配系数、所述第二环境状态更新标签对应的第二适配系数和所述第三环境状态更新标签对应的第三适配系数，确定所述第一适配系数、所述第二适配系数和所述第三适配系数中最大量化可能性对应的标签关键词为所述预测观点集的目标环境状态更新标签。

优选的，所述基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，包括：

基于环境状态分析任务确定所述第一环境状态更新标签对应的第一重要性因子、所述第二环境状态更新标签对应的第二重要性因子和所述第三环境状态更新标签对应的第三重要性因子；

基于所述第一重要性因子和所述第一适配系数确定所述第一环境状态更新标签的可信强化系数，基于所述第二重要性因子和所述第二适配系数确定所述第二环境状态更新标签的可信强化系数，基于所述第三重要性因子和所述第三适配系数确定所述第三环境状态更新标签的可信强化系数；

基于所述第一环境状态更新标签的可信强化系数、所述第二环境状态更新标签的可信强化系数和所述第三环境状态更新标签的可信强化系数，确定所述预测观点集的目标环境状态更新标签。

优选的，所述方法还包括：

基于所述目标环境状态更新标签确定目标环境维护指示，输出所述目标环境维护指示，所述目标环境维护指示用于指导对所述目标保护区进行环境维护；

获取在目标周期内的已维护环境预测观点集和已维护变化趋势图序列；

基于所述已维护环境预测观点集和所述已维护变化趋势图序列确定已维护环境状态更新标签，如果所述已维护环境状态更新标签与所述目标环境状态更新标签之间的共性评分大于共性评分限值，则对所述目标环境维护指示进行优化。

优选的，所述基于所述环境状态数据确定第一环境状态更新标签，包括：

对所述环境状态数据进行状态描述块挖掘，得到环境状态线性描述块；

基于所述环境状态线性描述块确定所述预测观点集与若干个设定环境状态更新标签中每个设定环境状态更新标签之间的适配系数；

基于所述若干个设定环境状态更新标签和适配系数确定所述第一环境状态更新标签。

优选的，所述方法还包括：

获取网络调试样例集，网络调试样例集包括第一种网络调试样例、第二种网络调试样例和第三种网络调试样例，所述第一种网络调试样例的标签关键词为森林环境状态更新标签；

从所述第一种网络调试样例中提取第一环境状态数据调试样例，基于所述第一环境状态数据调试样例确定第一环境状态更新标签调试样例；

从所述第二种网络调试样例中提取第一生态系统数据调试样例，基于所述第一生态系统数据调试样例确定第二环境状态更新标签调试样例；

从所述第三种网络调试样例中提取第二环境状态数据调试样例和第二生态系统数据调试样例，基于所述第二环境状态数据调试样例和所述第二生态系统数据调试样例确定第三环境状态更新标签调试样例；

获取所述第一种网络调试样例对应的第一先验环境状态更新注释、所述第二种网络调试样例对应的第二先验环境状态更新注释和所述第三种网络调试样例对应的第三先验环境状态更新注释；

基于所述第一环境状态更新标签调试样例、所述第二环境状态更新标签调试样例、所述第三环境状态更新标签调试样例、所述第一先验环境状态更新注释、所述第二先验环境状态更新注释和所述第三先验环境状态更新注释，调试目标决策树网络，所述预测观点集的目标环境状态更新标签是基于所述目标决策树网络确定的。

优选的，所述方法还包括：

获取所述预测观点集对应的拓扑关系网，提取所述拓扑关系网的趋势演变数据，基于所述趋势演变数据确定第四环境状态更新标签；

所述基于所述环境状态数据和所述生态系统数据确定第三环境状态更新标签，包括：基于所述趋势演变数据、所述环境状态数据和所述生态系统数据，确定第三环境状态更新标签；

所述基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，包括：基于所述第一环境状态更新标签、所述第二环境状态更新标签、所述第三环境状态更新标签和所述第四环境状态更新标签，确定所述预测观点集的目标环境状态更新标签。

第二方面，本发明还提供了一种人工智能分析系统，包括处理器和存储器；所述处理器和所述存储器通信连接，所述处理器用于从所述存储器中读取计算机程序并执行，以实现上述的方法。

第三方面，本发明还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并于说明书一起用于解释本发明的原理。

图1是本发明实施例提供的一种基于图像分析的保护区环境空间特征分析方法及系统的流程示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与本发明的一些方面相一致的装置和方法的例子。

需要说明的是，本发明的说明书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。

本发明实施例所提供的方法实施例可以在人工智能分析系统、计算机设备或者类似的运算装置中执行。以运行在人工智能分析系统上为例，人工智能分析系统可以包括一个或多个处理器（处理器可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置）和用于存储数据的存储器，可选地，上述人工智能分析系统还可以包括用于通信功能的传输装置。本领域普通技术人员可以理解，上述结构仅为示意，其并不对上述人工智能分析系统的结构造成限定。例如，人工智能分析系统还可包括比上述所示更多或者更少的组件，或者具有与上述所示不同的配置。

存储器可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的一种基于图像分析的保护区环境空间特征分析方法及系统对应的计算机程序，处理器通过运行存储在存储器内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器可进一步包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至人工智能分析系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

