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！

龙图腾网获悉中国科学院地理科学与资源研究所;四川省紫坪铺开发有限责任公司申请的专利一种区域山洪分区方法和装置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：CN120046838B 。

龙图腾网通过国家知识产权局官网在2025-12-16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：202411978826.5，技术领域涉及：G06Q10/063；该发明授权一种区域山洪分区方法和装置是由李怡帆;张晨笛;崔鹏;赵阳;段忠杰;姚舜禹;侯伟鹏;王兴平;张茜钧;易松设计研发完成，并于2024-12-31向国家知识产权局提交的专利申请。

本一种区域山洪分区方法和装置在说明书摘要公布了：本发明提供的一种区域山洪分区方法和装置，包括：根据收集的目标区域的山洪孕育背景数据得到初始数据；对初始数据内的各维度数据进行相关性分析与多重共线性分析，得到栅格形式的输入数据；将该输入数据中的每个栅格视为一个节点，根据节点之间的距离确定节点之间的边，从而将输入数据构建为包含节点矩阵、归一化邻接矩阵与属性矩阵的图结构数据G；针对目标区域未设置分区数量的情况，对所有的分区数量，以G作为输入，使用图神经网络进行遍历计算，通过优化方法，以聚类有效性指标为优化目标，确定最优的分区数量，从而确定栅格尺度的分区结果；对栅格尺度的分区结果后处理，绘制最终山洪分区图。本发明的分区精度高、自动化程度高，且通用强。

本发明授权一种区域山洪分区方法和装置在权利要求书中公布了：1.一种区域山洪分区方法，其特征在于，包括以下步骤： 步骤S1、收集目标区域的山洪孕育背景数据，将收集的所有数据重采样为统一空间分辨率的栅格数据，并按照目标区域的范围对所述栅格数据进行裁剪，得到初始数据R0； 步骤S2、对所述初始数据R0内的各维度数据进行相关性分析与多重共线性分析，识别并剔除相关性和方差膨胀因子不符合要求的数据维度，得到栅格形式的输入数据R； 步骤S3、对所述栅格形式的输入数据R，将其中的每一个栅格视为一个节点，构造节点矩阵V，根据节点之间的距离确定节点之间的边，构造边集合E与归一化邻接矩阵A，基于输入数据R构建节点属性矩阵X，从而将栅格形式的输入数据R构建为图结构数据G＝V,E,X； 步骤S4、针对目标区域已设置分区数量的情况，基于设置的分区数量，以所述图结构数据G＝V,E,X作为输入，通过图神经网络进行聚类分析，获得栅格尺度的分区结果，具体步骤包括： 步骤S411、对于以节点属性矩阵X∈RN×d和归一化邻接矩阵A∈RN×N表示的原始图结构数据G＝{X,A}，N为输入数据R中每一维度数据所含有的栅格数量，通过数据增强操作生成增强数据 步骤S412、利用图神经网络对原始图结构数据G和增强数据分别计算节点表示，所述图神经网络通过多层图卷积来更新节点表示： Hl+1＝σAHlWl 其中，Hl是图神经网络中第l层的节点表示；Wl是图神经网络中第l层的权重矩阵；σ·是激活函数； 经过多层图卷积后，得到原始图结构数据G和增强数据的节点表示H、 其中，为图神经网络函数； 为约束节点i的属性向量xi与其增强属性向量之间的对比学习，采用的对比损失函数为： 其中，hi和分别为节点i的原始图结构数据和增强数据的节点表示；Sim·,·表示节点之间的相似度； 步骤S413、对于通过图神经网络学习到的节点表示H＝{h1,h2,...,hN}，应用K-means方法初始化聚类中心集合C，并将聚类中心作为图神经网络的可学习参数，通过计算距离度量将每个节点表示hi分配到距离最近的聚类中心ck；通过反向传播和梯度下降优化图神经网络的总聚类损失在每一轮迭代中更新聚类中心集合C和节点的归类，得到最终的聚类中心集合和各节点的聚类标签表示； 所述总聚类损失的表达式为： 其中，为聚类扩张损失，为聚类收缩损失，τ为用于控制扩张和收缩平衡的超参数；cA∈C和cB∈C分别为聚类A和聚类B的聚类中心，为聚类A中的所有节点； 在每一轮迭代中，对于节点按照下式更新聚类中心cA： 其中，|CA|是聚类A中节点的数量； 步骤S414、将每个节点的聚类标签根据节点的经纬度在空间上进行可视化，得到栅格尺度的山洪分区结果； 针对目标区域未设置分区数量的情况，对所有的分区数量，以所述图结构数据G＝V,E,X作为输入，使用图神经网络进行遍历计算，通过优化方法，以聚类有效性指标为优化目标，搜索确定最优的分区数量，从而确定栅格尺度的分区结果，具体步骤包括： 步骤S421、设定为初始聚类数量，δ和ε是比例系数；基于设定的聚类数量利用所述图神经网络进行聚类分析，基于聚类结果计算对应的聚类有效性指标，设置目标函数为聚类有效性指标的加权和； 步骤S422、从当前解生成一个新的邻域解 其中，γ取-1或者1； 步骤S423、计算当前解和邻域解的目标函数值和并计算两者的差值ΔE： 目标函数的表达式为： 其中，是当前的聚类数量，即当前解；α和β是权重系数；和是基于图神经网络的聚类结果计算的有效性指标，是聚类结果中所选择的山洪孕育背景数据的平均变异系数之和，用于量化所选择的山洪孕育背景数据的分散程度，通过聚类中心之间的距离评估聚类结果之间的紧密性和分散性，和的数值越低，聚类效果越好，计算公式分别如下： 其中，|Cw|聚类类别w中的节点数量，d是山洪孕育背景数据的维度，是聚类类别w中第r维孕育背景数据的变异系数；是聚类类别w中第r维孕育背景数据的标准差，是聚类类别w中第r维孕育背景数据的均值；是聚类类别w中所有节点到聚类中心的平均距离，是聚类类别t中所有节点到聚类中心的平均距离，dwt是聚类类别w的质心到聚类类别t的质心之间的距离； 通过以下准则决定是否接受邻域解 如果ΔE≤0，则接受邻域解作为新的当前解； 如果ΔE0，则根据概率PΔE接受邻域解作为新的当前解，概率由参数T决定，公式如下： 其中，参数T随着算法的进行，在每次迭代后逐渐降低； 步骤S424、采用指数衰减的方式更新参数T： T＝αTT 其中，αT是常数，αT∈0,1； 步骤S425、不断重复步骤S421～步骤S424，直至迭代满足终止条件，迭代结束，得到最优聚类数量及其对应的栅格尺度的山洪分区结果。

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中国科学院地理科学与资源研究所;四川省紫坪铺开发有限责任公司，其通讯地址为：100101 北京市朝阳区大屯路甲11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。