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！

龙图腾网获悉安徽大学申请的专利一种针对稀疏站点数据的叶绿素a浓度遥感反演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：CN115661661B 。

龙图腾网通过国家知识产权局官网在2025-07-04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：202211398590.9，技术领域涉及：G06V20/10；该发明授权一种针对稀疏站点数据的叶绿素a浓度遥感反演方法是由吴鹏海;何雨挺;汪燕妮;马晓双设计研发完成，并于2022-11-09向国家知识产权局提交的专利申请。

本一种针对稀疏站点数据的叶绿素a浓度遥感反演方法在说明书摘要公布了：本发明属于水质遥感反演技术领域，具体涉及一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，有效解决了叶绿素a浓度遥感反演中站点数据与遥感数据匹配数量不足的局限；增加了稀疏站点数据的利用率，同时提高了叶绿素a浓度反演精度。本发明获取相同日期MSI‑MODIS数据对，经过预处理得到样本数据集；构建面向叶绿素a浓度反演的MSI和MODIS时空融合深度残差学习网络，从而获得所需时间具有MSI传感器空间分辨率的时序数据；在此基础上结合对应时序站点叶绿素a浓度观测数据，通过极限梯度提升树XGBoost的机器学习算法构建反演模型，实现了有限站点数据的叶绿素a浓度遥感反演。

本发明授权一种针对稀疏站点数据的叶绿素a浓度遥感反演方法在权利要求书中公布了：1.一种针对稀疏站点数据的叶绿素a浓度遥感反演方法，其特征在于，包括以下步骤： S1、获取区域的MSI与MODIS数据并进行必要的预处理，预处理包括拼接、裁剪、重采样、大气校正； S2、在MSI数据上对叶绿素a反演的敏感波段进行选择； S3、结合MSI与MODIS数据对应的波段范围，构建MSI-MODIS训练数据集； S4、在卷积网络的基础上添加残差连接构建深度学习的时-空融合模型，在模拟实验得到最优参数基础上开展真实实验，从而获得所需时间具有MSI数据传感器空间分辨率的时序数据，该数据包括融合后反射率数据和原MSI反射率数据； 构建深度学习的时-空融合模型，并进行模拟实验和真实实验的具体步骤为： 1）利用卷积神经网络构建三条支线，支线一用于输入T1、T3时刻的MSI高空间分辨率图像，支线二用于输入T1、T3时刻的MODIS低空间分辨率图像，支线三用于输入T2时刻的MODIS低空间分辨率图像与前两条支线差值之和；每条支线分别包含若干卷积池化； 2）网络的损失函数由Huber构成，其表达式为： 其中，表示真实值，即MSI波段数据值，表示预测值，为超参数； 3）利用步骤S3所得训练样本数据，采用Adam优化算法对网络进行训练，得到基于深度学习的时-空融合模型； 4）利用构建的基于深度学习的时-空融合模型，进行模拟实验获取最优参数，得到对应日期的真实MSI的反射率影像融合结果，并进行评价；在模拟实验的基础上，进行真实实验，得到没有对应各日期的真实MSI的融合结果，与原MSI反射率共同构成后续联合反演的时序数据； S5、根据MSI传感器波段设置特点及叶绿素a浓度反演敏感波段，确定反演建模所需的波段及波段组合；利用融合后反射率数据和原MSI反射率数据所构成的时序数据开展后续联合反演； S6、基于上述时序数据及同期区域站点叶绿素a浓度数据，构建有效样点对n+p个，随机选取其中m+p个样点对作为训练数据集，通过极限梯度提升树的机器学习算法构建联合反演模型；剩下n-m个样点对作为验证数据集，用于验证所构建反演模型的精度。

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安徽大学，其通讯地址为：230000 安徽省合肥市经济技术开发区九龙路111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”。