買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉無錫學(xué)院申請的專利一種基于RepFNet網(wǎng)絡(luò)與時空濾波的積雪覆蓋度監(jiān)測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119942367B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-08-19發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202510414342.6，技術(shù)領(lǐng)域涉及：G06V20/13；該發(fā)明授權(quán)一種基于RepFNet網(wǎng)絡(luò)與時空濾波的積雪覆蓋度監(jiān)測方法是由闞希;張永宏;朱靈龍;曹海嘯;張紅燕設(shè)計研發(fā)完成，并于2025-04-03向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于RepFNet網(wǎng)絡(luò)與時空濾波的積雪覆蓋度監(jiān)測方法在說明書摘要公布了：本發(fā)明涉及遙感圖像處理與氣象監(jiān)測技術(shù)領(lǐng)域，具體為一種基于RepFNet網(wǎng)絡(luò)的積雪覆蓋度監(jiān)測方法，包括：獲取FY?4A影像數(shù)據(jù)、Landsat衛(wèi)星影像數(shù)據(jù)和地理輔助數(shù)據(jù)；構(gòu)建適用于深度學(xué)習(xí)訓(xùn)練的數(shù)據(jù)集；生成高分辨率的積雪覆蓋度圖像；構(gòu)建編碼器?解碼器架構(gòu)的RepFNet網(wǎng)絡(luò)模型，集成改進(jìn)的特征提取模塊、動態(tài)上采樣模塊及自適應(yīng)圖通道注意力模塊；確定最佳模塊組合和參數(shù)配置；使用ADAM優(yōu)化器結(jié)合動態(tài)學(xué)習(xí)率策略進(jìn)行模型訓(xùn)練；通過調(diào)整超參數(shù)和對比實(shí)驗(yàn)，優(yōu)化模型性能；利用訓(xùn)練完成的RepFNet模型對研究區(qū)域進(jìn)行積雪覆蓋度的精準(zhǔn)反演，并結(jié)合時空濾波方法進(jìn)行去云處理，確保積雪監(jiān)測的準(zhǔn)確性和穩(wěn)定性。

本發(fā)明授權(quán)一種基于RepFNet網(wǎng)絡(luò)與時空濾波的積雪覆蓋度監(jiān)測方法在權(quán)利要求書中公布了：1.一種基于RepFNet網(wǎng)絡(luò)與時空濾波的積雪覆蓋度監(jiān)測方法，其特征在于：所述方法包括： S100、獲取FY-4A影像數(shù)據(jù)和與所述影像數(shù)據(jù)時間不超過10分鐘的Landsat衛(wèi)星影像數(shù)據(jù)，并對Landsat衛(wèi)星影像數(shù)據(jù)進(jìn)行波段融合和重采樣操作；獲取并拼接研究區(qū)域的數(shù)字高程模型數(shù)據(jù)，并基于數(shù)字高程模型計算坡度、坡向信息，作為積雪覆蓋度估算的地理輔助數(shù)據(jù)； S200、將預(yù)處理后的FY-4A影像數(shù)據(jù)、Landsat數(shù)據(jù)和地理輔助數(shù)據(jù)，以Landsat數(shù)據(jù)作為基準(zhǔn)數(shù)據(jù)進(jìn)行空間配準(zhǔn)，并裁剪成64×64像素的影像塊，以構(gòu)建適用于深度學(xué)習(xí)訓(xùn)練的數(shù)據(jù)集； S300、利用SNOMAP算法對Landsat數(shù)據(jù)進(jìn)行二值化積雪覆蓋度識別，并結(jié)合歸一化差分雪指數(shù)與氣象衛(wèi)星分辨率計算出積雪覆蓋度，生成高分辨率的積雪覆蓋度圖像，作為深度學(xué)習(xí)模型的標(biāo)簽數(shù)據(jù)； S400、利用PyTorch框架，構(gòu)建并實(shí)現(xiàn)采用編碼器-解碼器架構(gòu)的RepFNet網(wǎng)絡(luò)模型；該模型集成改進(jìn)的特征提取模塊、動態(tài)上采樣模塊及自適應(yīng)圖通道注意力模塊； S500、基于對RepFNet網(wǎng)絡(luò)模型的深度優(yōu)化和參數(shù)調(diào)整確定最佳模塊組合和參數(shù)配置； S600、設(shè)計適用于FSC反演的新?lián)p失函數(shù)，并使用ADAM優(yōu)化器結(jié)合動態(tài)學(xué)習(xí)率策略進(jìn)行模型訓(xùn)練；通過調(diào)整超參數(shù)和對比實(shí)驗(yàn)，優(yōu)化模型性能；利用訓(xùn)練完成的RepFNet模型對研究區(qū)域進(jìn)行積雪覆蓋度的精準(zhǔn)反演，并結(jié)合時空濾波方法進(jìn)行去云處理，確保積雪監(jiān)測的準(zhǔn)確性和穩(wěn)定性； 