CN116824305A - 应用于云计算的生态环境监测数据处理方法及系统 - Google Patents

Abstract

本申请实施例提供一种应用于云计算的生态环境监测数据处理方法及系统，通过完成模型收敛优化的环境特征标签预测网络分别解析模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量，依据初始化环境特征标签预测网络分别解析各模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各第二模板图像语义向量进行预测，并结合同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量确定的第一输出误差值和属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量确定的第二输出误差值获得目标环境特征标签预测网络，以提高后续环境特征标签预测的准确性。

Description

应用于云计算的生态环境监测数据处理方法及系统

技术领域

本申请实施例涉及生态环境监测技术领域，具体而言，涉及一种应用于云计算的生态环境监测数据处理方法及系统。

背景技术

随着生态环境保护意识的提升，对生态环境的保护措施也在不断加强。生态环境监测对于生态环境的治理尤为重要，只有了解区域内生态环境信息的分布状况，才能针对性地制定治理方案。在相关技术中，通过结合云计算和人工智能技术进行环境特征标签预测网络模型进行训练，可以便于实现批量的生态环境监测，然而相关技术的方案中，在完成模型训练后，当出现扩展的环境特征标签后，难以保证不同阶段（也即扩展前和扩展后的阶段）的环境特征标签之间的性能，在此情况下，如何保证环境特征标签预测的准确性，是所属技术领域亟待解决的技术问题。

发明内容

为了至少克服现有技术中的上述不足，本申请实施例的目的在于提供一种应用于云计算的生态环境监测数据处理方法及系统。

依据本申请实施例的一个方面，提供了一种应用于云计算的生态环境监测数据处理方法，包括：

获取模板生态环境监测图像序列；所述模板生态环境监测图像序列包括属于完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签的模板生态环境监测图像以及属于扩展环境特征标签的模板生态环境监测图像，其中，所述完成模型收敛优化的环境特征标签预测网络通过云计算服务器进行调度；

依据所述完成模型收敛优化的环境特征标签预测网络，分别解析所述模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量；

依据初始化环境特征标签预测网络分别解析各所述模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各所述第二模板图像语义向量进行预测，依据获得的各个第一环境特征标签预测数据确定预测误差值；

依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值；

依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，当符合网络收敛要求时，获得目标环境特征标签预测网络，所述目标环境特征标签预测网络被配置于预测所述已预测环境特征标签和所述扩展环境特征标签，其中，所述目标环境特征标签预测网络通过云计算服务器进行调度。

在第一方面的一种可能的实施方式中，所述依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值，包括：

分别将各个模板生态环境监测图像和所述模板生态环境监测图像序列中的各个模板生态环境监测图像组成模板生态环境监测图像组合，获得多个模板生态环境监测图像组合；

分别依据各个模板生态环境监测图像组合各自对应的第二模板图像语义向量进行特征匹配度计算，依据计算获得的特征匹配度确定各个所述模板生态环境监测图像组合各自对应的组合误差值；

确定目标模板生态环境监测图像组合对应的组合误差值，获得第二输出误差值，所述目标模板生态环境监测图像组合为包含不同环境特征标签的模板生态环境监测图像的模板生态环境监测图像组合。

在第一方面的一种可能的实施方式中，所述依据计算获得的特征匹配度确定各个所述模板生态环境监测图像组合各自对应的组合误差值，包括：

针对各个模板生态环境监测图像对应的特征匹配度，将所述特征匹配度减去设定匹配度获得的转换匹配度；

在所述特征匹配度小于所述设定匹配度时，将最小误差值输出为所述模板生态环境监测图像对应的组合误差值；

在所述特征匹配度不小于所述设定匹配度时，将所述转换匹配度输出为所述模板生态环境监测图像对应的组合误差值。

在第一方面的一种可能的实施方式中，所述确定目标模板生态环境监测图像组合对应的组合误差值，获得第二输出误差值，包括：

对于各个模板生态环境监测图像组合，获取所述模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性，依据所述环境特征标签属性计算所述模板生态环境监测图像组合对应的组合定义参数值，所述组合定义参数值是通过组合定义网络计算获得的，在所述模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同时，依据所述组合定义网络计算获得的组合定义参数值为第一定义值，在所述模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同时，依据所述组合定义网络计算获得的组合定义参数值为第二定义值；

当计算获得的组合定义参数值为第一定义值时，对所述模板生态环境监测图像组合对应的组合误差值进行保留，获得所述模板生态环境监测图像组合对应的目标组合误差值，当计算获得的组合定义参数值为第二定义值时，对所述模板生态环境监测图像组合对应的组合误差值进行隐藏，获得所述模板生态环境监测图像组合对应的目标组合误差值；

统计各个模板生态环境监测图像组合各自对应的目标组合误差值，获得第二输出误差值。

在第一方面的一种可能的实施方式中，在所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程之前，所述方法还包括：

依据属于不同环境特征标签的两个模板生态环境监测图像对应的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第三输出误差值；

所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，包括：

分析所述第一输出误差值、所述第二输出误差值、所述第三输出误差值以及所述预测误差值，获得全局误差值；

依据所述全局误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程。

在第一方面的一种可能的实施方式中，所述依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，包括：

依据各个模板生态环境监测图像分别对应的第一模板图像语义向量和第二模板图像语义向量进行特征匹配度计算，依据计算获得的特征匹配度确定各个模板生态环境监测图像分别对应的组合误差值；所述模板生态环境监测图像的组合误差值和所述模板生态环境监测图像对应的特征匹配度反向关联；

统计各个模板生态环境监测图像分别对应的组合误差值，获得第一输出误差值。

在第一方面的一种可能的实施方式中，所述已预测环境特征标签包括多个环境特征标签，所述模板生态环境监测图像序列的生成步骤包括：

从训练样本库中获取基础模板生态环境图像序列，所述基础模板生态环境图像序列中包括所述已预测环境特征标签对应的显著性生态环境监测图像，且所述已预测环境特征标签对应的显著性生态环境监测图像在所述已预测环境特征标签对应的标签特征图谱中的分布，与所述已预测环境特征标签对应的初始模板生态环境图像序列在所述标签特征图谱中的分布匹配；

获取扩展环境特征标签对应的扩展模板生态环境图像序列，依据所述扩展模板生态环境图像序列与所述基础模板生态环境图像序列中组成模板生态环境监测图像序列；

在所述从训练样本库中获取基础模板生态环境图像序列之前，所述方法还包括：

获取各个已预测环境特征标签各自对应的初始模板生态环境图像序列；所述初始模板生态环境图像序列中包括所述完成模型收敛优化的环境特征标签预测网络对应的已预测的模板生态环境监测图像；

