一种气象卫星可见光云图的生成方法及系统

技术领域

本发明涉及气象卫星技术领域，具体涉及一种气象卫星可见光云图的生成方法及系统。

背景技术

气象卫星的成像仪包含多个通道，其中可见光通道的云图可反映云和地球表面的丰富细节信息，但受到太阳照射角度的影响较大，夜间更无法展现云和地表特征；而红外通道虽然可以全天时进行观测，但对细节表现力较差，只能展示模糊的轮廓。因此，对夜间的卫星红外云图进行恰当的可视化增强处理，有利于预报员查看把握云团的细节特征和分类。

目前，通过利用图像翻译的深度学习算法，将红外云图生成可见光云图，从而提高可见光云图生成的效率。但是，白天与夜间的红外云图不同下垫面的特征区别较大，而夜间的可见光云图不可用，因此，将白天的数据集训练的模型参数用于夜间的可见光云图生成，导致生成的可见光云图具有较大的随机性，使相邻时次的云图生成的可见光云图之间具有较大差异。

现有技术中存在白天和夜间红外云图的特征差异导致相邻时次生成的可见光云图差异较大的技术问题。

发明内容

本申请提供了一种气象卫星可见光云图的生成方法及系统，用于针对解决现有技术中存在白天和夜间红外云图的特征差异导致相邻时次生成的可见光云图差异较大的技术问题。

鉴于上述问题，本申请提供了一种气象卫星可见光云图的生成方法及系统。

本申请的第一个方面，提供了一种气象卫星可见光云图的生成方法，所述方法包括：

基于包含红外和可见光的多通道成像设备进行卫星观测，采集待进行云图转换的夜间目标红外云图集，所述夜间目标红外云图集对应于不同通道波段；

基于所述夜间目标红外云图集，进行云图数据分块，获取分块红外云图数据；

调用预定时间区间内的季节性时域云图，所述季节性时域云图包括夜间红外云图、白天红外云图与白天可见光云图；

基于所述夜间红外云图与所述白天红外云图，训练进行夜间云图与白天云图差异化分析处理的差异自适应校准模型；

基于所述白天红外云图与所述白天可见光云图，训练进行红外云图与可见光云图仿真转换的云图转换模型；

结合前后位连接的所述差异自适应校准模型与所述云图转换模型，对所述分块红外云图数据进行分块云图的独立处理，获取分块转换云图；

对所述分块转换云图进行拼接，生成白天目标可见光云图集。

本申请的第二个方面，提供了一种气象卫星可见光云图的生成系统，所述系统包括：

云图集采集模块，所述云图集采集模块用于基于包含红外和可见光的多通道成像设备进行卫星观测，采集待进行云图转换的夜间目标红外云图集，所述夜间目标红外云图集对应于不同通道波段；

云图数据获取模块，所述云图数据获取模块用于基于所述夜间目标红外云图集，进行云图数据分块，获取分块红外云图数据；

时域云图调用模块，所述时域云图调用模块用于调用预定时间区间内的季节性时域云图，所述季节性时域云图包括夜间红外云图、白天红外云图与白天可见光云图；

校准模型训练模块，所述校准模型训练模块用于基于所述夜间红外云图与所述白天红外云图，训练进行夜间云图与白天云图差异化分析处理的差异自适应校准模型；

转换模型训练模块，所述转换模型训练模块用于基于所述白天红外云图与所述白天可见光云图，训练进行红外云图与可见光云图仿真转换的云图转换模型；

分块转换云图获取模块，所述分块转换云图获取模块用于结合前后位连接的所述差异自适应校准模型与所述云图转换模型，对所述分块红外云图数据进行分块云图的独立处理，获取分块转换云图；