传输装置用于经由一个网络接收或者发送数据。上述的网络具体实例可包括人工智能分析系统的通信供应商提供的无线网络。在一个实例中，传输装置包括一个网络适配器（Network Interface Controller，简称为NIC），其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输装置可以为射频（Radio Frequency，简称为RF）模块，其用于通过无线方式与互联网进行通讯。

基于此，请参阅图1，图1是本发明实施例所提供的一种基于图像分析的保护区环境空间特征分析方法及系统的流程示意图，该方法应用于人工智能分析系统，进一步可以包括步骤110-步骤140。

步骤110、获取针对目标保护区的无人机巡航监测图像和机载遥感监测数据；其中，所述无人机巡航监测图像是目标无人机通过机载摄像头对所述目标保护区进行图像采集所得的，所述机载遥感监测数据是所述目标无人机通过传感器对所述目标保护区进行遥感数据采集所得的。

步骤110中的目标保护区可以是一个自然保护区，比如一个森林或野生动物保护区。无人机巡航监测图像是指通过无人机的机载摄像头对该目标保护区进行图像采集所得的照片或视频。机载遥感监测数据是指通过无人机上的传感器对目标保护区进行遥感数据采集所得的信息，比如红外数据分布、激光扫描数据等。

以监测一个森林保护区为例进行说明，无人机会在空中飞行，使用机载摄像头对森林保护区进行拍摄或录像，获取无人机巡航监测图像。同时，无人机上的传感器也会采集森林的机载遥感监测数据，如红外数据分布来探测植被密度或植被类型等信息。这些无人机巡航监测图像和机载遥感监测数据可以提供关于目标保护区的环境状态和变化的信息。它们记录了森林的外观、植被分布、土地利用等方面的情况。

步骤120、通过联合神经网络JNN中的图像处理子网对所述无人机巡航监测图像进行特征提取，得到所述无人机巡航监测图像对应的监测图像特征；以及，通过联合神经网络JNN中的深度残差子网对所述机载遥感监测数据进行语义挖掘，得到所述机载遥感监测数据对应的遥感数据语义向量。

在步骤120中，通过联合神经网络JNN中的图像处理子网对无人机巡航监测图像进行特征提取，例如提取出森林的颜色、纹理和形状等特征。同时，通过JNN中的深度残差子网对机载遥感监测数据进行语义挖掘，例如提取出森林的植被类型、密度和生态系统健康状况等语义向量。

以一张显示了森林中的一片区域的无人机巡航监测图像为例，首先，通过JNN的图像处理子网，可以对该图像进行各种特征提取操作。一些可能的特征提取示例包括但不限于：颜色特征提取：通过分析图像的颜色分布，可以提取出森林中不同植被类别的颜色信息。例如，提取出绿色植被的分布情况和密度；纹理特征提取：利用纹理分析方法，可以提取出森林地面、树木或植被的纹理信息。例如，提取出树皮的纹理、草地的纹理等；形状特征提取：通过检测图像中的边缘、角点或轮廓等形状信息，可以提取出森林中不同物体的形状特征。例如，提取出树木的形状、道路的形状等；尺度特征提取：针对不同尺度的结构和物体，可以通过图像金字塔或多尺度分析的方法提取出不同尺度下的特征信息。例如，提取出森林中不同植被层次的尺度特征；其他特征提取：根据具体需求，还可以进行更复杂的特征提取操作，如纹理方向直方图、颜色空间转换等。这些特征提取操作可以实现从无人机巡航监测图像中提取出与目标保护区环境相关的信息。这些特征将用于后续步骤，例如生成监测图像特征，与其他数据进行关联分析，以实现对目标保护区环境变化的预测和描述。

另外，可以通过无人机上的传感器获取一些森林保护区的机载遥感监测数据，比如红外数据分布、激光扫描数据等。将这些数据输入到JNN的深度残差子网中，进行语义挖掘以得到对应的遥感数据语义向量。一些可能的特征提取示例包括但不限于：红外数据分布语义挖掘：对于红外数据分布，深度残差子网可以识别和提取出其中的关键信息。例如，它可以识别出不同温度区域表示的热点分布，进而推断出森林中可能存在的火灾或动物活动等情况。这些被挖掘出来的语义信息可以转化为数值或向量形式，形成红外数据分布的语义向量表示；激光扫描数据语义挖掘：针对激光扫描数据，深度残差子网可以进行语义解析和关系提取。例如，它可以识别出不同高度的地面、树木或建筑物，并进一步推断出森林结构、地形起伏等信息。这些被挖掘出来的语义信息可以组成激光扫描数据的语义向量表示。

通过对机载遥感监测数据进行语义挖掘，深度残差子网可以将原始数据转化为具有语义含义的向量表示。这些向量捕捉了数据中的关键特征和含义，可用于后续步骤中的分析、预测和关联。例如，可以使用这些语义向量来比较不同周期的遥感数据，发现森林保护区中的变化趋势，并根据这些信息制定相应的保护策略。

当涉及机载遥感监测数据和遥感数据语义向量时，可以考虑以下具体示例：

（1）机载遥感监测数据：红外图像：通过红外传感器获取的图像数据，可以用于检测地表温度分布、火灾情况、动物活动等。语义挖掘可以提取出这些信息，并将其转化为语义向量表示；激光扫描数据：通过激光雷达获取的数据，可以生成地形高程模型、建筑物或树木的三维点云。语义挖掘可以识别出地面、树木、建筑物等要素，并将其转化为语义向量表示；

