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！

龙图腾网获悉重庆交通大学申请的专利一种基于时空卷积神经网络耦合模型的土壤湿度高精度预测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：CN119595548B 。

龙图腾网通过国家知识产权局官网在2025-08-29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：202411680309.X，技术领域涉及：G01N21/17；该发明授权一种基于时空卷积神经网络耦合模型的土壤湿度高精度预测方法是由周连杰;何青霖;邓天民;朱洪洲;詹勇;张朋设计研发完成，并于2024-11-22向国家知识产权局提交的专利申请。

本一种基于时空卷积神经网络耦合模型的土壤湿度高精度预测方法在说明书摘要公布了：本发明土壤湿度预测技术领域，且公开了一种基于时空卷积神经网络耦合模型的土壤湿度高精度预测方法，包括以下步骤，部署搭载GPS功能的土壤湿度探测设备以获取目标区域不同深度的土壤湿度实测数据，获取目标区域的卫星遥感影像，校正影像后获取整个区域的湿度数据，利用传感器与地表因子校正遥感湿度数据的误差。该基于多源数据融合与深度学习的区域土壤湿度动态监测方法，通过融合搭载GPS的土壤湿度传感器与卫星遥感数据来避免单一数据源所带来的局限性，通过引入地表因子校正遥感数据从而提高土壤湿度的监测精度。结果表明预警预报准确率不低于90％。利用机器学习模型扩充湿度传感器实测数据，并预测未来一定时间窗口的湿度变化。

本发明授权一种基于时空卷积神经网络耦合模型的土壤湿度高精度预测方法在权利要求书中公布了：1.一种基于时空卷积神经网络耦合模型的土壤湿度高精度预测方法，其特征在于，包括以下步骤： S1：将搭载GPS功能的土壤湿度探测设备部署至目标区域，获取不同深度的土壤湿度实测数据； S2：获取目标区域遥感卫星影像，将地表因子导入到深度学习模型之中训练，用训练好的学习模型校正遥感影像并划分出不同类型的地形； S3：构建改进型MPDI和NDVI公式，利用地表因子校正该区域的土壤湿度反演值； S4：利用地面传感器实测数据辅助遥感数据湿度反演，得到目标监测区域的土壤湿度变化量； S5：构建LSTM模型预测目标监测区域未来时间点的湿度变化量； 其中，步骤S2中的学习模型用于构建遥感图像优化并提取特征，具体步骤为： S2.1：定义湿度传感器在x、y、z方向三维坐标矩阵C=[xyz]，其中C为三维坐标量，xyz分别为传感器在南北、东西、垂直方向上的坐标值； S2.2：定义湿度传感器布设点周围的地表因子矩阵E=[SAV]，其中E为地表因子，SAV分别为布设点周围的坡度、坡向和植被覆盖率； S2.3：在输入层中，将已知点的坐标矩阵和地形数据作为一个独立的特征通道输入到卷积神经网络中，并构建遥感图像优化矩阵； S2.4：利用CNN提取目标遥感影像的空间特征，对于输入影像，经CNN层的卷积操作后得到特征图； S2.5：将地表因子矩阵E和空间特征矩阵进行融合，生成融合模块； S2.6：构建LSTM模型，将输入LSTM模型，提取目标遥感影像的时间特征； 步骤S3中，改进的NDVI和MPDI的具体步骤为： S3.1：引入土壤调节系数L，计算改进后的遥感图像指数SAVI； S3.2：引入坡度S和坡向A，计算入射角值； S3.3：根据入射角值，计算改进后的遥感图像指数TSNDVI； S3.4：根据土壤的水分保持和热特性，改进土壤水分状况； S3.5：根据光线在地表的散射和反射情况，改进土壤水分状况； S3.6：由于植被冠层的结构会改变水分的反射特性，改进土壤水分状况； 步骤S4中，利用地面传感器实测数据辅助遥感数据湿度反演的具体步骤为； S4.1：将遥感图像中与实测点对应的像素点的湿度值替换为实测点的真实湿度值； S4.2：构建基于实测点湿度数据和地表因子的回归模型，模型输出的预测值为M； S4.3：利用最近实测点的湿度进行插值校正，得到对应插值矩阵S； S4.4：将回归模型的预测结果与插值结果进行加权结合，获得最终校正湿度值矩阵L。

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重庆交通大学，其通讯地址为：400074 重庆市南岸区学府大道66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”。