基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法转让专利
申请号 : CN201510902016.6
文献号 : CN105550423B
文献日 : 2018-06-12
发明人 : 史舟 , 马自强 , 刘用 , 梁宗正
申请人 : 浙江大学
摘要 :
本发明公开了一种基于Fuzzy‑OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法。本发明首先把1km的环境变量因子如植被指数、数字高程模型、白天地表温、晚上地表温、地形湿度指数、坡度、坡向、坡长坡度8个数据进行聚合计算到25km，作为自变量，对应的25km分辨率的CMORPH数据作为因变量。基于模糊聚类思想计算出25km尺度下环境变量的最优聚类数目和聚类中心，从而将整个样本集划分为差异性最显著的子样本集，使得每个子样本集内的样本间具有最大的相似性，并对每个子样本集分别建立最小二乘回归模型，从而预测出1km的降尺度降雨数据。通过基于Fuzzy‑OLS模型的降尺度结果要明显优于基于常规回归模型的降尺度结果。
权利要求 :
1.一种基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法，其特征在于，所述的Fuzzy-OLS是结合模糊聚类分析和最小二乘回归方法的分类回归建模方法；
降尺度的方法包括以下步骤：
步骤1)数据获取：获取待测区域的CMORPH气象卫星遥感影像数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集该待测区域内地面观测站点的日降雨量观测值；其中MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数据产品；
步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥感影像数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km和
25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25kmCMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；基于模糊聚类计算出25km尺度下以上环境因子变量的最优聚类数目和聚类样本中心，从而将整个样本集划分为差异性最显著的子样本集，使得每个子样本集内的样本间具有最大的相似性，并以步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量与对应25km环境因子变量作为自变量的各子样本集之间进行最小二乘回归建模，得到最小二乘回归模型；
步骤4)降尺度预测：基于步骤3)确定1km尺度下白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据组成的变量空间最邻近的聚类样本中心，并根据该聚类样本中心所在子样本集建立的最小二乘回归模型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km的降雨回归残差值，并将其与空间分辨率为
1km地面降雨量预测值数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。
2.如权利要求1所述的基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法，其特征在于，所述的步骤1)中，CMORPH气象卫星遥感影像数据的空间分辨率为
0.25°×0.25°，时间分辨率为3小时；所述的ASTER GDEM卫星遥感影像数据的空间分辨率为
30m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
3.如权利要求1所述的基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法，其特征在于，所述的步骤2)中异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。
说明书 :
基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降
尺度的方法
技术领域
[0001] 本发明涉及一种CMORPH降雨数据降尺度的方法，具体涉及到一种基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法。技术背景
[0002] 降雨在水文学、气象学、生态学以及农业研究等领域担任了重要角色，特别是物质能量交换守恒的一个重要组成部分。地面观测站是一种应用广泛的降雨测量手段，并且具有精度高和技术成熟的特点。但是地面观测站监测的降雨量仅代表地表观测站及周边一定距离的降水状况，因此很难表述大面积降雨分布特征，尤其是在地面观测站布网密度稀疏的高原地区。而卫星遥感技术能够提供较高时空分辨率的降雨数据，覆盖空间范围更广，很好的克服了地面降雨观测站和测雨雷达的局限，为全球降雨监测提供了有力的数据支撑。
[0003] 近年来，随着气象卫星技术的发展，全球尺度高时空分辨率的测雨卫星产品应运而生，如美国气候预测降水中心融合技术(Climate Prediction Center Morphing Technique)降水产品CMORPH。CMORPH降雨卫星提供覆盖全球60°S～60°N以内的区域的降雨数据。但是，CMORPH卫星的原始分辨率较低(空间分辨率为0.25°，约25km)，在预测区域尺度降雨方面具有一定的局限性和偏差，因此需要针对CMORPH数据进行空间上的尺度转换，从而得到分辨率较高的降雨测量值。但是目前尚没有一种方法能够更精确地对复杂地区进行降雨预测。
发明内容
[0004] 本发明的目的在于解决现有技术中存在的问题，并提供一种基于Fuzzy-OLS的CMORPH卫星降雨数据降尺度方法。
[0005] 本发明中所用的Fuzzy-OLS是一种分类回归建模方法，它结合了模糊聚类分析和最小二乘回归方法，扩展了传统的回归框架，根据样本的属性空间，采用模糊聚类的思想将样本集划分为差异最显著的子样本集，并使得每个子样本集内的样本间具有最大的相似性；然后基于每个子样本集分别建立最小二乘回归模型。
[0006] 本发明的具体技术方案如下：
[0007] 一种基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法，包括以下步骤：
[0008] 步骤1)数据获取：获取待测区域的CMORPH气象卫星遥感影像数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集该待测区域内地面观测站点的日降雨量观测值；其中MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数据产品；
