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！

龙图腾网获悉北京航空航天大学申请的专利一种基于XGBoost-2DCNN模型的水体溶解氧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：CN119760045B 。

龙图腾网通过国家知识产权局官网在2025-10-17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：202411857424.X，技术领域涉及：G06F16/29；该发明授权一种基于XGBoost-2DCNN模型的水体溶解氧浓度遥感反演方法是由周冠华;阿米尔;爱法瑞设计研发完成，并于2024-12-17向国家知识产权局提交的专利申请。

本一种基于XGBoost-2DCNN模型的水体溶解氧浓度遥感反演方法在说明书摘要公布了：本发明涉及一种基于XGBoost‑2DCNN模型的水体溶解氧浓度遥感反演方法，方法包括：采集或收集研究区长时间序列实测水质参数浓度；基于GoogleEarthEngine平台获取研究区多光谱遥感影像，提取时空匹配的水面遥感反射率；将反射率光谱和水质参数浓度周期特征进行正弦和余弦函数编码，利用XGBoost模型通过遥感反射率估算叶绿素a和水温；进一步开发二维卷积神经网络2DCNN模型，将叶绿素a、水温及编码的周期性特征作为输入，构建并训练溶解氧浓度反演模型。本发明以多年实测水质参数和光学遥感影像为基础，结合叶绿素a和水温的时间周期模式，发展了精准的溶解氧估算方法，实现了短期和长期时空动态分析。该方法为水体富营养化的防控提供了科学依据，具有广泛的推广与应用价值。