针对各个已预测环境特征标签对应的初始模板生态环境图像序列，对所述初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量进行分簇，获得所述已预测环境特征标签对应的多个分簇数据；

分别从各个分簇数据中挑选与分别对应的分簇簇心之间的特征匹配度符合设定匹配度范围的模板图像语义向量，将挑选的模板图像语义向量所属的已预测的模板生态环境监测图像作为所述已预测环境特征标签对应的显著性生态环境监测图像；

所述对所述初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量进行分簇，获得所述已预测环境特征标签对应的多个分簇数据，包括：

确定所述已预测环境特征标签对应的第一标签量，依据所述第一标签量以及所述训练样本库的库容量确定分簇过程中的目标标签量；

对所述初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量依据所述目标标签量进行分簇，获得所述已预测环境特征标签对应的、且与所述目标标签量匹配的多个分簇数据。

在第一方面的一种可能的实施方式中，所述扩展环境特征标签包括多个，在得到目标环境特征标签预测网络之后，所述方法还包括：

确定所述扩展环境特征标签对应的第二标签量，依据所述第二标签量从所述训练样本库中移除所述基础模板生态环境图像序列中的多个显著性生态环境监测图像；

从所述扩展环境特征标签对应的扩展模板生态环境图像序列中确定所述扩展环境特征标签对应的显著性生态环境监测图像；

将所述扩展环境特征标签对应的显著性生态环境监测图像加载到所述训练样本库中；

所述依据所述第二标签量从所述训练样本库中移除所述基础模板生态环境图像序列中的多个显著性生态环境监测图像，包括：

依据所述第二标签量，确定各个已预测环境特征标签对应的待移除图像的目标图像数量；

针对各个已预测环境特征标签，依据所述已预测环境特征标签对应的已预测的模板生态环境监测图像确定所述已预测环境特征标签对应的标签特征图谱的注意力特征；

分别计算各个显著性生态环境监测图像分别对应的模板图像语义向量与所述注意力特征之间的特征匹配度；

依据各个显著性生态环境监测图像各自对应的特征匹配度，从已预测环境特征标签对应的显著性图像语义向量中移除与所述目标图像数量匹配的显著性图像语义向量。

在第一方面的一种可能的实施方式中，所述第一环境特征标签预测数据中包括已预测环境特征标签对应的第一标签置信度；

在所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程之前，所述方法还包括：

依据所述完成模型收敛优化的环境特征标签预测网络，依据各所述模板生态环境监测图像分别对应的第一模板图像语义向量进行预测，获得各所述模板生态环境监测图像分别对应的第二环境特征标签预测数据；所述第二环境特征标签预测数据中包括已预测环境特征标签对应的第二标签置信度；

对于各个模板生态环境监测图像，将所述模板生态环境监测图像的第一标签置信度和第二标签置信度在相同的教师参数下进行规则化转换，获得所述第一标签置信度对应的第一目标置信度以及所述第二标签置信度对应的第二目标置信度；

依据所述第一目标置信度和所述第二目标置信度进行教师误差值确定，获得所述模板生态环境监测图像的教师误差值；

统计各个模板生态环境监测图像的教师误差值，获得目标教师误差值；

所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，包括：

分析所述第一输出误差值、所述第二输出误差值、所述目标教师误差值以及所述预测误差值，获得全局误差值；

依据所述全局误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程。

依据本申请实施例的一个方面，提供了一种应用于云计算的生态环境监测数据处理系统，所述应用于云计算的生态环境监测数据处理系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现前述任意一种可能的实施方式中的应用于云计算的生态环境监测数据处理方法。

依据本申请实施例的一个方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述三方面的各种可选实现方式中提供的方法。

在本申请的一些实施例所提供的技术方案中，通过完成模型收敛优化的环境特征标签预测网络分别解析模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量，依据初始化环境特征标签预测网络分别解析各模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各第二模板图像语义向量进行预测，并结合同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量确定的第一输出误差值和属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量确定的第二输出误差值获得目标环境特征标签预测网络，该目标环境特征标签预测网络不仅可以有效保留完成模型收敛优化的环境特征标签预测网络学习到的特征，还可以提高不同阶段的环境特征标签之间的性能，从而提高后续环境特征标签预测的准确性。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要启用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的基础上，还可以结合这些附图提取其它相关的附图。

图1为本申请实施例提供的应用于云计算的生态环境监测数据处理方法的流程示意图；

图2为本申请实施例提供的用于实现上述的应用于云计算的生态环境监测数据处理方法的应用于云计算的生态环境监测数据处理系统的结构示意框图。

具体实施方式

以下描述是为了使本领域的普通技术人员能够实施和结合本申请，并且该描述是在特定的应用场景及其要求的环境下提供的。对于本领域的普通技术人员来讲，显然可以对所公开的实施例作出各种改变，并且在不偏离本申请的原则和范围时，本申请中所定义的普遍原则可以适用于其它实施例和应用场景。因此，本申请并不限于所描述的实施例，而应该被给予与权利要求一致的最广泛的范围。

图1是本申请一种实施例提供的应用于云计算的生态环境监测数据处理方法的流程示意图，下面对该应用于云计算的生态环境监测数据处理方法进行详细介绍。

步骤S102，获取模板生态环境监测图像序列；模板生态环境监测图像序列包括属于完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签的模板生态环境监测图像以及属于扩展环境特征标签的模板生态环境监测图像。

其中，模板生态环境监测图像序列包括多个模板生态环境监测图像，模板生态环境监测图像可以是指用于训练环境特征标签预测网络的生态环境监测图像，可以是通过遥感图像采集获得的。模板生态环境监测图像序列中的模板生态环境监测图像属于多个不同的环境特征标签，这些环境特征标签可以分为两种，一种是完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签，一种是扩展环境特征标签，这里的完成模型收敛优化的环境特征标签预测网络指的是过往已完成训练的环境特征标签预测网络，完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签可以是指完成模型收敛优化的环境特征标签预测网络可预测的环境特征标签，完成模型收敛优化的环境特征标签预测网络可预测的环境特征标签即在该环境特征标签预测网络的网络收敛流程中所学习的环境特征标签，完成模型收敛优化的环境特征标签预测网络在网络收敛流程中可以学习到过往观测的所有环境特征标签。

