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！

龙图腾网获悉南开大学申请的专利一种基于混合深度神经网络的涡度观测CO2通量的拆分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：CN117347556B 。

龙图腾网通过国家知识产权局官网在2026-03-13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：202311062901.9，技术领域涉及：G01N33/00；该发明授权一种基于混合深度神经网络的涡度观测CO2通量的拆分方法是由黄津辉;李晗;陈晗设计研发完成，并于2023-08-23向国家知识产权局提交的专利申请。

本一种基于混合深度神经网络的涡度观测CO2通量的拆分方法在说明书摘要公布了：本发明公开一种基于混合深度神经网络的涡度观测CO2通量的拆分方法，该方法采用4个子深度神经网络模块，利用不同环境驱动因素组合来独立估算GPP和ER。网络模型训练好之后，仅通过一些气象、土壤、植被数据就能高精度估测GPP和ER。该方法区别于经验公式法优势是计算过程不需要满足特定的先决条件，也不需要执行人员具备精密仪器操作技能。应用该方法有助于科研人员更高效、便捷的获得大气中的碳循环变化数据，进而为制定气候变化政策提供科学依据。

本发明授权一种基于混合深度神经网络的涡度观测CO2通量的拆分方法在权利要求书中公布了：1.一种基于混合深度神经网络的涡度观测CO2通量的拆分方法，其特征在于，该方法包括下述步骤： S1：获取植被覆盖的目标区域的气象、植被和土壤的相关数据，所述相关数据为每间隔半小时监测获得；其中，气象的相关数据包括空气温度Ta、净辐射Ra、饱和水汽压差VPD、水平风速Ws、风向Wd、二氧化碳通量NEEm、EC技术观测的夜间生态系统呼吸ERn；土壤的相关数据包括表层土壤含水率SM、土壤温度Ts；植被的相关数据包括植被叶面积指数LAI、叶片温度Tv、植物高度h、植被蒸腾量Tm；将每一个监测时刻点获得的数据集划分为一条数据样本，根据检测总时长，获得n条数据样本；数据样本中的NEEm与Tm采用EC技术观测获得； S2：构建神经网络估测模型 所述的神经网络估测模型为混合深度神经网络模型，包括四个独立的深度神经网络DNNa、DNNb、DNNp、DNNT；深度神经网络DNNa、DNNb、DNNp、DNNT均包含输入层、隐藏层和输出层，每个网络中的隐藏层的层数以及每层的神经元个数均不共享，且数据传递过程中的权重与偏置也不共享； 深度神经网络DNNa用于得到估测植被冠层呼吸通量ERa，深度神经网络DNNb用于得到估测土壤呼吸通量ERb，深度神经网络DNNp用于得到估测植物光合作用通量GPP，深度神经网络DNNT用于得到估测植被蒸腾量Tp； 深度神经网络DNNa的输入为Ta、Tv、SM、Ws、Wd、LAI、h和ERn； 深度神经网络DNNb的输入为Ta、Ts、SM、Ws和ERn； 深度神经网络DNNp的输入为Ta、Ra、SM、Ws、Wd、VPD、LAI和h； 深度神经网络DNNT的输入为GPP、Ta、Ra、SM、VPD、Ws、LAI和h； 深度神经网络DNNa与深度神经网络DNNb的输出之和为估测的生态系统呼吸ER，深度神经网络DNNp的输出与估测的ER之和为估测的NEE； 神经网络估测模型的输出结果受到涡度技术观测获得的二氧化碳通量和植被蒸腾量的约束，设置模型的损失函数为： 式中，NEEp和NEEm分别为混合模型估测二氧化碳通量和涡度观测二氧化碳通量；Tp和Tm分别表示估测植被蒸腾量和涡度观测植被蒸腾量；W1和W2分别表示二氧化碳通量和植被蒸腾量估测误差的权重系数，两者的取值均在0-1之间；Loss表示估测的总误差；n表示数据样本总数； S3：训练神经网络估测模型 设置深度神经网络DNNa、DNNb、DNNp、DNNT中的隐藏层的层数以及每层的神经元个数，并采用随机赋值法初始化该四个深度神经网络中的各权重和偏置；将S1中的一条数据样本中的Ta、Tv、SM、Ws、Wd、LAI、h和ERn输入到深度神经网络DNNa中，Ta、Ts、SM、Ws和ERn输入到深度神经网络DNNb中，Ta、Ra、SM、Ws、Wd、VPD、LAI和h输入到深度神经网络DNNp，分别得到估测的ERa、估测的ERb、估测的GPP；将该估测的GPP和该条数据样本中的Ta、Ra、SM、VPD、Ws、LAI和h输入到深度神经网络DNNT中，得到估测的植被蒸腾量Tp；将估测的ERa、估测的ERb、估测的GPP相加，得到估测的二氧化碳通量NEEp； 依次将S1中的n条数据样本分别输入到神经网络估测模型中，根据估测结果和数据样本中的涡度观测二氧化碳通量和涡度观测植被蒸腾量，计算损失函数的值： 式中，NEEp和NEEm分别为估测二氧化碳通量和涡度观测二氧化碳通量；Tp和Tm分别表示估测植被蒸腾量和涡度观测植被蒸腾量；W1和W2分别表示二氧化碳通量和植被蒸腾量估测误差的权重系数，两者的取值均在0-1之间；Loss表示估测的总误差；n表示数据样本总数； 根据损失函数的值反向传播，更新一次四个深度神经网络中的各权重和偏置，神经网络估测模型完成一次迭代训练；然后，再次将S1中的n条数据样本分别输入到神经网络估测模型中，并再次根据损失函数的值反向传播，更新一次各权重和偏置，然后再次输入S1中的n条数据样本，进行下一次的迭代训练；不断重复，直至损失函数的值不再下降，得到训练好的神经网络估测模型； S4：利用神经网络估测模型估测GPP和ER 获取S1中目标区域某一监测时刻点的空气温度Ta、净辐射Ra、饱和水汽压差VPD、水平风速Ws、风向Wd、EC技术观测的夜间生态系统呼吸ERn、表层土壤含水率SM、土壤温度Ts、植被叶面积指数LAI、空气温度Ta、叶片温度Tv、植物高度h，将其输入到S3中训练好的神经网络估测模型中，由深度神经网络DNNa和深度神经网络DNNb的输出得到该时刻点估测的ER，由深度神经网络DNNp的输出得到该时刻点估测的GPP。

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开大学，其通讯地址为：300071 天津市南开区卫津路94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。