買專利賣專利找龍圖騰，真高效！ 查專利查商標用IPTOP,全免費！專利年費監控用IP管家,真方便！

龍圖騰網恭喜中國林業科學研究院資源信息研究所申請的專利一種林區跨季變化檢測方法、系統及計算機程序產品獲國家發明授權專利權，本發明授權專利權由國家知識產權局授予，授權公告號為：CN119180723B 。

龍圖騰網通過國家知識產權局官網在2025-03-25發布的發明授權授權公告中獲悉：該發明授權的專利申請號/專利號為：202411640482.7，技術領域涉及：G06Q50/02；該發明授權一種林區跨季變化檢測方法、系統及計算機程序產品是由郭穎;楊宇迪;田昕;劉清旺;柴國奇;徐恩恩;郭宇娟設計研發完成，并于2024-11-18向國家知識產權局提交的專利申請。

本一種林區跨季變化檢測方法、系統及計算機程序產品在說明書摘要公布了：本發明公開了一種林區跨季變化檢測方法、系統及計算機程序產品，所述方法包括：獲取林區遙感時間序列數據和多時相高空間分辨率遙感影像數據；基于卷積神經網絡和時間注意力機制構建林區物候及環境擾動檢測模型；基于卷積神經網絡和多任務學習方法構建林區植被類型變化檢測模型；獲得林區物候及環境擾動檢測結果，據此對林區植被類型變化檢測模型進行微調和再訓練，獲得林區跨季變化檢測模型；獲得林區跨季變化檢測結果。本發明提供的技術方案，基于林區植被類型變化檢測，整合林區物候及環境擾動變化信息，提取植被覆蓋精細尺度詳細變化信息，實現年內多期植被覆蓋精細變化信息準確提取；基于多項指標對網絡模型進行綜合評估和微調完善。

本發明授權一種林區跨季變化檢測方法、系統及計算機程序產品在權利要求書中公布了：1.一種林區跨季變化檢測方法，其特征在于，包括以下步驟：獲取林區遙感時間序列數據和多時相高空間分辨率遙感影像數據；根據遙感時間序列數據構建樣本數據集，基于卷積神經網絡和時間注意力機制構建時間序列全卷積神經網絡模型并進行訓練，獲得林區物候及環境擾動檢測模型；根據多時相高空間分辨率遙感影像數據構建樣本數據集，基于卷積神經網絡模型和多任務學習構建多任務全卷積神經網絡模型并進行訓練，獲得林區植被類型變化檢測模型；將遙感時間序列數據輸入林區物候及環境擾動檢測模型，獲得林區物候及環境擾動檢測結果；根據林區物候及環境擾動檢測結果，對林區植被類型變化檢測模型進行微調和再訓練，獲得林區跨季變化檢測模型；將多時相高空間分辨率遙感影像數據輸入林區跨季變化檢測模型，獲得林區跨季變化檢測結果；其中，所述基于卷積神經網絡和時間注意力機制構建時間序列全卷積神經網絡模型并進行訓練包括：利用分層深度卷積網絡架構作為空間編碼器，通過逐級設置卷積層、ReLU激活函數和批量規范化層，結合步進卷積模塊，逐層深化特征提取，提取圖像的空間特征，獲得沿時間軸堆疊、經空間編碼處理的特征圖；集成時間注意力編碼器并應用時間注意力機制，為序列內各時間點的特征圖分配不同的權重，實現數據集在時間維度上的高效編碼，識別林區的時序動態特征；基于U-Net構建模型，利用分層步進轉置卷積技術逐步提升特征圖的空間分辨率，引入跳躍連接技術和注意力機制，融合特征圖與時序動態特征，重構原始遙感時間序列數據的空間細節；其中，所述基于卷積神經網絡和時間注意力機制構建時間序列全卷積神經網絡模型并進行訓練還包括：選擇交叉熵損失函數處理像素級分類任務，并引入Dice損失以提升對細小目標的識別能力及平衡類別不均問題；選用Adam優化器，提高訓練效率和模型收斂速度；實施學習率衰減策略，在訓練初期實現快速學習，在后期保持穩定收斂；采用早停機制防止過擬合；在驗證集上基于多項指標，包括精度、召回率和F1分數，對模型進行綜合評估；根據綜合評估結果，對網絡模型進行微調；其中，所述基于卷積神經網絡模型和多任務學習構建多任務全卷積神經網絡模型并進行訓練包括：構建層次化的特征提取網絡作為編碼器，對高空間分辨率遙感圖像數據中包含的復雜空間信息進行深度分析，融合時空注意力機制，整合時間維度的變化信息，從多時相高空間分辨率遙感影像數據中提取出綜合的多尺度時空特征；基于Transformer架構構建轉換器，設計時空特征整合模塊，利用自注意力機制，采用針對變化檢測和語義分割的多任務學習策略，細化和強化編碼器輸出的多尺度空間特征，識別植被覆蓋隨時間的變化；基于多任務處理構建解碼器，對植被覆蓋進行變化檢測及語義分割，內嵌自注意力機制，對時空特征進行深化分析，優化特征融合過程，對基于細節豐富的特征映射進行準確分析，融合編碼器輸出的多尺度時空特征和轉換器輸出的植被覆蓋隨時間的變化的復合特征，對植被覆蓋變化進行準確檢測；其中，所述基于卷積神經網絡模型和多任務學習構建多任務全卷積神經網絡模型并進行訓練還包括：采用融合式損失函數，融合語義分割的交叉熵損失與變化檢測的二值交叉熵損失，引入可調節的權重系數，根據任務特性和復雜度動態調整權重，從而實現任務間的平衡并優化模型性能；選用具備自適應學習率特點的Adam優化器，提高訓練效率和模型收斂速度；整合動態損失權重調整與學習率調度策略，協助模型在各訓練階段之間保持任務學習的均衡，優化模型整體性能；采用早停機制及模型正則化措施，預防過擬合，增強模型的泛化能力，確保訓練過程的穩定；采用多項指標，包括精確度、召回率、F1分數以及總體準確率，對模型性能進行綜合評估；根據綜合評估結果，對網絡模型進行微調。

如需購買、轉讓、實施、許可或投資類似專利技術，可聯系本專利的申請人或專利權人中國林業科學研究院資源信息研究所，其通訊地址為：100091 北京市海淀區東小府2號；或者聯系龍圖騰網官方客服，聯系龍圖騰網可撥打電話0551-65771310或微信搜索“龍圖騰網”。