【技术实现步骤摘要】
本专利技术属于环境监测，具体涉及一种国产卫星全时空连续大气甲醛解析补全方法和装置。
技术介绍
1、甲醛(hcho)是大气中一种重要的活性碳气体，其浓度水平被视为评估空气质量和监控光化学污染的关键指标。准确监测大气甲醛的时空分布对环境科学和大气化学研究至关重要。传统地面站点采样受到空间覆盖有限的约束，而新兴的卫星遥感技术为全球范围内的甲醛观测提供了新机遇。
2、超光谱卫星已具备了对大气甲醛等气体成分进行观测的能力。但是部分超光谱卫星在观测的时空分辨率和光谱精度等方面仍有待提高。由于部分超光谱卫星运行过程中会遇到观测能力、云层遮挡、大气条件波动等情况限制，卫星获取的甲醛观测数据往往存在大量缺失和不连续的问题。即使是有观测的区域，甲醛的逐日反演产品有大量的像元存在噪声和异常值。这种数据缺失不仅影响日常监测效果，也给长期数据序列的趋势分析和追根溯源应用带来了较大困扰。
3、尽管有一些方法尝试通过统计插值或数值模式模拟与同化来填补数据空缺，但这些方法通常需要额外假设或大量辅助数据，并可能无法充分捕捉复杂的大气化学过程。人为源挥发性有机物(avocs)和生物源挥发性有机物(bvocs)是甲醛的主要来源之一，甲醛的化学反应涉及复杂的热力学和动力学过程，难以完全理解和模拟。此外，在处理大规模数据集时，这些方法可能面临高计算成本和低效率的问题。
4、深度学习技术在数据处理和模式识别领域取得了显著进展，该方法已在卫星数据修复方面具有显著成效。但由于甲醛数据所处的空间为球坐标，同时当前研究对于甲醛的了解远没有二氧化
5、神经算子(no)的出现，将偏微分方程神经网络拟合提升到了新的精度。其中例如傅里叶神经算子(fno)利用傅里叶变换的特性，将线性的全局积分算子与非线性的局部激活函数相结合，以学习复杂的非线性映射关系。这种独特的结构使得在处理涉及无限维空间的问题时表现出色，尤其适用于函数空间中的操作。神经算子的能力不仅体现在学习复杂映射和结合线性与非线性方面，还包括提取和整合物理知识、强大的泛化能力以及适应新进展的潜力。它在多个科学和工程问题中展现出了卓越的能力，为深度学习技术的应用开辟了新的可能性。
技术实现思路
1、鉴于上述，本专利技术的目的是提供一种国产卫星全时空连续大气甲醛解析补全方法和装置，用半监督学习和神经算子，以解决甲醛数据缺失问题，并实现对国产超光谱卫星大气甲醛浓度全空间域分布的高精度解析，得到无缝隙的全球浓度分布。
2、为实现上述专利技术目的，实施例提供的一种国产卫星全时空连续大气甲醛解析补全方法，包括以下步骤：
3、获取国产卫星观测反演得到的甲醛浓度数据、气象数据、相关物质排放数据、以及人文地理数据，并将这些数据匹配对齐后构建地球时空信息数据；
4、将地球时空信息数据中的甲醛浓度数据进行部分随机掩码后输入至根据数据类型设计的神经算子中，经过神经算子计算对随机掩码进行甲醛浓度数据补全，并基于补全的甲醛浓度数据和观测的甲醛浓度数据之间的重建误差进行半监督学习，优化神经算子参数；
5、利用参数优化的神经算子对观测甲醛浓度数据进行解析补全，得到补全后甲醛浓度数据。
6、优选地，所述相关物质排放数据包括甲醛排放数据、与甲醛在大气中化学转化过程相互关联的其他相关物种排放数据；
7、所述人文地理数据包括人口、叶面积指数、以及地形数据。
8、优选地，所述气象数据包括温度、湿度、压强、风速。
9、优选地，所述神经算子包括依次连接的编码器、神经算子层、以及解码器，其中神经算子层采用球面傅里叶神经算子(sfno)、正交神经算子(ono)、transolver或通用神经算子变换器(gnot)。
10、优选地，所述重建误差采用均方误差、l2范数或绝对误差。
11、优选地，对神经算子进行半监督学习时，对地球时空信息数据进行粗分辨率网格的粗采样，利用粗采样的样本数据对神经算子进行学习，同时部分随机掩码区域进行常数填充，并在计算重建误差时跳过空值区域。
12、优选地，对神经算子进行半监督学习时，在利用粗采样的样本数据对神经算子进行学习之后，还对地球时空信息数据进行细分辨率网格的细采样，利用细采样的样本数据对神经算子进行学习。
13、为实现上述专利技术目的，实施例还提供了一种国产卫星全时空连续大气甲醛解析补全装置，包括：
14、数据获取及处理模块，其用于获取国产卫星观测反演得到的甲醛浓度数据、气象数据、相关物质排放数据、以及人文地理数据，并将这些数据匹配对齐后构建地球时空信息数据；
15、模型构建及训练模块，其用于将地球时空信息数据中的甲醛浓度数据进行部分随机掩码后输入至根据数据类型设计的神经算子中，经过神经算子计算对随机掩码进行甲醛浓度数据补全，并基于补全的甲醛浓度数据和观测的甲醛浓度数据之间的重建误差进行半监督学习，优化神经算子参数；