其中，所述S400中的RepFNet網(wǎng)絡(luò)模型，包括：改進(jìn)的特征提取模塊、動態(tài)上采樣模塊和自適應(yīng)圖通道注意力模塊； 所述改進(jìn)的特征提取模塊用于提出局部方差驅(qū)動的動態(tài)殘差權(quán)重，實(shí)現(xiàn)模塊分支比例的自適應(yīng)調(diào)整； 所述動態(tài)上采樣模塊用于將特征提取模塊輸出的高維特征逐步恢復(fù)到與輸入數(shù)據(jù)相同的空間分辨率；它采用逐步上采樣的方式，通過卷積層和上采樣層的交替組合，逐步恢復(fù)特征圖的空間信息； 所述自適應(yīng)圖通道注意力模塊用于自適應(yīng)地調(diào)整特征通道的權(quán)重，同時捕捉特征之間的全局依賴關(guān)系； 其中，S400中：利用所述Pytorch框架構(gòu)建用于積雪覆蓋度反演任務(wù)的RepFNet網(wǎng)絡(luò)模型，包括：利用所述改進(jìn)的特征提取模塊RepVGG提取積雪覆蓋區(qū)域的紋理和光譜特征，同時利用殘差連接增強(qiáng)了模型的訓(xùn)練穩(wěn)定性和性能；后續(xù)基于此結(jié)構(gòu)增加解碼模塊，并引入動態(tài)上采樣模塊DySample進(jìn)行上采樣，通過自適應(yīng)圖通道注意力模塊AGCA來提高特征的表達(dá)能力； 其中，在所述改進(jìn)的特征提取模塊RepVGG中引入動態(tài)殘差權(quán)重，根據(jù)輸入特征圖的局部紋理復(fù)雜度動態(tài)調(diào)整分支權(quán)重，公式如下： ； ； 其中，的初始值設(shè)定為0.5，訓(xùn)練后自動優(yōu)化； 表示計算輸入數(shù)據(jù)的特征圖的局部放長，滑動窗口為3×3，用于表征區(qū)域紋理復(fù)雜度：當(dāng)屬于紋理復(fù)雜的高方差區(qū)域，接近于1，由恒等分支主導(dǎo)，保留更多原始特征細(xì)節(jié)；當(dāng)屬于平坦區(qū)域的低方差區(qū)域，接近于0，由1×1卷積主導(dǎo)，增強(qiáng)特征提取能力； 同時選擇使用二維卷積對圖像進(jìn)行空間特征提取，在積雪覆蓋度標(biāo)簽真值到編碼器之前，使用步幅為2的卷積進(jìn)行下采樣；接下來的塊使用步幅為1的卷積來提取特征，將特征圖壓縮成低維表示；在輸出預(yù)測圖之前，對RepVGG解碼器的輸出運(yùn)用動態(tài)上采樣模塊DySample執(zhí)行上采樣操作，使其和轉(zhuǎn)置卷積層逐步恢復(fù)特征圖的空間分辨率，將編碼的特征信息恢復(fù)到與原圖像的空間分辨率，以生成高質(zhì)量的反演結(jié)果； 在所述動態(tài)上采樣模塊DySample中引入動態(tài)范圍因子，來增加偏移的靈活性；并通過雙線性插值得到輸出特征圖，其中X表示輸入，S表示采樣輸出圖； ； 之后再加入自適應(yīng)圖通道注意力模塊AGCA，以此聚合局部和全局上下文信息來提高特征的表達(dá)能力； 進(jìn)一步的，RepFNet網(wǎng)絡(luò)模塊主要是由兩部分組成； 第一部分是特征映射層，其中將特征圖維度轉(zhuǎn)換為1×1×C，C代表影像的通道數(shù)，也代表自適應(yīng)圖通道注意力模塊AGCA中的特征頂點(diǎn)數(shù)； 用線性嵌入函數(shù)作為特征映射層，捕捉包括重要的積雪區(qū)域和碎片化積雪的關(guān)鍵特征，并將所述關(guān)鍵特征信息進(jìn)行融合，以產(chǎn)生改進(jìn)的特征表示；其中，表示通過1×1卷積得到的權(quán)重矩陣； 第二部分是通過設(shè)計的注意力機(jī)制來動態(tài)調(diào)整特征的權(quán)重，最后權(quán)重作為通道權(quán)重映射回原始的特征圖；同時自適應(yīng)圖通道注意力模塊AGCA還運(yùn)用了瓶頸結(jié)構(gòu)，使得其特征頂點(diǎn)對積雪的特征冗余更敏感； 所述S500中深度優(yōu)化和參數(shù)調(diào)整，包括： 設(shè)置網(wǎng)絡(luò)迭代次數(shù)的閾值為200次，確保模型在有限的迭代次數(shù)內(nèi)收斂，初始學(xué)習(xí)率設(shè)置為0.001，采用ADAM優(yōu)化器進(jìn)行模型參數(shù)更新； 每10次迭代后，學(xué)習(xí)率以衰減系數(shù)0.8動態(tài)調(diào)整，加速模型收斂，防止過擬合。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人無錫學(xué)院，其通訊地址為：214000 江蘇省無錫市錫山區(qū)錫山大道333號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。