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！

龙图腾网获悉西华大学申请的专利基于层次多标签网络的常绿阔叶林植被亚型分类识别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：CN120495903B 。

龙图腾网通过国家知识产权局官网在2025-09-16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：202510976204.7，技术领域涉及：G06V20/10；该发明授权基于层次多标签网络的常绿阔叶林植被亚型分类识别方法是由张诗琪;彭培好;王娟;彭雪峰;李培瑶设计研发完成，并于2025-07-16向国家知识产权局提交的专利申请。

本基于层次多标签网络的常绿阔叶林植被亚型分类识别方法在说明书摘要公布了：本发明公开了基于层次多标签网络的常绿阔叶林植被亚型分类识别方法，包括：获取样本区域的多源遥感数据，并从多源遥感数据中提取分类特征；根据野外调查数据和现有植被分类体系构建样本区域的常绿阔叶林及其亚型的样本库；根据样本库和分类特征构建多级依次设置的分类器形成层次多标签分类网络；通过层次多标签分类网络对目标区域的常绿阔叶林植被进行分类识别。本发明构建了森林、常绿林、常绿阔叶林、偏干性偏湿性常绿阔叶林的分层分类体系，解决了传统方法在相似植被类型区分上的不足；同时通过层次误差加权机制，减少低层级分类误差对整体结果的影响，提升了偏干性和偏湿性常绿阔叶林分类的准确性和可靠性。

本发明授权基于层次多标签网络的常绿阔叶林植被亚型分类识别方法在权利要求书中公布了：1.基于层次多标签网络的常绿阔叶林植被亚型分类识别方法，其特征在于，包括： 获取样本区域的多源遥感数据，并从所述多源遥感数据中提取分类特征；所述多源遥感数据包括光学影像数据和雷达影像数据；所述分类特征包括光谱特征、纹理特征和时序特征； 根据野外调查数据和现有植被分类体系构建所述样本区域的常绿阔叶林及其亚型的样本库； 根据所述样本库和所述分类特征构建多级依次设置的分类器形成层次多标签分类网络；每级分类器的分类结果为上级分类器的分类结果的细分分类，且每级分类器的分类误差权重沿层级依次降低； 通过所述层次多标签分类网络对目标区域的常绿阔叶林植被进行分类识别； 构建层次多标签分类网络包括： 根据所述样本库中样本的植被种类为样本打上多级分类标签； 根据所述多级分类标签的层级关系，从顶部层级向底部层级依次训练多个分类器形成初始层次网络；每个分类器对上一级分类器的分类结果中的一项进行细分分类； 将非最底部的分类器的分类结果进行裁剪，剔除不需要下一级分类器进行细分分类的分类结果； 将最底层的分类器的分类结果作为所述层次多标签分类网络输出的分类结果； 所述多级分类标签的第一级为森林和非森林；所述多级分类标签的第二级为常绿林和非常绿林；所述多级分类标签的第三级为常绿阔叶林和非常绿阔叶林；所述多级分类标签的第四级为偏干性常绿阔叶林和偏湿性常绿阔叶林； 训练多个分类器包括： 根据第一级标签的样本和所述光谱特征训练第一级分类器；所述第一级分类器的输入数据为光谱特征，所述第一级分类器的输出数据为分类为森林或非森林； 根据第二级标签的样本、所述光谱特征和所述时序特征训练第二级分类器；所述第二级分类器的输入数据为光谱特征和时序特征，所述第二级分类器的输出数据为分类为常绿林或非常绿林； 根据第三级标签的样本、所述光谱特征和所述纹理特征训练第三级分类器；所述第三级分类器的输入数据为光谱特征和纹理特征，所述第三级分类器的输出数据为分类为常绿阔叶林或非常绿阔叶林； 根据第四级标签的样本、所述光谱特征、所述纹理特征和所述时序特征训练第四级分类器；所述第四级分类器的输入数据为光谱特征、纹理特征和时序特征，所述第四级分类器的输出数据为分类为偏干性常绿阔叶林和偏湿性常绿阔叶林； 将所述第一级分类器输出的分类为森林的数据作为所述第二级分类器的输入数据；将所述第二级分类器输出的分类为常绿林的数据作为所述第三级分类器的输入数据；将所述第三级分类器输出的分类为常绿阔叶林的数据作为所述第四级分类器的输入数据；将所述第四级分类器输出的分类结果作为所述层次多标签分类网络的输出结果； 第四级分类器的训练包括： 通过下式构建常绿阔叶林湿度指数： 式中，EBFHI为常绿阔叶林湿度指数，NIR为近红外波段反射率，SWIR1为短波红外反射率； 将所述常绿阔叶林湿度指数作为所述第四级分类器训练时输入的一项光谱特征。

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西华大学，其通讯地址为：610000 四川省成都市金牛区土桥金周路999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”。