【技术实现步骤摘要】
本专利技术涉及环境监测和遥感，具体涉及一种xco2时空分布高分辨率重构方法及相关产品。
技术介绍
1、近年来，随着全球气候变化问题的日益严重，研究发现二氧化碳(co2)是主要的温室气体之一，其浓度变化直接影响着全球气候系统的稳定性和可持续性。因此，如何准确地监测和预测大气中co2的时空分布，成为了关注的焦点。传统的地面监测站点由于覆盖范围有限、设备成本高，难以全面反映大范围内的co2浓度变化，尤其是在复杂地形区域。
2、卫星遥感技术凭借其覆盖范围广、时空分辨率高的优势，逐渐成为大气co2监测的重要手段。目前已有多颗卫星，如gosat(温室气体观测卫星)、oco-2和oco-3(轨道碳观测卫星)能够提供大气co2柱平均干空气摩尔分数(xco2)的观测数据。然而，这些卫星数据受限于气象条件、气溶胶和地表反射率等因素的影响，常存在大量非随机缺失数据，导致难以获得指定区域的全覆盖xco2数据集，从而无法获得精确的xco2时空分布。
技术实现思路
1、本专利技术所要解决的技术问题是如何提高xco2浓度时空分布的重构精度和分辨率，目的在于提供一种xco2时空分布高分辨率重构方法及相关产品，实现了利用深度学习模型充分挖掘卫星数据的时空信息，生成高精度、高分辨率的xco2浓度时空分布图。
2、本专利技术通过下述技术方案实现：
3、一种xco2时空分布高分辨率重构方法，包括：
4、获取oco-2卫星观测数据和oco-3卫星观测数据，并将其合并获得oco
5、获取gosat卫星观测数据，并将gosat卫星观测数据与oco数据集融合，获得xco2数据集；将xco2数据集划分为xco2训练数据集和xco2验证数据集；
6、确定与xco2分布相关的环境协变量，并获取xco2数据集对应的环境协变量数据；
7、构建wavelet_resnet-lstm模型，并将xco2训练数据集中的数据作为因变量，环境协变量数据作为自变量，对wavelet_resnet-lstm模型进行训练；
8、获取实时环境协变量数据，并将实时协变量数据输入至训练完成的wavelet_resnet-lstm模型，获得相应的xco2浓度预测值；
9、根据输出的xco2浓度预测值，生成xco2时空分布图。
10、具体地，通过双线性内插法对oco-2卫星观测数据、oco-3卫星观测数据、gosat卫星观测数据进行空间重采样，并将原始分辨率采样至0.01°×0.01°网格。
11、可选地，获得oco数据集的方法包括：
12、对齐oco-2卫星观测数据和oco-3卫星观测数据的观测时间，并对oco-2卫星观测数据和oco-3卫星观测数据进行归一化处理；
13、将归一化后的oco-2卫星观测数据和oco-3卫星观测数据转换至同一坐标系，并进行空间匹配；
14、若同一地理网格中仅存在oco-2卫星观测数据或oco-3卫星观测数据，则将oco-2卫星观测数据或oco-3卫星观测数据作为该地理网格的xco2浓度值；
15、若同一地理网格中同时存在oco-2卫星观测数据和oco-3卫星观测数据，则计算oco-2卫星观测数据和oco-3卫星观测数据的加权平均值，并将加权平均值作为该地理网格的xco2浓度值；
16、获得所有地理网格的xco2浓度值，并组合为oco数据集。
17、可选地，xc02数据集的获得方法包括：
18、建立线性模型ocopred＝α+β·gosat，其中，gosat为gosat卫星观测数据，ocopred为oco预测数据，α和β为通过最小二乘法估计的线性模型参数；
19、对齐gosat卫星观测数据和occ数据集的观测时间；并将gosat卫星观测数据转换至与oco数据集相同的坐标系；
20、通过线性模型和gosat卫星观测数据预测所有地理网格的oco预测数据；
21、对oco预测数据和oco数据集进行加权平均，获得xco2数据集。
22、具体地，所述环境协变量数据包括气象数据、海拔数据、归一化植被指数、人口密度数据、山地利用类型数据、对应区域经济数据。
23、可选地，构建的wavelet_resnet-lstm模型包括：输入层、wavelet分析层、resnet网络结构、lstm网络结构和全连接层；
24、对wavelet_resnet-lstm模型进行训练的方法包括：
25、将环境协变量数据和xco2训练数据集输入至wavelet_resnet-lstm模型的输入层；
26、通过wavelet分析层对输入的数据进行小波分解，提取多尺度特征；
27、通过resnet网络结构对多尺度特征进行卷积操作，提取高维空间特征；
28、通过lstm网络结构对高维空间特征进行时间序列处理，提取时间动态特征；
29、通过全连接层将wavelet分析层提取的多尺度特征、resnet网络结构提取的高维空间特征和lstm网络结构提取的时间动态特征进行融合，并输出预测的xc02浓度。
