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！

龙图腾网获悉中国海洋大学;山东省生态环境规划研究院申请的专利一种基于层级特征嵌入的叶绿素浓度反演方法及其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：CN120721687B 。

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：202511232145.9，技术领域涉及：G01N21/55；该发明授权一种基于层级特征嵌入的叶绿素浓度反演方法及其系统是由宋德海;梁一焘;武文;于晓霞设计研发完成，并于2025-09-01向国家知识产权局提交的专利申请。

本一种基于层级特征嵌入的叶绿素浓度反演方法及其系统在说明书摘要公布了：本发明涉及海洋、遥感、人工智能领域，提供一种基于层级特征嵌入的叶绿素浓度反演方法及其系统，包括：建立了一种层级特征嵌入模块，用于映射两种不同层次的光谱特征，其中一种作为先验光学知识，表征水体环境中的固有光学特性；另外一种则替代了常见的光谱组合特征，旨在充分挖掘多种光谱波段之间的潜在关系，同时保持较高的计算效率。在此基础上，在嵌入模块中引入了一种贝叶斯推理框架，以量化叶绿素a估测结果的不确定性。此外，应用一种注意力机制使得层级映射的光谱特征能够动态地相互影响，从而保证本发明方法在不同水体环境中自适应地选择合适的光学关系进行叶绿素a浓度的估测。

本发明授权一种基于层级特征嵌入的叶绿素浓度反演方法及其系统在权利要求书中公布了：1.一种基于层级特征嵌入的叶绿素浓度反演方法，其特征在于，包括： 获取海洋水色卫星的光谱遥感反射率数据； 获取预设海洋范围内的实测叶绿素a浓度数据，将所述实测叶绿素a的浓度数据用作训练贝叶斯深度学习模型的目标参照数据； 对所述光谱遥感反射率数据与所述实测叶绿素a浓度数据进行时间与空间匹配，整合构建成用于贝叶斯深度学习模型训练的数据集； 对所述数据集进行标准化处理，消除不同数据间的量纲影响，得到标准化数据集； 所述标准化处理为：； 其中，i表示第i件未经标准化处理的原始数据；是所述数据集的均值；是所述数据集的标准差；表示经过标准化处理的数据集； 将所述标准化数据集打乱形成匹配数据集，并将所述匹配数据集划分为三个子集：训练集、验证集、测试集；分别用于贝叶斯深度学习模型的训练、优化和评估工作，获得具备层级特征嵌入的贝叶斯深度学习模型； 为了消除数据中顺序、分布、局部特征的潜在偏差，对所述标准化数据集进行打乱形成所述匹配数据集； 将所述匹配数据集划分为训练集、验证集、测试集三个子集，所述匹配数据集要依次进入该三个子集，且依次进行所述贝叶斯深度学习模型的训练、优化和评估工作； 在训练集时，存在所述贝叶斯深度学习模型推理阶段； 所述推理阶段处理为：； 其中，表示推理阶段的所述贝叶斯深度学习模型的模型参数；和表示参数后验分布的变分近似；代表从标准正态分布中采样得到的单位矩阵； 所述贝叶斯深度学习模型训练采用均方误差MSE作为主要损失函数；同时，变分贝叶斯学习过程中将变分下界ELBO作为正则化惩罚项纳入损失函数； 总损失函数为：； 其中，是正则化权重系数，表示蒙特卡洛采样次数；均方误差MSE：反映预测值和实测值的整体差距；变分下界ELBO：作为“惩罚项”；即总损失=MSE+惩罚项ELBO×系数； 在所述验证集时，验证阶段处理为：； 代表验证阶段的所述贝叶斯深度学习模型的模型参数；是参数的变分后验分布的近似均值； 在所述测试集时，对所有方法的叶绿素a浓度反演表现进行综合评估，分析其总体以及不同营养水平下的表现，评估指标包括拟合斜率，拟合偏置，相关系数，平均绝对误差，中值绝对误差，以及均方根误差； 所述贝叶斯深度学习模型用于根据海洋水色卫星所获取的实时光谱遥感反射率数据，得到海洋范围内实时叶绿素a的浓度数据。

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中国海洋大学;山东省生态环境规划研究院，其通讯地址为：266100 山东省青岛市崂山区松岭路238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。