[0001] 本申请涉及遥感数据重建领域，特别是涉及一种农作物全生长季多光谱遥感时间序列影像近实时重建方法、装置、设备及介质。

[0002] 精确、实时的作物制图、长势监测信息及产量预报信息是农业管理和粮食安全的重要保障。

[0003] 精确、及时的季内作物制图和分布对于近实时(Near Real‑time，NRT)农作物监测是必要的。而当前作物制图研究由于近实时数据获取困难，大多为季后制图，时效性难以满足当前农业的生产需求。比如现有的较为成熟的作物制图产品，美国农业部制作年度农田数据层(Cropland Data Layer,CDL)，最早需要在当前生长季节收获后至少四个月才可以生产出来。近实时的作物季内制图是具有挑战性的，其主要的一点是作物物候在相对较短的时间尺度内快速变化，因此需要具有高时间频率的遥感数据，而当前的遥感数据生长季内受到云雨等干扰影响较大，故难以准确地进行近实时季内作物制图。因此对于作物生长季内的光学遥感数据进行近实时重建具有重大意义。

[0004] 针对于季内作物制图数据可用性不足的问题，学者们常基于去除云雨等异常干扰后的时间序列影像进行制图。基于重建后的时序影像可以充分利用不同作物的物候变化规律，更好地提取不同作物的时序特征。目前时间序列影像重建的主要有两种思路。一种是基于一期或少数几期合成的多遥感影像光谱数据进行季内作物制图，是较为常用的方法(Chen et al.,2021)。该方法虽然快速简单，但也存在明显不足，当该区域遥感影像长时间受到云雨干扰时，难以获得最佳物候期的影像数据，针对作物生长期的关键特征提取具有明显不足。另一种是基于时序滤波的重建方法，基于长时序遥感观测数据在时间上的连续性和波动性，在对遥感数据变化规律进行总结的基础上建立相应的数学模型，通过对时序数据进行整体滤波，实现长时序遥感数据的重建，如Savitzky‑Golay(SG)滤波(Chen et al.,2004；Gu et al.,2024)、Whittaker滤波等(Kong et al.,2019)。但该类方法需要目标重建影像前后一到两个月时间段的时序影像作为时序滤波窗口，要重建高质量的影像，该类方法存在时间的滞后。

[0005] 综上所述，以往时序重构技术往往基于连续的时序观测数据重构历史的无云时序图像，无法处理实时获取的云污染遥感图像，无法为农作物识别、灾害监测提供及时数据服务。

[0032] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

[0033] 使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

[0034] 近实时的时序重构关键科学问题在于缺少及时的遥感信息，历史的光学数据可以为近实时遥感数据重构中的近实时信息推理提供帮助。当前历史的光学数据与近实时光学遥感图像间的时空关联并不明确，亟待建立遥感数据的近实时时序重构模型。

[0035] 基于此，本申请探究如何充分利用将历史的光学遥感信息合理地填补近实时遥感数据的缺失信息，生产高质量无云近实时遥感数据，为农作物高精度识别和反演提供数据。

[0036] 在一个示例性的实施例中，如图1所示，提供了一种农作物全生长季多光谱遥感时间序列影像近实时重建方法，所述测试方法包括以下步骤101至步骤105。其中：

[0037] 步骤101，获取目标地物类型的历史时序遥感影像光谱数据。

[0038] 步骤102，根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，构建目标地物类型的全生长季的光谱参考曲线。

[0039] 步骤103，基于所述光谱参考曲线，构建目标地物类型的全生长季的植被指数参考曲线。

[0040] 步骤104，根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼滤波算法，进行植被指数的重建，获得植被指数重建结果。

[0041] 步骤105，根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结果，利用扩展卡尔曼滤波算法，进行遥感影像光谱数据重建，获得遥感影像光谱数据重建结果。

[0042] 上述步骤101‑步骤105提供的重建方法实现了近实时遥感影像光谱数据的重建，可获得实时无云时序图像，为全生长季农作物精准识别和参数反演提供有效数据支撑。

[0043] 作为一种时间序列数据重建的实施方式，所述历史遥感多光谱数据的历史数据量需要限制。在历史数据时段方面由于需要长期稳定的历史数据获得参考曲线，所以建议历史输入数据需大于1年。由于基于历史的参考曲线进行时间迁移，估算近实时多光谱数据，所以历史输入数据和待估算的遥感影像数据，空间分辨率和光谱波段设置需要统一。

[0044] 上述步骤102，主要考虑历史过程中地物类型变化造成的曲线变化问题，主要利用地物变化检测算法(CCDC)和谐波函数拟合(HANTS)方法获取光谱参考曲线。

