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！

龙图腾网获悉海南科技职业大学申请的专利一种基于多时序遥感的森林预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：CN118537548B 。

龙图腾网通过国家知识产权局官网在2025-10-10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：202410473537.3，技术领域涉及：G06V10/26；该发明授权一种基于多时序遥感的森林预测方法是由施金妹设计研发完成，并于2024-04-19向国家知识产权局提交的专利申请。

本一种基于多时序遥感的森林预测方法在说明书摘要公布了：本申请公开了一种基于多时序遥感的森林预测方法，应用于具备输入与输出功能的计算机设备上，所述方法包括以下步骤：优化U‑Net++语义分割网络模型，并对优化后的U‑Net++语义分割网络模型开展训练；提取生态特征；进行多特征融合；设计预测模型；预测生态范围的生态特征变化趋势或具体数值；通过优化的U‑Net++语义分割网络模型，成功解决了森林资源区域恢复路径预测中的语义信息丢失问题，显著提高了预测精度，为生态保护与恢复提供了更为可靠的科学依据；优化的ICEEMDAN‑KPCA‑LSTM集成预测模型，进一步提升了国家公园生态区域恢复路径的预测精度，通过解决CEEMDAN中的残留噪声和伪模态问题，并提取关键影响因子，降低了模型输入的维度，提高了预测效率。