可见光云图集生成模块，所述可见光云图集生成模块用于对所述分块转换云图进行拼接，生成白天目标可见光云图集。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请通过基于包含红外和可见光的多通道成像设备进行卫星观测，采集待进行云图转换的夜间目标红外云图集，夜间目标红外云图集对应于不同通道波段，然后基于夜间目标红外云图集，进行云图数据分块，获取分块红外云图数据，调用预定时间区间内的季节性时域云图，季节性时域云图包括夜间红外云图、白天红外云图与白天可见光云图，然后基于夜间红外云图与白天红外云图，训练进行夜间云图与白天云图差异化分析处理的差异自适应校准模型，进而基于白天红外云图与白天可见光云图，训练进行红外云图与可见光云图仿真转换的云图转换模型，结合前后位连接的差异自适应校准模型与云图转换模型，对分块红外云图数据进行分块云图的独立处理，获取分块转换云图，通过对分块转换云图进行拼接，生成白天目标可见光云图集。达到了智能化生成可见光云图，提升可见光云图的准确度的技术效果。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本申请实施例提供的一种气象卫星可见光云图的生成方法流程示意图；

图2为本申请实施例提供的一种气象卫星可见光云图的生成方法中将多组分块云图作为分块红外云图数据的流程示意图；

图3为本申请实施例提供的一种气象卫星可见光云图的生成方法中同步进行双通道云图处理的流程示意图；

图4为本申请实施例提供的一种气象卫星可见光云图的生成系统结构示意图。

附图标记说明：云图集采集模块11，云图数据获取模块12，时域云图调用模块13，校准模型训练模块14，转换模型训练模块15，分块转换云图获取模块16，可见光云图集生成模块17。

具体实施方式

本申请通过提供了一种气象卫星可见光云图的生成方法及系统，用于针对解决现有技术中存在白天和夜间红外云图的特征差异导致相邻时次生成的可见光云图差异较大的技术问题。

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的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。

需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。

实施例一

如图1所示，本申请提供了一种气象卫星可见光云图的生成方法，其中，所述方法包括：

S1：基于包含红外和可见光的多通道成像设备进行卫星观测，采集待进行云图转换的夜间目标红外云图集，所述夜间目标红外云图集对应于不同通道波段；

在本申请的一个实施例中，所述包含红外和可见光的多通道成像设备用于对地球表面和大气的多种光谱辐射信息进行采集，为天气预报、气候监测提供数据，具有较多数量的探测波段数、空间分辨率、时间分辨率等，可以实现对地球表面和大气物理参数进行多光谱、高频次、定量探测。由于包含红外和可见光的多通道成像设备中的红外通道虽然可以全天时进行观测，但由于白天与夜间的红外云图不同下垫面的特征区别较大，因此需要对夜间目标红外云图集进行转换，从而消除白天和夜间红外数据的独有特征差异。

优选的，所述包含红外和可见光的多通道成像设备具有14个通道，包括6个可见/近红外波段，2个中波红外波段，2个水汽波段和4个长波红外波段。其中，所述待进行云图转换的夜间目标红外云图集为所述包含红外和可见光的多通道成像设备中的红外通道采集到的数据。每个通道都是二维格点数据，每个格点保存的数值为0至4095之间的正整数。所述夜间目标红外云图集对应于不同通道波段。通过采集待进行云图转换的夜间目标红外云图集，实现了为后续进行可见光云图的生成提供数据的目标。

S2：基于所述夜间目标红外云图集，进行云图数据分块，获取分块红外云图数据；

进一步的，如图2所示，所述进行云图数据分块，获取分块红外云图数据，本申请实施例步骤S2包括：

S2-1：以云图覆盖域为坐标空间，搭建二维坐标系；

S2-2：基于预定分割尺寸，结合所述二维坐标系，遍历所述夜间红外云图集进行云图均匀分割，获取多组分块云图，所述多组分块云图具有邻域重叠区域；

S2-3：将所述多组分块云图作为所述分块红外云图数据，所述多组分块云图与所述夜间目标红外云图集一一对应。

在一个可能的实施例中，对所述夜间目标红外云图集中的图像进行云图数据分块，为后续提升云图转换的效率和精度做铺垫。其中，所述分块红外云图数据是对夜间目标红外云图集按照一定的分割规则进行分块后得到的数据。