[0045] 其中，CCDC算法的步骤主要包括数据预处理、时间序列分割、变化向量分析和变化检测四个步骤。

[0046] (1)数据预处理：需要对输入的历史时序遥感影像光谱数据进行预处理，包括大气校正、辐射校正、云掩膜等。这样可以消除影像数据中的噪声，提高数据质量。

[0047] (2)时间序列分割：将连续的历史时序遥感影像光谱数据分割成不同的时间段。这样可以将长时间序列的历史时序遥感影像光谱数据分解为多个较短的时间段，便于后续的变化分析。

[0048] (3)变化向量分析：对每个时间段的时序遥感影像光谱数据进行变化向量分析。通过计算每个时间段内的变化向量，可以得到地表覆盖的变化情况。变化向量包括变化幅度、变化方向和变化时间等信息。

[0049] (4)变化检测：根据变化向量的结果，进行变化检测。通过设定阈值或采用统计方法，判断地表覆盖历史地物类型变化并选取历史过程中稳定且可信度较高的地物类型所对应的历史时序数据时段，作为目标时序遥感影像光谱数据。

[0050] 谐波函数拟合方法主要分为两个步骤：首先通过傅立叶变换得到非零频率的振幅和相位，然后将目标时序遥感影像光谱数据进行最小二次方拟合。其次通过目标时序遥感影像光谱数据与拟合曲线的比较，对于那些明显低于拟合曲线的点作为云污染点通过把它们的权重赋为零而拒绝参与曲线的拟合。建立在剩余点上进行新的曲线拟合，通过这种反复进行的迭代过程实现光谱参考曲线的获取。

[0051] 在另一个示例性的实施例中，步骤102中的根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，构建目标地物类型的全生长季的光谱参考曲线可采用如下步骤201和202代替。其中

[0052] 步骤201，采用地物变化检测算法，在历史时序遥感影像光谱数据中选取满足稳定性和可信度条件的全生长季的时序遥感影像光谱数据，作为目标时序遥感影像光谱数据，具体包括：

[0053] 按照目标地物类型的全生长季将所述历史时序遥感影像光谱数据划分为多个时间段的时序遥感影像光谱数据。

[0054] 对每个时间段的时序遥感影像光谱数据进行变化量分析，获得每个时间段的时序遥感影像光谱数据的变化向量；所述变化向量包括：变化幅度、变化方向和变化时间。

[0055] 确定变化向量满足预设变化条件的时间段的时序遥感影像光谱数据作为目标时序遥感影像光谱数据；所述预设变化条件为变化幅度在幅度预设范围内，变化方向在方向预设范围内，变化时间在时间预设范围内。

[0056] 步骤202，采用谐波函数拟合算法，对目标时序遥感影像光谱数据进行拟合，得到所述光谱参考曲线具体包括：

[0057] 令n的数值为1，并将目标时序遥感影像光谱数据初始化为第0次更新后的时序遥感影像光谱数据。

[0058] 对第n‑1次更新后的时序遥感影像光谱数据进行最小二次方拟合，得到第n次拟合得到的拟合曲线。

[0059] 将第n‑1次更新后的时序遥感影像光谱数据与第n次拟合得到的拟合曲线进行比较，去除相对于第n次拟合得到的拟合曲线的偏离距离大于距离阈值的遥感影像光谱数据，获得第n次更新后的时序遥感影像光谱数据，令n的数值增加1，返回“对第n‑1次更新后的时序遥感影像光谱数据进行最小二次方拟合，得到第n次拟合得到的拟合曲线”的步骤，直到目标时序遥感影像光谱数据相对于第n次拟合得到的拟合曲线的偏差小于偏差阈值，输出第n次拟合得到的拟合曲线，作为所述光谱参考曲线。

[0060] 在上述步骤104和步骤105中的数据重建过程中，均采用了扩展卡尔曼滤波(ExtendedKalmanFilter，EKF)算法。

[0061] EKF算法分两步实现。主要分为两个不同的方程组：时间更新(预测)和实时更新(修正)。两个方程组都应用于第k个(实时)状态。时间更新基于非线性状态转换模型传播前一时刻状态的估计值及可信度。实时更新通过先验模型估计值和观测值与模型状态先验估计值之间的加权差值的线性组合计算，同时根据新的实时观测结果进行更新。

