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！

龙图腾网获悉中国海洋大学申请的专利一种基于时空约束扩散模型的卫星海温重构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：CN121685698B 。

龙图腾网通过国家知识产权局官网在2026-05-01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：202610162127.6，技术领域涉及：G06T11/40；该发明授权一种基于时空约束扩散模型的卫星海温重构方法是由王苏阳;于方杰;陈戈设计研发完成，并于2026-02-05向国家知识产权局提交的专利申请。

本一种基于时空约束扩散模型的卫星海温重构方法在说明书摘要公布了：本发明涉及卫星遥感图像处理与气象大数据分析技术领域，具体为一种基于时空约束扩散模型的卫星海温重构方法，首先获取全球海域内带有缺失的HimawariL3级卫星数据和OSTIAL4级全球数据；然后将缺失的HimawariL3级卫星数据和OSTIAL4级全球数据进行预处理，得到若干切片数据；最后将预处理后的若干切片数据输入训练好的时空约束扩散模型，时空约束扩散模型通过权重文件对若干切片数据进行重构；将重构后的若干切片数据进行纹理增强和大尺度重构优化，得到全海域完整的重构数据。本发明显著改善了卫星SST在连续大范围云遮挡下的纹理还原度与物理一致性精度。

本发明授权一种基于时空约束扩散模型的卫星海温重构方法在权利要求书中公布了：1.一种基于时空约束扩散模型的卫星海温重构方法，其特征在于，包括以下步骤： 步骤一，获取全球海域内带有缺失的HimawariL3级卫星数据和OSTIAL4级全球数据； 步骤二，将缺失的HimawariL3级卫星数据和OSTIAL4级全球数据进行预处理，得到若干切片数据； 步骤三，将预处理后的若干切片数据输入训练好的时空约束扩散模型，时空约束扩散模型通过权重文件对若干切片数据进行重构；将重构后的若干切片数据进行纹理增强和大尺度重构优化，得到全海域完整的重构数据； 步骤三中，时空约束扩散模型的构建与训练过程为： 步骤31，多源数据获取； 步骤32：对多源数据进行切片处理； 步骤33：构建时空约束扩散模型，并训练；得到权重文件；权重文件用于对缺失的HimawariL3级卫星数据进行重构； 步骤33中，时空约束扩散模型构建过程为： 步骤331，首先对多源数据进行线性归一化，然后进行数据增强； 线性归一化：将原始海温值映射至区间： 其中，：归一化后的多源数据数值； ：原始多源数据物理值； ：多源数据下限值，取8.0； ：多源数据上限值，取34.0； 数据增强：对切片执行随机水平翻转和垂直翻转； 步骤332，提取切片文件名中日期对应的多维物理时间特征向量； 步骤333，对HimawariL3级卫星数据进行前向加噪，获得待去噪的HimawariL3级卫星数据； 采用余弦噪声进度表进行加噪：对于给定的HimawariL3级卫星数据的真值图像，在第个步长的加噪结果，计算为： 其中，：归一化后的HimawariL3级卫星数据的真值图像； 时刻生成的含噪潜变量； ：表示高斯分布； ：由余弦进度表定义的噪声缩放系数； 为其累乘结果； ：单位矩阵，代表标准正态分布噪声； 步骤334，将待去噪的HimawariL3级卫星数据与作为背景场约束条件的OSTIAL4级全球数据在通道维度执行级联操作，进行去噪，同时预测噪声分布； 待去噪的HimawariL3级卫星数据设定为，OSTIAL4级全球数据设定为，通过公式3-1从噪声中预测 其中，：改进型UNet模型学习的反向生成过程的概率分布； ：去噪过程前一时刻的重构图像潜变量； ：扩散步数； ：当前时刻的含噪图像潜变量； ：由OSTIA数据提供的全覆盖背景场约束条件； ：包含日期和年份偏移的物理时间特征向量； ：表示高斯分布； ：由改进型UNet模型预测的高斯分布均值，代表重构图像的期望值； ：由改进型UNet模型预测的高斯分布方差，代表重构过程的不确定性； 步骤335，通过训练对比预测噪声与真实噪声的差异，识别出HimawariL3级卫星数据中的真实像素与纹理，构建出时空约束扩散模型； HimawariL3级卫星数据中的真实像素与纹理的识别通过损失函数公式3-2实现： 其中，：训练损失值； ：表示对训练数据、从标准正态分布中采样的随机噪声以及随机采样的扩散步数求联合分布的期望值； ：标准正态分布中采样的真实噪声； ：改进型UNet预测的噪声残差； ：时刻的含噪图像； ：OSTIA背景条件引导； time：综合了扩散步数与季节信息的嵌入向量； 步骤334中，去噪采用改进型UNet架构，改进型UNet架构包括ConvNeXtV2模块、带MemoryKV的线性注意力模块、时间双嵌入层； ConvNeXtV2模块，在每个ResBlock中采用全局响应归一化GRN机制： 其中，：输入特征图，维度为； ：特征图在空间维度上的范数，代表通道强度； ：归一化后的响应值，反映通道间的竞争地位； ：通道总数；：防止除以零的极小常数； ：逐元素相乘； ：可学习的缩放与平移参数，其中，和分别初始化为0，使得模块在训练初期表现为恒等映射； 带MemoryKV的线性注意力模块，通过公式1进行特征提取，将复杂度从降低到； 1 其中，加入MemoryKV以学习全局物理先验： 其中，：查询矩阵，代表当前需要重构的像素特征； ：键矩阵和值矩阵，代表空间上下文； ：MemoryKV，即模型中预设的可学习静态参数，用于存储全局海温分布先验； ：对矩阵列进行Softmax归一化； ：对矩阵行进行Softmax归一化； ：矩阵转置算子； 时间双嵌入层，将NPZ文件命名中的日期，通过公式2、3进行编码，并利用全局MLP进行特征适配； 2 3 其中，：位置编码； ：通过使用不同频率的正余弦波，将时间映射到多维空间； ：物理时间信号； ：嵌入向量的总维度； ：维度索引； ：控制波长的基数。

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海洋大学，其通讯地址为：266101 山东省青岛市崂山区松岭路238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。