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！

龙图腾网获悉中国地质调查局水文地质环境地质调查中心申请的专利一种基于深度学习的地下水磷富集区空间识别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：CN120526892B 。

龙图腾网通过国家知识产权局官网在2025-09-19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：202511022943.9，技术领域涉及：G16C20/70；该发明授权一种基于深度学习的地下水磷富集区空间识别方法是由陶艳秋;李天生;李海学;张发旺设计研发完成，并于2025-07-24向国家知识产权局提交的专利申请。

本一种基于深度学习的地下水磷富集区空间识别方法在说明书摘要公布了：本发明公开了一种基于深度学习的地下水磷富集区空间识别方法，S1.构建碳‑铁‑磷耦合知识图谱；S2.对碳‑铁‑磷耦合知识图谱进行图结构展开；S3.以高维特征集合为输入初始化改进战鹰优化器种群位置，输出特征权重向量集合；S4.构建显著性引导多尺度图神经网络模型结构；S5.生成体素级磷富集风险场；S6.生成用地限批区划、治理优先级排序及预警时间曲线。本发明在显著性评分机制下能够自动突出对磷富集风险贡献最大的节点与路径，显著提升了模型可解释性和风险机制透明度。

本发明授权一种基于深度学习的地下水磷富集区空间识别方法在权利要求书中公布了：1.一种基于深度学习的地下水磷富集区空间识别方法，其特征在于，包括如下步骤： S1.采集地学多源数据集，将地学多源数据集按实体、属性与关系映射方式输入图数据库，构建碳-铁-磷耦合知识图谱； S2.对碳-铁-磷耦合知识图谱进行图结构展开，提取节点属性向量、边属性向量与上下文关系向量并拼接为高维特征集合； S3.以高维特征集合为输入初始化改进战鹰优化器种群位置，在搜索空间内执行四阶段编队搜索过程，输出特征权重向量集合； S4.将特征权重向量集合写入显著性引导多尺度图神经网络的节点初始属性，构建显著性引导多尺度图神经网络模型结构； S5.训练显著性引导多尺度图神经网络模型，获得节点显著性评分矩阵以及沉积序列全图嵌入向量，利用节点显著性评分矩阵结合沉积序列全图嵌入向量，在九十米分辨率规则网格上计算体素级磷富集概率值，生成体素级磷富集风险场； S6.将体素级磷富集风险场加载至三维地理信息系统渲染引擎，生成三维风险可视化模型，构建水文情景模拟数据集并与三维风险可视化模型耦合，输出动态风险预测序列，并经阈值比较与趋势判断，生成用地限批区划、治理优先级排序及预警时间曲线； 所述S3包括以下步骤： S31.将高维特征集合Fhigh作为改进战鹰优化器的初始搜索空间，每一综合高维特征向量fi表示节点vi对应的沉积微相、地球化学载体以及水文环境之间的特征关系组合； S32.基于沉积相控型磷富集区特征空间结构，在初始搜索空间内采用拉丁超立方采样方法进行种群初始化，获得初始种群位置集合P0，初始种群位置集合中，每一个体位置表示对综合高维特征向量fi权重的初始分配方案； S33.构建针对沉积相控型磷富集特征空间的四阶段改进型战鹰优化搜索策略，包括因子权重引导阶段、特征交互协同阶段、风险热点突防阶段与关键路径精准锁定阶段； S34.在每次迭代后对经四阶段位置更新个体位置并进行适应度评价，定义沉积相控型磷富集风险响应适应度函数 其中，表示节点vi是否位于风险热点区域的突防权重因子，表示该节点在关键路径中的贡献权重因子，ρi为节点的磷富集风险响应指标； S35.当满足设定的迭代终止条件，输出最终特征权重向量集合W*； 所述S4包括以下步骤： S41.将最终输出的特征权重向量集合中的每一个特征权重分配到对应节点的初始化属性中； S42.构建显著性引导多尺度图神经网络模型结构，显著性引导多尺度图神经网络模型结构由微相卷积层、子图注意力聚合层和全图嵌合输出层构成，依次对输入的节点初始嵌入向量进行特征提取和多尺度融合； S43.在微相卷积层中，将每一个节点的初始嵌入向量与所有邻接节点的信息按邻接关系权重进行加权求和，通过线性变换和非线性激活函数获得节点在微相卷积层的输出特征； S44.在子图注意力聚合层中，对每一个局部子图计算每一个子图节点对其它节点的注意力系数，根据注意力系数对所有子图节点的微相卷积输出特征进行加权求和并线性变换得到子图层输出特征； S45.在全图嵌合输出层中，对所有节点的子图层输出特征按照各节点显著性评分进行加权求和并进行线性变换得到整个图谱的风险结构表示。

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地质调查局水文地质环境地质调查中心，其通讯地址为：300309 天津市东丽区东丽湖街辉景道2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”。