扩展环境特征标签是在完成模型收敛优化的环境特征标签预测网络收敛后新出现的环境特征标签，是相对于与已预测环境特征标签而言扩展的环境特征标签。

已预测环境特征标签和扩展环境特征标签均可以包括至少一个。已预测环境特征标签由于是过往观测的环境特征标签，而扩展环境特征标签为完成模型收敛优化的环境特征标签预测网络收敛后新出现的环境特征标签，从而已预测环境特征标签也可以称为旧环境特征标签，而扩展环境特征标签也可以称为新环境特征标签。完成模型收敛优化的环境特征标签预测网络可以称为旧环境特征标签预测网络，而初始化环境特征标签预测网络可以称为新环境特征标签预测网络。

一种可替代的实施方式中，模板生态环境监测图像序列中包括属于完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签的模板生态环境监测图像以及属于扩展环境特征标签的模板生态环境监测图像。可以依据模板生态环境监测图像序列对初始化环境特征标签预测网络进行更新，使得初始化环境特征标签预测网络在完成模型收敛优化的环境特征标签预测网络的基础上进行持续更新，从而生成可以识别已预测环境特征标签和扩展环境特征标签的环境特征标签预测网络。

步骤S104，通过完成模型收敛优化的环境特征标签预测网络，分别解析模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量。

一种可替代的实施方式中，可以将模板生态环境监测图像序列中的各个模板生态环境监测图像分别输入完成模型收敛优化的环境特征标签预测网络中，完成模型收敛优化的环境特征标签预测网络可以包括编码器，该编码器可以对各个模板生态环境监测图像进行编码，获得各模板生态环境监测图像分别对应的第一模板图像语义向量。

步骤S106，依据初始化环境特征标签预测网络分别解析各模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各第二模板图像语义向量进行预测，依据获得的各个第一环境特征标签预测数据确定预测误差值。

其中，初始化环境特征标签预测网络可以是指初始化权重参数的环境特征标签预测网络。初始化环境特征标签预测网络和完成模型收敛优化的环境特征标签预测网络的网络架构可以相同也可以不同。初始化环境特征标签预测网络可以继承完成模型收敛优化的环境特征标签预测网络的权重信息，即初始化环境特征标签预测网络的初始权重信息可以与完成模型收敛优化的环境特征标签预测网络的权重信息相同。

环境特征标签预测数据是反映模板生态环境监测图像所属的具体环境特征标签的环境特征标签信息的。一种可替代的实施方式中，环境特征标签预测数据可以是反映模板生态环境监测图像所属环境特征标签的环境特征标签ID，例如，假设已预测环境特征标签和扩展环境特征标签总共有K个环境特征标签，那么环境特征标签预测数据可以是包含环境特征标签ID的K维特征，比如(1，0，0，0，……，0)，表示模板生态环境监测图像属于首个环境特征标签，或者可以是(0，1，0，0，……，0)，表示模板生态环境监测图像属于第二个环境特征标签，依次类推。在其它可替代的实施方式中，环境特征标签预测数据可以是反映模板生态环境监测图像所属环境特征标签的置信度，例如，假设已预测环境特征标签和扩展环境特征标签总共有K个环境特征标签，那么环境特征标签预测数据可以是K维的置信度向量，其中，各个维度的置信度反映模板生态环境监测图像属于该环境特征标签的概率大小。

预测误差值可以反映环境特征标签预测数据和环境特征标签属性之间的区别，预测误差值和该区别呈正相关，即该区别越大，则预测误差值越大。

一种可替代的实施方式中，将各个模板生态环境监测图像分别输入初始化环境特征标签预测网络中，环境特征标签预测网络首先对各个模板生态环境监测图像进行提取，获得各个模板生态环境监测图像分别对应的第二模板图像语义向量，进而环境特征标签预测网络可以依据各个模板生态环境监测图像分别对应的第二模板图像语义向量对各个模板生态环境监测图像进行预测处理，获得各个模板生态环境监测图像各自对应的环境特征标签预测数据，依据各个模板生态环境监测图像各自对应的环境特征标签预测数据以及各个模板生态环境监测图像各自对应的环境特征标签属性进行误差值确定，获得预测误差值。

步骤S108，依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值。

其中，第一输出误差值与同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量之间的区别度或者特征匹配度相关。

一种可替代的实施方式中，对于每个模板生态环境监测图像，分别得获得第一模板图像语义向量和第二模板图像语义向量，从而对于各个模板生态环境监测图像，可以依据该模板生态环境监测图像对应的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得该模板生态环境监测图像对应的组合误差值，进而通过分析各个模板生态环境监测图像各自对应的组合误差值得到第一输出误差值。一种可替代的实施方式中，依据每两个属于不同环境特征标签的模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得每两个属于不同环境特征标签的模板生态环境监测图像对应的组合误差值，进而通过分析这些组合误差值得到第二输出误差值。

一种可替代的实施方式中，假设模板生态环境监测图像序列中包括三个模板生态环境监测图像，分别为模板生态环境监测图像1、模板生态环境监测图像2以及模板生态环境监测图像3，其中，模板生态环境监测图像1、模板生态环境监测图像2属于同一个已预测环境特征标签，而模板生态环境监测图像3属于扩展环境特征标签，通过完成模型收敛优化的环境特征标签预测网络对这三个模板生态环境监测图像分别解析的第一模板图像语义向量为Q1、Q2和Q3，依据初始化环境特征标签预测网络对这三个模板生态环境图像分别解析的第二模板图像语义向量为E1、E2和E3，那么可以依据Q1和E1确定模板生态环境监测图像1的组合误差值R1，依据Q2和E2确定模板生态环境监测图像2的组合误差值R2，依据Q3和E3确定模板生态环境监测图像3的组合误差值R3，通过统计R1、R2和R3得到第一输出误差值，依据E1和E3计算第一模板生态环境监测图像和第三模板生态环境监测图像这两个模板生态环境监测图像对应的组合误差值H1，依据E2和E3计算第二模板生态环境监测图像和第三模板生态环境监测图像这两个模板生态环境监测图像对应的组合误差值H2，通过统计H1和H2得到第二输出误差值。

一种可替代的实施方式中，在计算第二输出误差值时，可以依据各个模板生态环境监测图像的类别，确定属于不同环境特征标签的模板生态环境监测图像组合，对于各个模板生态环境监测图像组合，可以依据该模板生态环境监测图像组合对应的第二模板图像语义向量进行误差值确定，获得该模板生态环境监测图像组合对应的组合误差值。

步骤S110，依据第一输出误差值、第二输出误差值以及预测误差值更新初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，当符合网络收敛要求时，获得目标环境特征标签预测网络，目标环境特征标签预测网络被配置于预测已预测环境特征标签和扩展环境特征标签。

