基于多源异构遥感数据的长时间序列碳排放空间化方法技术

本发明专利技术公开了基于多源异构遥感数据的长时间序列碳排放空间化方法，包括：获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据；根据所述目标数据，构建夜间灯光数据融合模型；根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果。本发明专利技术利用多源异构遥感数据，将DMSP

【技术实现步骤摘要】
基于多源异构遥感数据的长时间序列碳排放空间化方法


[0001]本专利技术涉及计算机
，尤其是基于多源异构遥感数据的长时间序列碳排放空间化方法。

技术介绍

[0002]传统基于IPCC温室气体清单指南的碳排放核算大多以行政区域为基础统计单元，以全球、洲际、国别等尺度为主，次国家区域、城市、区县尺度的碳排放数据相对匮乏。目前，由于不同尺度、不同部门的碳排放数据缺乏统一的空间基准，因此亟待开展系统全面的空间维度碳排放核算，破解碳排放空间分布不清、空间机理不明、空间调控能力薄弱的技术难题。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供一种准确且高效的，基于多源异构遥感数据的长时间序列碳排放空间化方法。
[0004]本专利技术实施例的一方面提供了一种基于多源异构遥感数据的长时间序列碳排放空间化方法，包括：
[0005]获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据；
[0006]根据所述目标数据，构建夜间灯光数据融合模型；
[0007]根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果。
[0008]可选地，所述获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据，包括：
[0009]获取DMSP
‑
OLS夜间灯光数据、NPP
‑
VIIRS夜间灯光数据以及基于统计数据核算的碳排放数据；
[0010]对所述年度DMSP
‑
OLS夜间灯光数据以及所述年度NPP
‑
VIIRS夜间灯光数据进行重投影、重采样与裁剪处理，得到初始数据集；
[0011]对所述初始数据集中的DMSP
‑
OLS夜间灯光数据进行相互校正，并对所述初始数据集中的NPP
‑
VIIRS夜间灯光数据进行异常值剔除；
[0012]对DMSP
‑
OLS夜间灯光数据中两种不同传感器的同一年份影像进行年内融合；
[0013]对DMSP
‑
OLS夜间灯光数据及NPP
‑
VIIRS夜间灯光数据进行时间序列校正；
[0014]对时间序列校正后的NPP
‑
VIIRS夜间灯光数据进行平滑处理后，与DMSP
‑
OLS夜间灯光数据匹配。
[0015]可选地，所述根据所述目标数据，构建夜间灯光数据融合模型，包括：
[0016]对所述时间序列校正后的DMSP
‑
OLS夜间灯光数据以及所述平滑处理后的NPP
‑
VIIRS夜间灯光数据进行分区统计，获取两类夜间灯光数据重合年份县域尺度的夜间灯光平均DN值，得到两类夜间灯光数据集；
[0017]构建两种夜间灯光数据融合模型，并根据所述夜间灯光数据融合模型得到长时间
序列连续可比较的夜间灯光数据集。
[0018]可选地，所述根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果，包括：
[0019]对所述长时间序列夜间灯光数据集进行分区统计，获取所有年份省级尺度的夜间灯光DN总值；
[0020]配置各个省份的虚拟变量，进而采用粒子群优化神经网络算法构建碳排放量与夜间灯光之间的反演模型；
[0021]提取所有年份待测地区所有网格的DN值，并根据所述反演模型确定所有年份待测地区所有网格的碳排放量。
[0022]可选地，所述对所述初始数据集中的DMSP
‑
OLS夜间灯光数据进行相互校正，并对所述初始数据集中的NPP
‑
VIIRS夜间灯光数据进行异常值剔除，包括：
[0023]选定整体社会经济和灯光DN值较为稳定的区域为不变区域，选定累积DN值最高的数据集为参考数据集，将所有年份的不变区域夜间灯光DN值与参考数据集建立PSO
‑
BP模型进行DMSP
‑
OLS数据饱和像元校正；
[0024]选定阈值对NPP
‑
VIIRS数据进行异常值剔除。
[0025]可选地，所述构建两种夜间灯光数据融合模型，并根据所述夜间灯光数据融合模型得到长时间序列连续可比较的夜间灯光数据集，包括：
[0026]构建两种夜间灯光数据融合模型，使用MATLAB软件采用粒子群算法优化BP神经网络模型，分别进行不同年份的模型运行；
[0027]选择NPP
‑
VIIRS夜间灯光数据作为输入层，选择DMSP
‑
OLS夜间灯光数据作为输出层，根据样本数据设置训练样本和测试样本；
[0028]对比不同年份的模型运行结果，选取最优模型进行融合校正。