（2）遥感数据语义向量：红外图像语义向量：通过语义挖掘，可以从红外图像中提取出森林热点分布、火灾风险等关键信息，并将其表示为语义向量。这个向量可以概括红外图像所包含的重要特征和语义含义；激光扫描数据语义向量：语义挖掘可以从激光扫描数据中提取出地面高程、树木高度、建筑物位置等关键信息，并将其表示为语义向量。这个向量能够表达激光扫描数据的重要特征和语义含义。

通过对机载遥感监测数据进行语义挖掘，可以提取出其中的关键信息，并将其转化为具有语义含义的向量表示。这些语义向量反映了数据中的重要特征和含义，可以用于进一步的分析、预测和关联任务，帮助理解目标保护区的环境变化并制定相应的管理策略。

步骤130、结合所述监测图像特征和所述遥感数据语义向量，确定针对所述目标保护区的环境空间联动描述。

在步骤120中，提取了监测图像特征和遥感数据语义向量，并在步骤130中使用它们来确定环境空间联动描述。

在一些示例下，在森林保护区的监测过程中，假设正在监测一个森林保护区的植被变化。提取了监测图像特征，如植被指数（如NDVI）和植被覆盖密度，以及遥感数据语义向量，如土壤湿度和地形高程。

基于这些特征和语义向量，可以进行环境空间联动描述的预测观点。例如，如果监测图像特征显示高NDVI值和密集的植被覆盖，而遥感数据语义向量指示较高的土壤湿度，那么可以推测该森林保护区正处于生长季节且拥有良好的植被生态系统。另外，如果监测图像特征表明植被指数下降且植被覆盖稀疏，而遥感数据语义向量显示低土壤湿度和崎岖的地形高程，这可能暗示该森林保护区正面临着干旱和植被衰退的挑战。通过步骤130，利用监测图像特征和遥感数据语义向量确定环境空间联动描述，可以推测森林保护区的环境变化观点。这有助于更好地理解森林生态系统的状态、趋势和可能发生的变化，并为保护区管理者提供相应的决策支持和保护措施。

在另一些示例下，假设正在监测一个海岸保护区，并收集了相关的监测图像和遥感数据。提取了监测图像特征，如海洋水体颜色、海岸线形状等，以及遥感数据语义向量，如海洋温度、叶绿素含量等。

基于这些特征和语义向量，可以进行环境空间联动描述的预测观点。例如，如果监测图像特征显示海洋水体呈现蓝色调，并且遥感数据语义向量表明海洋温度较低，那么可以预测该海岸保护区正处于寒冷季节或寒流影响下。另外，如果监测图像特征展示出海岸线的侵蚀迹象，并且遥感数据语义向量指示叶绿素含量上升，那么可以预测该海岸保护区正面临着海岸侵蚀和植物生长的变化。

通过步骤130，利用监测图像特征和遥感数据语义向量来推断目标保护区的环境空间联动描述。这有助于更好地理解环境要素之间的关系、趋势以及可能发生的变化，为保护区管理者提供决策制定和合适的保护措施提供有益的信息。

步骤140、依据所述监测图像特征对应的第一环境变化预测观点、所述遥感数据语义向量对应的第二环境变化预测观点以及所述环境空间联动描述对应的第三环境变化预测观点，确定所述目标保护区的目标环境变化预测观点。

本发明实施例中，步骤140的目标是基于监测图像特征预测观点、遥感数据语义向量预测观点以及环境空间联动描述预测观点，确定目标保护区的目标环境变化预测观点。

以监测一个湿地保护区为例进行说明，期间收集了无人机巡航监测图像和机载遥感监测数据。在步骤120和步骤130中，提取了监测图像特征和遥感数据语义向量，并生成了关于目标保护区的环境空间联动描述，以下是分别对第一环境变化预测观点、第二环境变化预测观点以及第三环境变化预测观点的介绍说明。

（1）第一环境变化预测观点，也即监测图像特征预测观点：根据提取的监测图像特征，可以预测出一些与目标保护区环境变化相关的观点。例如，基于植被颜色和纹理特征，可以预测湿地中不同植物种类的分布情况或季节性变化。如果观察到具有明显蓝色调的图像区域，可能暗示着水体的扩展或变化。

（2）第二环境变化预测观点，也即遥感数据语义向量预测观点：根据遥感数据语义向量的信息，可以预测目标保护区的环境变化观点。例如，基于激光扫描数据的语义向量，可以预测湿地中树木的高度和分布情况。如果激光扫描数据表明一些区域的高程在短时间内发生显著变化，可能暗示着湿地地形或水位的变化。

（3）第三环境变化预测观点，也即环境空间联动描述预测观点：通过生成的环境空间联动描述，可以预测出目标保护区的其他环境变化观点。例如，如果联动描述指出湿地周围的土壤含水量增加，并且监测图像特征显示植被颜色变得更加鲜绿，那么可以预测这个目标保护区正在经历降雨季节或水源增加的情况。