[0009] 步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥感影像数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和
25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到
1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到
1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
[0010] 步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；基于模糊聚类计算出25km尺度下上述环境因子变量的最优聚类数目和聚类样本中心，从而将整个样本集划分为差异性最显著的子样本集，使得每个子样本集内的样本间具有最大的相似性，并以步骤2)处理后的25km CMORPH卫星降雨数据作为因变量与对应25km环境因子变量作为自变量的各子样本集之间进行最小二乘回归建模，得到最小二乘回归模型；
[0011] 步骤4)降尺度预测：基于步骤3)确定1km尺度下白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据组成的变量空间最邻近的聚类样本中心，并根据该聚类样本中心所在子样本集建立的最小二乘回归模型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km的降雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。
[0012] 作为优选，所述的步骤1)中，CMORPH气象卫星遥感影像数据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；所述的ASTER GDEM卫星遥感影像数据的空间分辨率为30m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
[0013] 作为优选，所述的步骤2)中异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-
0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。
0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，同时剔除坡度为-1所对应的植被指数的范围，其余作为正常的植被指数点。
[0014] 本发明的有益效果是同时结合模糊聚类分析思想和分类最小二乘回归建模思想对CMORPH数据进行降尺度预测，其中Fuzzy-OLS扩展了传统的回归框架。因此通过多因子进行Fuzzy-OLS回归建模能够更精确地对复杂地区进行降雨预测，并极大的提高了降雨预测的空间分辨率。具有重要的理论、实践意义和推广应用价值。
附图说明
[0015] 图1是实施例1中采用的25kmCMORPH降雨量空间分布特征图。
[0016] 图2是实施例1中基于传统多元回归方法降尺度后1km的降雨量空间分布特征图。
[0017] 图3是实施例2中基于模糊聚类分析方法计算出25km尺度下各环境因子的最优聚类分布图。
[0018] 图4是实施例2中基于多因子的Fuzzy-OLS方法降尺度后1km的降雨空间分布特征图。
[0019] 图5是实例1基于传统多元回归降尺度的结果与地面站点的精度对比。
[0020] 图6是实施例2中基于Fuzzy-OLS降尺度方法后的结果与地面站点的精度对比。
具体实施方式
[0021] 下面结合附图和实施例对本发明进一步说明。
[0022] 基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法步骤如下：
[0023] 步骤1)数据获取：获取待测区域的CMORPH气象卫星遥感影像数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集该待测区域内地面观测站点的日降雨量观测值；其中MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数据产品；
[0024] 步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥感影像数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和
25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到
1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到
1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
[0025] 步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；基于模糊聚类计算出25km尺度下上述环境因子变量的最优聚类数目和聚类样本中心，从而将整个样本集划分为差异性最显著的子样本集，使得每个子样本集内的样本间具有最大的相似性，并以步骤2)处理后的25km CMORPH卫星降雨数据作为因变量与对应25km环境因子变量作为自变量的各子样本集之间进行最小二乘回归建模，得到最小二乘回归模型；
[0026] 步骤4)降尺度预测：基于步骤3)确定1km尺度下白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据组成的变量空间最邻近的聚类样本中心，并根据该聚类样本中心所在子样本集建立的最小二乘回归模型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km的降雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。
[0027] 下述两个实施例均基于上述方法进行实现，但实施例1中将步骤3)的Fuzzy-OLS回归建模改为传统多元回归进行对比。
[0028] 实施例1：
[0029] 本实施例中以传统多元回归进行降尺度预测，具体步骤如下：
[0030] 选取全国地区作为研究区域，对2003-2009年湿季(每年5月-10月)的月降雨量进行预测研究，最终得到每月1km空间分辨率的降雨量分布图。
[0031] 步骤1)数据获取：获取全国区域的CMORPH气象卫星遥感影像数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集全国区域内地面观测站点的日降雨量观测值；其中MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数据产品。其中：CMORPH气象卫星遥感影像数据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；所述的ASTER GDEM卫星遥感影像数据的空间分辨率为30m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
