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申请的专利面向黑土保护利用综合效益协同优化的智能诊断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：CN120373559B 。

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：202510508837.5，技术领域涉及：G06Q10/04；该发明授权面向黑土保护利用综合效益协同优化的智能诊断方法是由刘正佳;王浩宁;侯仁杰设计研发完成，并于2025-04-22向国家知识产权局提交的专利申请。

本面向黑土保护利用综合效益协同优化的智能诊断方法在说明书摘要公布了：本发明公开一种面向黑土保护与利用综合效益协同优化的智能诊断方法，包括：步骤1，构建多源时空的模拟数据输入输出数据集；步骤2，基于数据集绘制空间分布热力图和时间序列曲线；步骤3，基于数据集构建输入变量与输出变量之间的相关性矩阵；步骤4，基于数据集中每项输出变量的历史最优值构建评分体系；步骤5，基于评分体系优化各目标维度的权重系数及效益内部的贡献权重，获得多目标优化模型；步骤6，基于空间分布热力图、时间序列曲线、相关性矩阵、动态评分体系及多目标优化模型，形成数据驱动的问题诊断与策略生成的闭环自动化操作链。该方法突破传统经验决策局限，实现全流程数据驱动的技术链，显著提升农业管理策略的科学性与适应性。

本发明授权面向黑土保护利用综合效益协同优化的智能诊断方法在权利要求书中公布了：1.一种面向黑土保护与利用综合效益协同优化的智能诊断方法，其特征在于，所述面向黑土保护与利用综合效益协同优化的智能诊断方法包括以下步骤： 步骤1，构建多源时空的模拟数据输入输出数据集，并将其中类别信息转化为数值向量形式； 步骤2，基于模拟数据输入输出数据集绘制空间分布热力图和时间序列曲线； 步骤3，基于模拟数据输入输出数据集构建输入变量与输出变量之间的相关性矩阵； 步骤4，基于模拟数据输入输出数据集中每项输出变量的历史最优值构建评分体系； 步骤5，基于评分体系中不同维度的评分，优化各目标维度的权重系数及效益内部的贡献权重，以构建多目标优化模型； 步骤6，基于空间分布热力图、时间序列曲线、相关性矩阵、动态评分体系及多目标优化模型，形成数据驱动的问题诊断与策略生成的闭环自动化操作链； 在步骤1中，还包括以下步骤： 步骤11，构建多源时空的模拟数据输入输出数据集，模拟数据包括输入数据集X、输出数据集Y和样本集为A，其中： 输入数据集X＝{x1,x2,…,x12}包括： 农业操作参数：耕作模式x1、施肥类型x2、灌溉方式x3、秸秆处理方式x4； 气候参数：温度x5、降水x6、日照时长x7、风速x8； 土壤参数：土壤酸碱度x9、黑土层厚度x10、土壤湿度x11、土壤质地x12； 输出数据集Y＝{yecon1、yecon2、ysoc1、ysoc2、ysoc3、ysoc4、ysoc5、yeco1、yeco2、yeco3}，包括： 经济效益类指标：农户净收入yecon1、政策补贴投入yecon2； 社会效益类指标：粮食产量总量ysoc1、大豆产量ysoc2、玉米产量ysoc3、水稻产量ysoc4、食物当量ysoc5； 生态效益类指标：土壤质量yeco1、净碳排放量yeco2、土壤侵蚀量yeco3； 样本集A＝{a1,a2,…,am}，其中每个样本代表某一空间单元在某一特定时间点下的观测记录，数据量为m，每一个样本都包含输入数据集X、输出数据集Y和数据集对应的年份和经纬度信息； 在步骤3中，还包括以下步骤： 步骤31，针对连续变量间的相关性，使用皮尔逊相关系数衡量线性关系； 在皮尔逊相关系数中，表示为： 输入数据集X＝{x1,x2,…,x12}，其中e为输入变量索引，e＝1,2,…,12，xe表示输入变量；Y＝{yecon1，yecon2，…，yeco3}，o为输出变量索引，yo表示输出变量；样本集为A＝{a1,a2,…,am}，其中第k个样本ak中的输入输出变量分别为和分别是变量xe、yo的均值；为皮尔逊相关系数， 步骤32，将所有输入-输出变量两两组合，生成相关性矩阵 相关性矩阵维度为12×10，行对应12个输入变量，列对应10个输出指标，元素为为输入输出变量相关系数的绝对值，连续变量取皮尔逊系数绝对值，独热编码变量取点二列系数绝对值，值域均为[0,1]； 步骤33，获取所有输入输出组合构建因果检验得分矩阵Γ； F统计量公式： 其中，Fe,o表示输入变量xe与输出变量yo的统计量，RSSres和RSSunres分别受限模型和无约束模型的残差平方和，L是滞后项数量，pcount是无约束模型中解释变量的数量； 基于Fe,o值计算对应的P值Pe,o并构建因果得分： 表示因果得分； 获取所有输入输出组合构建维度为12×10的因果检验得分矩阵 步骤34，针对每个输出变量构建XGBoost模型以训练其与所有输入变量x1,x2,…,x12间的非线性关系，并使用SHAP方法量化各输入变量的相对贡献度： 表示第e个输入变量和第o个输出变量的组合，为第k个样本变量xe对输出yo的SHAP值，e′为求和索引变量，表示第e′个输入变量和第o个输出变量的组合，表示xe对yo的归一化贡献度； 最终得到维度为12×10的最终贡献矩阵Sshap，12对应输入数据集X中的12个输入变量，10对应输入数据集Y中的10个输出变量； 采用等权重法对相关性、因果性和SHAP分析结果的关系矩阵进行加权求和，得到深度关联矩阵： 表示相关性矩阵，Γ表示因果检验得分矩阵，Ω表示深度关联矩阵； 步骤35，将相关性矩阵因果检验得分矩阵Γ、SHAP矩阵Sshap和深度关联矩阵Ω保存为CSV文件，将负相关提示保存到文本文件。

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，其通讯地址为：100101 北京市朝阳区大屯路甲11号中科院地理资源研究所；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。