因此，通过结合监测图像特征、遥感数据语义向量和环境空间联动描述，可以推测目标保护区的环境变化预测观点。这些预测观点有助于了解保护区的环境状态、趋势和可能发生的变化，从而支持保护区管理者制定相应的措施和决策，确保环境的保护。

可见，应用上述步骤110-步骤140，通过监测图像特征预测观点、遥感数据语义向量预测观点以及环境空间联动描述预测观点，可以实现全面而准确的环境变化预测，并深入理解环境变化原因与趋势，从而辅助环境管理和决策制定。

进一步地，就全面而准确的环境变化预测而言：通过综合利用监测图像特征和遥感数据语义向量，可以从若干个角度获取关于目标保护区环境的信息。监测图像特征提供了直观且具体的视觉信息，而遥感数据语义向量则提供了更深层次的语义含义。同时，通过环境空间联动描述，可以捕捉到不同要素之间的相互关系和协同变化。这种综合分析的方法可以提供全面而准确的环境变化预测观点。

就深入理解环境变化原因与趋势而言：通过分析监测图像特征和遥感数据语义向量，可以获得关于目标保护区环境变化的直接线索。例如，颜色变化可以反映季节性的植被生长，高程变化可以揭示地形或水位的变化。这些观点可以帮助理解环境变化的原因和趋势，从而更好地掌握保护区的动态变化情况。

就辅助环境管理和决策制定而言：基于目标环境变化预测观点，管理者可以更好地规划环境保护措施和决策。通过提前预测环境变化，可以采取相应的行动来保护和维护目标保护区的生态系统。例如，在预测到干旱季节即将来临时，可以加强水资源管理和植被保护措施，以减轻可能的影响。这种辅助环境管理和决策制定的能力有助于实现有效的保护区管理。

通过整合不同数据源和观点，确定目标保护区的环境变化预测观点具有多方面的优势，包括全面性、准确性、深入理解和辅助环境管理等方面。这有助于保护区管理者更好地了解和应对环境变化，以实现长期的生态保护目标。

在一些可能的实施例中，步骤140中的依据所述监测图像特征对应的第一环境变化预测观点、所述遥感数据语义向量对应的第二环境变化预测观点以及所述环境空间联动描述对应的第三环境变化预测观点，确定所述目标保护区的目标环境变化预测观点，包括步骤141-步骤147。

步骤141、结合所述第一环境变化预测观点、所述第二环境变化预测观点以及所述第三环境变化预测观点生成预测观点集，并确定所述预测观点集对应的目标变化趋势图序列。

基于步骤141，意味着会考虑关于森林保护区未来可能发生的环境变化的各种观点和预测，并将它们结合在一起形成一个观点集。

步骤142、从所述预测观点集中提取环境状态数据，基于所述环境状态数据确定第一环境状态更新标签，所述环境状态数据包括环境状态线性描述块。

基于步骤142，会收集与森林保护区相关的环境状态数据，例如气候数据、土壤质量等，并根据这些数据确定第一环境状态的更新标签，用以描述当前环境状态。

步骤143、从所述目标变化趋势图序列中提取生态系统数据，基于所述生态系统数据确定第二环境状态更新标签，所述生态系统数据包括生态系统线性描述块。

基于步骤143，会收集与森林保护区内生态系统相关的数据，例如植物物种多样性、动物迁徙模式等，并根据这些数据确定第二环境状态的更新标签，用以描述当前生态系统状况。

步骤144、对所述环境状态线性描述块和所述生态系统线性描述块进行描述块聚合操作，得到线性聚合描述块。

基于步骤144，意味着将整合第一和第二环境状态的更新标签，以形成一个综合描述当前环境状态和生态系统状况的线性聚合描述块。

步骤145、基于所述线性聚合描述块确定所述预测观点集与若干个设定环境状态全局更新标签中每个设定环境状态全局更新标签之间的适配系数。

基于步骤145，会评估预测观点集与各个设定环境状态全局更新标签之间的匹配程度，并为它们之间的适配关系分配适配系数。

步骤146、基于所述若干个设定环境状态全局更新标签和适配系数确定第三环境状态更新标签。

基于步骤146，根据步骤145中得到的适配系数，可以确定第三环境状态的更新标签，该标签将结合设定环境状态的全局更新标签，并考虑了预测观点集的适配度。

步骤147、基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，所述目标环境状态更新标签用于反映所述预测观点集所属的目标环境变化预测观点。

最后，在考虑了所有环境状态的更新标签之后，可以确定预测观点集所属的目标环境变化预测观点。这个目标环境状态更新标签将反映预测观点集对于森林保护区未来环境变化的预测。

在本发明实施例中，上述环境状态更新标签可以理解为环境状态的更新类别。

通过以上步骤，可以将多个环境变化预测观点、当前环境状态和生态系统状况整合到一起，形成一个综合的预测观点集和目标环境状态更新标签。这样做的好处是可以更全面地了解和预测森林保护区未来的环境变化，并根据这些预测制定相应的保护策略。整体而言，这一方法可以提供更准确、综合且可靠的预测结果，从而有助于更有效地进行森林保护和管理工作，以实现长期的生态平衡。

进一步地，通过上述步骤的操作，至少还可以获得以下有益效果：

（1）综合性预测观点集：步骤141中结合多个环境变化预测观点生成的预测观点集，能够提供多方面、综合性的预测信息。这样的综合性观点集可以帮助更全面地了解森林保护区未来的环境变化趋势，并从不同角度考虑可能的发展方向；