以所述云图覆盖域为坐标空间，搭建对云图覆盖域中的图像位置进行坐标描述的二维坐标系。其中，所述云图覆盖域是指采集到的夜间目标红外云图集覆盖到的区域。所述预定分割尺寸是由本领域技术人员确定的对云图进行均匀分割时分割尺度，可以是1024×1024的尺寸。以所述二维坐标系为划分时的数据依据，对每个夜间红外云图集中的夜间红外云图按照预定分割尺寸进行均匀分割，获得对应的分块结果，也就是所述多组分块云图。其中，每组分块云图对应一个夜间红外云图集。优选的，在进行云图均匀分割的过程中，相邻的两个分块云图具有邻域重叠区域，便于最后对分块红外云图数据进行融合时，减少接缝的产生。进而，将所述多组分块云图作为所述分块红外云图数据，为后续进行分块拼接提供数据。

S3：调用预定时间区间内的季节性时域云图，所述季节性时域云图包括夜间红外云图、白天红外云图与白天可见光云图；

在一个实施例中，为了获取对夜间云图和白天云图进行差异化分析处理的差异自适应校准模型进行训练的数据，通过对预定时间区间内的包含红外和可见光的多通道成像设备观测到的图像进行调用，获得所述季节性时域云图。优选的，所述预定时间区间可以是春分前后10天、夏至前后10天、秋分前后10天、冬至前后10天中整点的云图，从而覆盖白天和夜间。所述预定时间区间内的季节性时域云图包括夜间红外云图、白天红外云图与白天可见光云图。其中，所述夜间红外云图是在夜间利用包含红外和可见光的多通道成像设备中的红外通道采集到的云图。所述白天红外云图是在白天利用包含红外和可见光的多通道成像设备中的红外通道采集到的云图。所述白天可见光云图是在白天利用包含红外和可见光的多通道成像设备中的可见光通道采集到的云图。

S4：基于所述夜间红外云图与所述白天红外云图，训练进行夜间云图与白天云图差异化分析处理的差异自适应校准模型；

进一步的，如图3所示，所述训练进行夜间云图与白天云图差异化分析处理的差异自适应校准模型，本申请实施例步骤S4包括：

S4-1：基于孪生网络，监督训练可执行云图翻译与卷积特征提取的夜间红外特征处理通道与白天红外特征处理通道；

S4-2：进行通道并行布设并后置差异化补偿层，生成所述自适应校准模型；

S4-3：基于白天红外特征处理通道，进行所述夜间红外特征处理通道的输入红外云图的映射匹配，同步进行双通道云图处理。

进一步的，本申请实施例步骤S4还包括：

S4-4：基于所述季节性时域云图，提取所述夜间红外云图与所述白天红外云图，进行分析处理获取校准后的转换云图，映射确定训练数据；

S4-5：基于所述训练数据，训练生成初始化自适应校准模型；

S4-6：结合所述训练数据，对所述初始化自适应校准模型进行检验，筛选不满足偏差阈值的训练数据进行复训，直至检验结果皆满足所述偏差阈值。

在一个可能的实施例中，通过以所述夜间红外云图与白天红外云图作为训练数据，对进行所述夜间云图与白天云图差异化分析处理的差异自适应校准模型进行监督训练，从而达到智能化分析白天云图和夜间云图之间差异，提高分析效率和分析准确性的技术效果。

优选的，利用孪生网络进行监督训练，训练对夜间红外云图进行云图翻译与卷积特征提取的夜间红外特征处理通道，和对白天红外云图进行云图翻译与卷积特征提取的白天红外特征处理通道。将所述夜间红外特征处理通道与白天红外特征处理通道进行并行布设，并将夜间红外特征处理通道的输出层与白天红外特征处理通道的输出层分别与差异化补偿层的输入层通信连接，进而生成所述自适应校准模型。

