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！

龙图腾网获悉山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心)申请的专利一种融合物理先验与时空演化的遥感图像海洋绿潮监测方法及系统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：CN120833561B 。

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：202511323783.1，技术领域涉及：G06V20/13；该发明授权一种融合物理先验与时空演化的遥感图像海洋绿潮监测方法及系统是由汪健平;于宁;纪召龙;孙贵芹;杨海涛;刘兆伟;韩凯莉;苑忠浩;栾春蕾;朱明明;朱金龙设计研发完成，并于2025-09-17向国家知识产权局提交的专利申请。

本一种融合物理先验与时空演化的遥感图像海洋绿潮监测方法及系统在说明书摘要公布了：本发明涉及遥感监测技术领域，尤其是涉及一种融合物理先验与时空演化的遥感图像海洋绿潮监测方法及系统。方法包括获取多模态遥感监测图像；对获取的图像进行多模态特征提取，其中包括光谱反射率特征提取、海洋动力学特征提取和特征对齐与统一表示；利用海洋光学辐射传输模型建立绿潮特征波段的物理先验；基于提取的多模态特征构建动态时空图，得到节点全局特征向量与动态邻接矩阵；基于物理先验和动态时空图进行自适应图卷积特征编码；通过融合卫星、无人机等多平台多光谱影像与海洋动力数据，结合大气校正与波段重采样，实现多源特征的一致性处理与高精度提取，显著提升了绿潮特征识别的全面性与可靠性。