（2）环境状态更新标签：通过步骤142和步骤143，根据收集到的环境状态数据和生态系统数据，确定了第一环境状态和第二环境状态的更新标签。这些标签是对当前环境状态和生态系统状况的描述，能够提供对森林保护区现状的直观认识。

（3）线性聚合描述块：在步骤144中，利用描述块聚合操作将第一环境状态更新标签和第二环境状态更新标签进行线性聚合，得到一个综合的线性聚合描述块。该描述块能够综合反映森林保护区的环境状态和生态系统特征，提供更全面的信息。

（4）适配系数与第三环境状态更新标签：步骤145和步骤146中，通过计算适配系数确定了预测观点集与设定环境状态全局更新标签的匹配程度，并基于适配系数确定了第三环境状态的更新标签。这样的操作可以对不同预测观点进行评估和选择，提高预测观点集的准确性和适应性。

（5）目标环境状态更新标签：最终，在步骤147中，根据第一、第二和第三环境状态的更新标签，确定了预测观点集的目标环境状态更新标签。这个标签能够反映预测观点集所属的目标环境变化预测，为森林保护区的管理决策提供重要依据。

通过以上步骤的操作，能够获取多方面的信息并进行综合分析，从而更好地了解森林保护区的环境变化趋势，预测未来的发展，并制定相应的保护措施和管理策略。这将有助于优化资源利用、提升生态系统健康状况，实现可持续的森林保护目标。

进一步地，在线性描述块和线性聚合描述块为量化特征向量的前提下，上述方法还具有如下有益效果：

（1）数据整合与综合利用：通过将多个环境变化预测观点、环境状态数据和生态系统数据转化为特征向量形式，并进行线性描述块的构建和聚合，能够将大量的数据信息整合到几个紧凑的特征向量中。这种整合和综合利用的方式可以减少数据冗余和重复，使得对森林保护区未来环境变化的预测更加高效和精确；

（2）简化计算与分析过程：通过将原始数据转化为特征向量形式，并进行线性聚合操作，可以简化对环境状态和生态系统特征的计算和分析过程。特征向量具有较低的维度和复杂度，因此在进行模型训练、数据处理和预测分析时，所需的计算资源和时间都会大幅减少，从而实现了资源的有效利用和节约；

（3）更快速的决策制定：通过使用线性描述块和线性聚合描述块作为决策依据，可以迅速地获取对森林保护区未来环境变化的预测结果。相比于繁琐的数据分析和复杂的模型计算，特征向量形式的描述块能够提供更简明、直观的信息，使决策制定者能够更快速地做出决策并采取相应的行动。

通过以上资源节约的效果，能够在森林保护区管理中降低数据处理和分析的成本与复杂度，优化资源利用，同时提升预测准确性和决策效率。这有助于实现在有限资源下对森林保护区进行更有效的管理和保护。

在一些可能的实施例中，步骤147中的基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，包括步骤1471或步骤1472。

步骤1471、如果所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签中存在最少两种环境状态更新标签为第一标签关键词，则确定所述第一标签关键词为所述预测观点集的目标环境状态更新标签。

步骤1472、如果所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签均为不同标签关键词，则获取所述第一环境状态更新标签对应的第一适配系数、所述第二环境状态更新标签对应的第二适配系数和所述第三环境状态更新标签对应的第三适配系数，确定所述第一适配系数、所述第二适配系数和所述第三适配系数中最大量化可能性对应的标签关键词为所述预测观点集的目标环境状态更新标签。

应用步骤1471时，可以简化决策过程并提高准确性：当至少两种不同的环境状态更新标签被确定为第一标签关键词时，可以直接选择这些标签作为目标环境状态更新标签，而无需进一步计算适配系数；通过要求多个环境状态更新标签具有共同的第一标签关键词，可以增强对目标环境状态更新标签的确定性。这有助于降低误判的可能性。

应用步骤1472时，可以考虑多个因素并考虑权重差异：当各个环境状态更新标签不完全相同时，通过计算适配系数并选择具有最大量化可能性的标签关键词，可以综合考虑多个因素，并根据其重要性确定目标环境状态更新标签；每个环境状态更新标签对应的适配系数可以反映其与预测观点集的匹配程度。通过选择最大的适配系数对应的标签关键词，可以更准确地确定目标环境状态更新标签，考虑到各个标签的权重差异。

基于步骤1471和步骤1472在实际应用中可以帮助提高对环境状态更新的预测和决策的准确性，并且可以根据具体情况进行调整和优化。

在另一些可能的实施例中，步骤147所描述的基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，包括步骤147a-步骤147c所描述的技术方案。

步骤147a、基于环境状态分析任务确定所述第一环境状态更新标签对应的第一重要性因子、所述第二环境状态更新标签对应的第二重要性因子和所述第三环境状态更新标签对应的第三重要性因子；

步骤147b、基于所述第一重要性因子和所述第一适配系数确定所述第一环境状态更新标签的可信强化系数，基于所述第二重要性因子和所述第二适配系数确定所述第二环境状态更新标签的可信强化系数，基于所述第三重要性因子和所述第三适配系数确定所述第三环境状态更新标签的可信强化系数；

