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！

龙图腾网获悉武汉大学申请的专利一种基于动态特征加权的叶面积指数估测方法及系统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：CN120510204B 。

龙图腾网通过国家知识产权局官网在2025-10-31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：202510994117.4，技术领域涉及：G06T7/62；该发明授权一种基于动态特征加权的叶面积指数估测方法及系统是由熊强;刘小娟;颜瑜严;白朝阳设计研发完成，并于2025-07-18向国家知识产权局提交的专利申请。

本一种基于动态特征加权的叶面积指数估测方法及系统在说明书摘要公布了：本发明公开了一种基于动态特征加权的叶面积指数估测方法及系统，包括将影像的光谱特征、纹理特征、深度特征和物候特征融合，构建多维多时相遥感特征数据集，并划分训练集和测试集；将训练集中的特征和叶面积指数实测值输入到极端随机树模型进行训练，得到初始估测模型；对训练集中的影像进行非线性加权，得到重构影像，利用重构影像和K折交叉验证对初始估测模型进行训练，得到新的叶面积指数估测模型；将测试集输入到的新的叶面积指数估测模型进行叶面积指数的估测。本发明建立基于SHAP值的动态特征加权机制，通过权重矩阵对每个特征进行差异化缩放，强化重要特征对模型估测结果的贡献度，有效地抑制噪声特征的干扰。

本发明授权一种基于动态特征加权的叶面积指数估测方法及系统在权利要求书中公布了：1.一种基于动态特征加权的叶面积指数估测方法，其特征在于，包括以下步骤： 步骤1，使用无人机搭载多光谱传感器获取植物全生育期的多时相多光谱影像，并对其进行预处理；同步进行地面叶面积指数测量和物候观测，获得叶面积指数实测值和物候特征数据； 步骤2，基于预处理后的多时相多光谱影像，获取影像的光谱特征、纹理特征和深度特征，将这三种特征与物候特征数据融合，构建多维多时相遥感特征数据集，并划分训练集和测试集； 步骤3，将训练集中的特征和叶面积指数实测值输入到极端随机树模型对其进行训练，将训练结束后的模型作为初始估测模型，利用SHAP分析量化各种特征的重要性，并计算所有特征的SHAP均值和SHAP标准差； 步骤4，对训练集中的影像进行非线性加权，得到重构影像，利用重构影像和K折交叉验证对初始估测模型进行训练，得到新的叶面积指数估测模型； 步骤4.1，将训练集中的影像划分为K个互不相交且影像数量相近的影像子集； 步骤4.2，选取K-1个影像子集参与后续计算； 步骤4.3，基于所有特征的SHAP值、SHAP均值和SHAP标准差进行非线性加权，得到动态特征权重； 动态特征权重的计算方式如下： 13 式中，为第q幅影像第l种特征的动态特征权重；为调节系数，默认为0.5；为第q幅影像第l种特征的SHAP值，为所有特征的SHAP均值；为所有特征的SHAP标准差；函数是为了确保权重平滑过渡，计算公式如下： 14 式中，和分别为双曲正弦函数和双曲余弦函数； 步骤4.4，根据动态特征权重重构步骤4.2选取的K-1个影像子集中的影像，得到重构影像； 利用动态特征权重重构影像的具体计算方式如下： 15 式中，为重构后的第q幅影像；为步骤4.2选取的K-1个影像子集中的第q幅影像；为第q幅影像的动态特征权重矩阵；为哈达玛积运算符；为步骤4.2选取的K-1个影像子集中第q幅影像的第l种特征，为第q幅影像第l种特征的动态特征权重； 步骤4.5，利用重构影像对初始估测模型进行训练，达到设定的训练次数时，模型自动停止，本轮训练结束； 步骤4.6，重复执行步骤4.2-4.5，直至完成K轮训练，每次使用不同的K-1个影像子集参与训练，得到新的叶面积指数估测模型； 步骤5，将测试集中的影像输入到新的叶面积指数估测模型中，进行叶面积指数的估测，并结合叶面积指数实测值对新的叶面积指数估测模型进行精度评价。

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武汉大学，其通讯地址为：430072 湖北省武汉市武昌区八一路299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。