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申请的专利基于高分辨率全球模式改进城市绿地生物源排放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：CN119851133B 。

龙图腾网通过国家知识产权局官网在2026-04-10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：202411989044.1，技术领域涉及：G06V20/10；该发明授权基于高分辨率全球模式改进城市绿地生物源排放的方法是由高阳;寇文彬;赵祎;郑珏鹏;付昊桓;赖雨珊;张绍晴;高会旺设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本基于高分辨率全球模式改进城市绿地生物源排放的方法在说明书摘要公布了：本发明提供了一种基于高分辨率全球模式改进城市绿地生物源排放的方法,针对当前数值模型中城市绿地排放缺失的问题，提出了利用高分辨率土地覆盖数据优化生物源排放清单的技术方案。这些技术包括弱监督全球土地覆盖制图方法，可融合影像本身的光谱信息、运用视觉大模型提取的特征绘制高分辨率土地覆盖图像；植被功能类型匹配法，用于将高分辨率土地覆盖数据转为植被功能类型；高分辨率数值模式输入文件准备，将上述文件转换为适用于高分辨地球系统模式的输入格式，并开展数值模拟，估算全球生物源排放尤其是城市绿地排放。

本发明授权基于高分辨率全球模式改进城市绿地生物源排放的方法在权利要求书中公布了：1.一种基于高分辨率全球模式改进城市绿地生物源排放的方法，其特征在于，具体包括以下步骤： 步骤S1、从哨兵二号的多光谱影像中选取6个，包括三个可见光和三个红外波段，将红外波段数据插值到10米分辨率，从而获得10米分辨率的哨兵影像数据； 步骤S2、特征提取，具体包括： 步骤S2-1、在提取像素特征时，运用滑动窗口方法，对于每个像素，提取其自身及周围十字区域，共9个像素的6波段光谱信息，将获得的光谱信息连接起来，形成一个9个像素×6个波段长度为54的长序列作为光谱数据； 步骤S2-2、采用预训练的深度学习模型进行特征提取，使用VisionTransformer提供的视觉自注意力机制模型编码器来提取遥感影像中的高层次语义特征；将每张图像裁剪成多个带有重叠部分的切片，然后基于视觉自注意力机制模型编码器，将每个切片处理成具有相同空间尺寸的特征图；最后，将这些切片的特征图拼接回原始图像尺寸作为深度数据； 步骤S3、合并步骤S2-1所得到的光谱数据和步骤S2-2所得到的深度数据，形成一个长度为64的特征向量，并对这个特征矩阵进行标准化操作； 步骤S4、进行聚类分析，生成300类聚类结果，分析30米GLC_FCS30-2020的分辨率产品和聚类结果之间的关系，为每个聚类找到对应的土地覆盖类型；基于10米分辨率的ESAWorldCover数据中预测为绿地类别的数据，重新检查前面生成的10米分辨率的土地覆盖分类结果，如果在生成的10米数据中，某些区域的分类结果未被标记为绿地，则根据该区域及其周围的光谱特征，重新判断并将其重新分配为属于绿地的类别；完成自动聚类合并，产生10米的高分辨率土地覆盖数据WS-GLM1030-PSET，存储为标签图像文件格式TIFF； 步骤S5、将10米的高分辨率土地覆盖数据整合成500米网格，对于每一个500米网格，厘清包含在这一网格内的10米分辨率的格子，根据这些格子所属的土地覆盖类型，以百分比形式进行记录； 步骤S6、读取500米的土地覆盖数据，对应到数值模拟所用的16种植被功能类型； 步骤S7、将步骤S6完成的高分辨率植被功能类型与传统的MODIS以及GLC_FCS30-2020、ESAWorldCover制作的植被功能类型数据进行对比； 步骤S8、在完成500米植被功能类型处理后，将这些数据插值为谱元25公里网格，利用NCL工具将新生成的PFT数据转换为与原始输入文件兼容的NetCDF格式； 步骤S9、基于Python和气候数据操作软件CDO编写程序，提取新生成NetCDF文件中的PFT数据，替换SW-HRESM原始输入文件的相应变量，确保变量名称、类型、维度和单位与原文件一致； 步骤S10、利用高分辨率地球系统模式SW-HRESM及其陆地模块的生物源气体和气溶胶排放估算模型MEGAN，将步骤S9新生成的输入文件输入到MEGAN模型中，进行测试运行，进而运行SW-HRESM，生成全球高分辨率生物源排放清单； 步骤S11、基于新生成的生物源排放清单，开展高分辨率地球系统模式模拟，编写程序评估城市绿地排放对大气污染物的影响。

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，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。