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！

龙图腾网获悉江西省自然资源事业发展中心;江西省矿产资源保障服务中心申请的专利一种基于深度学习的地质灾害风险智能预判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：CN121010228B 。

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：202511545093.0，技术领域涉及：G06Q10/0635；该发明授权一种基于深度学习的地质灾害风险智能预判方法是由雷雨;徐世亮;李勇军;计国兴;伍威;罗显刚;顾华奇设计研发完成，并于2025-10-28向国家知识产权局提交的专利申请。

本一种基于深度学习的地质灾害风险智能预判方法在说明书摘要公布了：本发明公开了一种基于深度学习的地质灾害风险智能预判方法，涉及地质灾害监测与预警技术领域，本发明通过深度特征提取与注意力加权融合机制，能够自动化地对光学遥感、雷达测量、激光点云等不同时空分辨率、不同物理含义的监测数据进行高精度对齐与特征提取，生成统一且富含信息的表征，为后续精准预测奠定了坚实的数据基础，克服了传统方法中数据割裂应用的局限；通过构建以斜坡单元为节点的时空图，并利用引入水文方向性的注意力机制图卷积网络，模型能够精准刻画降雨条件下坡面物质随汇流路径迁移、堆积并堵塞河道的空间传播过程；同时，时间序列模块有效学习了过去水文状态对未来演化趋势的影响。

本发明授权一种基于深度学习的地质灾害风险智能预判方法在权利要求书中公布了：1.一种基于深度学习的地质灾害风险智能预判方法，其特征在于，包括， 获取目标区域的多源监测数据； 对多源监测数据进行预处理与时空对齐，构建包含斜坡单元的时空图； 对各斜坡单元的多模态特征进行特征级融合； 将融合后的多模态特征输入到包含空间图卷积模块与时间序列模块的时空图神经网络中以学习空间关联与时间演化特征；并在训练过程中引入基于渗流与产汇流过程的训练损失；应用所述时空图神经网络，输出包括斜坡单元滑坡发生概率、潜在堰塞点及其形成概率以及堰塞体溃决风险等级的预测结果； 训练损失包括数据驱动损失与物理约束损失，所述物理约束损失至少包括质量守恒约束项与几何相容约束项，其中质量守恒约束项包含质量守恒约束项的残差计算，该残差基于斜坡单元与河段的入渗、产流、入流与出流的质量平衡误差构建； 所述质量守恒约束项的残差计算步骤包括： 1在时间步上，对斜坡单元定义质量守恒残差为： ， 其中，为单元在时间步的质量守恒残差；、为时间步与的贮水量；为时间步长；为降雨转化的体积输入率；为蒸散损失率；为入渗率；为指向邻居的总外流率；为来自邻居集合的总入流率；为单元在时间步的入河通量；为斜坡单元索引；为邻居索引；为时间步索引； 2定义河段的离散质量守恒残差，对河段定义残差，如下： ， 其中，为河段在时间步的质量守恒残差；、为河段贮水量；为来自斜坡的侧向总入流；为上游河段集合的入流；为对下游的外流；为边界项；为河段索引；为上游河段索引； 3进行斜坡-河段通量耦合的离散映射，侧向入河量由连通权重聚合： ， 其中，为斜坡单元数；为单元汇入河段的连通权重；为河段索引； 4采用显式推进计算与；对分水岭与断崖设无通量边界；对流域出口设定水位-流量或给定外流序列的边界；初始贮水量由前期含水率与河道水位反演获得；对施加非负截断与上限容积约束； 5以归一残差构造物理约束损失： ， 其中，为物理约束损失；为时间步数；与为斜坡与河段数量；、为尺度系数；为罚阶； 6以数据项与物理项加权和为目标进行训练： ， 其中，为总损失；为数据驱动损失；为物理项权重，为非负权重：，其中，为可学习的对数方差参数，随训练自动调节物理项占比； 7该步骤的训练流程如下： 每步前向得到时刻场与通量场，根据步骤1至3计算所述质量守恒残差，根据步骤6将所述数据驱动损失与物理约束损失进行加权组合。

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江西省自然资源事业发展中心;江西省矿产资源保障服务中心，其通讯地址为：330025 江西省南昌市西湖区团结路66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。