步骤147c、基于所述第一环境状态更新标签的可信强化系数、所述第二环境状态更新标签的可信强化系数和所述第三环境状态更新标签的可信强化系数，确定所述预测观点集的目标环境状态更新标签。

其中，重要性因子可以理解为权重因子，可信强化系数可以理解为加权置信系数。

应用步骤147a-步骤147c，首先，通过环境状态分析任务确定第一环境状态更新标签对应的第一重要性因子、第二环境状态更新标签对应的第二重要性因子和第三环境状态更新标签对应的第三重要性因子。这些重要性因子可以表示各个环境状态更新标签的权重或重要程度。接下来，基于第一重要性因子和第一适配系数，计算并确定第一环境状态更新标签的可信强化系数。类似地，基于第二重要性因子和第二适配系数，计算并确定第二环境状态更新标签的可信强化系数。同时，基于第三重要性因子和第三适配系数，计算并确定第三环境状态更新标签的可信强化系数。这些可信强化系数反映了每个环境状态更新标签的置信度，并考虑了它们在预测观点集中的重要性。最后，结合第一环境状态更新标签的可信强化系数、第二环境状态更新标签的可信强化系数和第三环境状态更新标签的可信强化系数，来确定预测观点集的目标环境状态更新标签。这些可信强化系数充当权重，帮助决定每个环境状态更新标签的相对重要性，并最终确定目标环境状态更新标签。这样，可以综合考虑环境状态更新标签的重要性和适配程度，从而更准确地确定预测观点集的目标环境状态更新标签，并在森林保护区的决策和管理中提供有益的指导。

在一些可选的实施例中，所述方法还包括步骤210-步骤230。

步骤210、基于所述目标环境状态更新标签确定目标环境维护指示，输出所述目标环境维护指示，所述目标环境维护指示用于指导对所述目标保护区进行环境维护。

步骤220、获取在目标周期（时段）内的已维护环境预测观点集和已维护变化趋势图序列。

步骤230、基于所述已维护环境预测观点集和所述已维护变化趋势图序列确定已维护环境状态更新标签，如果所述已维护环境状态更新标签与所述目标环境状态更新标签之间的共性评分大于共性评分限值，则对所述目标环境维护指示进行优化。

在步骤210-步骤230中，根据目标环境状态更新标签确定目标环境维护指示，该指示用于指导对目标保护区进行环境维护。比如针对一个野生动物保护区，通过该方法可以实现对该保护区内生态系统的监测和维护。

首先，根据监测图像特征和遥感数据语义向量，确定该保护区的环境空间联动描述。然后，根据监测图像特征对应的第一环境变化预测观点、遥感数据语义向量对应的第二环境变化预测观点以及环境空间联动描述对应的第三环境变化预测观点，确定目标保护区的目标环境变化预测观点。

接下来，根据目标环境状态更新标签确定目标环境维护指示。这意味着根据预测的环境变化观点，系统可以给出关于如何维护目标保护区的建议或指导。例如，如果预测到某个地区的植被受到威胁，系统可以建议采取适当的措施，如增加灌溉或进行人工保护。

在执行环境维护指示后，可以获取已维护环境预测观点集和已维护变化趋势图序列。然后，根据这些已维护数据确定已维护环境状态更新标签。如果已维护环境状态更新标签与目标环境状态更新标签之间的共性评分大于设定的共性评分限值，那么可以对目标环境维护指示进行优化，以进一步改善环境维护策略。

可见，步骤210-步骤230结合图像分析和语义挖掘技术，通过预测目标保护区的环境变化并提供相应的环境维护指示，有助于实现对保护区的有效监测和维护。

在一些优选的实施例中，步骤142中的基于所述环境状态数据确定第一环境状态更新标签，包括步骤1421-步骤1423。

步骤1421、对所述环境状态数据进行状态描述块挖掘，得到环境状态线性描述块。

步骤1422、基于所述环境状态线性描述块确定所述预测观点集与若干个设定环境状态更新标签中每个设定环境状态更新标签之间的适配系数。

步骤1423、基于所述若干个设定环境状态更新标签和适配系数确定所述第一环境状态更新标签。

就上述步骤1421-步骤1423而言，步骤1421中的状态描述块挖掘是指对森林环境中的状态数据进行分析和挖掘，以提取有关环境状态的线性描述块。这些状态数据可以包括温度、湿度、降雨量等森林生态系统的相关参数。通过分析这些数据，可以识别出具有相似变化模式或相关性的状态片段，并将它们组合成环境状态线性描述块。步骤1422涉及基于环境状态线性描述块来确定预测观点集与若干个设定环境状态更新标签之间的适配系数。这意味着根据已经定义的一些设定环境状态更新标签，通过比较预测观点集中的环境状态数据与这些设定标签之间的匹配程度来计算适配系数。适配系数反映了预测观点集中的环境状态与设定环境状态之间的相似性或相关性程度。步骤1423使用适配系数来确定第一环境状态更新标签。根据适配系数的计算结果，选择适配系数最高的设定环境状态更新标签作为第一环境状态更新标签。这个标签表示预测观点集所属的主要环境状态变化趋势或特征，可以用于指导环境维护和管理决策。

