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！

龙图腾网恭喜中国农业科学院农业资源与农业区划研究所;河南省农业科学院农业信息技术研究所申请的专利一种耦合物理模型和深度学习的作物叶面积指数估算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：CN119169071B 。

龙图腾网通过国家知识产权局官网在2025-04-08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：202411284929.1，技术领域涉及：G06T7/62；该发明授权一种耦合物理模型和深度学习的作物叶面积指数估算方法是由段四波;刘天娇;闵肖肖;吴文斌;李丹丹;孙亮;王来刚设计研发完成，并于2024-09-13向国家知识产权局提交的专利申请。

本一种耦合物理模型和深度学习的作物叶面积指数估算方法在说明书摘要公布了：本发明公开了一种耦合物理模型和深度学习的作物叶面积指数估算方法，包括以下步骤：步骤1：数据获取与预处理；步骤2：模拟Sentinel‑2通道反射率；步骤3：优选对叶面积指数敏感的光谱特征组合；步骤4：构建PROSAIL‑Transformer耦合模型估算作物叶面积指数。本发明充分利用冠层辐射传输模型PROSAIL和深度学习模型Transformer的优势，通过采用样本匹配方法选择与Sentinel‑2影像最接近的样本数据，旨在更准确地捕捉现实世界环境的变化。结合最大信息系数MIC和递归特征消除RFE的特征选择方法，识别不同作物叶面积指数估算中最敏感的光谱特征组合。利用最具代表性和准确性的数据对耦合模型进行训练，提高模型训练的效率和准确性。

本发明授权一种耦合物理模型和深度学习的作物叶面积指数估算方法在权利要求书中公布了：1.一种耦合物理模型和深度学习的作物叶面积指数估算方法，其特征在于，包括以下步骤：步骤1：数据获取与预处理在欧空局哥白尼开放获取中心获取Sentinel-2卫星遥感影像数据Level-2A；Sentinel-2卫星搭载的多光谱成像仪MSI包括13个光谱波段，空间分辨率分别为10m、20m和60m；将空间分辨率为20m和60m的波段数据重采样为10m，确保所有波段数据空间分辨率的一致性；选择波段B2，B3，B4，B5，B6，B7，B8，B8A，B11和B12进行光谱分析；利用quality_scene_classification质量标识进行云和阴影的掩膜；对Sentinel-2卫星遥感影像进行镶嵌和裁剪，获得清晰、高质量的影像；利用Sentinel-2卫星遥感影像和随机森林算法生成10m空间分辨率的作物类型产品，通过建立作物样本数据库，并构建连续的Sentinel-2时间序列，从中提取光谱和物候特征，结合作物样本数据库构建训练集，利用RF算法进行作物分类；步骤2：模拟Sentinel-2通道反射率利用冠层辐射传输模型PROSAIL模拟Sentinel-2的通道反射率；该冠层辐射传输模型融合了叶片模型PROSPECT和冠层结构模型SAIL，有效捕捉植被冠层光谱反射率与叶面积指数之间的物理关系；从Sentinel-2卫星遥感影像中提取所需的几何参数信息；采用蒙特卡洛方法生成500000个模拟样本，每个样本的参数值都在预设的范围内随机生成；利用PROSAIL模型，模拟每个样本从400nm到2500nm的光谱反射率；根据Sentinel-2的光谱响应函数，将模拟的光谱反射率转换成与其相对应的通道反射率；构建包含500000条Sentinel-2通道反射率的数据库；在样本匹配与反射率筛选阶段，针对玉米、大豆和水稻三种作物，对Sentinel-2卫星遥感影像进行采样，获得每种作物18700个具有代表性的样本点；对于每个影像样本，通过计算平方差之和S来量化Sentinel-2卫星遥感影像样本与PROSAIL模拟样本之间的反射率差异： 其中，N代表Sentinel-2卫星遥感影像原始光谱波段的总数，和分别代表第i个波段的影像反射率和模拟反射率；筛选模拟样本数据库，识别具有最小平方差之和的前50组样本；对于这50组样本，提取它们的LAI值，并计算平均值，该平均值用作对应Sentinel-2卫星遥感影像样本的估算LAI值；这个过程对所有样本点进行迭代执行，确保每个样本点都能得到准确的LAI值；步骤3：选择对叶面积指数敏感的光谱特征组合筛选25个反映植被的生理状况、覆盖度和生长状况的敏感植被指数；采用最大信息系数方法衡量各种光谱特征与叶面积指数之间的相关性，用来评估不同光谱特征对叶面积指数估算的影响；对每个光谱特征和叶面积指数进行排名转换，计算转换后数据的斯皮尔曼等级相关系数；对于每个光谱特征，生成所有可能的排列；对于每个排列，重新计算斯皮尔曼等级相关系数；MIC是所有排列中系数的最大值；MIC值的范围从0到1；对所有光谱特征重复以上步骤，评估每个光谱特征与叶面积指数之间的相关性；利用递归特征消除算法进行进一步的光谱特征选择；通过迭代训练模型并逐步淘汰对模型性能影响最小的光谱特征，识别出对叶面积指数敏感的光谱特征组合；使用RFE算法，确定对玉米、大豆和水稻叶面积指数均具有敏感性的光谱特征组合；步骤4：构建PROSAIL-Transformer耦合模型估算作物叶面积指数选择对叶面积指数敏感的光谱特征组合作为耦合点，耦合PROSAIL辐射传输机理模型和Transformer深度学习模型，构建PROSAIL-Transformer耦合模型；该PROSAIL-Transformer耦合模型结构包括五个关键层：数据层、输入嵌入层、位置编码层、多个Transformer编码层和输出层；利用Sentinel-2卫星遥感影像光谱特征组合作为输入，通过训练好的PROSAIL-Transformer耦合模型进行叶面积指数反演；每个时间点的Sentinel-2卫星遥感影像光谱特征输入到耦合模型获得相应的叶面积指数估算值，形成时间序列的Sentinel-2叶面积指数反演结果。

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农业科学院农业资源与农业区划研究所;河南省农业科学院农业信息技术研究所，其通讯地址为：100081 北京市海淀区中关村南大街12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”。