可选的，将夜间红外云图输入所述夜间红外特征处理通道中进行数据处理，同时，将所述夜间红外云图提取出的特征与所述白天红外特征处理通道中的白天红外云图进行输入红外云图的映射匹配，将匹配成功的白天红外云图利用差异化补偿特征对夜间红外云图进行像素点补偿，从而对夜间红外云图和白天红外云图之间，由于下垫面不同引起的差异进行补偿，进行双通道云图处理。达到了提高分析数据可靠性的技术效果。

优选的，通过基于所述季节性时域云图，提取所述夜间红外云图与所述白天红外云图，进行分析处理获取校准后的转换云图，并根据对应关系，构建校准后的转换云图与夜间红外云图、白天红外云图之间的映射关系，从而确定所述训练数据。可选的，通过按照一定的比例，将所述训练数据划分为训练集和验证集。其中，训练集所占比例为30％，验证集所占比例为70％。利用所述训练集进行监督训练，获得所述初始化自适应校准模型，进而利用验证集对所述初始化自适应校准模型进行检验。优选的，在每个训练周期结束后都保存当前的模型参数，覆盖上次的模型参数，将其保存为最新模型。在进行验证的过程中，筛选不满足偏差阈值的训练数据进行复训，直至检验结果皆满足所述偏差阈值时，验证通过，获得所述差异自适应校准模型。

S5：基于所述白天红外云图与所述白天可见光云图，训练进行红外云图与可见光云图仿真转换的云图转换模型；

在一个实施例中，将所述白天红外云图与所述白天可见光云图作为第一训练数据，对条件生成对抗网络模型进行监督训练，条件生成对抗网络模型可以为pix2pixHD，当利用第一训练数据中的训练集训练到一定次数后，利用第一训练数据中的验证集中所有红外数据生成模拟可见光数据，将其与第一训练数据中的验证集中所有可见光数据进行PSNR计算，每个训练周期结束后都保存当前的模型参数，覆盖上次的模型参数，即为最新模型，且每次验证时，比之前的PSNR更高的为最好的模型，将最好的模型参数保存。其中，所述云图转换模型用于将白天红外云图转换为白天可见光云图。

S6：结合前后位连接的所述差异自适应校准模型与所述云图转换模型，对所述分块红外云图数据进行分块云图的独立处理，获取分块转换云图；

进一步的，本申请实施例步骤S6还包括：

S6-1：对所述夜间红外云图与白天红外云图执行图像翻译，提取语义转换信息；

S6-2：进行语义转换信息的差异化校对，获取云图偏差像素点域；

S6-3：定位所述白天红外云图的偏差像素点域并进行卷积特征提取，对所述夜间红外云图进行所述偏差像素点域的卷积特征替换，获取所述分块转换云图。

在一个可能的实施例中，将所述差异自适应校准模型与所述云图转换模型按照前后位进行连接，进而，将所述分块红外云图数据输入依次输入所述差异自适应校准模型与所述云图转换模型中，实现对所述分块红外云图数据进行分块云图的独立处理，以及独立转换，从而获得转换后的分块转换云图。

在一个实施例中，通过利用图像翻译的深度学习算法，对夜间红外云图与白天红外云图进行图像翻译，获得语义转换信息。进而，对分别对夜间红外云图与白天红外云图对应的语义转换信息进行差异化校对，获得云图偏差像素点域。其中，所述云图偏差像素点域是偏差较大的像素点区域。

通过根据所述云图偏差像素点域对所述白天红外云图进行定位，确定偏差像素点域并进行卷积特征提取，将提取到的卷积特征对夜间红外云图进行替换，从而获得弥补差异后的分块转换云图。