本发明授权一种融合物理先验与时空演化的遥感图像海洋绿潮监测方法及系统在权利要求书中公布了：1.一种融合物理先验与时空演化的遥感图像海洋绿潮监测方法，其特征在于，包括： 获取多模态遥感监测图像； 对获取的图像进行多模态特征提取，其中包括光谱反射率特征提取、海洋动力学特征提取和特征对齐与统一表示，得到全局特征向量； 利用海洋光学辐射传输模型建立绿潮特征波段的物理先验； 基于提取的多模态特征构建动态时空图，得到动态邻接矩阵； 基于物理先验和动态时空图进行自适应图卷积特征编码； 基于物理先验和时序Transformer对多模态特征进行时序建模； 通过融合自适应图卷积特征编码和时序建模结果进行海洋绿潮预测； 输出预测结果； 所述对获取的图像进行多模态特征提取，包括针对光谱反射率特征提取，设获取的多波段原始辐射值为Rraw，首先进行大气校正与波段重采样，得到表观水体反射率Rλ，在得到水体反射率后，针对绿潮敏感波段，提取关键植被指数；针对海洋动力学特征提取，设原始海洋动力学数据为Rd，采用插值与重投影方法，计算海洋动力学特征向量，同时为动态刻画绿潮随动力条件变化趋势，利用海洋动力学特征向量Xd构造多时相序列{Xdt}计算时序梯度；最后采用基于对抗学习的跨平台对齐方法，设无人机提取的高分辨率图像经卷积网络特征提取后，与植被系数NDVI、NDWI拼接得到的光谱特征为Xu，卫星提取的低分辨率图像经卷积网络特征提取后，与植被系数NDVI、NDWI拼接得到的光谱特征为Xs，通过最小化对齐损失函数实现多平台特征一致化，将多源特征统一映射到公共表征空间，得到全局特征向量，所述全局特征向量包括光谱信息以及海洋动力学先验； 所述利用海洋光学辐射传输模型建立绿潮特征波段的物理先验，包括引入海洋光学辐射传输模型RTM，定义绿潮像元在不同波段的理论反射率向量Rphy，基于RTM构建绿潮典型光谱的理论先验特征，在深度模型训练过程中，将理论先验曲线与模型预测光谱进行约束，通过最小化二者在形状上的差异，使预测结果在不同观测条件下依然符合物理规律，光谱形状一致性损失为： ， 其中，Rpred代表深度模型预测的反射率，Rphy代表由RTM生成的理论光谱；基于端元理论的线性混合丰度约束，将每个像元的反射率表示为多类端元反射率的线性组合；根据海洋光学辐射传输模型获取不同端元的理论反射率曲线及其先验丰度分布；然后在深度模型训练中，将预测结果与该理论组合结果进行一致性约束，引入线性混合丰度约束损失： ， 其中，aphy代表由线性混合模型反演得到计算得到的理论丰度分布，apred代表深度预测得到的理论丰度分布，ai代表像元的端元丰度，Ei代表端元反射率，K代表端元数量，代表系数，KL代表KL散度； 所述基于提取的多模态特征构建动态时空图，包括以遥感像元为图节点，构建动态反映空间扩散关系和时间演化规律的动态时空图，其中，设遥感影像被划分为N个节点，每个节点地理坐标为Pi=loni,lati，节点间的欧氏距离为dij=∥pi-pj∥，根据高斯核函数定义节点i与j之间的空间相似度权重，当两节点被海岸线或岛屿地形阻隔时，通过掩膜矩阵Bij进行屏蔽，通过元素级相乘，实现对受阻节点对的屏蔽；再基于海洋动力过程计算洋流驱动权重和风场驱动权重，并将洋流与风场效应加权融合，利用历史爆发数据构建时序演化先验图谱，最后融合地理相似度、动力学驱动与历史先验三类因素，构建时刻t的动态邻接矩阵： ， 其中α,β,δ为预设权重，Ageo代表空间邻接关系矩阵，Adyn代表动力学驱动特征矩阵，Pt代表时序转移概率矩阵，对进行归一化，得到： ， 其中，Dt代表对角矩阵，输出的{At}即为动态时空图序列，作为深度时空建模的图结构先验； 所述基于物理先验和动态时空图进行自适应图卷积特征编码，包括设计在动态图上能物理可解释、时空一致、跨尺度稳健传播的特征编码器，基于地理邻近、洋流与风场投影、历史转移概率三个关系计算时间t时刻边i-j的关系向量，通过小型核生成器MLPK将关系向量映射为边的卷积核参数，在动态邻接矩阵At上进行边条件化聚合，表示为： ， 其中，σ·为非线性激活函数，At代表动态邻接矩阵，Bl为自连接变换，代表第l层的卷积核参数，通过小型核生成器MLPK生成；然后进行谱域可学习滤波和时域注意力卷积，其中，在谱域采用拉普拉斯谱滤波的多项式近似避免对拉普拉斯矩阵做特征分解，实现高阶邻域信息聚合得到谱域特征；在时域针对一个时间窗口{,…,}计算注意力式的时序表示，以捕获扩散的时滞与速度信息得到时域特征，最后谱域与时域得到的两个表示通过可学习门控γt融合： ， 其中，pool·代表全局池化操作，U代表参数矩阵，σ为sigmoid，⊙为逐元素乘法，和分别代表谱域特征和时域特征； 所述基于物理先验和动态时空图进行自适应图卷积特征编码，还包括构建多尺度传播，用于在保留像元级边界细节的同时建模区域级扩散模式，其中，应用边条件化卷积与谱—时域滤波得到细尺度表示，实现细尺度编码；把若干邻近且动力学相似的像元聚合成超节点，采用可学习的分配矩阵S，每一行si表示像元i分配到M个超节点的软系数，满足行归一化，用S聚合得到粗尺度表示与邻接；再将细尺度与粗尺度进行聚合，得到既有细节又兼顾粗尺度一致性的最终表示，训练过程中设置损失函数： ， 其中，代表第i个像元的不确定性概率参数，代表光谱形状一致性损失，代表线性混合丰度约束损失，代表预测任务损失； 所述基于物理先验和时序Transformer对多模态特征进行时序建模，包括利用物理先验引导的时序Transformer，通过在自注意力机制中显式引入光谱先验、叶绿素浓度动态特征和海洋动力学梯度约束，实现对绿潮全过程的高精度建模，其中，基于物理先验引导的自注意力机制，通过在注意力计算中显式引入叶绿素浓度估计和光谱梯度特征作为偏置项，提高对绿潮生命周期的建模能力，引入物理先验偏置Bphy，对自注意力机制进行改进： ， 其中，Bphy由叶绿素浓度差异和光谱反射率梯度两部分组成，Q、K、V分别代表查询、键和值矩阵，d代表维度，基于自适应图卷积输出的特征经过L层物理先验引导的Transformer编码后，得到时间序列的深度特征表示，最后引入基于物理先验的残差校正机制，通过线性混合模型计算预测光谱与端元混合重建光谱之间的残差： ， 其中，Rphy代表物理先验残差项，S代表预测光谱，K代表光谱波段总数，k代表物理权重系数；将残差映射回深度特征空间，进行动态修正，得到基于时序Transformer得到的特征： ， 其中，α为可学习参数，H*代表基于改进注意力得到深度特征表示，最终，模型基于时序Transformer得到的特征和自适应图卷积得到的特征进行多时相绿潮发生、发展、消亡的全过程预测； 所述通过融合自适应图卷积特征编码和时序建模结果进行海洋绿潮预测，包括融合自适应图卷积与物理先验引导的时序Transformer生成的特征向量，结合空间扩散与时序演化特征，在概率空间内联合建模,其中，自适应图卷积网络负责建模绿潮在空间上的扩散过程，物理先验引导的时序Transformer提取长时间序列上的演化规律，设自适应图卷积网络提取的空间扩散预测为，时序Transformer输出的时序预测为，则融合预测概率图Pf表示为： ， 其中，α表示自适应融合系数，σ·为Sigmoid激活函数，和分别表示图自适应卷积网络提取的特征与物理先验引导的时序Transformer生成的特征向量，通过多源结果融合，同时捕捉绿潮的局部空间扩散模式与全局时序演化趋势； 所述通过融合自适应图卷积特征编码和时序建模结果进行海洋绿潮预测，还包括引入基于预测不确定性的自适应预测校正方法，通过动态调整不同模型在高不确定性区域的贡献度，首先，分别计算自适应图卷积网络与与物理先验引导的时序Transformer在每个像素位置的预测方差，用于量化预测值在多次采样或多模型预测中的不确定性，根据不确定性自适应分配权重，最终得到自适应校正后的预测图： ， 其中，PA代表自适应图卷积网络输出的原始预测概率，PT代表物理先验引导的时序Transformer输出的原始预测概率，Pf代表融合预测概率图，wA代表图自适应卷积网络模型在最终融合预测中的权重，wT代表物理先验引导的时序Transformer模型在最终融合预测中的权重；引入绿潮风险指数，综合考虑绿潮覆盖面积、叶绿素浓度梯度和历史演化模式，实现动态风险分级与预警，其中，通过阈值θ确定绿潮覆盖掩膜M： ， 其中，Mij代表位置i,j像素点的绿潮覆盖标记，Pci,j代表融合预测概率图在像素i,j的值，定义绿潮风险指数为： ， 其中，λ1,λ2,λ3代表风险指数的加权系数，A代表绿潮覆盖面积，▽C代表叶绿素浓度梯度，H代表历史演化趋势因子。

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山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心)，其通讯地址为：264006 山东省烟台市经济开发区长江路216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。