综上所述，在森林环境保护区的场景下，通过挖掘环境状态数据的状态描述块、计算适配系数，并基于适配系数确定第一环境状态更新标签，该方法可以帮助分析和理解森林生态系统的变化趋势，并为环境管理人员提供有关环境状态的重要信息和指导建议。

在一些可选的实施例中，所述方法还包括步骤310-步骤360。

步骤310、获取网络调试样例集，网络调试样例集包括第一种网络调试样例、第二种网络调试样例和第三种网络调试样例，所述第一种网络调试样例的标签关键词为森林环境状态更新标签。

步骤320、从所述第一种网络调试样例中提取第一环境状态数据调试样例，基于所述第一环境状态数据调试样例确定第一环境状态更新标签调试样例。

步骤330、从所述第二种网络调试样例中提取第一生态系统数据调试样例，基于所述第一生态系统数据调试样例确定第二环境状态更新标签调试样例。

步骤340、从所述第三种网络调试样例中提取第二环境状态数据调试样例和第二生态系统数据调试样例，基于所述第二环境状态数据调试样例和所述第二生态系统数据调试样例确定第三环境状态更新标签调试样例。

步骤350、获取所述第一种网络调试样例对应的第一先验环境状态更新注释、所述第二种网络调试样例对应的第二先验环境状态更新注释和所述第三种网络调试样例对应的第三先验环境状态更新注释。

步骤360、基于所述第一环境状态更新标签调试样例、所述第二环境状态更新标签调试样例、所述第三环境状态更新标签调试样例、所述第一先验环境状态更新注释、所述第二先验环境状态更新注释和所述第三先验环境状态更新注释，调试目标决策树网络，所述预测观点集的目标环境状态更新标签是基于所述目标决策树网络确定的。

应用本发明实施例，步骤310涉及获取网络调试样例集，其中包括第一种、第二种和第三种网络调试样例。第一种网络调试样例的标签关键词是森林环境状态更新标签，意味着这些样例与森林环境的状态变化相关。这些样例可以是与森林环境状态有关的文本、图像或其他形式的数据。在步骤320中，从第一种网络调试样例中提取第一环境状态数据调试样例。根据这些调试样例中的环境状态数据，可以确定第一环境状态更新标签调试样例。这意味着通过分析第一种样例中的环境状态信息，可以推断出对应的环境状态更新标签。类似地，在步骤330和步骤340中，从第二种和第三种网络调试样例中提取相应的生态系统数据和环境状态数据调试样例，并基于这些调试样例确定第二环境状态更新标签调试样例和第三环境状态更新标签调试样例。这些调试样例中的信息可以用来识别和确定第二和第三环境状态更新标签。在步骤350中，获取第一种、第二种和第三种网络调试样例对应的先验环境状态更新注释。这些先验注释提供了关于预测观点集中环境状态更新标签的参考信息，有助于训练和调试目标决策树网络。最后，在步骤360中，基于第一环境状态更新标签调试样例、第二环境状态更新标签调试样例、第三环境状态更新标签调试样例以及相应的先验环境状态更新注释，进行目标决策树网络的调试。这意味着通过训练和优化目标决策树网络，可以确定预测观点集的目标环境状态更新标签。目标决策树网络可用于根据输入数据预测目标环境的状态变化，并在森林环境保护区中做出相关决策和推荐。

应用步骤310-步骤360至少包括如下有益效果：

（1）数据丰富性：通过获取网络调试样例集并提取相关数据样例，可以大大增加可用于训练和优化模型的数据量。这种数据丰富性可以提高模型的准确性和泛化能力，使其能够更好地预测森林环境状态的变化；

（2）精准的环境状态更新标签：通过基于网络调试样例中的环境状态数据和先验环境状态更新注释，确定准确的环境状态更新标签。这些标签可以描述森林环境的各种状态变化，如植被生长、土壤湿度、野生动物迁徙等。精准的标签有助于提高模型预测的准确性，并为决策制定提供更具体的信息；

（3）目标决策树网络的优化：通过调试目标决策树网络，可以对模型进行优化和调整，以适应特定的森林环境保护区需求。通过与第一环境状态更新标签调试样例、第二环境状态更新标签调试样例、第三环境状态更新标签调试样例以及先验环境状态更新注释的结合，可以提高模型的性能，减少误差，并提供更可靠的预测结果；

（4）决策支持和管理效果提升：通过预测观点集的目标环境状态更新标签，基于调试后的目标决策树网络，可以提供更准确和全面的环境管理决策支持。这些决策可能涉及资源分配、生态保护措施、灾害应对等方面，从而提升森林环境保护区的管理效果和生态系统的健康程度。

综上，基于步骤310-步骤360可以带来数据丰富性、精准的环境状态更新标签、目标决策树网络的优化以及决策支持和管理效果的提升。这些效果共同促进了对森林环境的深入理解、精确预测和有效管理，为森林环境保护区的生态平衡做出贡献。

在一些可选的实施例中，所述方法还包括：获取所述预测观点集对应的拓扑关系网，提取所述拓扑关系网的趋势演变数据，基于所述趋势演变数据确定第四环境状态更新标签；所述基于所述环境状态数据和所述生态系统数据确定第三环境状态更新标签，包括：基于所述趋势演变数据、所述环境状态数据和所述生态系统数据，确定第三环境状态更新标签；所述基于所述第一环境状态更新标签、所述第二环境状态更新标签和所述第三环境状态更新标签，确定所述预测观点集的目标环境状态更新标签，包括：基于所述第一环境状态更新标签、所述第二环境状态更新标签、所述第三环境状态更新标签和所述第四环境状态更新标签，确定所述预测观点集的目标环境状态更新标签。

