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！

龙图腾网获悉中国海洋大学三亚海洋研究院申请的专利基于知识蒸馏的卫星太阳短波辐射反演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：CN119623319B 。

龙图腾网通过国家知识产权局官网在2025-09-12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：202510169471.3，技术领域涉及：G06F30/27；该发明授权基于知识蒸馏的卫星太阳短波辐射反演方法是由梁韵;赵玮;张烺;夏瑞雪;余莲设计研发完成，并于2025-02-17向国家知识产权局提交的专利申请。

本基于知识蒸馏的卫星太阳短波辐射反演方法在说明书摘要公布了：本发明提供了一种基于知识蒸馏的卫星太阳短波辐射反演方法，涉及太阳短波辐射反演领域，包括：收集极轨卫星数据、静止卫星数据、地理信息数据和地面观测数据；对数据进行预处理，得到教师模型和学生模型训练的输入特征与标签；使用随机森林模型对输入特征重要性进行排序，选出关键特征，剔除非关键特征；利用关键特征构建深度学习模型，生成太阳短波辐射反演的教师模型；将教师模型输出结果作为软标签，引入地面观测数据作为硬标签进行知识蒸馏，得到太阳短波辐射反演的学生模型。本发明的技术方案克服现有技术中仅依赖地面观测数据构建模型会面临数据稀缺和数据获取成本高的问题，而完全基于卫星数据的反演精度又受到限制的问题。

本发明授权基于知识蒸馏的卫星太阳短波辐射反演方法在权利要求书中公布了：1.一种基于知识蒸馏的卫星太阳短波辐射反演方法，其特征在于，具体包括如下步骤： S1，收集极轨卫星数据、静止卫星数据、地理信息数据和地面观测数据； S2，对静止卫星数据、极轨卫星数据、地面观测数据，地理信息数据中的经纬度数据和地表高程数据进行预处理，得到教师模型和学生模型训练的输入特征与标签； S3，使用随机森林模型对输入特征重要性进行排序，选出卫星太阳短波辐射反演的关键特征，剔除非关键特征； S4，利用关键特征构建深度学习模型，生成太阳短波辐射反演的教师模型； S5，将教师模型输出结果作为软标签，引入地面观测数据作为硬标签进行知识蒸馏，得到太阳短波辐射反演的学生模型； 步骤S3具体包括如下步骤： S3.1，对于每棵决策树，输入特征包括预处理后的静止卫星数据和地理信息数据，当一个输入特征在某个节点进行分裂时，计算该节点对于预测误差的贡献减少量： （4）； 其中，为节点分裂时的误差减少量，、、分别为父节点、左节点和右节点的误差，和分别为左、右节点样本数在父节点样本总数中的占比； S3.2，每个特征在每棵树中会有多个分裂节点，累加所有节点的之和，然后在整个森林中取平均，得到该特征的总体重要性： （5）； 其中，为特征的重要性，为随机森林中树的数量，表示第棵树，表示树中的所有节点； 步骤S4具体包括如下步骤： S4.1，神经网络包括：依次连接的输入层、全连接层和输出层，将关键特征输入到神经网络的输入层； S4.2，随后输入到全连接层，并通过激活函数引入非线性，全连接层的第一层的计算公式为： （6）； 其中，是第一层的输出纬度，是进行非线性映射的激活函数，是第一层的权重矩阵，是第一层的偏置向量； S4.3，全连接层的第层的计算公式为： （7）； 其中，是第层的输出，是第层的权重矩阵，是偏置项，是第层的输出维度； S4.4，最后经过输出层输出，输出层的计算公式为： （8）； 其中，是模型的预测值，表示对应时刻的太阳短波辐射数据，是输出层的权重矩阵，是倒数第二层的输出维度，是输出层的偏置项； S4.5，设置均方误差损失函数； 步骤S5具体包括如下步骤： S5.1，使用双线性空间插值方法求出与地面观测站位置一致的静止卫星数据和地理信息数据，通过四个临近的点估算目标点的值，首先进行横向插值： （10）； （11）； 再进行纵向插值： （12）； 其中，，，，是已知的四个临近点的数值，，，，是已知数据点的坐标，是估算的目标点坐标； S5.2，利用极轨卫星数据对教师模型进行训练，将教师模型预测输出的太阳短波辐射数据作为软标签，将地面观测数据作为硬标签对学生模型进行训练，软标签和硬标签训练时分别使用软目标损失和硬目标损失进行优化，将学生模型预测结果进行反归一化得到太阳短波辐射反演的优化结果； 硬目标损失用于衡量学生模型输出与硬标签之间的差异，使用均方误差计算损失值，表达式为： （13）； 其中，指硬目标损失，为地面观测数据中的总样本数量，是第个样本的真实太阳短波辐射数据，是学生模型在第个样本上的太阳短波辐射预测值； 软目标损失用于衡量学生模型与教师模型输出之间的差异，同样使用均方误差计算损失值： （14）； 其中，为软目标函数，为知识蒸馏过程中使用的训练样本数量，为教师模型在第个样本上的预测值，即软标签或教师模型的输出，为学生模型在第个样本上的预测值，即学生模型在模仿教师模型输出的过程中得到的值； 结合软目标损失和硬目标损失定义蒸馏的总损失函数，表达式如下： （15）； 其中，为蒸馏过程中的总损失函数，为超参数； 步骤S5还包括如下步骤： S5.3，将初始学习率设置为10-5并逐步降低学习率，采用学习率衰减策略为指数衰减，表达式如下： （16）； 其中,是当前学习率，是初始学习率，是衰减率，为当前训练的周期数，为衰减步长。

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中国海洋大学三亚海洋研究院，其通讯地址为：572024 海南省三亚市崖州区深海科技创新公共平台；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”。