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！

龙图腾网获悉深圳大学申请的专利一种基于深度集成学习与物理机制的水文预报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：CN119338081B 。

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：202411886451.X，技术领域涉及：G06Q10/04；该发明授权一种基于深度集成学习与物理机制的水文预报方法是由方诗标;付梁其;何晓静;刘飞诗;程会旗设计研发完成，并于2024-12-20向国家知识产权局提交的专利申请。

本一种基于深度集成学习与物理机制的水文预报方法在说明书摘要公布了：本发明提供了一种基于深度集成学习与物理机制的水文预报方法，属于水文预报技术领域，该方法通过收集遥感数据和时间序列数据，利用CNN和LSTM分别提取特征，并通过双交叉注意力模块进行融合。接着，将水文物理模型SWAT与深度学习模型CNN相结合，得到增强特征。构建多个深度学习模型作为基础学习器，利用训练集数据进行训练，通过集成策略形成最终预测结果。本发明采用上述的一种基于深度集成学习与物理机制的水文预报方法，结合了物理机制和深度学习的优势，提高了水文预报的准确性和稳定性。该方法对于水资源管理和防洪减灾具有重要意义。

本发明授权一种基于深度集成学习与物理机制的水文预报方法在权利要求书中公布了：1.一种基于深度集成学习与物理机制的水文预报方法，其特征在于，包括以下步骤： S1、收集遥感数据和时间序列数据并进行预处理，构建数据集，并将数据集划分为训练集、验证集和测试集； S2、在训练集和验证集上，利用卷积神经网络CNN从遥感数据中提取遥感数据特征，记为，利用长短期记忆神经网络LSTM从时间序列数据中提取时间序列特征，记为； S3、对和进行归一化处理，使用双交叉注意力模块对归一化后的遥感特征、归一化后的时间序列特征进行融合，得到融合特征； S4、将水文物理模型与深度学习模型相结合，得到增强特征； S5、构建多个深度学习模型作为基础学习器，利用训练集数据对基础学习器进行训练，并通过集成策略将基础学习器的预测结果进行融合，形成最终的预测结果，然后使用验证集数据对模型进行验证，得到优化后的深度集成学习模型； S6、将测试集数据输入优化后的深度集成学习模型，生成洪水预报结果； 步骤S1中，时间序列数据包括水文数据和气象数据，水文数据包括地表水位、水温、水体蒸发量、流量、地下水位、冰情，气象数据包括气温、降水、气压、风速，遥感数据包括MODIS数据产品、气象卫星数据； 步骤S3中，双交叉注意力模块包括通道注意力和空间注意力两部分，通道注意力计算和的通道注意力，通过全局平均池化和全连接层实现； 空间注意力计算和的空间注意力，通过全局平均池化和全连接层实现； 步骤S3中，使用双交叉注意力模块对归一化后的遥感特征、归一化后的时间序列特征进行融合，具体操作为： 通道融合： ； 其中，为通道融合特征；和分别为和的通道注意力权重； 空间融合： ； 其中，为空间融合特征；和分别为和的空间注意力权重； 融合特征： ； 其中，为融合特征； 使用主成分分析对进行降维处理； 步骤S4中，水文物理模型为SWAT模型，深度学习模型为CNN； 对SWAT模型输出进行量化： ； 其中，是SWAT模型的量化输出；是实际的水文数据；是量化函数； 将SWAT模型的量化输出与步骤S3的融合特征进行融合： ； 其中，是融合后的特征；是融合函数； 使用融合后的特征训练CNN模型，损失函数如下： ； 其中，是损失函数；是模型预测的输出；是实际的水文数据； 使用反向传播算法优化CNN模型的权重： ； 其中，是更新后的权重；是旧的权重；是学习率；是损失函数对权重的偏导数； 将SWAT模型提供的物理过程约束集成到CNN模型中： ； 其中，是最终的预测输出，是考虑物理约束的调整函数； 使用蒙特卡洛方法估计洪水预报结果的条件概率分布： ； 其中，是在融合后的特征下最终预测输出的概率；是指示函数；是模拟次数；是每次模拟，使用CNN模型进行预测，得到的预测输出；为第次模拟的参数样本。

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深圳大学，其通讯地址为：518060 广东省深圳市南山区粤海街道南海大道3688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。