本发明授权一种基于XGBoost-2DCNN模型的水体溶解氧浓度遥感反演方法在权利要求书中公布了：1.一种基于XGBoost-2DCNN模型的水体溶解氧浓度遥感反演方法，其特征在于包含以下步骤： 1为水体溶解氧DO浓度预测模型训练收集、处理和标准化数据，具体方法如下： 1从研究区采集和收集长时间序列水质原位测量数据，具体包括各种光学活性和非活性水质参数，以及水质监测站地理坐标、数据质量和采集日期等元数据信息；从收集到的数据集中提取必要的数据，包括水质控制区、监测站代码、监测站地理坐标、采样日期、叶绿素a、水温、溶解氧DO；编制研究区的兴趣区AOI多边形矢量文件；建立包含原位水质参数测量和相应卫星多光谱图像水面反射率值的时空匹配数据集；使用谷歌地球引擎GEE提取每个水质监测站和样本采集日期的水面反射率光谱； 2将水质参数浓度的季节性变化趋势纳入溶解氧浓度预测的建模中；将时间信息—月份作为建模的输入参数，通过正弦和余弦变换将月份编码为周期变量，如下所示： 其中x表示月份；这种转换确保了所有月份在圆形比例尺上的正确位置，并通过捕捉周期角度和幅度来准确表示其周期模式；转换后的月特征表示为Monthsin和Monthcos，将作为溶解氧预测模型输入特征； 3从准备的数据集中提取研究时段的数据记录，以准备两个训练数据集；其中，一个训练数据集包含输入特征：包括光谱反射率数据和转换后的月份特征；输出特征包括叶绿素a和水温，用于训练单变量预测叶绿素a和水温的机器学习算法；以光学遥感影像Sentinel-2为例，该数据集表示为： Training_DatasetChla_Temperature＝{B1,B2,…,B8,B8A,B9,B11,B12,Monthsin,Monthcos,Chla,Temperature} 另一个训练数据集包含的输入特征包括：叶绿素a、水温和转换月份特征，以及标注的溶解氧输出特征，用于训练溶解氧单变量预测的卷积神经网络模型；该数据集表示为 Training_DatasetDO＝{Chla,Temperature,Monthsin,Monthcos,DO} 4从准备的数据集中提取研究时段的数据记录来准备测试数据集，该数据集包含输入特征包括反射率数据和转换后的月份特征，第一阶段用于预测叶绿素a和水温，之后利用预测预测溶解氧；该数据集表示为 Test_dataset＝{B1,B2,…,B8,B8A,B9,B11,B12,Monthsin,Monthcos} 2基于XGBoost机器学习模型构建水体叶绿素a浓度和水温预测模型； 3开发二维卷积神经网络模型2DCNN对溶解氧浓度进行预测建模；具体方法是开发二维卷积神经网络2DCNN模型，并利用叶绿素a、水温和转换月份特征输入参数进行训练，以预测溶解氧浓度；训练和开发2DCNN模型的步骤如下： 1将训练数据集Training_DatasetDO分为输入特征和目标输出： XDO＝Training_DatasetDO\{DO} YDO＝Training_DatasetDO[′DO′] 2输入特征向量XDO∈R4×1表示由4个特征：Chla, Temperature,Monthsin,Monthcos组成的一维数据，每个特征有一个值： X′DO∈R4×1×1 3用不同的超参数定义了13层，用于对输入特征执行卷积、池化和批量归一化等操作，以生成所需的输出，这些层的定义如下： 第1层＝Conv2D：32个大小为4×1的卷积滤波器W1，带有“相同”填充和双曲正切激活函数，应用于如下定义的输入特征： Z1＝Conv2DX′DO,W1+b1 A1＝tanhZ1 第2层＝批量归一化：对激活函数输出A1进行归一化处理，以提高模型训练的稳定性，其定义如下 其中，μ1和分别表示A1的均值和方差，γ1和β1分别表示可学习的缩放和移动参数；∈为一个非常小的数，以避免公式分母为0；b1为模型偏差值，后续其它层同类参数的含义与此类似，进行类推； 第3层＝MaxPooling2D：对批次归一化输出应用最大池化，池化窗口为4×1，步长为1，表示为 第4层＝Conv2D：64个大小为3×1的卷积滤波器W2，采用“相同”填充，双曲正切激活函数如下： Z2＝Conv2DP1,W2+b2 A2＝tanhZ2 第5层＝批量归一化：对激活函数输出A2进行归一化处理，以提高训练的稳定性，其定义如下 第6层＝MaxPooling2D：对批量标准化输出应用最大池化，池化窗口为2×1，步长为1，表示为 第7层＝Conv2D：128个大小为2×1的卷积滤波器W3，采用“相同”填充，双曲正切激活函数如下： Z3＝Conv2DP2,W3+b3 A3＝tanhZ3 第8层＝批量归一化：对激活函数输出A3进行归一化处理，以提高训练的稳定性，其定义如下 第9层＝MaxPooling2D：对批量标准化输出应用最大池化，池化窗口为2×1，步长为1，表示为 第10层＝Conv2D：256个大小为1×1的卷积滤波器W4，采用“相同”填充，双曲正切激活函数如下： Z4＝Conv2DP3,W4+b4 A4＝tanhZ4 第11层＝批量归一化：对激活函数输出A4进行归一化处理，以提高模型训练的稳定性，其定义如下 第12层＝Dropout：在上使用0.3的丢弃率进行丢弃，以减少模型过拟合； 第13层＝Flatten：将Dropout操作后的4D张量D4扁平化为1D向量，其表示为F＝FlattenD4 4输出层被定义为具有一个单元的全链接层，回归输出的线性激活表示为 其中，Wo为权重矢量，bo为偏差项，·表示点乘操作； 5与上述各层集成的模型由损失函数和Adam优化器组成，损失函数由均方误差MSE损失定义，用于计算预测输出与实际值y之间的差值；Adam优化器利用损失函数的梯度更新模型参数W,b，初始学习率lr为0.0001；损失函数和优化的定义如下； 其中，Wt,bt分别表示当前迭代状态下的权重与偏差项，Wt+1,bt+1分别表示为下一个迭代计算过程更新的权重与偏差项，损失函数的梯度；lr表示学习率；t表示迭代计算的序号； 6通过设置训练配置对模型进行训练，包括定义最小批次大小B＝32、迭代整个数据集500次的EPOCHSE＝500、验证数据集，以及当验证性能停止改善时基于恢复最佳权重的早期停止标准、模型保存后可用函数f2DCNN表示； 4溶解氧浓度预测模型精度验证。

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北京航空航天大学，其通讯地址为：100191 北京市海淀区学院路37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。