[0032] 步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥感影像数据的时间分辨率处理为月，如附图1所示；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；其中，异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，其余作为正常的植被指数点。最后，从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到
1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
[0033] 步骤3)进行传统多元回归建模：将步骤2)处理后的空间分辨率为25km的CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率均为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量建立多元回归模型。
[0034] 步骤4)降尺度预测：基于步骤3)得到的多元回归模型和1km尺度下地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数计算得到空间分辨率为1km的降尺度降雨产品；同时将空间分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km的降雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。同时将数据导入到ArcGIS中进行制图，经过渲染后如附图2所示。
[0035] 步骤5)降雨量预测值的精度分析：利用交叉检验的方法对步骤4)中的1km空间分辨率的降雨量预测值进行预测精度验证分析，交叉检验选用均方根误差、平均绝对误差以及相关系数作为评价因子。如附图5所示，相关系数R2为0.651，均方根误差RMSE为39.578mm，平均绝对误差MEA为29.611mm。
[0036] 各指标的计算公式如下：
[0037]
[0038]
[0039]
[0040] 式中MAE代表的是平均绝对误差，RMSE代表的是均方根误差，R2代表的是回归相关系数，Yk是地面观测站点k的观测值，Ok是通过模型降尺度后在站点k处的预测值，是所有地面降雨观测站点数据的平均值，是在所有站点的模型预测值的平均值。
[0041] 实施例2
[0042] 本实施例中选择以fuzzy-OLS方法进行回归建模，具体步骤为：本实施例中以模糊聚类最小二乘回归进行降尺度预测，具体步骤如下：
[0043] 选取全国地区作为研究区域，对2003-2009年湿季(每年5月-10月)的月降雨量进行预测研究，最终得到每月1km空间分辨率的降雨量分布图。
[0044] 步骤1)数据获取：获取全国区域的CMORPH气象卫星遥感影像数据、MODIS卫星遥感影像数据以及ASTER GDEM卫星遥感影像数据，同时收集该全国区域内地面观测站点的日降雨量观测值；其中MODIS卫星遥感影像数据包括MOD11A2数据产品和MOD13A2数据产品。其中：CMORPH气象卫星遥感影像数据的空间分辨率为0.25°×0.25°，时间分辨率为3小时；所述的ASTER GDEM卫星遥感影像数据的空间分辨率为30m；所述的MODIS卫星遥感影像数据的空间分辨率为1km，时间分辨率为8天。
[0045] 步骤2)数据预处理：将步骤1)获取的CMORPH气象卫星遥感影像数据的时间分辨率处理为月；将ASTER GDEM卫星遥感影像数据进行聚合计算分别得到空间分辨率为1km和25km的DEM数据；从MOD11A2数据产品中提取白天地表温度和晚上地表温度参量，并通过聚合计算分别得到空间分辨率为1km和25km的白天地表温度数据以及空间分辨率为1km和
25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；其中：异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，其余作为正常的植被指数点。最后，从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
25km的晚上地表温度数据；从MOD13A2数据产品中提取植被指数参量，经过异常值剔除处理后，通过聚合计算分别得到空间分辨率为1km和25km的植被指数数据；其中：异常值剔除处理的具体步骤如下：将MOD13A2数据产品中提取的植被指数作为初始植被指数，首先删除初始植被指数中栅格值小于0的部分，再以10×10的窗口移动平滑植被指数，然后用初始植被指数减去平滑后的植被指数，再选择-0.1到0.1作为阈值范围对相减后的结果进行筛选，舍去超出阈值范围的栅格，其余作为正常的植被指数点。最后，从ASTER GDEM卫星遥感影像数据中提取坡度、地形湿度指数、坡长坡度和坡向4个参量进行聚合计算分别得到1km和25km的坡度数据、地形湿度指数数据、坡长坡度数据和坡向数据；
[0046] 步骤3)进行Fuzzy-OLS回归建模：将步骤2)处理后的25km CMORPH气象卫星遥感影像数据作为因变量，以空间分辨率为25km的白天地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数数据作为自变量；如图3所示，基于模糊聚类思想计算出25km尺度下环境变量的最优聚类数目和聚类中心，从而将整个样本集划分为差异性最显著的子样本集，使得每个子样本集内的样本间具有最大的相似性，并对每个子样本集分别建立最小二乘回归模型。
[0047] 步骤4)降尺度预测：基于步骤3)确定1km尺度下地表温度数据、晚上地表温度数据、植被指数数据、DEM数据、坡度数据、坡向数据、坡长坡度数据和地形湿度指数组成的变量空间最邻近的聚类样本中心，并根据该聚类中心所在样本子集建立的最小二乘回归模型计算得到空间分辨率为1km的降尺度降雨产品；同时将空间分辨率为25km的降雨回归残差值进行重采样得到空间分辨率为1km的降雨回归残差值，并将其与空间分辨率为1km地面降雨量预测值数据相加，得到空间分辨率为1km的CMORPH气象卫星降雨数据。同时将数据并导入到ArcGIS中制图，渲染后如图4所示。
[0048] 步骤5)降雨量预测值的精度分析：利用交叉检验的方法对步骤4)中的1km空间分辨率的降雨量预测值进行预测精度验证分析，交叉检验选用均方根误差、平均绝对误差以及相关系数作为评价因子。如图6所示，其中得到的相关系数R2为0.844，均方根误差RMSE为25.04mm，平均绝对误差为17.17mm。很明显，预测精度上较实例1有了大幅的提高。
[0049] 以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明，凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。