上述实施例中还包括获取预测观点集对应的拓扑关系网、提取拓扑关系网的趋势演变数据，并基于这些趋势演变数据确定第四环境状态更新标签。这意味着除了前面提到的环境状态数据和生态系统数据外，还考虑了预测观点集中元素之间的拓扑关系和趋势。

例如，在森林环境保护区的一个可选实施例中，可能收集了与森林相关的网络调试样例，包括文本、图像和传感器数据等。通过分析这些样例，可以提取出其中的环境状态数据和生态系统数据，以及观察到的元素之间的拓扑关系。同时，还建立了一个拓扑关系网，描述了森林内各个元素（如树木、动物群落、水源等）之间的关联和相互影响。随后，通过分析该拓扑关系网的趋势演变数据，例如不同时间段内元素之间的交互模式和变化趋势，来确定第四环境状态更新标签。这个标签可以指示森林环境状态的具体变化，如森林结构的演变、物种多样性的变化等。接着，基于环境状态数据、生态系统数据和拓扑关系网的趋势演变数据，还可以确定第三环境状态更新标签。通过综合考虑这些信息，能够更准确地描述森林环境状态的变化，并为决策提供更全面的依据。最后，基于前面所确定的第一、第二、第三和第四环境状态更新标签，可以确定预测观点集的目标环境状态更新标签。这个目标标签综合了各个环境状态更新标签的信息，提供了对森林环境未来状态的预测和指导。

可见，上述实施例通过引入拓扑关系网和趋势演变数据，进一步完善了对森林环境的描述和预测，从而提高了模型的准确性和决策的可靠性。

在一些可独立的实施例中，在步骤120中，联合神经网络JNN中的图像处理子网的调试步骤包括如下内容：获取过往无人机巡航监测图像的扰动图像描述子；所述过往无人机巡航监测图像为掺杂了设定占比的正常无人机巡航监测图像和扰动无人机巡航监测图像的拟优化无人机巡航监测图像；将所述扰动图像描述子加载到待调试的图像描述优化挖掘网络，通过所述图像描述优化挖掘网络得到去扰动无人机巡航监测图像描述子；所述图像描述优化挖掘网络用于削弱所述扰动图像描述子中关于所述扰动无人机巡航监测图像的扰动描述子；基于所述去扰动无人机巡航监测图像描述子进行无人机巡航监测图像优化，得到无人机巡航监测优化图像，并根据所述无人机巡航监测优化图像与所述正常无人机巡航监测图像之间的区别，得到第一网络代价指标；基于所述去扰动无人机巡航监测图像描述子对所述无人机巡航监测优化图像的图像质量评分进行预测，得到图像质量预测评分，并根据所述图像质量预测评分与所述过往无人机巡航监测图像对应的过往图像质量评分之间的区别，得到第二网络代价指标；根据所述第一网络代价指标和所述第二网络代价指标，得到全局网络代价指标，并基于所述全局网络代价指标更新所述待调试的图像描述优化挖掘网络的网络变量，直到所述全局网络代价指标满足预设调试终止要求，得到图像处理子网。

可见，图像处理子网在进行图像特征提取时，可以引入图像优化和扰动去除进行综合处理，从而确保得到的监测图像特征的准确性和可靠性。

在上述内容中，引入图像优化和扰动去除进行综合处理的步骤可以带来以下有益效果：去扰动无人机巡航监测图像描述子：通过加载扰动图像描述子到图像描述优化挖掘网络，得到去除扰动后的无人机巡航监测图像描述子。这有助于减弱扰动图像中与扰动相关的描述子，提高图像特征的准确性；无人机巡航监测图像优化：基于去扰动无人机巡航监测图像描述子进行图像优化，得到无人机巡航监测优化图像。这可以改善图像质量并突出关键特征，使得监测图像更易于分析和解读；第一网络代价指标：通过比较无人机巡航监测优化图像与正常无人机巡航监测图像之间的区别，得到第一网络代价指标。这有助于评估图像处理的效果，并为进一步优化提供反馈；图像质量预测评分和第二网络代价指标：预测无人机巡航监测优化图像的图像质量评分，并与过往图像质量评分进行比较，得到第二网络代价指标。这可以评估图像质量的改善程度，并提供用于优化的参考；更新图像描述优化挖掘网络的网络变量：基于全局网络代价指标，通过更新图像描述优化挖掘网络的网络变量来改进网络的性能。持续迭代此过程直到满足预设调试终止要求，从而得到高效的图像处理子网。

综合利用图像优化和扰动去除技术，上述步骤有助于提高无人机巡航监测图像特征的准确性、可靠性和可视化效果，从而增强图像处理子网的性能和应用价值。

进一步地，还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现上述的方法。

在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，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装置、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。在这点上，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，它们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。

另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。

所述功能如果以软件功能模块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、或者网络设备等）执行本发明各个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。需要说明的是，在本文中，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“包括一个……”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。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。