一种可替代的实施方式中，可以统计第一输出误差值、第二输出误差值以及预测误差值，获得全局误差值，将获得的全局误差值反向传播，更新初始化环境特征标签预测网络的权重信息，然后将更新后获得的环境特征标签预测网络作为初始化环境特征标签预测网络，重复上述训练步骤进行迭代训练，直至符合网络收敛要求时，获得完成模型收敛优化的目标环境特征标签预测网络。

训练获得的目标环境特征标签预测网络在网络更新流程中学习了已预测环境特征标签的模板生态环境监测图像以及扩展环境特征标签的模板生态环境监测图像，可以被配置于预测已预测环境特征标签和扩展环境特征标签。

基于以上步骤，通过获取模板生态环境监测图像序列；模板生态环境监测图像序列包括属于完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签的模板生态环境监测图像以及属于扩展环境特征标签的模板生态环境监测图像，通过完成模型收敛优化的环境特征标签预测网络，分别解析模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量，依据初始化环境特征标签预测网络分别解析各模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各第二模板图像语义向量进行预测，依据获得的各个第一环境特征标签预测数据确定预测误差值，依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值，依据第一输出误差值、第二输出误差值以及预测误差值更新初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，当符合网络收敛要求时，获得目标环境特征标签预测网络，该目标环境特征标签预测网络不仅可以有效保留完成模型收敛优化的环境特征标签预测网络学习到的特征，还可以提高不同阶段的环境特征标签之间的性能，从而提高后续环境特征标签预测的准确性。

一种可替代的实施方式中，依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值，包括：分别将各个模板生态环境监测图像和模板生态环境监测图像序列中的各个模板生态环境监测图像组成模板生态环境监测图像组合，获得多个模板生态环境监测图像组合；分别依据各个模板生态环境监测图像组合各自对应的第二模板图像语义向量进行特征匹配度计算，依据计算获得的特征匹配度确定各个模板生态环境监测图像组合各自对应的组合误差值；确定目标模板生态环境监测图像组合对应的组合误差值，获得第二输出误差值，目标模板生态环境监测图像组合为包含不同环境特征标签的模板生态环境监测图像的模板生态环境监测图像组合。

一种可替代的实施方式中，可以游走模板生态环境监测图像序列中的各个模板生态环境监测图像，将游走到的模板生态环境监测图像和模板生态环境监测图像序列中的各个模板生态环境监测图像组成模板生态环境监测图像组合，由此获得多个模板生态环境监测图像组合，对于各个模板生态环境监测图像组合，可以依据该模板生态环境监测图像组合中两个模板生态环境监测图像分别对应的第二模板生态环境监测图像特征进行特征匹配度计算，依据计算获得的特征匹配度确定该模板生态环境监测图像组合对应的组合误差值。模板生态环境监测图像组合对应的组合误差值是与计算获得的特征匹配度呈正相关关系的。

在确定各个模板生态环境监测图像组合分别对应的组合误差值后，可以仅对其中包含不同环境特征标签的模板生态环境监测图像的目标模板生态环境监测图像对的组合误差值进行统计，将统计获得的全局误差值作为第二输出误差值。

一种可替代的实施方式中，对于各个模板生态环境监测图像组合，可以依据该模板生态环境监测图像组合中两个模板生态环境监测图像分别对应的第二模板生态环境监测图像特征进行特征匹配度计算，获得该模板生态环境监测图像组合对应的特征匹配度。

通过进行特征匹配度进行得到组合误差值，进而确定目标模板生态环境监测图像对对应的组合误差值得到第二输出误差值，获得的第二输出误差值可以更好表达不同环境特征标签的模板生态环境监测图像之间的区分度。

一种可替代的实施方式中，依据计算获得的特征匹配度确定各个模板生态环境监测图像组合各自对应的组合误差值，包括：针对各个模板生态环境监测图像对应的特征匹配度，将特征匹配度减去设定匹配度获得的转换匹配度；在特征匹配度小于设定匹配度时，将最小误差值输出为模板生态环境监测图像对应的组合误差值；在特征匹配度不小于设定匹配度时，将转换匹配度输出为模板生态环境监测图像对应的组合误差值。

一种可替代的实施方式中，可以预设一个设定匹配度，将该设定匹配度作为不同环境特征标签的模板生态环境监测图像之间的最大特征匹配度，以实现将初始化环境特征标签预测网络的权重信息按照不同环境特征标签的模板生态环境监测图像之间的特征匹配度小于该最大特征匹配度的方向进行更新。针对各个模板生态环境监测图像组合对应的特征匹配度，计算机设备将其特征匹配度减去设定匹配度得到转换匹配度，在特征匹配度小于设定匹配度时，将最小误差值输出为模板生态环境监测图像对应的组合误差值，在特征匹配度不小于设定匹配度时，将转换匹配度输出为模板生态环境监测图像对应的组合误差值。其中，网络收敛流程中，初始化环境特征标签预测网络的权重信息是按照误差值减小的方向进行更新的，即按照将最小误差值输出为模板生态环境监测图像对应的组合误差值的方向进行更新的，由此可是的不同环境特征标签的模板生态环境监测图像之间的特征匹配度小于设定匹配度，确保每个图像语义向量和其它环境特征标签的图像语义向量之间存在区分性。

一种可替代的实施方式中，在计算组合误差值时，在特征匹配度小于设定匹配度时，将最小误差值输出为模板生态环境监测图像对应的组合误差值，在特征匹配度不小于设定匹配度时，将转换匹配度输出为模板生态环境监测图像对应的组合误差值，可以提高获得的目标环境特征标签预测网络对不同环境特征标签的模板生态环境图像所提取的图像语义向量之间的区分度。

一种可替代的实施方式中，确定目标模板生态环境监测图像组合对应的组合误差值，获得第二输出误差值，包括：对于各个模板生态环境监测图像组合，获取模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性，依据环境特征标签属性计算模板生态环境监测图像组合对应的组合定义参数值，组合定义参数值是通过组合定义网络计算获得的，在模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同时，通过组合定义网络计算获得的组合定义参数值为第一定义值，在模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同时，通过组合定义网络计算获得的组合定义参数值为第二定义值；当计算获得的组合定义参数值为第一定义值时，对模板生态环境监测图像组合对应的组合误差值进行保留，获得模板生态环境监测图像组合对应的目标组合误差值，当计算获得的组合定义参数值为第二定义值时，对模板生态环境监测图像组合对应的组合误差值进行隐藏，获得模板生态环境监测图像组合对应的目标组合误差值；统计各个模板生态环境监测图像组合各自对应的目标组合误差值，获得第二输出误差值。

