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！

龙图腾网获悉广西壮族自治区气象科学研究所申请的专利一种土壤湿度预测方法、装置、介质及产品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：CN120144903B 。

龙图腾网通过国家知识产权局官网在2025-11-04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：202510207916.2，技术领域涉及：G06F17/12；该发明授权一种土壤湿度预测方法、装置、介质及产品是由陈燕丽;李明志;莫伟华;黄秋芹;黄璐;蒋健设计研发完成，并于2025-02-25向国家知识产权局提交的专利申请。

本一种土壤湿度预测方法、装置、介质及产品在说明书摘要公布了：本申请公开一种土壤湿度预测方法、装置、介质及产品，涉及湿度预测技术领域，所述方法包括：获取目标土壤湿度时序数据；目标土壤湿度时序数据包括：历史时段中各历史时刻的待预测区域的各位置的土壤湿度的真实值；将目标土壤湿度时序数据输入至土壤湿度预测模型中，得到待预测时段中各待预测时刻的待预测区域的各位置的土壤湿度的预测值；土壤湿度预测模型是利用训练集和对Uformer深度学习网络进行训练得到的，Uformer深度学习网络是基于LeWinTransformer模块构建的。本申请提高了土壤湿度的预测精度。

本发明授权一种土壤湿度预测方法、装置、介质及产品在权利要求书中公布了：1.一种土壤湿度预测方法，其特征在于，所述土壤湿度预测方法包括： 获取目标土壤湿度时序数据；所述目标土壤湿度时序数据包括：历史时段中各历史时刻的待预测区域的各位置的土壤湿度的真实值； 将所述目标土壤湿度时序数据输入至土壤湿度预测模型中，得到待预测时段中各待预测时刻的待预测区域的各位置的土壤湿度的预测值；所述土壤湿度预测模型是利用训练集和对Uformer深度学习网络进行训练得到的，所述Uformer深度学习网络是基于LeWinTransformer模块构建的； 所述土壤湿度预测模型的训练过程，包括： 获取所述训练集；所述训练集包括多组训练数据，所述训练数据包括：相邻的两个历史时段中各历史时刻的样本区域的各位置的土壤湿度的真实值； 基于所述LeWinTransformer模块构建所述Uformer深度学习网络； 利用所述训练集对所述Uformer深度学习网络进行训练，得到所述土壤湿度预测模型； 所述Uformer深度学习网络，包括：依次连接的输入投影模块、编码器、瓶颈层、解码器和输出投影模块，所述编码器和所述解码器跳跃连接； 利用所述训练集对所述Uformer深度学习网络进行训练，得到所述土壤湿度预测模型，包括： 基于功率谱密度和均方误差，以所述训练集中的各组训练数据中的前一个历史时刻的样本区域的各位置的土壤湿度的真实值为输入，以对应的后一个历史时刻的样本区域的各位置的土壤湿度的真实值为输出，对所述Uformer深度学习网络进行训练，得到所述土壤湿度预测模型；其中，任一当前训练次数下的训练过程，具体包括： 将训练集中的各组训练数据中的前一个历史时刻的样本区域的各位置的土壤湿度的真实值输入至当前训练次数下的Uformer深度学习网络中，得到对应的当前训练次数下的后一个历史时刻的样本区域的各位置的土壤湿度的预测值； 利用均方误差计算公式，基于各组训练数据中当前训练次数下的后一个历史时刻的样本区域的各位置的土壤湿度的预测值和对应的后一个历史时刻的样本区域的各位置的土壤湿度的真实值，计算当前训练次数下的均方误差；均方误差计算公式为： 其中，MSE为均方误差；N为训练集中的训练数据的总组数；Ppred,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的预测值；Ptrue,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的真实值； 利用KL散度计算公式，基于各组训练数据中当前训练次数下的后一个历史时刻的样本区域的各位置的土壤湿度的预测值和对应的后一个历史时刻的样本区域的各位置的土壤湿度的真实值，计算当前训练次数下的KL散度；KL散度计算公式包括： 其中，KL为KL散度；PSD'pred,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的预测值对应的归一化功率谱密度；PSD'true,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的真实值对应的归一化功率谱密度；PSDpred,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的预测值对应的原始功率谱密度；PSDpred,j为第j组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的预测值对应的原始功率谱密度；PSDtrue,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的真实值对应的原始功率谱密度；PSDtrue,j为第j组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的真实值对应的原始功率谱密度；Mpred,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的预测值对应的幅度谱；Mtrue,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的真实值对应的幅度谱；FFTpred,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的预测值的傅里叶变换结果；FFTtrue,i为第i组训练数据中后一个历史时刻的样本区域的各位置的土壤湿度的真实值的傅里叶变换结果；|·|为绝对值符号；F·为傅里叶变换； 利用总损失计算公式，基于当前训练次数下的均方误差和KL散度，计算当前训练次数下的总损失；总损失计算公式为： LOSS＝MSE+KL； 其中，LOSS为总损失； 计算当前训练次数下的总损失和上一训练次数下的总损失的差值，得到当前训练次数下的差值； 判断是否满足停止条件；停止条件为：当前训练次数下的差值小于预设差值或达到预设训练次数； 若是，则将当前训练次数下的Uformer深度学习网络确定为土壤湿度预测模型； 若否，则将调整当前训练次数下的Uformer深度学习网络的参数，并返回“将训练集中的各组训练数据中的前一个历史时刻的样本区域的各位置的土壤湿度的真实值输入至当前训练次数下的Uformer深度学习网络中，得到对应的当前训练次数下的后一个历史时刻的样本区域的各位置的土壤湿度的预测值”，直到满足停止条件，得到土壤湿度预测模型。

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广西壮族自治区气象科学研究所，其通讯地址为：530022 广西壮族自治区南宁市民族大道81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。