【技术实现步骤摘要】
本专利技术涉及气象数据处理，尤其涉及一种用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型。
技术介绍
1、大约90％的大气臭氧位于平流层，10％位于对流层。对流层臭氧是一种短暂的气候因素，导致全球和北极变暖。对流层臭氧受人类活动的影响很大，在过去一个世纪里稳步增加。臭氧水平升高会影响植物和人类的生理机能，并可能作为一种强效温室气体影响气候系统。极地由于特殊的地理位置和独特的环境，被称为地球的“天然实验室”，与其他地区相比，极地受人类活动的影响较小，气候变化更能反映全球气候变化趋势，因此有必要及时监测极地臭氧的变化。
2、美国宇航局aqua卫星上的airs自2002年5月起运行在太阳同步极地轨道上，是一种提供每日全球测量覆盖(一天两观测值，分别为1:30协调世界时和13:30协调世界时)的高光谱红外探测器。airs在臭氧u3波段的大气测量为估算大气臭氧柱密度提供了灵敏度，该产品为天气预报和环境监测提供了1°×1°的空间分辨率。虽然airs可以提供每日的全球测量覆盖，但由于云的存在，在时间维度上仍存在很大的空白。单日臭氧数据缺失会导致检测不完整。对于年度或季节性产品，数据缺失会导致产品值与真实值存在较大偏差，从而增加计算的不确定性和偏差。因此，提高臭氧卫星数据的时间分辨率具有现实意义。
3、随着gpu的发展，机器学习的一个分支——深度学习得到了长足的发展。在深度学习领域，卷积残差神经网络已成为通过智能融合多个观测数据集来提高空间分辨率的有力工具。深度学习使用网络通过数据驱动的方法捕捉复杂的空间结构和功
4、目前，有多种方法用于提高包括对流层臭氧在内的各种大气成分的数据分辨率。传统方法中一种常见的方法是利用来自多个来源的数据融合和混合观测来增强最终产品的时间分辨率。这种方法高度依赖于各种观测数据集，对算法的要求很高。机器学习方法为提高分辨率提供了一种替代解决方案，与传统方法相比，对数据的依赖性有所降低。常用且有效的方法包括使用随机森林和堆叠机器学习模型，它们可以有效地从输入数据中提取模式和关系以生成更高分辨率的输出。但是普通的机器学习方法，对数据的拟合程度较差，与实际情况不符合。
5、综上所述，本申请提出用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型。
技术实现思路
1、本专利技术的目的是针对
技术介绍
中存在airs卫星时间分辨率低的问题，提出一种用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型。
2、本专利技术的技术方案：用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型，包括：
3、时间场，处理跨天时间场和当天时间场的数据，以提取时间特征；
4、空间场，用于处理当前站点周围不同经纬度的臭氧浓度数据，以提取空间特征；
5、气象场，处理同高度同位置的气象条件数据，以提取气象特征；
6、去噪模块，用于加强时间场、空间场和气象场特征之间的关联性，捕捉特征交互关系，将时间场、空间场和气象场的提取到的结果输入到attention模块中进行交互；
7、线性残差神经网络模块，将去噪模块的交互结果用于进行特征回归，预测臭氧浓度。
8、可选的，所述时间场的跨天时间场为站点在同等模拟高度下前三天同时间的臭氧浓度数据，当天时间场为站点在同等模拟高度下前三小时的臭氧浓度数据。
9、可选的，所述空间场包含当前站点在同等模拟高度下，±0.25°经纬度范围内构成的九个点的臭氧浓度数据，九个点设置规则为：观测点的经纬度取0.25的倍数即小数点后两位为0.00、0.25、0.50或0.75，当预测点的经纬度不符合上述四种情况时，采用就近原则进行预测。预测点的经纬度各±0.25°构成九个点的区域[(+0.25,0,-0.25)×(+0.25,0,-0.25)]，九个点代表空间场内的臭氧值变化，能够有效避免极值问题。
10、可选的，所述去噪模块由卷积层、relu激活函数、批归一化(bn)层和残差结构组成，用于在特征提取过程中去除噪声，同时尽可能地保留时间场、空间场、气象场的数据特征。
11、可选的，所述线性残差神经网络模块由一个多头注意力层和多个残差线性块组成，通过注意力机制捕捉输入元素之间依赖关系，输出包含时间和空间气象综合影响的特征表示。
12、可选的，所述气象场处理模块处理的气象条件数据包括温度、涡旋、臭氧浓度、相对湿度、u方向风速、v方向风速和压强气象条件的数据。
13、与现有技术相比，本申请包括以下至少一种有益技术效果：
14、本专利技术的深度学习模型对数据的预测更加平稳和真实，仅依赖于再分析数据，并使用成熟稳定的era5数据，确保数据源的可靠性和连续性，方便使用。与机器学习相比，本专利技术的模型能够更好地处理复杂的关系之间的拟合，能够获得更好的效果。
15、对比传统方法，本模型对算法的要求较低，对数据质量要求较低，对数据来源要求较低。
16、对比普通的机器学习方法，本模型对数据的拟合程度较好，更平滑且更符合实际情况。
17、本专利技术的模型可以将airs卫星数据的分辨率从日级提高到小时级，大幅提高观测精度。此外利用该模型可以在小时级的时间尺度上更好地观测北极的ste现象和臭氧水平输送，可以更好地理解北极气候变化的机制。
本文档来自技高网...【技术保护点】
1.用于提升北极区域AIRS卫星臭氧廓线分辨率的深度学习模型，其特征在于，包括：
2.根据权利要求1所述的用于提升北极区域AIRS卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述时间场的跨天时间场为站点在同等模拟高度下前三天同时间的臭氧浓度数据，当天时间场为站点在同等模拟高度下前三小时的臭氧浓度数据。
3.根据权利要求1所述的用于提升北极区域AIRS卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述空间场包含当前站点在同等模拟高度下，±0.25°经纬度范围内构成的九个点的臭氧浓度数据。
4.根据权利要求1所述的用于提升北极区域AIRS卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述去噪模块由卷积层、ReLU激活函数、批归一化层和残差结构组成，用于在特征提取过程中去除噪声，同时尽可能地保留时间场、空间场、气象场的数据特征。
5.根据权利要求1所述的用于提升北极区域AIRS卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述线性残差神经网络模块由一个多头注意力层和多个残差线性块组成，通过注意力机制捕捉输入元素之间依赖关系，输出包含时间
6.根据权利要求1所述的用于提升北极区域AIRS卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述气象场处理模块处理的气象条件数据包括温度、涡旋、臭氧浓度、相对湿度、U方向风速、V方向风速和压强气象条件的数据。
...【技术特征摘要】
1.用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型，其特征在于，包括：
2.根据权利要求1所述的用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述时间场的跨天时间场为站点在同等模拟高度下前三天同时间的臭氧浓度数据，当天时间场为站点在同等模拟高度下前三小时的臭氧浓度数据。
3.根据权利要求1所述的用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型，其特征在于，所述空间场包含当前站点在同等模拟高度下，±0.25°经纬度范围内构成的九个点的臭氧浓度数据。
4.根据权利要求1所述的用于提升北极区域airs卫星臭氧廓线分辨率的深度学习模型，其特征在于，...
【专利技术属性】
技术研发人员：罗宇涵，余铠，吴凯丽，周海金，司福祺，
申请(专利权)人：中国科学院合肥物质科学研究院，
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。