一种可替代的实施方式中，组合定义网络生成的组合定义参数值为第一定义值或者第二定义值，第一定义值和第二定义值为不同的定义值，因此，通过输出组合定义参数值可以确定模板生态环境监测图像组合中所包含的模板生态环境监测图像对应的环境特征标签属性是否相同，当计算获得的组合定义参数值为第一定义值时，说明模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同，那么可以对模板生态环境监测图像组合对应的组合误差值进行保留，保留即对模板生态环境监测图像组合对应的组合误差值进行保留，使得该组合误差值可以作为第二输出误差值中的一部分，当计算获得的组合定义参数值为第二定义值时，说明模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性不相同，那么可以对模板生态环境监测图像组合对应的组合误差值进行隐藏，隐藏即对模板生态环境监测图像组合对应的组合误差值进行屏蔽，使得该组合误差值不会对第二输出误差值产生影响。

一种可替代的实施方式中，组合定义网络生成的第一定义值为1、第二定义值为0，可以通过将模板生态环境监测图像组合对应的组合误差值和该模板生态环境监测图像对应的组合定义参数值进行加权，那么在组合定义参数值为第一定义值时，通过和第一定义值加权，使得该组合误差值作为该模板生态环境监测图像的目标组合误差值，在组合定义参数值为第二定义值时，依据和第二定义值加权，使得该模板生态环境监测图像的目标组合误差值为0，从而使得获得的第二输出误差值中只包含目标模板生态环境监测图像组合对应的组合误差值，这里目标模板生态环境监测图像组合为包含不同环境特征标签的模板生态环境监测图像的模板生态环境监测图像组合。

由此，通过计算组合定义参数值，可以对包含相同环境特征标签的模板生态环境监测图像的模板生态环境监测图像组合的组合误差值进行隐藏，使得计算获得的第二输出误差值的准确性更高，以提高环境特征标签预测网络的预测精度。

一种可替代的实施方式中，提供进一步的实施例中，包括以下步骤：

步骤S202，获取模板生态环境监测图像序列；模板生态环境监测图像序列包括属于完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签的模板生态环境监测图像以及属于扩展环境特征标签的模板生态环境监测图像。

步骤S204，通过完成模型收敛优化的环境特征标签预测网络，分别解析模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量。

步骤S206，依据初始化环境特征标签预测网络分别解析各模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各第二模板图像语义向量进行预测，依据获得的各个第一环境特征标签预测数据确定预测误差值。

步骤S208，依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值。

步骤S210，依据属于不同环境特征标签的两个模板生态环境监测图像对应的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第三输出误差值。

一种可替代的实施方式中，依据每两个属于不同环境特征标签的模板生态环境监测图像对应的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得每两个属于不同环境特征标签的模板生态环境监测图像对应的组合误差值，由此通过加权这些组合误差值得到第三输出误差值。

其中，假设模板生态环境监测图像组合中包含的两个模板生态环境监测图像分别为模板生态环境监测图像Q和模板生态环境监测图像E，那么一种可替代的实施方式中，该模板生态环境监测图像组合对应的第一模板图像语义向量和第二模板图像语义向量可以是模板生态环境监测图像Q对应的第一模板图像语义向量和模板生态环境监测图像E对应的第二模板图像语义向量，可以依据模板生态环境监测图像Q对应的第一模板图像语义向量和模板生态环境监测图像E对应的第二模板图像语义向量进行误差值确定得到该模板生态环境监测图像组合的组合误差值；在另一个实施例中，该模板生态环境监测图像组合对应的第一模板图像语义向量和第二模板图像语义向量可以是模板生态环境监测图像Q对应的第二模板图像语义向量和模板生态环境监测图像E对应的第一模板图像语义向量，可以依据模板生态环境监测图像Q对应的第二模板图像语义向量和模板生态环境监测图像E对应的第一模板图像语义向量进行误差值确定得到该模板生态环境监测图像组合的组合误差值；在其它可替代的实施方式中，可以该模板生态环境监测图像组合对应的第一模板图像语义向量和第二模板图像语义向量可以是包括模板生态环境监测图像Q对应的第一模板图像语义向量和模板生态环境监测图像E对应的第二模板图像语义向量，以及模板生态环境监测图像Q对应的第二模板图像语义向量和模板生态环境监测图像E对应的第一模板图像语义向量，可以分别依据模板生态环境监测图像Q对应的第一模板图像语义向量和模板生态环境监测图像E对应的第二模板图像语义向量进行误差值确定得到一个组合误差值，并且依据模板生态环境监测图像Q对应的第二模板图像语义向量和模板生态环境监测图像E对应的第一模板图像语义向量进行误差值确定得到一个组合误差值，最后统计这两个组合误差值，获得该模板生态环境监测图像组合的组合误差值。

一种可替代的实施方式中，在进行误差值确定时，对于每一组用于进行误差值确定的一模板图像语义向量和第二模板图像语义向量，可以计算这两个模板图像语义向量之间的特征匹配度，依据计算获得的特征匹配度确定对应的组合误差值。

一种可替代的实施方式中，针对计算获得的各个特征匹配度，可以将该特征匹配度减去设定匹配度获得的转换匹配度；在特征匹配度小于设定匹配度时，将最小误差值输出为对应的组合误差值；在特征匹配度不小于设定匹配度时，将转换匹配度输出为对应的组合误差值。

步骤S212，统计第一输出误差值、第二输出误差值、第三输出误差值以及预测误差值，获得全局误差值，依据全局误差值更新初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程。

一种可替代的实施方式中，依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，包括：依据各个模板生态环境监测图像分别对应的第一模板图像语义向量和第二模板图像语义向量进行特征匹配度计算，依据计算获得的特征匹配度确定各个模板生态环境监测图像分别对应的组合误差值；模板生态环境监测图像的组合误差值和模板生态环境监测图像对应的特征匹配度反向关联；统计各个模板生态环境监测图像分别对应的组合误差值，获得第一输出误差值。

一种可替代的实施方式中，已预测环境特征标签包括多个环境特征标签，模板生态环境监测图像序列的生成步骤包括：从训练样本库中获取基础模板生态环境图像序列，基础模板生态环境图像序列中包括已预测环境特征标签对应的显著性生态环境监测图像，且已预测环境特征标签对应的显著性生态环境监测图像在已预测环境特征标签对应的标签特征图谱中的分布，与已预测环境特征标签对应的初始模板生态环境图像序列在标签特征图谱中的分布匹配；获取扩展环境特征标签对应的扩展模板生态环境图像序列，依据扩展模板生态环境图像序列与基础模板生态环境图像序列中组成模板生态环境监测图像序列。

