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！

龙图腾网获悉南京航空航天大学申请的专利基于多任务学习的叶面积指数和叶绿素浓度协同反演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：CN120929839B 。

龙图腾网通过国家知识产权局官网在2026-03-06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：202511463429.9，技术领域涉及：G06F18/214；该发明授权基于多任务学习的叶面积指数和叶绿素浓度协同反演方法是由刘宇;陶俊峰;王博;何俊超;张昊伟;欧作斌设计研发完成，并于2025-10-14向国家知识产权局提交的专利申请。

本基于多任务学习的叶面积指数和叶绿素浓度协同反演方法在说明书摘要公布了：本发明公开了一种基于多任务学习的叶面积指数和叶绿素浓度协同反演方法，包括：选取随机若干样点，在目标区域内均匀布设样点，分别测量样点的LAI值和LCC值，并记录WGS84坐标；根据实测样点经纬度信息获取目标区域的高分辨率遥感影像；基于预处理后的遥感影像构建多种植被指数，采用互信息方法筛选出敏感VIs；将实测数据集划分为训练集、验证集和测试集；采用树状估计器对渐进分层提取网络模型进行超参数优化，建立最优的PLE协同反演模型；利用测试集评估PLE模型的反演精度，并与常规单任务模型的反演结果进行对比。本发明有效解决了传统单独反演方法效率较低以及精度相对有限的问题，具有良好的准确性和普适性。

本发明授权基于多任务学习的叶面积指数和叶绿素浓度协同反演方法在权利要求书中公布了：1.一种基于多任务学习的叶面积指数和叶绿素浓度协同反演方法，其特征在于，包括如下步骤： 步骤一：在目标区域内均匀布设样点，采用LAI2200C冠层分析仪测量样点的叶面积指数值LAI，采用SPAD502PLUS叶绿素仪测量样点的叶绿素浓度值LCC，并同步记录每个样点的WGS84坐标系经纬度信息； 步骤二：根据步骤一记录的样点经纬度信息，获取目标区域的高分辨率遥感影像，所述高分辨率遥感影像需至少包含红光波段、绿光波段、蓝光波段、1个及以上近红外波段和1个及以上红边波段；对所述高分辨率遥感影像依次进行辐射定标、大气校正、几何校正及波段配准预处理； 步骤三：基于预处理后的高分辨率遥感影像，构建包含近红外植被指数和红边植被指数在内的多种植被指数VIs，采用互信息方法筛选LAI的敏感VIs和LCC的敏感VIs，作为后续模型输入特征； 步骤四：将步骤一获取的LAI与LCC实测数据集划分为训练集、验证集和测试集，划分过程采用基于相关性约束的分层随机划分方法，确保训练集、验证集、测试集中LAI与LCC的皮尔森相关系数，与完整实测数据集的LAI-LCC皮尔森相关系数差异不超过±0.02； 步骤五：采用树状Parzen估计器TPE对渐进分层提取网络PLE模型的超参数进行优化，所述超参数包括PLE模型的特征提取层层数、每一层特征提取层中共享专家的数量、每一层特征提取层中LAI任务专属专家的数量、每一层特征提取层中LCC任务专属专家的数量、共享专家与任务专属专家的输出特征维度、模型训练过程中的神经元丢弃率，用于防止过拟合、PLE模型最终输出层中任务塔网络的隐藏层单元数，以列表形式表示各隐藏层的单元数量；确定最优超参数组合后，构建基于最优超参数的PLE协同反演模型，所述PLE协同反演模型包括多层特征提取层和1个最终输出层： 其中所述多层特征提取层每层包含共享专家、任务专属专家和门控网络；所述共享专家用于提取LAI反演任务与LCC反演任务的跨任务共性光谱特征；所述任务专属专家包括LAI任务专属专家和LCC任务专属专家，分别用于学习LAI反演任务的私有光谱特征、LCC反演任务的私有光谱特征；所述门控网络针对LAI反演任务和LCC反演任务分别设置独立门控网络，每个门控网络根据输入特征动态调整共享专家与对应任务专属专家的输出权重，实现特征融合；融合后的特征作为下一层特征提取层的输入； 所述最终输出层采用任务塔网络，所述任务塔网络为多层感知机结构；任务塔网络接收最后一层特征提取层门控网络的融合特征，将融合特征转换为LAI预测值和LCC预测值； 模型训练过程中采用联合损失函数： 其中和分别为LAI和LCC任务的均方误差损失；0.5为LAI反演任务与LCC反演任务的损失权重，用于平衡两个任务的优化优先级；并在模型训练中采用多任务早停机制： 在模型训练的每个迭代周期，同步计算并监控LAI反演任务的独立损失、LCC反演任务的独立损失、及模型的联合损失； 预设损失改善容忍周期，即连续迭代次数阈值；若、、连续达到预设容忍周期均未出现下降改善，则终止模型训练； 在训练过程中，实时保存每次迭代周期内最小的模型权重，作为最终训练完成的PLE模型权重；最终得到用于同步反演LAI和LCC的PLE协同反演模型； 步骤六：将步骤四划分的测试集输入步骤五构建的PLE协同反演模型，采用均方根误差RMSE和决定系数R2评估模型反演精度，并将该精度与常规单任务回归模型的反演精度进行对比。

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南京航空航天大学，其通讯地址为：210016 江苏省南京市秦淮区御道街29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。