[0062] 上述实施例中的进行植被指数重构并计算其可信度的过程为：首先，根据历史数据计算的植被指数时间序列数据进行植被指数数据的重构，其次，基于植被指数重构的基础上，将植被数据作为先验知识，进而对多光谱数据进行重构。基于扩展的卡尔曼滤波框架，输入为基于历史数据获得的基础参考曲线、参考曲线的方差以及观测值与参考曲线的偏差获得的植被指数数据观测值的可信度，基于以上三个输入的先验知识，利用EKF方法进行同化融合即可获得植被指数的近实时重建数据。

[0063] 在另一个示例性的实施例中，步骤104中的根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼滤波算法，进行植被指数的重建，获得植被指数重建结果，具体包括如下步骤301‑步骤303。

[0064] 步骤301，根据植被指数参考曲线中近实时中的k和k‑1时刻的植被指数的拟合值，求解第一状态转换矩阵。

[0065] 在本申请实施例中，状态转换矩阵被定义为后验状态下参考曲线的梯度，进一步的，第一状态转换矩阵的求解公式为：

[0066]

[0067] 其中，A为第一状态转换矩阵， 为植被指数参考曲线的梯度，yscale为值域拉伸系数，x为时间，tshift为时间的前后偏移量。

[0068] 步骤302，根据第一状态转换矩阵和近实时植被指数数据中k‑1时刻的植被指数的观测值，利用如下公式对植被指数进行先验估计，获得k时刻的植被指数的先验估计值和植被指数可信度的先验估计值。

[0069]

[0070]

[0071] 其中， 为k时刻的植被指数的先验估计值，也就是测量更新修正前的粗略估计值，A为第一状态转换矩阵，B为第一控制矩阵，因为没有外部干扰，所以设为0，uk为k时刻的植被指数控制量， 为k‑1时刻的植被指数的后验估计值，基于近实时植被指数数据中k‑1时刻的植被指数的观测值和k‑1时刻的植被指数的先验估计值获得， 为k时刻的植被指数可信度的先验估计值，Pk‑1为k‑1时刻的植被指数可信度的后验估计值，Q为第一协方差矩阵，因为对于植被指数时序曲线来说，曲线的变化只有一个独立的状态特征，故Q定义为植被指数参考曲线的方差，上标T表示转置。

[0072] 步骤303，根据k时刻的植被指数的先验估计值、植被指数可信度的先验估计值及近实时植被指数数据中k时刻的植被指数的观测值，利用如下公式对植被指数进行后验估计，获得k时刻的植被指数的后验估计值和植被指数可信度的后验估计值。

[0073]

[0074]

[0075]

[0076] 其中，Kk为k时刻的第一卡尔曼增益，H为表征植被指数的真实值和观测值之间关系的测量矩阵，R为第三协方差矩阵，表征植被指数的真实值和观测值之间关系的方差，为k时刻的植被指数的后验估计值，Zk为近实时植被指数数据中k时刻的植被指数的观测值，Pk为k时刻的植被指数可信度的后验估计值，I为单位矩阵。

[0077] 和 都是k+1(未来)估计值所必需的。本申请计算的卡尔曼增益是当前重建数据估计值所必需的，这也是本方程组中最重要的部分。Zk＝Hxk+vk，这是实时观测值。H用于将真实状态(xk)与观测值Zk联系起来，即H是将真实状态(xk)转换为测量值(Zk)的测量矩阵，可设为1。

[0078] 上述实施例中的进行遥感影像光谱数据重建的过程为：基于植被指数重建结果，将植被数据作为先验知识，进而对遥感影像光谱数据进行重构。基于扩展的卡尔曼滤波框架，输入为基于历史多光谱数据获得的光谱参考曲线、光谱参考曲线的方差获得的即时观测值的可信度(作为先验知识，该项输入为依据植被指数观测值与参考曲线偏差计算出的可信度)，基于以上三个输入的先验知识，利用EKF方法进行同化融合即可获得多光谱的近实时重建数据。

[0079] 在另一个示例性的实施例中，步骤105中的根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结果，利用扩展卡尔曼滤波算法，进行遥感影像光谱数据重建，获得遥感影像光谱数据重建结果，具体包括如下步骤401‑步骤403。

[0080] 步骤401，根据光谱参考曲线中近实时中的k和k‑1时刻的遥感影像光谱数据的拟合值，求解第二状态转换矩阵。

[0081] 步骤402，根据第二状态转换矩阵和近实时遥感影像光谱数据中k‑1时刻的遥感影像光谱数据的观测值，利用如下公式对遥感影像光谱数据进行先验估计，获得k时刻的遥感影像光谱数据的先验估计值和遥感影像光谱数据可信度的先验估计值。

[0082]

[0083]