30、具体地，对输入信号f(t)进行离散小波变换，获得输入信号在尺度j和位置k对应的小波系数cj，k，其中，ψj，k(t)为尺度j和位置k的小波基函数；
31、获得多尺度特征其中，j为离散小波变换的最大尺度等级；
32、确定resnet网络结构中残差块的残差函数f(x，{wm})＝σ(w2·σ(w1·x+b1)+b2)，其中，x为残差块的输入，w1为第一层卷积操作的卷积核，w2为第二层卷积操作的卷积核，b1和b2为偏置，σ为非线性激活函数，wm为第m个卷积核；
33、确定resnet网络结构中残差块的结构：y＝f(x，{wm})+x+w；
34、获得高维空间特征y＝σ(w2·σ(w1·x+b1)+b2)+x+w。
35、具体地，构建lstm网络结构，其中，it为输入门，ft为遗忘门，ot为输出门，gt为候选状态，ct为记忆细胞，ht为隐藏状态，yt为高维空间特征在每个时间步的输入，wi、wf、wo和wg为权重矩阵，bi、bf、bo和bg为偏置，σs为sigmoid激活函数，tanh为双曲正切激活函数，⊙为hadamard乘积。
36、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的xco2时空分布高分辨率重构方法。
37、一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现如上所述的xco2时空分布高分辨率重构方法。
38、本专利技术与现有技术相比，具有如下的优点和有益效果：
39、本专利技术提出了一种基于wavelet_resnet-lstm模型的xco2时空分布高分辨率重构方法，首本文档来自技高网...
【技术保护点】
1.一种XCO2时空分布高分辨率重构方法，其特征在于，包括：
2.根据权利要求1所述的一种XCO2时空分布高分辨率重构方法，其特征在于，通过双线性内插法对OCO-2卫星观测数据、OCO-3卫星观测数据、GOSAT卫星观测数据进行空间重采样，并将原始分辨率采样至0.01°×0.01°网格。
3.根据权利要求1所述的一种XCO2时空分布高分辨率重构方法，其特征在于，获得OCO数据集的方法包括：
4.根据权利要求1所述的一种XCO2时空分布高分辨率重构方法，其特征在于，XCO2数据集的获得方法包括：
5.根据权利要求1所述的一种XCO2时空分布高分辨率重构方法，其特征在于，所述环境协变量数据包括气象数据、海拔数据、归一化植被指数、人口密度数据、山地利用类型数据、对应区域经济数据。
6.根据权利要求1所述的一种XCO2时空分布高分辨率重构方法，其特征在于，构建的Wavelet_ResNet-LSTM模型包括：输入层、Wavelet分析层、ResNet网络结构、LSTM网络结构和全连接层；
7.根据权利要求6所述的一种
8.根据权利要求6所述的一种XCO2时空分布高分辨率重构方法，其特征在于，构建LSTM网络结构，其中，it为输入门，ft为遗忘门，ot为输出门，ht为候选状态，ct为记忆细胞，ht为隐藏状态，yt为高维空间特征在每个时间步的输入，Wi、Wf、Wo和Wg为权重矩阵，bi、bf、bo和bg为偏置，σS为Sigmoid激活函数，tanh为双曲正切激活函数，⊙为Hadamard乘积。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的XCO2时空分布高分辨率重构方法。
10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现如权利要求1-8中任意一项所述的XCO2时空分布高分辨率重构方法。
...【技术特征摘要】
1.一种xco2时空分布高分辨率重构方法，其特征在于，包括：
2.根据权利要求1所述的一种xco2时空分布高分辨率重构方法，其特征在于，通过双线性内插法对oco-2卫星观测数据、oco-3卫星观测数据、gosat卫星观测数据进行空间重采样，并将原始分辨率采样至0.01°×0.01°网格。
3.根据权利要求1所述的一种xco2时空分布高分辨率重构方法，其特征在于，获得oco数据集的方法包括：
4.根据权利要求1所述的一种xco2时空分布高分辨率重构方法，其特征在于，xco2数据集的获得方法包括：
5.根据权利要求1所述的一种xco2时空分布高分辨率重构方法，其特征在于，所述环境协变量数据包括气象数据、海拔数据、归一化植被指数、人口密度数据、山地利用类型数据、对应区域经济数据。
6.根据权利要求1所述的一种xco2时空分布高分辨率重构方法，其特征在于，构建的wavelet_resnet-lstm模型包括：输入层、wavelet分析层、resnet网络结构、lstm网络结构和全连接层；
7...
【专利技术属性】
技术研发人员：张涵，常政威，江霞，魏阳，江栗，张艺缤，陈玉敏，马生贵，陈玲钰，朱锐，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。