其中，已预测环境特征标签对应的初始模板生态环境图像序列指的是对完成模型收敛优化的环境特征标签预测网络进行更新时所使用到的属于该已预测环境特征标签的模板生态环境监测图像序列。已预测环境特征标签对应的标签特征图谱指的是已预测环境特征标签对应的初始模板生态环境图像序列中各个模板生态环境图像对应的模板图像语义向量所形成的标签特征图谱。已预测环境特征标签对应的显著性生态环境监测图像在该已预测环境特征标签对应的标签特征图谱中的分布，与该已预测环境特征标签对应的初始模板生态环境图像序列在该标签特征图谱中的分布匹配。

一种可替代的实施方式中，训练样本库中可以对每个已预测环境特征标签存储少量的显著性生态环境监测图像，这些显著性生态环境监测图像是基于已预测环境特征标签对应的标签特征图谱的图谱结构进行选择的，以保留初始模板生态环境图像序列中的显著性特征数据，以便于之后从训练样本库中获取这些显著性生态环境监测图像，在获取扩展环境特征标签对应的扩展模板生态环境图像序列后，将扩展模板生态环境图像序列与基础模板生态环境图像序列中的显著性生态环境监测图像组合生成用于网络更新的训练数据。

一种可替代的实施方式中，在从训练样本库中获取基础模板生态环境图像序列之前，本实施例还可以包括：获取各个已预测环境特征标签各自对应的初始模板生态环境图像序列；初始模板生态环境图像序列中包括完成模型收敛优化的环境特征标签预测网络对应的已预测的模板生态环境监测图像；针对各个已预测环境特征标签对应的初始模板生态环境图像序列，对初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量进行分簇，获得已预测环境特征标签对应的多个分簇数据；分别从各个分簇数据中挑选与分别对应的分簇簇心之间的特征匹配度符合设定匹配度范围的模板图像语义向量，将挑选的模板图像语义向量所属的已预测的模板生态环境监测图像作为已预测环境特征标签对应的显著性生态环境监测图像。

一种可替代的实施方式中，针对各个已预测环境特征标签对应的初始模板生态环境图像序列，可以通过完成模型收敛优化的环境特征标签预测网络提取该初始模板生态环境图像序列中各个已预测的模板生态环境监测图像的模板图像语义向量，对这些模板图像语义向量进行分簇，各个已预测环境特征标签对应的初始模板生态环境图像序列在经过分簇后生成多个分簇数据，可以从各个分簇数据中挑选与分别对应的分簇簇心之间的距离符合设定匹配度范围的至少一个模板图像语义向量，挑选的模板图像语义向量即代表了所属的已预测的模板生态环境监测图像，从而可以将挑选的模板图像语义向量所属的已预测的模板生态环境监测图像作为该已预测的模板生态环境监测图像所属已预测环境特征标签的显著性生态环境监测图像。

一种可替代的实施方式中，对初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量进行分簇，获得已预测环境特征标签对应的多个分簇数据，包括：确定已预测环境特征标签对应的第一标签量，依据第一标签量以及训练样本库的库容量确定分簇过程中的目标标签量；对初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量依据目标标签量进行分簇，获得已预测环境特征标签对应的、且与目标标签量匹配的多个分簇数据。

一种可替代的实施方式中，扩展环境特征标签包括多个，在得到目标环境特征标签预测网络之后，本实施例还可以包括：确定扩展环境特征标签对应的第二标签量，依据第二标签量从训练样本库中移除基础模板生态环境图像序列中的多个显著性生态环境监测图像；从扩展环境特征标签对应的扩展模板生态环境图像序列中确定扩展环境特征标签对应的显著性生态环境监测图像；将扩展环境特征标签对应的显著性生态环境监测图像加载到训练样本库中。

一种可替代的实施方式中，可以确定扩展环境特征标签的第二标签量，依据第二标签量从训练样本库中移除基础模板生态环境图像序列中的多个显著性生态环境监测图像，第二标签量越多，所需要移除的图像数量越多。对于各个扩展环境特征标签，可以从该扩展环境特征标签对应的扩展模板生态环境图像序列中确定显著性生态环境监测图像，最后将各个扩展环境特征标签各自对应的显著性生态环境监测图像加载到训练样本库中，以对训练样本库进行更新。

一种可替代的实施方式中，依据第二标签量从训练样本库中移除基础模板生态环境图像序列中的多个显著性生态环境监测图像，包括：依据第二标签量，确定各个已预测环境特征标签对应的待移除图像的目标图像数量；针对各个已预测环境特征标签，依据已预测环境特征标签对应的已预测的模板生态环境监测图像确定已预测环境特征标签对应的标签特征图谱的注意力特征；分别计算各个显著性生态环境监测图像分别对应的模板图像语义向量与注意力特征之间的特征匹配度；依据各个显著性生态环境监测图像各自对应的特征匹配度，从已预测环境特征标签对应的显著性图像语义向量中移除与目标图像数量匹配的显著性图像语义向量。

一种可替代的实施方式中，首先依据第二标签量，确定各个已预测环境特征标签对应的待移除图像的目标图像数量，进而针对各个已预测环境特征标签，可以基于该已预测环境特征标签对应的已预测的模板生态环境监测图像的模板图像语义向量计算平均模板图像语义向量，将平均模板图像语义向量作为该已预测环境特征标签对应的标签特征图谱的注意力特征，分别计算该已预测环境特征标签对应的各个显著性生态环境监测图像分别对应的模板图像语义向量与注意力特征之间的特征匹配度，依据各个显著性生态环境监测图像各自对应的特征匹配度对该已预测环境特征标签对应的各个显著性生态环境监测图像进行升序排列，依据排序结果移除排名较低的显著性生态环境监测图像，移除的显著性生态环境监测图像的数量与目标图像数量相同。在具体实施过程中，可以将该已预测环境特征标签对应的所有已预测的模板生态环境监测图像的模板图像语义向量求平均，获得平均模板图像语义向量；或者，可以将该已预测环境特征标签对应的所有显著性生态环境监测图像的模板图像语义向量求平均，获得平均模板图像语义向量。

一种可替代的实施方式中，第一环境特征标签预测数据中包括已预测环境特征标签对应的第一标签置信度；在依据第一输出误差值、第二输出误差值以及预测误差值更新初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程之前，方法还包括：通过完成模型收敛优化的环境特征标签预测网络，依据各模板生态环境监测图像分别对应的第一模板图像语义向量进行预测，获得各模板生态环境监测图像分别对应的第二环境特征标签预测数据；第二环境特征标签预测数据中包括已预测环境特征标签对应的第二标签置信度；对于各个模板生态环境监测图像，将模板生态环境监测图像的第一标签置信度和第二标签置信度在相同的教师参数下进行规则化转换，获得第一标签置信度对应的第一目标置信度以及第二标签置信度对应的第二目标置信度；依据第一目标置信度和第二目标置信度进行教师误差值确定，获得模板生态环境监测图像的教师误差值；统计各个模板生态环境监测图像的教师误差值，获得目标教师误差值；依据第一输出误差值、第二输出误差值以及预测误差值更新初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，包括：统计第一输出误差值、第二输出误差值、目标教师误差值以及预测误差值，获得全局误差值；依据全局误差值更新初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程。

