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！

龙图腾网恭喜中国林业科学研究院资源信息研究所申请的专利一种林区跨季变化检测方法、系统及计算机程序产品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：CN119180723B 。

龙图腾网通过国家知识产权局官网在2025-03-25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：202411640482.7，技术领域涉及：G06Q50/02；该发明授权一种林区跨季变化检测方法、系统及计算机程序产品是由郭颖;杨宇迪;田昕;刘清旺;柴国奇;徐恩恩;郭宇娟设计研发完成，并于2024-11-18向国家知识产权局提交的专利申请。

本一种林区跨季变化检测方法、系统及计算机程序产品在说明书摘要公布了：本发明公开了一种林区跨季变化检测方法、系统及计算机程序产品，所述方法包括：获取林区遥感时间序列数据和多时相高空间分辨率遥感影像数据；基于卷积神经网络和时间注意力机制构建林区物候及环境扰动检测模型；基于卷积神经网络和多任务学习方法构建林区植被类型变化检测模型；获得林区物候及环境扰动检测结果，据此对林区植被类型变化检测模型进行微调和再训练，获得林区跨季变化检测模型；获得林区跨季变化检测结果。本发明提供的技术方案，基于林区植被类型变化检测，整合林区物候及环境扰动变化信息，提取植被覆盖精细尺度详细变化信息，实现年内多期植被覆盖精细变化信息准确提取；基于多项指标对网络模型进行综合评估和微调完善。

本发明授权一种林区跨季变化检测方法、系统及计算机程序产品在权利要求书中公布了：1.一种林区跨季变化检测方法，其特征在于，包括以下步骤：获取林区遥感时间序列数据和多时相高空间分辨率遥感影像数据；根据遥感时间序列数据构建样本数据集，基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练，获得林区物候及环境扰动检测模型；根据多时相高空间分辨率遥感影像数据构建样本数据集，基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练，获得林区植被类型变化检测模型；将遥感时间序列数据输入林区物候及环境扰动检测模型，获得林区物候及环境扰动检测结果；根据林区物候及环境扰动检测结果，对林区植被类型变化检测模型进行微调和再训练，获得林区跨季变化检测模型；将多时相高空间分辨率遥感影像数据输入林区跨季变化检测模型，获得林区跨季变化检测结果；其中，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练包括：利用分层深度卷积网络架构作为空间编码器，通过逐级设置卷积层、ReLU激活函数和批量规范化层，结合步进卷积模块，逐层深化特征提取，提取图像的空间特征，获得沿时间轴堆叠、经空间编码处理的特征图；集成时间注意力编码器并应用时间注意力机制，为序列内各时间点的特征图分配不同的权重，实现数据集在时间维度上的高效编码，识别林区的时序动态特征；基于U-Net构建模型，利用分层步进转置卷积技术逐步提升特征图的空间分辨率，引入跳跃连接技术和注意力机制，融合特征图与时序动态特征，重构原始遥感时间序列数据的空间细节；其中，所述基于卷积神经网络和时间注意力机制构建时间序列全卷积神经网络模型并进行训练还包括：选择交叉熵损失函数处理像素级分类任务，并引入Dice损失以提升对细小目标的识别能力及平衡类别不均问题；选用Adam优化器，提高训练效率和模型收敛速度；实施学习率衰减策略，在训练初期实现快速学习，在后期保持稳定收敛；采用早停机制防止过拟合；在验证集上基于多项指标，包括精度、召回率和F1分数，对模型进行综合评估；根据综合评估结果，对网络模型进行微调；其中，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练包括：构建层次化的特征提取网络作为编码器，对高空间分辨率遥感图像数据中包含的复杂空间信息进行深度分析，融合时空注意力机制，整合时间维度的变化信息，从多时相高空间分辨率遥感影像数据中提取出综合的多尺度时空特征；基于Transformer架构构建转换器，设计时空特征整合模块，利用自注意力机制，采用针对变化检测和语义分割的多任务学习策略，细化和强化编码器输出的多尺度空间特征，识别植被覆盖随时间的变化；基于多任务处理构建解码器，对植被覆盖进行变化检测及语义分割，内嵌自注意力机制，对时空特征进行深化分析，优化特征融合过程，对基于细节丰富的特征映射进行准确分析，融合编码器输出的多尺度时空特征和转换器输出的植被覆盖随时间的变化的复合特征，对植被覆盖变化进行准确检测；其中，所述基于卷积神经网络模型和多任务学习构建多任务全卷积神经网络模型并进行训练还包括：采用融合式损失函数，融合语义分割的交叉熵损失与变化检测的二值交叉熵损失，引入可调节的权重系数，根据任务特性和复杂度动态调整权重，从而实现任务间的平衡并优化模型性能；选用具备自适应学习率特点的Adam优化器，提高训练效率和模型收敛速度；整合动态损失权重调整与学习率调度策略，协助模型在各训练阶段之间保持任务学习的均衡，优化模型整体性能；采用早停机制及模型正则化措施，预防过拟合，增强模型的泛化能力，确保训练过程的稳定；采用多项指标，包括精确度、召回率、F1分数以及总体准确率，对模型性能进行综合评估；根据综合评估结果，对网络模型进行微调。

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林业科学研究院资源信息研究所，其通讯地址为：100091 北京市海淀区东小府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”。