[发明专利]一种全局-局部建模结合的卫星CO2浓度缺失信息重建方法

说明书

本发明公开了一种全局‑局部建模结合的卫星CO2浓度缺失信息重建方法，包括构建神经网络模型，使用所有二氧化碳数据对神经网络模型进行全局训练，获得全局神经网络模型，使用单一时间二氧化碳数据对全局神经网络模型进行微调训练，获得全局‑局部建模结合的重建模型，将二氧化碳缺失数据输入至重建模型进行处理，获取重建模型输出的空间无缝的二氧化碳浓度数据等步骤。本发明中全局‑局部建模结合的重建模型首先利用全局模型构建CO2浓度数据与其他辅助数据的复杂关系，以建立变量之间的整体映射关系，而局部模型充分考虑时空异质性，能够适应局部CO2浓度重建，最终得到高精度时空连续CO2重建结果。本发明广泛应用于数据处理技术领域。

技术领域

本发明涉及数据处理技术领域，尤其是一种全局-局部建模结合的卫星CO2浓度缺失信息重建方法。

背景技术

二氧化碳(CO2)是最重要的温室气体之一。据IPCC第五次报告指出，CO2浓度已经从工业革命前1750年的278ppm(1ppm指空气中的百万分之一)增长至2011年的390.5ppm。根据最新的卫星监测CO2浓度情况，2021年12月CO2浓度已经上升至415.2ppm。有效监测大气CO2浓度，能够为我国“碳达峰、碳中和”目标提供数据支撑。

卫星遥感具备时空大范围监测优势，是当前CO2监测的常用方式之一，例如美国OCO-2/OCO-3、日本GOSAT、欧洲Sentinel-5P、中国TanSat等。这些卫星均发布了高精度的CO2产品，但由于现在的碳卫星幅宽较窄(大多数幅宽低于20km)以及反演算法受云与气溶胶的影响，现有卫星遥感CO2浓度产品常常存在大量空间缝隙，不能实现时空连续监测，如何对卫星CO2数据缺失信息进行重建亟待突破。

针对卫星CO2数据缺失信息重建，目前存在空间插值、多源遥感数据融合以及辅助因子建模等技术。其中，空间插值方式能够获得大范围连续CO2分布结果，但插值精度有待进一步提升；多源遥感数据融合能够获得较高的精度，但是仍然会有大量的数据缺失，不能实现空间全覆盖；辅助因子建模是指借助其他辅助因子，构建数据间的非线性关系进而完成数据重建的方法。

机器学习(如神经网络等)技术具有强大的非线性拟合能力，适合于表征数据之间的非线性关系，因此，基于机器学习的辅助因子建模可以很好地完成CO2浓度数据重建。但目前的机器学习通常是全局模型，具备良好的泛化能力，但对于时空异质性的考虑仍有欠缺。

发明内容

针对目前的相关技术中，使用机器学习进行CO2浓度数据重建时，受限于全局模型而欠缺对时空异质性的考虑等技术问题，本发明的目的在于提供一种全局-局部建模结合的卫星CO2浓度缺失信息重建方法。

本发明实施例包括一种全局-局部建模结合的卫星CO2浓度缺失信息重建方法，包括：

获取二氧化碳数据；

构建神经网络模型；

使用所述二氧化碳数据对所述神经网络模型进行全局训练，获得全局神经网络模型；

使用部分所述二氧化碳数据对所述全局神经网络模型进行微调训练，获得全局-局部建模结合的重建模型；

将所述二氧化碳浓度缺失数据输入至所述重建模型进行处理；

获取所述重建模型输出的空间无缝的二氧化碳浓度数据。

进一步地，在使用所述二氧化碳数据对所述神经网络模型进行全局训练之前，还包括：

将所有所述二氧化碳数据统一至相同的时空分辨率。

进一步地，所述获取二氧化碳数据，包括：

获取卫星遥感二氧化碳柱平均浓度数据、卫星遥感植被指数、二氧化碳再分析资料、二氧化碳地面站点数据和辅助数据，作为所述二氧化碳数据。