在确定目标教师误差值后，可以统计第一输出误差值、第二输出误差值、目标教师误差值以及预测误差值，获得全局误差值，进而依据全局误差值更新初始化环境特征标签预测网络的权重信息。

下面介绍进一步的应用实施例，可以包括以下步骤：

步骤S302，获取目标生态环境监测图像。

步骤S304，将目标生态环境监测图像输入目标环境特征标签预测网络中，通过目标环境特征标签预测网络对目标生态环境监测图像进行环境特征标签预测。

步骤S306，获取目标环境特征标签预测网络生成的目标生态环境监测图像对应的环境特征标签预测结果。

图2示出了本申请实施例提供的用于实现上述的应用于云计算的生态环境监测数据处理方法的应用于云计算的生态环境监测数据处理系统100的硬件结构意图，如图2所示，应用于云计算的生态环境监测数据处理系统100可包括处理器110、机器可读存储介质120、总线130以及通信单元140。

一种可替代的实施例中，应用于云计算的生态环境监测数据处理系统100可以是单个服务器，也可以是服务器组。所述服务器组可以是集中式的，也可以是分布式的(例如，应用于云计算的生态环境监测数据处理系统100可以是分布式的系统)。一种可替代的实施例中，应用于云计算的生态环境监测数据处理系统100可以是本地的，也可以是远程的。例如，应用于云计算的生态环境监测数据处理系统100可以经由网络访问存储于机器可读存储介质120中的信息和/或数据。又例如，应用于云计算的生态环境监测数据处理系统100可以直接连接到机器可读存储介质120以访问存储的信息和/或数据。一种可替代的实施例中，应用于云计算的生态环境监测数据处理系统100可以在云平台上实施。仅作为示例，该云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。

机器可读存储介质120可以储存数据和/或指令。一种可替代的实施例中，机器可读存储介质120可以存储从外部终端获取的数据。一种可替代的实施例中，机器可读存储介质120可以储存应用于云计算的生态环境监测数据处理系统100用来执行或使用来完成本申请中描述的示例性方法的数据及/或指令。一种可替代的实施例中，机器可读存储介质120可包括大容量存储器、可移动存储器、易失性读写存储器、只读存储器等或其任意组合。示例性的大容量存储器可以包括磁盘、光盘、固态磁盘等。示例性可移动存储器可以包括闪存驱动器、软盘、光盘、存储卡、压缩盘、磁带等。

在具体实现过程中，多个处理器110执行机器可读存储介质120存储的计算机可执行指令，使得处理器110可以执行如上方法实施例的应用于云计算的生态环境监测数据处理方法，处理器110、机器可读存储介质120以及通信单元140通过总线130连接，处理器110可以用于控制通信单元140的收发动作。

处理器110的具体实现过程可参见上述应用于云计算的生态环境监测数据处理系统100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。

此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中预设有计算机可执行指令，当处理器执行所述计算机可执行指令时，实现如上应用于云计算的生态环境监测数据处理方法。

同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。同理，应当注意的是，为了简化本申请披露的表述，从而帮助对一个或以上发明实施例的理解，前文对本申请实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。

Claims (10)

1.一种应用于云计算的生态环境监测数据处理方法，其特征在于，通过应用于云计算的生态环境监测数据处理系统实现，所述方法包括：

获取模板生态环境监测图像序列；所述模板生态环境监测图像序列包括属于完成模型收敛优化的环境特征标签预测网络对应的已预测环境特征标签的模板生态环境监测图像以及属于扩展环境特征标签的模板生态环境监测图像，其中，所述完成模型收敛优化的环境特征标签预测网络通过云计算服务器进行调度；

依据所述完成模型收敛优化的环境特征标签预测网络，分别解析所述模板生态环境监测图像序列中各模板生态环境监测图像分别对应的第一模板图像语义向量；

依据初始化环境特征标签预测网络分别解析各所述模板生态环境监测图像分别对应的第二模板图像语义向量，并依据各所述第二模板图像语义向量进行预测，依据获得的各个第一环境特征标签预测数据确定预测误差值；

依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值；

依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，当符合网络收敛要求时，获得目标环境特征标签预测网络，所述目标环境特征标签预测网络被配置于预测所述已预测环境特征标签和所述扩展环境特征标签，其中，所述目标环境特征标签预测网络通过云计算服务器进行调度。

2.根据权利要求1所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述依据属于不同环境特征标签的两个模板生态环境监测图像分别对应的第二模板图像语义向量进行误差值确定，获得第二输出误差值，包括：

分别将各个模板生态环境监测图像和所述模板生态环境监测图像序列中的各个模板生态环境监测图像组成模板生态环境监测图像组合，获得多个模板生态环境监测图像组合；

分别依据各个模板生态环境监测图像组合各自对应的第二模板图像语义向量进行特征匹配度计算，依据计算获得的特征匹配度确定各个所述模板生态环境监测图像组合各自对应的组合误差值；

确定目标模板生态环境监测图像组合对应的组合误差值，获得第二输出误差值，所述目标模板生态环境监测图像组合为包含不同环境特征标签的模板生态环境监测图像的模板生态环境监测图像组合。

3.根据权利要求2所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述依据计算获得的特征匹配度确定各个所述模板生态环境监测图像组合各自对应的组合误差值，包括：

针对各个模板生态环境监测图像对应的特征匹配度，将所述特征匹配度减去设定匹配度获得的转换匹配度；

在所述特征匹配度小于所述设定匹配度时，将最小误差值输出为所述模板生态环境监测图像对应的组合误差值；

在所述特征匹配度不小于所述设定匹配度时，将所述转换匹配度输出为所述模板生态环境监测图像对应的组合误差值。

4.根据权利要求2所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述确定目标模板生态环境监测图像组合对应的组合误差值，获得第二输出误差值，包括：

对于各个模板生态环境监测图像组合，获取所述模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性，依据所述环境特征标签属性计算所述模板生态环境监测图像组合对应的组合定义参数值，所述组合定义参数值是通过组合定义网络计算获得的，在所述模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同时，依据所述组合定义网络计算获得的组合定义参数值为第一定义值，在所述模板生态环境监测图像组合所包含的模板生态环境监测图像对应的环境特征标签属性相同时，依据所述组合定义网络计算获得的组合定义参数值为第二定义值；