本发明授权一种基于多时序遥感的森林预测方法在权利要求书中公布了：1.一种基于多时序遥感的森林预测方法，应用于具备输入与输出功能的计算机设备上，其特征在于：所述方法包括以下步骤： S100:优化U-Net++语义分割网络模型，并对优化后的U-Net++语义分割网络模型开展训练； 所述优化U-Net++语义分割网络模型，具体是指： S111：通过在U-Net++语义分割网络模型的编码和解码阶段之间增加一些更深层次的卷积层来增加网络感受强度，帮助处理更大范围的语义信息； S112：使用注意力机制帮助网络更加关注重要的特征，并抑制不必要的特征，提高U-Net++语义分割网络模型的性能； S113：采用包括空洞卷积、深度可分离卷积、多尺度特征融合、特征金字塔网络或和条件随机场算法增加U-Net++语义分割网络模型性能；通过在所述网络模型中引入残差连接，解决深度网络模型中的梯度消失问题，从而允许网络模型更深，性能更好；通过对每一层的输出进行归一化，稳定网络模型的训练过程，加速收敛，提高泛化能力；通过对训练数据进行变换包括旋转、缩放和翻转，增加模型的泛化能力，使其对不同的输入变化更加鲁棒；根据任务需求选择合适的损失函数，或者对现有的损失函数进行改进，以更好地反映预测误差或优化目标；根据所述网络模型结构和任务需求，选择包括Adam或RMSprop优化器结合相应的学习率调整策略，有效地进行网络模型训练； 所述优化后的U-Net++语义分割网络模型训练过程包括： S121：准备数据：收集指定区域和指定采样时间点的遥感图像数据，包括不同季节和年份的图像，和红外、雷达的遥感数据，以及地形、气候辅助信息，以确保数据的多样性和代表性； S122：预处理数据：对遥感图像数据进行去噪、裁剪、归一化的预处理操作，以提高图像质量并统一数据格式； S123：设计网络结构：根据遥感图像数据的特点和预测目标，设计合适的U-Net++网络结构，包括卷积层、池化层、上采样层； S124：优化参数：通过超参数调整、正则化、学习率调整的手段，优化网络模型的训练过程，提高模型的泛化能力和预测准确性； S125：训练模型：使用标注好的遥感图像数据进行模型训练，通过反向传播算法和梯度下降方法更新网络权重，直至模型收敛； S200:提取生态特征；通过训练后的U-Net++语义分割网络模型提取指定区域和指定采样时间点的多时序遥感信息，多时序遥感信息至少包括森林覆盖面积信息、森林密度信息、土地覆盖面积信息和生态指标，获得指定区域内长时间序列的四个生态特征，从而实现对该区域生态环境的深入分析和监测；所述四个生态特征包括：森林覆盖面积信息、森林密度信息、土地覆盖面积信息和生态指标； S300:进行多特征融合；通过动态自适应的权重协调算法对步骤200所获得的四个生态特征数据以及生态恢复的目标和评估标准，结合动态自适应权重公式，不断迭代调整每个特征的权重，引入按偏差调节的闭环控制算法进行反馈自适应调整，逐渐找到最优的权重组合，使得多特征融合结果更加准确和可靠，最终获得更全面、更准确的植被恢复、土地覆盖变化、生物多样性提升多个方面的生态区域恢复指数； 所述自适应调整的过程是动态的、连续的，能够不断适应环境和数据的变化； 所述动态自适应的权重协调算法收集大量的历史数据，包括过去不同时间段内的森林覆盖情况、生态环境变化、气候变化的信息；并根据实时反馈数据对预测模型进行动态调整； 所述动态自适应的权重协调算法在调整过程中，考虑不同特征之间的相关性和重要性，分析各个特征对预测结果的影响程度，并根据分析结果调整相应的权重；对于对预测结果影响较大的特征，算法会赋予较高的权重；而对于影响较小的特征，则会降低其权重； 所述动态自适应的权重协调算法根据生态环境的差异和恢复路径趋势的变化来调整模型参数； 所述动态自适应的权重协调算法：动态自适应权重公式如下： w1,2,3,4=d1・Pbest-Pworst+d2xupper-xlowerg 其中，d1和d2是可调节常量，Pbest是最佳权重值，Pworst是最差权重值，xupper是权重值上限，xlower是权重值下限，ng为反馈迭代次数； S400:设计预测模型；根据步骤S200中的提取的生态特征信息和步骤S300中的获得的生态区域恢复指数信息，结合改进的完全集成经验模态分解ICEEMDAN、核主成分分析KPCA和长短时记忆网络LSTM三种算法的优点，设计优化的ICEEMDAN-KPCA-LSTM集成预测模型; 所述优化的ICEEMDAN-KPCA-LSTM集成预测模型通过ICEEMDAN算法对生态区域恢复指数序列进行分解，提取出不同频率的分量，对得到的分量序列进行主成分分析，解决CEEMDAN中残留噪声和伪模态问题，以便更好地捕捉数据的非线性特征，其步骤包括： S411：采用EMD经验模态分解将原始信号分解成多个IMFs； S412：通过自适应噪声算法去除每个IMFs中的噪声； S413：将去噪后的IMFs进行完整集成，得到分解后的信号，促使生态区域恢复指数序列可以进行有效分解； 所述优化的ICEEMDAN-KPCA-LSTM集成预测模型通过核主成分分析KPCA算法对所述S413中分解后的信号进行降维处理，去除冗余特征，降低模型输入的维度，其过程如下： S421：数据预处理：对所述分解后的信号数据进行标准化处理，以消除量纲和数值范围对后续分析的影响； S422：核函数选择：根据预处理后的数据特点和任务需求选择合适的核函数，所述核函数包括径向基核函数、多项式核函数； S423：高维映射：利用选定的核函数将预处理后的数据映射到高维特征空间； S424：主成分分析：在高维特征空间中应用主成分分析方法，提取出高维映射后的数据的主要成分和特征； S425：特征选择：根据主成分的贡献率、特征值或载荷系数指标，选择最具代表性的特征作为长短时记忆网络LSTM算法的输入； S500:预测生态范围的生物多样性、植被覆盖度、水质指标包括溶解氧浓度和氨氮浓度、土壤质量参数包括有机质含量和pH值、气候数据包括降雨量和温度，以及生态系统的服务功能；使用步骤S400中优化的ICEEMDAN-KPCA-LSTM集成预测模型，通过输入长时间序列的四个生态特征数据和生态区域恢复指数实现区域恢复路径预测。

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海南科技职业大学，其通讯地址为：571126 海南省海口市美兰区琼山大道18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”。

以上内容由龙图腾AI智能生成。