1.一种基于机器学习的二氧化碳柱浓度时空序列调整方法,其特征在于,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大于m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。
2.如权利要求1所述一种基于机器学习的二氧化碳柱浓度时空序列填补技术,其特征在于: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。
3.如权利要求1所述一种基于机器学习的二氧化碳柱浓度时空序列调整方法,其特征在于:步骤s2中时间参数库构建的具体方法如下;
首先统计有效月份为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:
其中,公式(1)中,f(t)为拟合后的12个月份数据,a为年平均xco2,b和c为季节分量系数,d为年际分量系数,f为采样频率,t为采样间隔,其中参数库中包含参数b和c。
4.如权利要求1所述一种基于机器学习的二氧化碳柱浓度时空序列调整方法,其特征在于:步骤s3中采用迁移学习tca技术将步骤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,源数据为步骤s1整个研究区的空间拟合值,目标数据为步骤s2中被标注点位的拟合值。
5.如权利要求3所述一种基于机器学习的二氧化碳柱浓度时空序列调整方法,其特征在于:步骤s4的具体实现方式为;
将各个点位被分配到的参数,即步骤s3中被分配的参数b和c,带入到公式(1)再次进行拟合,其拟合结果即为时空调整后的数据产品。