当计算获得的组合定义参数值为第一定义值时，对所述模板生态环境监测图像组合对应的组合误差值进行保留，获得所述模板生态环境监测图像组合对应的目标组合误差值，当计算获得的组合定义参数值为第二定义值时，对所述模板生态环境监测图像组合对应的组合误差值进行隐藏，获得所述模板生态环境监测图像组合对应的目标组合误差值；

统计各个模板生态环境监测图像组合各自对应的目标组合误差值，获得第二输出误差值。

5.根据权利要求1-4中任意一项所述的应用于云计算的生态环境监测数据处理方法，其特征在于，在所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程之前，所述方法还包括：

依据属于不同环境特征标签的两个模板生态环境监测图像对应的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第三输出误差值；

所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，包括：

分析所述第一输出误差值、所述第二输出误差值、所述第三输出误差值以及所述预测误差值，获得全局误差值；

依据所述全局误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程。

6.根据权利要求1所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述依据同一模板生态环境监测图像的第一模板图像语义向量和第二模板图像语义向量进行误差值确定，获得第一输出误差值，包括：

依据各个模板生态环境监测图像分别对应的第一模板图像语义向量和第二模板图像语义向量进行特征匹配度计算，依据计算获得的特征匹配度确定各个模板生态环境监测图像分别对应的组合误差值；所述模板生态环境监测图像的组合误差值和所述模板生态环境监测图像对应的特征匹配度反向关联；

统计各个模板生态环境监测图像分别对应的组合误差值，获得第一输出误差值。

7.根据权利要求1所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述已预测环境特征标签包括多个环境特征标签，所述模板生态环境监测图像序列的生成步骤包括：

从训练样本库中获取基础模板生态环境图像序列，所述基础模板生态环境图像序列中包括所述已预测环境特征标签对应的显著性生态环境监测图像，且所述已预测环境特征标签对应的显著性生态环境监测图像在所述已预测环境特征标签对应的标签特征图谱中的分布，与所述已预测环境特征标签对应的初始模板生态环境图像序列在所述标签特征图谱中的分布匹配；

获取扩展环境特征标签对应的扩展模板生态环境图像序列，依据所述扩展模板生态环境图像序列与所述基础模板生态环境图像序列中组成模板生态环境监测图像序列；

在所述从训练样本库中获取基础模板生态环境图像序列之前，所述方法还包括：

获取各个已预测环境特征标签各自对应的初始模板生态环境图像序列；所述初始模板生态环境图像序列中包括所述完成模型收敛优化的环境特征标签预测网络对应的已预测的模板生态环境监测图像；

针对各个已预测环境特征标签对应的初始模板生态环境图像序列，对所述初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量进行分簇，获得所述已预测环境特征标签对应的多个分簇数据；

分别从各个分簇数据中挑选与分别对应的分簇簇心之间的特征匹配度符合设定匹配度范围的模板图像语义向量，将挑选的模板图像语义向量所属的已预测的模板生态环境监测图像作为所述已预测环境特征标签对应的显著性生态环境监测图像；

所述对所述初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量进行分簇，获得所述已预测环境特征标签对应的多个分簇数据，包括：

确定所述已预测环境特征标签对应的第一标签量，依据所述第一标签量以及所述训练样本库的库容量确定分簇过程中的目标标签量；

对所述初始模板生态环境图像序列中的各个已预测的模板生态环境监测图像分别对应的模板图像语义向量依据所述目标标签量进行分簇，获得所述已预测环境特征标签对应的、且与所述目标标签量匹配的多个分簇数据。

8.根据权利要求7所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述扩展环境特征标签包括多个，在得到目标环境特征标签预测网络之后，所述方法还包括：

确定所述扩展环境特征标签对应的第二标签量，依据所述第二标签量从所述训练样本库中移除所述基础模板生态环境图像序列中的多个显著性生态环境监测图像；

从所述扩展环境特征标签对应的扩展模板生态环境图像序列中确定所述扩展环境特征标签对应的显著性生态环境监测图像；

将所述扩展环境特征标签对应的显著性生态环境监测图像加载到所述训练样本库中；

所述依据所述第二标签量从所述训练样本库中移除所述基础模板生态环境图像序列中的多个显著性生态环境监测图像，包括：

依据所述第二标签量，确定各个已预测环境特征标签对应的待移除图像的目标图像数量；

针对各个已预测环境特征标签，依据所述已预测环境特征标签对应的已预测的模板生态环境监测图像确定所述已预测环境特征标签对应的标签特征图谱的注意力特征；

分别计算各个显著性生态环境监测图像分别对应的模板图像语义向量与所述注意力特征之间的特征匹配度；

依据各个显著性生态环境监测图像各自对应的特征匹配度，从已预测环境特征标签对应的显著性图像语义向量中移除与所述目标图像数量匹配的显著性图像语义向量。

9.根据权利要求1-4任意一项所述的应用于云计算的生态环境监测数据处理方法，其特征在于，所述第一环境特征标签预测数据中包括已预测环境特征标签对应的第一标签置信度；

在所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程之前，所述方法还包括：

依据所述完成模型收敛优化的环境特征标签预测网络，依据各所述模板生态环境监测图像分别对应的第一模板图像语义向量进行预测，获得各所述模板生态环境监测图像分别对应的第二环境特征标签预测数据；所述第二环境特征标签预测数据中包括已预测环境特征标签对应的第二标签置信度；

对于各个模板生态环境监测图像，将所述模板生态环境监测图像的第一标签置信度和第二标签置信度在相同的教师参数下进行规则化转换，获得所述第一标签置信度对应的第一目标置信度以及所述第二标签置信度对应的第二目标置信度；

依据所述第一目标置信度和所述第二目标置信度进行教师误差值确定，获得所述模板生态环境监测图像的教师误差值；

统计各个模板生态环境监测图像的教师误差值，获得目标教师误差值；

所述依据所述第一输出误差值、所述第二输出误差值以及所述预测误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程，包括：

分析所述第一输出误差值、所述第二输出误差值、所述目标教师误差值以及所述预测误差值，获得全局误差值；

依据所述全局误差值更新所述初始化环境特征标签预测网络的权重信息进行迭代到下一个训练流程。

10.一种应用于云计算的生态环境监测数据处理系统，其特征在于，所述应用于云计算的生态环境监测数据处理系统包括处理器和机器可读存储介质，所述机器可读存储介质中存储有机器可执行指令，所述机器可执行指令由所述处理器加载并执行以实现权利要求1-9中任意一项的应用于云计算的生态环境监测数据处理方法。