S7：对所述分块转换云图进行拼接，生成白天目标可见光云图集。

进一步的，所述对所述分块转换云图进行拼接，本申请实施例步骤S7还包括：

S7-1：在所述二维坐标系中，对获取的所述分块转换云图进行位置定位与填入，获取拼接云图；

S7-2：识别所述拼接云图，提取交错重叠区域；

S7-3：对邻域重叠区域进行重叠云图与第二重叠云图的加权平均融合，确定区域融合结果。

在一个实施例中，对获得的所述分块转换云图进行拼接，从而获得所述白天目标可见光云图集。通过对相邻分块的重叠区域进行加权平均融合，避免相邻分块之间出现接缝。

具体而言，通过在所述二维坐标系中，对获取的所述分块转换云图按照对应的点位进行位置定位与填入，进而获得拼接云图。根据所述拼接云图，提取相邻两个分块转换云图的交错重叠区域。通过利用反距离线性加权平均对邻域重叠区域进行重叠云图与第二重叠云图的加权平均融合，确定区域融合结果。优选的，示例性的，分块A和分块B重叠时，利用P＝a*(1-d/L)+b*d/L计算重叠后任意一个格点的数值，其中a和b分别为分块A和分块B在该格点的数值，L为重叠区域的宽，d为该格点距离a一侧重叠区域边缘的距离，P为融合后重叠区域中任一格点的数值。

进一步的，本申请实施例步骤S7还包括：

S7-4：测绘并计算太阳高度角，进行云图采集时刻点的确定；

S7-5：基于所述云图采集时刻点，进行云图获取模式的确定；

S7-6：若为白天，进行可见光卫星云图的直接采集，作为第一云图获取模式；

S7-7：若为夜间，采集红外卫星云图并进行补偿转换，获取可见光卫星云图，作为第二云图获取模式；

S7-8：若为晨昏线邻域，执行所述第一云图获取模式与所述第二云图获取模式，并进行执行结果加权平均，作为可见光卫星云图。

在一个可能的实施例中，所述太阳高度角是指地球上的某个地点处，太阳光的入射方向和地平面之间的夹角，而太阳高度角随着地方时(时角)和太阳赤纬的变化而变化，因此，可以通过确定太阳高度角确定云图采集时刻点。其中，所述云图采集时刻点为包含红外和可见光的多通道成像设备进行云图采集的时间点。优选的，正午太阳高度角＝90°－该地与太阳直射点纬度差。

进而，根据所述云图采集时刻点可以确定进行卫星监测采集云图的模式。当云图采集时刻点为白天时，也就是太阳高度角大于阈值(例如0度)时为白天，可以进行可见光卫星云图的直接采集，此时获得采集到的卫星云图就是可见光卫星云图，将其作为第一云图获取模式。当所述云图采集时刻点为夜间时，也就是太阳高度角小于阈值(例如0度)时为夜间，此时采集的夜间红外云图不能直接用于可见光转换，需要对采集的红外卫星云图进行补偿转换，从而获得所述可见光卫星云图，将其作为第二云图获取模式。优选的，当太阳高度角在指定阈值范围内(例如0度至5度)的认为其为晨昏线邻域，通过对第一云图获取模式与第二云图获取模式同时执行，并对执行结果进行加权平均，将结果作为可见光卫星云图。示例性的，根据公式w＝a/5和V＝w*T+(1-w)*F进行加权平均，a为太阳高度角，w为权重，T为真实可见光的数值(执行第一云图获取模式获得的数值)，F为模拟可见光的数值(执行第二云图获取模式获得的数值)，V为加权平均后的可见光数值。

综上所述，本申请实施例至少具有如下技术效果：

本申请通过对夜间目标红外云图集进行数据分块，并对分块红外云图数据进行独立处理和独立转换，进而利用季节性时域云图进行差异化自适应校准模型和云图转换模型进行提供智能化处理和转换，进而，对分块转换云图进行拼接，获得白天目标可见光云图集。达到了提升可见光云图集的可靠性，提高生成效率和智能化程度的技术效果。

实施例二

基于与前述实施例中一种气象卫星可见光云图的生成方法相同的发明构思，如图4所示，本申请提供了一种气象卫星可见光云图的生成系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：