[0084] 其中， 为k时刻的光谱数据的先验估计值，A'为第二状态转换矩阵，B'为第二控制矩阵，u'k为k时刻的光谱控制量， 为k‑1时刻的遥感影像光谱数据的后验估计值，为k时刻的遥感影像光谱数据可信度的先验估计值，P'k‑1为k‑1时刻的遥感影像光谱数据可信度的后验估计值，Q'为第二协方差矩阵，具体为k‑1时刻向k时刻转移变化的协方差矩阵，定义为k‑1时刻对应预测值的不确定性，用历史所有k‑1时刻值的方差表征。

[0085] 步骤403，根据k时刻的遥感影像光谱数据的先验估计值、遥感影像光谱数据可信度的先验估计值及近实时遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，利用如下公式对遥感影像光谱数据进行后验估计，获得k时刻的遥感影像光谱数据的后验估计值和遥感影像光谱数据可信度的后验估计值。

[0086]

[0087]

[0088] P'k＝Pk。

[0089] 其中，K'k为k时刻的第二卡尔曼增益，H'为表征遥感影像光谱数据的先验估计值和观测值之间关系的测量矩阵，R'为第四协方差矩阵，表征遥感影像光谱数据的先验估计值和观测值之间关系的方差， 为k时刻的遥感影像光谱数据的后验估计值，Z'k为近实时遥感影像光谱数据中k时刻的遥感影像光谱数据的观测值，P'k为k时刻的遥感影像光谱数据可信度的后验估计值，Pk为k时刻的植被指数可信度的后验估计值。

[0090] 为了说明上述方法有效性，本申请实施例还进行了精度评价，具体包括：

[0091] 基于近实时重建框架后得到的植被指数和多光谱的数据重建结果，本申请从重建的数据本身光谱和纹理两个方面来评价多光谱数据的重建效果，选取光谱和纹理方面共4个精度指标进行评价。选取均方根误差(RMSE)、平均绝对误差(MAE)、结构相似性(SSIM)、局部二值模式(LBP)作为近实时遥感数据重建的精度评价指标，具体示例如下：

[0092] 步骤1，如图2所示，选取Sentinel‑2哨兵2号多光谱遥感数据为例，历史输入数据为2019年1月1日之后至待重建影像日期期间全部可获取影像，山东泰安研究区输入影像为(2019年1月1日至2023年3月)，澳大利亚研究区输入影像时间为(2019年1月1日至2023年12月)。研究区概况如图3和图4所示，图3中(a)为研究区1(澳大利亚Coleambally)的全景图，图3中(a1)为研究区1的局部细节图，图3中(a2)为研究区1的典型植被全生长季物候曲线图；图4中的(b)、(b1)，(b2)分别为研究区2(中国泰安)的全景图、局部细节图和典型植被全生长季物候曲线图。在空间分辨率方面，各数据的投影坐标系、地理坐标系和空间分辨率需保持一致，以便于之后的计算。本实施例中，哨兵2号多光谱数据来源于Google Earth Engine谷歌云平台，空间分辨率为10m，时间分辨率为5天。

[0093] 步骤2，如图2所示，使用CCDC算法对2019年‑2022年数据进行时间序列变化检测，可以检测出时间序列上地物的突变时间点，并判断突变后的地物类型是否稳定不变，将稳定不变的地物类型对应的时间段的数据(2020‑2022年)输入谐波函数拟合方法中得到历史数据生产的参考曲线，即光谱参考曲线。

[0094] 步骤3，基于历史稳定地物时间段获取的植被指数参考曲线，该实施例中植被指数以归一化植被指数(NDVI)为例，将光谱参考曲线(2020年‑2022年)，迁移至待重建的时刻2023年，基于EKF方法进行植被指数的重建，可以获得近实时的植被指数重建数据，如图2所示。

[0095] 步骤4，将植被指数重建结果作为参考，计算模拟的NDVI与实际的NDVI之间的偏差作为实际观测数据的可信度，将其作为待重建的多光谱数据EKF重建框架的当前时刻数据权重，进行重建与修正可以得到近实时的多光谱数据。

[0096] 步骤5，对于近实时重建框架后得到的植被指数和多光谱的数据重建结果，从重建的数据本身光谱和纹理两个方面来评价多光谱数据的重建效果，选取光谱和纹理方面共4个精度指标进行评价。选取均方根误差(RMSE)、平均绝对误差(MAE)、结构相似性(SSIM)、局部二值模式(LBP)作为近实时遥感数据重建的精度评价指标。