16、解析补全模块，其用于利用参数优化的神经算子对观测甲醛浓度数据进行解析补全，得到补全后甲醛浓度数据。
17、为实现上述专利技术目的，实施例还提供了一种计算设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述国产卫星全时空连续大气甲醛解析补全方法。
18、为实现上述专利技术目的，实施例还提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述国产卫星全时空连续大气甲醛解析补全方法。
19、与现有技术相比，本专利技术具有的有益效果至少包括：
20、通过在数据集中有目的地引入空缺，并利用神经算子来学习这些空缺并对其进行预测，从而在无需真实标签的情况下实现模型的训练，该过程不依赖于完整的甲醛浓度数据集，而是充分利用数据内在的结构和模式信息，以实现对数据空缺的高效、可靠预测，为环境监测、气象预报和气候变化研究提供强有力的支持。
本文档来自技高网...【技术保护点】
1.一种国产卫星全时空连续大气甲醛解析补全方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述相关物质排放数据包括甲醛排放数据、与甲醛在大气中化学转化过程相互关联的其他相关物种排放数据；
3.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述气象数据包括温度、湿度、压强、风速、位势。
4.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述神经算子模型包括依次连接的编码器、神经算子层、以及解码器，其中神经算子层采用球面傅里叶神经算子、正交神经算子、Transolver或通用神经算子变换器。
5.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述重建误差使用用均方误差、L2范数或绝对误差。
6.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，对神经算子进行半监督学习时，对地球时空信息数据进行粗分辨率网格的粗采样，利用粗采样的样本数据对神经算子模型进行学习，同时部分
7.根据权利要求6所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，对神经算子进行半监督学习时，在利用粗采样的样本数据对神经算子模型进行学习之后，还对地球时空信息数据进行细分辨率网格的细采样，利用细采样的样本数据对神经算子进行学习。
8.一种国产卫星全时空连续大气甲醛解析补全装置，其特征在于，包括：
9.一种计算设备，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，其特征在于，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-7中任一项所述的国产卫星全时空连续大气甲醛解析补全方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-7中任一项所述的国产卫星全时空连续大气甲醛解析补全方法。
...【技术特征摘要】
1.一种国产卫星全时空连续大气甲醛解析补全方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述相关物质排放数据包括甲醛排放数据、与甲醛在大气中化学转化过程相互关联的其他相关物种排放数据；
3.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述气象数据包括温度、湿度、压强、风速、位势。
4.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述神经算子模型包括依次连接的编码器、神经算子层、以及解码器，其中神经算子层采用球面傅里叶神经算子、正交神经算子、transolver或通用神经算子变换器。
5.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，所述重建误差使用用均方误差、l2范数或绝对误差。
6.根据权利要求1所述的国产卫星全时空连续大气甲醛解析补全方法，其特征在于，对神经算子进行半监...
【专利技术属性】
技术研发人员：刘诚，薛劲凯，胡启后，李启华，苏文静，侯红日，
申请(专利权)人：中国科学技术大学，
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。