云图集采集模块11，所述云图集采集模块11用于基于包含红外和可见光的多通道成像设备进行卫星观测，采集待进行云图转换的夜间目标红外云图集，所述夜间目标红外云图集对应于不同通道波段；

云图数据获取模块12，所述云图数据获取模块12用于基于所述夜间目标红外云图集，进行云图数据分块，获取分块红外云图数据；

时域云图调用模块13，所述时域云图调用模块13用于调用预定时间区间内的季节性时域云图，所述季节性时域云图包括夜间红外云图、白天红外云图与白天可见光云图；

校准模型训练模块14，所述校准模型训练模块14用于基于所述夜间红外云图与所述白天红外云图，训练进行夜间云图与白天云图差异化分析处理的差异自适应校准模型；

转换模型训练模块15，所述转换模型训练模块15用于基于所述白天红外云图与所述白天可见光云图，训练进行红外云图与可见光云图仿真转换的云图转换模型；

分块转换云图获取模块16，所述分块转换云图获取模块16用于结合前后位连接的所述差异自适应校准模型与所述云图转换模型，对所述分块红外云图数据进行分块云图的独立处理，获取分块转换云图；

可见光云图集生成模块17，所述可见光云图集生成模块17用于对所述分块转换云图进行拼接，生成白天目标可见光云图集。

进一步的，所述云图数据获取模块12用于执行如下方法：

以云图覆盖域为坐标空间，搭建二维坐标系；

基于预定分割尺寸，结合所述二维坐标系，遍历所述夜间红外云图集进行云图均匀分割，获取多组分块云图，所述多组分块云图具有邻域重叠区域；

将所述多组分块云图作为所述分块红外云图数据，所述多组分块云图与所述夜间目标红外云图集一一对应。

进一步的，所述校准模型训练模块14用于执行如下方法：

基于孪生网络，监督训练可执行云图翻译与卷积特征提取的夜间红外特征处理通道与白天红外特征处理通道；

进行通道并行布设并后置差异化补偿层，生成所述自适应校准模型；

基于白天红外特征处理通道，进行所述夜间红外特征处理通道的输入红外云图的映射匹配，同步进行双通道云图处理。

进一步的，所述校准模型训练模块14用于执行如下方法：

基于所述季节性时域云图，提取所述夜间红外云图与所述白天红外云图，进行分析处理获取校准后的转换云图，映射确定训练数据；

基于所述训练数据，训练生成初始化自适应校准模型；

结合所述训练数据，对所述初始化自适应校准模型进行检验，筛选不满足偏差阈值的训练数据进行复训，直至检验结果皆满足所述偏差阈值。

进一步的，所述分块转换云图获取模块16用于执行如下方法：

对所述夜间红外云图与白天红外云图执行图像翻译，提取语义转换信息；

进行语义转换信息的差异化校对，获取云图偏差像素点域；

定位所述白天红外云图的偏差像素点域并进行卷积特征提取，对所述夜间红外云图进行所述偏差像素点域的卷积特征替换，获取所述分块转换云图。

进一步的，所述可见光云图集生成模块17用于执行如下方法：

在所述二维坐标系中，对获取的所述分块转换云图进行位置定位与填入，获取拼接云图；

识别所述拼接云图，提取交错重叠区域；

对邻域重叠区域进行重叠云图与第二重叠云图的加权平均融合，确定区域融合结果。

进一步的，所述可见光云图集生成模块17用于执行如下方法：

测绘并计算太阳高度角，进行云图采集时刻点的确定；

基于所述云图采集时刻点，进行云图获取模式的确定；

若为白天，进行可见光卫星云图的直接采集，作为第一云图获取模式；

若为夜间，采集红外卫星云图并进行补偿转换，获取可见光卫星云图，作为第二云图获取模式；

若为晨昏线邻域，执行所述第一云图获取模式与所述第二云图获取模式，并进行执行结果加权平均，作为可见光卫星云图。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。