[0097] 该实施例中，首先构建有真实观测数据区域的云标签模拟数据，如图5所示。其次在云标签模拟处进行精度评价。该实施例中，选取均方根误差和平均绝对误差两个精度指标为例计算云模拟区域原始影像观测值与重建影像观测之间的偏差，结果如图6所示，图6中的(a)为的研究区真实影像，图6中的(b)～(f)分别为采用本申请的方法NRTR和经典算法(SG、Whittaker、RTSR以及DCT‑PLS)获得的研究区重建全景图；图6中的(a1)～(f1)分别为(a)～(f)对应的局部细节图；图6中的(b2)～(f2)分别为(b1)～(f1)相对于(a1)的差值，表征重建结果与真实影像之间的差异。与经典的SG滤波等方法进行对比，本申请的近实时遥感数据重建方法NRTR表现出较高的精度和较好的重建效果。

[0098] 本申请在历史数据和扩展卡尔曼滤波等迁移模型的支持下，基于历史多光谱时间序列数据，利用地物变化检测算法(CCDC)和谐波函数拟合(HANTS)算法获取基准的历史参考曲线。其次将历史的物候曲线信息结合近实时影像进行迁移，并通过时间序列趋势对近实时植被特征观测数据的可信度进行估算，同时将植被特征观测数据的可信度迁移作为多波段的观测可信度。最后利用扩展卡尔曼滤波方法模拟植被特征的非线性变化趋势，将迁移后的历史参考曲线估算的模拟数据和近实时的观测数据进行同化，最后获得近实时的植被指数数据和多光谱数据，提升了对农作物全生长季的近实时观测能力，对全生长季农作物精准识别、参数反演和及时准确的农作物监测的促进有着重要意义。

[0099] 本申请的农作物全生长季多光谱遥感时间序列影像近实时重建方法，可以利用历史多光谱时间序列数据进行迁移，重建近实时多光谱时间序列数据，相比于之前需要待估算影像前后较长时间段(一般大于1个月)数据作为窗口进行数据重建的方法，本申请可以在待重建影像后1～2个卫星重访周期内较好的重建多光谱数据，为全生长季农作物精准识别和参数反演提供有效数据支撑。

[0100] 基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的农作物全生长季多光谱遥感时间序列影像近实时重建装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个农作物全生长季多光谱遥感时间序列影像近实时重建装置实施例中的具体限定可以参见上文中对于农作物全生长季多光谱遥感时间序列影像近实时重建方法的限定，在此不再赘述。

[0101] 在一个示例性的实施例中，提供了一种农作物全生长季多光谱遥感时间序列影像近实时重建装置包括：

[0102] 历史遥感影像光谱数据获取模块，用于获取目标地物类型的历史时序遥感影像光谱数据。

[0103] 光谱参考曲线构建模块，用于根据所述历史时序遥感影像光谱数据，采用地物变化检测算法和谐波函数拟合算法，构建目标地物类型的全生长季的光谱参考曲线。

[0104] 植被指数参考曲线构建模块，用于基于所述光谱参考曲线，构建目标地物类型的全生长季的植被指数参考曲线。

[0105] 植被指数重建模块，用于根据植被指数参考曲线和近实时植被指数数据，利用扩展卡尔曼滤波算法，进行植被指数的重建，获得植被指数重建结果。

[0106] 遥感影像光谱数据重建模块，用于根据光谱参考曲线、近实时遥感影像光谱数据和植被指数重建结果，利用扩展卡尔曼滤波算法，进行遥感影像光谱数据重建，获得遥感影像光谱数据重建结果。

[0107] 在一示例性的实施例中，提供了一种计算机设备，该计算机设备可以是服务器或者终端，其内部结构图可以如图7所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output，简称I/O)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于遥感影像光谱数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种农作物全生长季多光谱遥感时间序列影像近实时重建方法。

[0108] 本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0109] 在一个示例性的实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述农作物全生长季多光谱遥感时间序列影像近实时重建方法实施例中的步骤。

[0110] 在一个示例性的实施例中，提供了一种计算机可读存储介质，存储有计算机程序，该计算机程序被处理器执行时实现上述农作物全生长季多光谱遥感时间序列影像近实时重建方法实施例中的步骤。

[0111] 在一个示例性的实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现上述农作物全生长季多光谱遥感时间序列影像近实时重建方法实施例中的步骤。

[0112] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive RandomAccess Memory，MRAM)、铁电存储器(Ferroelectric RandomAccess Memory，FRAM)、相变存储器(Phase Change Memory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(RandomAccess Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static RandomAccess Memory，SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory，DRAM)等。

[0113] 本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器等，不限于此。

[0114] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0115] 本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本申请的限制。