买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉无锡学院申请的专利一种基于RepFNet网络与时空滤波的积雪覆盖度监测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119942367B 。

龙图腾网通过国家知识产权局官网在2025-08-19发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510414342.6，技术领域涉及：G06V20/13；该发明授权一种基于RepFNet网络与时空滤波的积雪覆盖度监测方法是由阚希;张永宏;朱灵龙;曹海啸;张红燕设计研发完成，并于2025-04-03向国家知识产权局提交的专利申请。

本一种基于RepFNet网络与时空滤波的积雪覆盖度监测方法在说明书摘要公布了：本发明涉及遥感图像处理与气象监测技术领域，具体为一种基于RepFNet网络的积雪覆盖度监测方法，包括：获取FY‑4A影像数据、Landsat卫星影像数据和地理辅助数据；构建适用于深度学习训练的数据集；生成高分辨率的积雪覆盖度图像；构建编码器‑解码器架构的RepFNet网络模型，集成改进的特征提取模块、动态上采样模块及自适应图通道注意力模块；确定最佳模块组合和参数配置；使用ADAM优化器结合动态学习率策略进行模型训练；通过调整超参数和对比实验，优化模型性能；利用训练完成的RepFNet模型对研究区域进行积雪覆盖度的精准反演，并结合时空滤波方法进行去云处理，确保积雪监测的准确性和稳定性。

本发明授权一种基于RepFNet网络与时空滤波的积雪覆盖度监测方法在权利要求书中公布了：1.一种基于RepFNet网络与时空滤波的积雪覆盖度监测方法，其特征在于：所述方法包括： S100、获取FY-4A影像数据和与所述影像数据时间不超过10分钟的Landsat卫星影像数据，并对Landsat卫星影像数据进行波段融合和重采样操作；获取并拼接研究区域的数字高程模型数据，并基于数字高程模型计算坡度、坡向信息，作为积雪覆盖度估算的地理辅助数据； S200、将预处理后的FY-4A影像数据、Landsat数据和地理辅助数据，以Landsat数据作为基准数据进行空间配准，并裁剪成64×64像素的影像块，以构建适用于深度学习训练的数据集； S300、利用SNOMAP算法对Landsat数据进行二值化积雪覆盖度识别，并结合归一化差分雪指数与气象卫星分辨率计算出积雪覆盖度，生成高分辨率的积雪覆盖度图像，作为深度学习模型的标签数据； S400、利用PyTorch框架，构建并实现采用编码器-解码器架构的RepFNet网络模型；该模型集成改进的特征提取模块、动态上采样模块及自适应图通道注意力模块； S500、基于对RepFNet网络模型的深度优化和参数调整确定最佳模块组合和参数配置； S600、设计适用于FSC反演的新损失函数，并使用ADAM优化器结合动态学习率策略进行模型训练；通过调整超参数和对比实验，优化模型性能；利用训练完成的RepFNet模型对研究区域进行积雪覆盖度的精准反演，并结合时空滤波方法进行去云处理，确保积雪监测的准确性和稳定性； 其中，所述S400中的RepFNet网络模型，包括：改进的特征提取模块、动态上采样模块和自适应图通道注意力模块； 所述改进的特征提取模块用于提出局部方差驱动的动态残差权重，实现模块分支比例的自适应调整； 所述动态上采样模块用于将特征提取模块输出的高维特征逐步恢复到与输入数据相同的空间分辨率；它采用逐步上采样的方式，通过卷积层和上采样层的交替组合，逐步恢复特征图的空间信息； 所述自适应图通道注意力模块用于自适应地调整特征通道的权重，同时捕捉特征之间的全局依赖关系； 其中，S400中：利用所述Pytorch框架构建用于积雪覆盖度反演任务的RepFNet网络模型，包括：利用所述改进的特征提取模块RepVGG提取积雪覆盖区域的纹理和光谱特征，同时利用残差连接增强了模型的训练稳定性和性能；后续基于此结构增加解码模块，并引入动态上采样模块DySample进行上采样，通过自适应图通道注意力模块AGCA来提高特征的表达能力； 其中，在所述改进的特征提取模块RepVGG中引入动态残差权重，根据输入特征图的局部纹理复杂度动态调整分支权重，公式如下： ； ； 其中，的初始值设定为0.5，训练后自动优化； 表示计算输入数据的特征图的局部放长，滑动窗口为3×3，用于表征区域纹理复杂度：当属于纹理复杂的高方差区域，接近于1，由恒等分支主导，保留更多原始特征细节；当属于平坦区域的低方差区域，接近于0，由1×1卷积主导，增强特征提取能力； 同时选择使用二维卷积对图像进行空间特征提取，在积雪覆盖度标签真值到编码器之前，使用步幅为2的卷积进行下采样；接下来的块使用步幅为1的卷积来提取特征，将特征图压缩成低维表示；在输出预测图之前，对RepVGG解码器的输出运用动态上采样模块DySample执行上采样操作，使其和转置卷积层逐步恢复特征图的空间分辨率，将编码的特征信息恢复到与原图像的空间分辨率，以生成高质量的反演结果； 在所述动态上采样模块DySample中引入动态范围因子，来增加偏移的灵活性；并通过双线性插值得到输出特征图，其中X表示输入，S表示采样输出图； ； 之后再加入自适应图通道注意力模块AGCA，以此聚合局部和全局上下文信息来提高特征的表达能力； 进一步的，RepFNet网络模块主要是由两部分组成； 第一部分是特征映射层，其中将特征图维度转换为1×1×C，C代表影像的通道数，也代表自适应图通道注意力模块AGCA中的特征顶点数； 用线性嵌入函数作为特征映射层，捕捉包括重要的积雪区域和碎片化积雪的关键特征，并将所述关键特征信息进行融合，以产生改进的特征表示；其中，表示通过1×1卷积得到的权重矩阵； 第二部分是通过设计的注意力机制来动态调整特征的权重，最后权重作为通道权重映射回原始的特征图；同时自适应图通道注意力模块AGCA还运用了瓶颈结构，使得其特征顶点对积雪的特征冗余更敏感； 所述S500中深度优化和参数调整，包括： 设置网络迭代次数的阈值为200次，确保模型在有限的迭代次数内收敛，初始学习率设置为0.001，采用ADAM优化器进行模型参数更新； 每10次迭代后，学习率以衰减系数0.8动态调整，加速模型收敛，防止过拟合。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人无锡学院，其通讯地址为：214000 江苏省无锡市锡山区锡山大道333号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。