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！

龙图腾网恭喜郑州大学申请的专利一种融合地理机制与深度时空网络的NPP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：CN119202574B 。

龙图腾网通过国家知识产权局官网在2025-05-23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：202411159115.5，技术领域涉及：G06F18/20；该发明授权一种融合地理机制与深度时空网络的NPP估算方法是由李盼乐;赫晓慧;程淅杰;乔梦佳;原晨荞;杨楠设计研发完成，并于2024-08-21向国家知识产权局提交的专利申请。

本一种融合地理机制与深度时空网络的NPP估算方法在说明书摘要公布了：本发明公开了一种融合地理机制与深度时空网络的NPP估算方法，本发明使用时空长短期记忆网络结合注意力机制，以充分提取长时间序列遥感影像的时空特征，同时使用地理探测器揭示并量化NPP的驱动机制，引导深度学习建模，并加强深度学习模型的可解释性；充分挖掘NPP的自然‑人类驱动机制并捕获了驱动因子的时空特征信息，旨在全面揭示NPP与驱动因子之间复杂的时空依赖关系，在此基础上实现大尺度复杂环境下的NPP精准估算。

本发明授权一种融合地理机制与深度时空网络的NPP估算方法在权利要求书中公布了：1.一种融合地理机制与深度时空网络的NPP估算方法，其特征在于：包括IGDS模型，所述IGDS模型包括NPP驱动机制和深度时空特征学习，通过地理探测器定量研究自然因子和人类活动对NPP驱动机制，以揭示各个因子对NPP驱动机制的解释程度，定量分析各因子在整体格局中的权重分布，构建基于时空长短期网络的时空特征编码模块有针对地提取并融合时空特征，同时引入注意力机制捕捉动态时空依赖关系；利用Conv3D层进行时空估算，以实现对NPP的高精度估算，具体步骤如下：步骤1：NPP驱动因子探测，以备使用；NPP驱动因子探测的目的是使用地理探测器挖掘不同因素对NPP变化的贡献率，构建NPP的地理先验知识，以作为后续深度学习模型中不同影响因子的权重值输入，加强深度学习模型的可解释性；步骤2：基于时空长短期网络的时空特征融合；使用时空长短期单元ST-LSTM挖掘各影响因子的时间和空间信息；使用步骤1中的不同NPP驱动因子的权重值作为输入，首先对各影响因子进行加权处理，然后使用加权的结果进行时空长短期单元ST-LSTM的处理，得到每个节点最终的隐藏状态采用时空长短期单元ST-LSTM，时空长短期单元ST-LSTM构建了双状态转移机制，所述双状态转移机制将时间状态和时空状态融合，捕捉和处理时空序列数据中的复杂时空依赖关系；步骤3：基于注意力机制的异质时空特征增强；从而得到加权特征表示：通过自注意机制生成的特征表示，强调了序列中最重要的特征；同时得到更新的隐藏状态：在序列模型中，SAU的输出会更新模型的隐藏状态，携带序列到目前为止的所有信息；通过自适应更新获得长期的时间依赖性，并通过自注意有效地提取全局的空间依赖性，以在NPP估算过程中捕获时空数据的全局时空依赖性；首先步骤1得到的各影响因子的权重值，作为步骤2的输入，进行时空长短期单元ST-LSTM处理挖掘各影像因子的时间和空间信息，时空长短期单元ST-LSTM的输出，即最终隐藏状态作为自注意单元SAU的输入；自注意单元SAU通过自注意机制，进一步分析这些特征，捕捉序列中不同时间步和空间位置之间的长距离依赖关系，计算不同特征之间的注意力权重，生成加权的特征表示，然后通过Conv3D层，实现对NPP的高精度估算；采用面向NPP估算的自注意单元SelfAttentionUnit，SAU，用于记忆空间域和时间域上具有长期依赖关系的特征，以在NPP估算过程中捕获全局时空依赖性；自注意单元接收两个输入，当前因变量的输入特征Ht和自变量特征Mt-1；步骤4：loss函数和评价指标；使用自适应矩估计adaptivemomentestimation，Adam优化器训练网络，并通过MSLE损失函数来计算真实值与估算值之间的训练损失值；精度验证标准使用决定系数R2、均方根误差RMSE和平均绝对误差MeanAbsoluteError，MAE来评估模型估算精度。

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郑州大学，其通讯地址为：450001 河南省郑州市高新技术开发区科学大道100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”。