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！

龙图腾网获悉水利部交通运输部国家能源局南京水利科学研究院申请的专利基于多源数据融合利用CNN-LSTM模型进行极端降水量模拟的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：CN119848441B 。

龙图腾网通过国家知识产权局官网在2025-11-14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：202510336964.1，技术领域涉及：G06F18/10；该发明授权基于多源数据融合利用CNN-LSTM模型进行极端降水量模拟的方法是由刘鹏;谢康;蔺亚玲;张其啸;金君良;王国庆设计研发完成，并于2025-03-21向国家知识产权局提交的专利申请。

本基于多源数据融合利用CNN-LSTM模型进行极端降水量模拟的方法在说明书摘要公布了：本发明公开了一种基于多源数据融合利用CNN‑LSTM模型进行极端降水量模拟的方法，首先获取研究区域多源数据，计算区域极端降水量，利用极端梯度提升模型，筛选对目标区域极端降水量影响最重要关键大气环流指数；对多源数据进行统一预处理；然后构建融合卷积神经网络和长短期记忆网络的时空预测模型，通过多特征联合训练生成深度学习预测模型；再利用预处理后的多源数据与深度学习模型对极端降水量进行时空预测。本发明将极端降水数据与大气环流指数、地形DEM数据融合在一个统一的输入框架中，使模型能够同时利用时空降水分布特征、大气环流模式和地形信息对降水进行联合预测，预测、模拟精度高。

本发明授权基于多源数据融合利用CNN-LSTM模型进行极端降水量模拟的方法在权利要求书中公布了：1.基于多源数据融合利用CNN-LSTM模型进行极端降水量模拟的方法，其特征在于，包括如下步骤： 步骤S1：获取目标区域多源数据，包括历史降水栅格数据、大气环流指数时序数据以及地形DEM数据； 步骤S2：计算目标区域极端降水量指数Rx5day，并保存为与源文件具有相同坐标系的栅格文件，计算公式如下： Si＝Pi+Pi+1+Pi+2+Pi+3+Pi+41 Rx5day＝maxSi2 上式中，Si是从第i天开始的连续5天降水量总和，Pi为第i天的日降水量，Rx5day为每月连续5日最大降水量； 步骤S3：利用极端梯度提升算法XGBoost，筛选对目标区域极端降水量影响最重要的关键大气环流指数，具体包括： 步骤S3.1：采用ArcGIS像元统计方法，计算目标区域极端降水的平均值时间序列，计算公式如下： 上式中，为目标区域在时间段T内的平均极端降水值，N为像元总数，dT，j为栅格文件在时间段T中像元j的值； 步骤S3.2：将大气环流指数和极端降水的时间序列合并，并将时间序列的前80％作为训练集，其余为测试集，用极端梯度提升算法XGBoost学习每个指数对极端降水的影响，该算法根据各指数在分裂节点中对预测结果的提升，计算每个指数的重要性，最终按照重要性排序，选出贡献最大的4个指数，作为关键大气环流指数；重要性通过如下公式计算： 上式中，Ik为指数k的重要性，Tr为极端梯度提升算法XGBoost中所有决策树的集合，St为树t中所有分裂节点的集合，ftr,s为数tr在分裂节点s上选择的特征；α为指示函数，当ftr,s＝k时，αftr,s＝k＝1，否则为0； 步骤S4：对地形DEM数据进行重采样，以使其与降水栅格数据的网格对齐，同时确保地形DEM数据与降水栅格数据具有相同的坐标系； 步骤S5：对上述多源数据进行Min-Max归一化处理，并构建融合卷积神经网络CNN和长短期记忆网络LSTM的时空预测模型，利用多源数据对极端降水量进行时空预测，其过程可表示为： Pextreme＝f[XP,XCn,XT]3 上式中，Pextreme为极端降水量模拟值，XP、XCn、XT分别为输入的历史极端降水量数据、关键大气环流指数数据和地形DEM数据，f为多源数据驱动的融合卷积神经网络CNN和长短期记忆网络LSTM的时空预测模型； 构建CNN-LSTM模型，具体包括： 步骤S5.1：在空间维度上复制大气环流指数数据，使其与像元对齐，将极端降水数据、大气环流指数数据、地形DEM数据在通道维度上合并，形成一个多通道的输入特征张量，使用一维卷积神经网络CNN在空间维度提取每个像元局地空间特征图，并融合极端降水、大气环流指数和地形DEM数据的多通道信息，生成富有判别力的空间特征图，其中卷积过程用如下公式表示： F＝GW*X+b6 式中，F为卷积层的输出特征图，X为输入特征图，W为卷积核权重，b为偏置，G为激活函数； 步骤S5.2：将卷积神经网络CNN输出的空间特征序列输入至长短期记忆神经网络LSTM用于时间序列建模，长短期记忆神经网络LSTM通过门控机制选择性地记忆重要信息并遗忘无关信息，从而捕捉过去时间中的动态变化趋势，并输出最后时刻的隐藏状态向量，该向量浓缩了整个时间序列的综合信息，作为后续预测的依据；该过程用如下公式表示： ht＝LSTMxt,ht-17 上式中，ht为当前时间步的隐藏状态，xt为当前时间步的输入空间特征图，ht-1为上一时间步的隐藏状态； 步骤S5.3：长短期记忆神经网络LSTM输出的隐藏状态向量通过全连接层映射回空间特征，并与各像元位置相关联，其中全连接层映射用如下公式表示： z＝Wfc·hT+bfc8 上式中，z为全连接层输出的特征向量，hT为LSTM的最后隐藏状态，Wfc和bfc为全连接层的权重和偏置； 步骤S5.4：通过最终的卷积层进一步将映射后的特征转化为与像元分布一致的极端降水Rx5day预测值，进而生成未来时间点的空间分布预测，该过程用如下公式表示： Y＝Convz+bConv9 式中，Y为每个像元的极端降水预测值；z为步骤5.3中得到的多维特征向量；Conv为一维卷积过程；bConv为偏置； 步骤S6：选取极端降水数据、大气环流指数数据中前80％时间序列作为训练集，训练模型，以均方误差MSE作为优化目标，计算预测值与真实值的平方误差，通过多轮训练，充分利用多源数据驱动的深度学习模型完成对极端降水复杂时空模式的模拟和预测； 步骤S7：计算每个像元预测值的相关系数R以评估模拟结果的精度。

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水利部交通运输部国家能源局南京水利科学研究院，其通讯地址为：210029 江苏省南京市鼓楼区广州路223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。