[发明专利]基于机器学习的二氧化碳柱浓度时空序列调整方法

说明书

本发明公开了一种基于机器学习的二氧化碳柱浓度时空序列调整方法。首先通过经验贝叶斯克里金插值(EBK)理论，完成空间性质上的离散数据点到面的转换，得到空间拟合值结果。其次，构建时间参数库，通过反向统计卫星年度XCO₂规律，并采用特定公式对单个像素有效值位于10到12个月份的卫星数据进行拟合，将获得到的参数放入到参数库中，并标注其时间参数库中对应的点位信息；接着采用迁移学习TCA技术将空间拟合值结果和步骤S2对应点位的拟合值进行匹配以及将得到的时间参数库中的参数分配到全局研究区各个点位。最后，以各个点位为基本单位，将被分配到的参数带入到特定的公式并再次进行拟合，其拟合结果即为时空调整后的数据产品。

技术领域

本发明涉及大气遥感领域，尤其涉及一种基于机器学习的二氧化碳柱浓度时空序列调整方法，进而对温室气体卫星观测中数据空白区域的填充。

背景技术

由于全球主要温室气体排放的快速增加，温室效应正在加剧影响地球生态系统健康和经济繁荣。自上世纪工业革命以来，全球二氧化碳浓度已从工业化时代之前的278ppm上升到2020年的410ppm。大气中二氧化碳浓度的增加已经引起了全球气候变化，并产生了一系列的社会影响。因此，科学界已经投入了巨大的努力，通过实际测量和先进的建模工具来理解碳循环机制。燃烧化石燃料和改变土地使用是温室气体主要的人为源，而森林和海洋是主要的汇。因此，科学界正在寻求对二氧化碳时空分布的准确认识，以促进对碳循环的深入认知。主动和被动测量技术都被用于量化全球二氧化碳。主动CO₂浓度检测的原理是积分路径差分吸收，它以两束激光作为光源，测量激光传输路径中的CO₂的吸收，利用差分吸收计算CO₂浓度。

目前卫星上有一套成熟的被动遥感仪器，用来测量地球表面反射的太阳光光谱。这些光谱用于检索平均二氧化碳柱浓度(XCO₂)(例如，GOSAT、GOSAT-2、OCO-2、OCO-3和碳卫星等)。然而，云层和气溶胶会对二氧化碳信号产生光谱干扰，同时由于卫星观测机制也带来了轨道间的数据空白。因此，XCO₂反演的产品数量较少，数据可用率低，从而限制了这些有价值的卫星数据的应用。因此，我们提出本发明，进而利用卫星数据获取高时空分辨率的XCO₂地图。

发明内容

本发明要解决的技术问题在于填补被动探测温室气体卫星的数据空缺，为各地区二氧化碳浓度的研究提供高质量的数据支持。

本发明解决其技术问题所采用的技术方案是：

本发明提供一种基于机器学习的二氧化碳柱浓度时空序列调整方法，该方法包括以下步骤：

步骤S1，对空间性质上的离散数据点进行插值，得到空间拟合值结果；

步骤S2，构建时间参数库，通过反向统计卫星年度XCO₂规律，并对单个像素有效值10到12个月份的卫星数据进行拟合，将获得到的参数放入到参数库中，并标注其时间参数库中对应的点位信息；

步骤S3，将步骤S1的空间拟合值结果和步骤S2对应点位的拟合值进行匹配，将步骤S2得到的时间参数库中的参数分配到全局研究区各个点位；

步骤S4，以各个点位为基本单位，将被分配到的参数再次进行拟合，其拟合结果即为时空调整后的数据产品。

进一步的，步骤S1中通过经验贝叶斯克里金插值方法对空间性质上的离散数据点进行插值。

进一步的，步骤S2中时间参数库构建的具体方法如下；

首先统计有效月份个数超过10到12个的原始卫星观测数据的网格点位，然后采用下面特定的公式进行拟合，并将拟合的参数b和c存放到参数库中，且入选参数库的点位信息被标注，其拟合的特定公式为：