[0029]可选地，所述配置各个省份的虚拟变量，进而采用粒子群优化神经网络算法构建碳排放量与夜间灯光之间的反演模型，包括：
[0030]利用MATLAB软件采用PSO
‑
BP算法构建碳排放量与夜间灯光之间的关联关系，选择省级灯光DN总值以及虚拟变量作为输入层，省级的二氧化碳排放作为输出层，构建碳排放量与夜间灯光之间的反演模型。
[0031]可选地，所述方法还包括：
[0032]获取部分地区的基于统计数据的实际碳排放量与构建反演模型估算的模拟碳排放量，将所述实际碳排放量与所述模拟碳排放量进行比对，对所述碳排放空间化反演模型的可靠性进行验证。
[0033]本专利技术实施例的另一方面还提供了一种基于多源异构遥感数据的长时间序列碳排放空间化装置，包括：
[0034]第一模块，用于获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据；
[0035]第二模块，用于根据所述目标数据，构建夜间灯光数据融合模型；
[0036]第三模块，用于根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果。
[0037]本专利技术实施例的另一方面还提供了一种电子设备，包括处理器以及存储器；
[0038]所述存储器用于存储程序；
[0039]所述处理器执行所述程序实现如前面所述的方法。
[0040]本专利技术实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行前面的方法。
[0041]本专利技术的实施例获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据；根据所述目标数据，构建夜间灯光数据融合模型；根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果。本专利技术利用多源异构遥感数据，将DMSP
‑
OLS夜间灯光数据与NPP
‑
VIIRS夜间灯光数据的融合，可以实现长时间序列的夜间灯光数据研究；本专利技术通过建立夜间灯光数据的碳排放空间化反演模型，可以对任意地区的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于多源异构遥感数据的长时间序列碳排放空间化方法，其特征在于，包括：获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据；根据所述目标数据，构建夜间灯光数据融合模型；根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果。2.根据权利要求1所述的基于多源异构遥感数据的长时间序列碳排放空间化方法，其特征在于，所述获取多源异构遥感数据，并对所述多源异构遥感数据进行预处理，得到目标数据，包括：获取DMSP
‑
OLS夜间灯光数据、NPP
‑
VIIRS夜间灯光数据以及基于统计数据核算的碳排放数据；对所述年度DMSP
‑
OLS夜间灯光数据以及所述年度NPP
‑
VIIRS夜间灯光数据进行重投影、重采样与裁剪处理，得到初始数据集；对所述初始数据集中的DMSP
‑
OLS夜间灯光数据进行相互校正，并对所述初始数据集中的NPP
‑
VIIRS夜间灯光数据进行异常值剔除；对DMSP
‑
OLS夜间灯光数据中两种不同传感器的同一年份影像进行年内融合；对DMSP
‑
OLS夜间灯光数据及NPP
‑
VIIRS夜间灯光数据进行时间序列校正；对时间序列校正后的NPP
‑
VIIRS夜间灯光数据进行平滑处理后，与DMSP
‑
OLS夜间灯光数据匹配。3.根据权利要求2所述的基于多源异构遥感数据的长时间序列碳排放空间化方法，其特征在于，所述根据所述目标数据，构建夜间灯光数据融合模型，包括：对所述时间序列校正后的DMSP
‑
OLS夜间灯光数据以及所述平滑处理后的NPP
‑
VIIRS夜间灯光数据进行分区统计，获取两类夜间灯光数据重合年份县域尺度的夜间灯光平均DN值，得到两类夜间灯光数据集；构建两种夜间灯光数据融合模型，并根据所述夜间灯光数据融合模型得到长时间序列连续可比较的夜间灯光数据集。4.根据权利要求3所述的基于多源异构遥感数据的长时间序列碳排放空间化方法，其特征在于，所述根据所述夜间灯光数据融合模型生成碳排放空间化模拟结果，包括：对所述长时间序列夜间灯光数据集进行分区统计，获取所有年份省级尺度的夜间灯光DN总值；配置各个省份的虚拟变量，进而采用粒子群优化神经网络算法构建碳排放量与夜间灯光之间的反演模型；提取所有年份待测地区所有网格的DN值，并根据所述反演模型确定所有年份待测地区所有网格的碳排放量。5.根据权利要求2所述的基于多源异构遥感...

【专利技术属性】
技术研发人员：王长建，林晓洁，李增，杨宇，罗宏明，刘敏，叶玉瑶，张虹鸥，金利霞，吴旗韬，龚蔚霞，李升发，
申请(专利权)人：中国科学院地理科学与资源研究所广东省土地调查规划院，
类型：发明
国别省市：