一种大气二氧化碳干空气柱浓度计算方法及系统与流程

1.本发明涉及大气二氧化碳干空气柱浓度(xco2)监测技术领域，具体而言，涉及一种大气二氧化碳干空气柱浓度计算方法及系统。


背景技术：

2.利用搭载在卫星或空间站上的传感器进行遥感监测，是获取xco2时空分布的重要手段，主要包括卫星轨道碳观测2号(oco-2)，温室气体观测卫星(gosat)，以及搭载在国际空间站上的传感器轨道碳观测3号(oco-3)。oco-2和oco-3的传感器几乎完全一样，都搭载了三个高分辨率的光谱仪，分别测量位于0.76、1.61、2.06微米附近的反射太阳光光谱。gosat除了搭载对位于0.76，1.61和2.06微米的反射太阳光谱进行测量的光谱仪，还对5.56-14.3微米波段的反射太阳光光谱进行测量。
3.卫星监测的xco2在空间上相对稀疏，而使用模型模拟的方法可以对缺失部分进行填补。当前重构全面域xco2的方法有carbon tracker模型模拟，利用地面、飞艇以及卫星等监测的co2浓度，对自下而上估算的大气co2浓度就行矫正。然而，由于计算机算力的限制，模拟所得的xco2数据分辨率低，在全球尺度上通常只有3
°×2°
。同时，该方法依赖于碳排放清单，然而排放清单数据的统计、收集和修正需要较长时间，故导致当前xco2模型模拟的时空分布计算存在一定的滞后。
4.近年来，已有研究使用统计方法结合卫星监测xco2数据重构xco2时空分布，但是由于xco2的卫星监测数据在空间上的分布相对稀疏，使用克里金插值法得到的xco2的准确性相对较低。根据以往研究，机器学习重构的大气污染物时空分布，相比于克里金插值，往往具有更高的准确性。利用大气污染物与气象、海拔、土地利用类型等环境协变量之间的关联性，通过机器学习建模，重构大气污染物的全面域时空分布。同时，机器学习方法常被用于同源数据的融合应用，能很好地弥补单一数据源的局限性。
5.本发明将机器学习方法应用于多个遥感监测xco2数据集的融合，并重构xco2的全面域时空分布，克服xco2监测存在大量缺失数据的问题。


技术实现要素：

6.本发明的目的在于提供一种大气二氧化碳干空气柱浓度计算方法及系统，用以克服现有技术中xco2监测存在大量缺失数据的问题。
7.第一方面，本技术实施例提供一种大气二氧化碳干空气柱浓度计算方法，包括以下步骤：
8.收集研究区域内三个遥感监测的xco2数据集和环境协变量数据，并对上述数据集进行预处理；
9.对三个遥感监测的xco2数据集进行融合，得到xco2融合数据；
10.利用xco2融合数据和环境协变量数据，训练得到xgboost模型；
11.将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构
数据集。
12.上述实现过程中，通过收集研究区域内三个遥感监测的xco2数据集和环境协变量数据，并进行网格化和时空匹配等预处理；对三个遥感监测的xco2数据集进行融合，得到xco2融合数据；使用xco2融合数据和环境协变量数据，训练得到xgboost模型；将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。本发明对三个遥感监测的xco2数据进行融合，同时利用xco2与气象、海拔、土地利用类型、道路密度、植被归一化指数等环境协变量之间的关联性，通过机器学习建模，计算得到xco2的全面域时空分布重构数据集，克服xco2监测存在大量缺失数据的问题。
13.基于第一方面，在本发明的一些实施例中，对三个遥感监测的xco2数据集进行数据融合，得到xco2融合数据的步骤如下：
14.输入：
15.oco-2的xco2监测数据a＝｛a1，...，aj，...，aj}；
16.oco-3的xco2监测数据b＝｛b1，...，bj，...，bj}；
17.gosat的xco2监测数据c＝｛c1，
…
，cj，
…
，cj}；
18.环境协变量数据集d＝｛d1，...，dj，...，dj}；
19.注：其中dj表示所有环境协变量在j处的取值集合，而不是第j个环境协变量。dj和aj、bj以及cj在时空上是互相对应的，即是三个传感器在同一天、同一个网格的观测值。由于oco-2、oco-3和gosat数据存在不同程度的缺失，所以aj、bj以及cj都有可能存在缺失值，但是不会同时缺失。
20.输出：融合数据集e＝｛e1，...，ej，...，ej}；
21.方法：
22.①
融合a和b为o：
23.其中o＝｛o1，...，oj，...，oj}，oj＝f1(aj，bj)，其中aj，bj至少有一个为非空；
24.f1是融合函数：
[0025][0026]
②
对gosat数据集c进行线性转化：
[0027]
s＝{j|oj非空且cj非空}；
[0028]
m＝{cs|s∈s}，n＝{os|s∈s}；
[0029]
建立线性模型f3：n
←
m；
[0030]
基于f3转化cj：
[0031]
j从1到j：
[0032]
当cj非空且
[0033]c′j＝f3(cj)；
[0034]
转化后的数据集为c
′
＝｛c
′1，...，c
′j，...，c
′j}；
[0035]
③
取数据集o和数据集c
′
的并集，得到最终的xco2融合数据集e。
[0036]
基于第一方面，在本发明的一些实施例中使用xco2融合数据和环境协变量数据建立xgboost模型的步骤如下：
[0037]
将xco2融合数据作为因变量，环境协变量作为自变量，训练得到xgboost模型。
[0038]
基于第一方面，在本发明的一些实施例中，对研究区域的环境协变量数据进行预处理，包括以下步骤：
[0039]
对研究区域进行空间划分，得到1km分辨率的空间网格；
[0040]
对环境协变量数据采用空间重采样等方法，赋值到预定义的网格中；
[0041]
第二方面，本技术实施例提供一种大气二氧化碳干空气柱浓度计算系统，包括：
[0042]
数据获取模块，用于收集研究区域内三个遥感监测的xco2数据集和环境协变量数据；
[0043]
数据预处理模块，对研究区域内三个遥感监测的xco2数据集和环境协变量数据进行网格化及时空匹配等预处理，得到预处理过的数据集；
[0044]
数据融合模块，用于对三个遥感监测的xco2数据集进行数据融合，得到xco2融合数据集；
[0045]
xgboost模型建立模块，用于基于xco2融合数据和环境协变量数据训练得到xgboost模型；
[0046]
浓度计算模块，用于将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。
[0047]
上述实现过程中，通过收集研究区域内三个遥感监测的xco2数据集和环境协变量数据，并进行网格化和时空匹配等预处理；对三个遥感监测的xco2数据集进行融合，得到xco2融合数据；使用xco2融合数据和环境协变量数据，训练得到xgboost模型；将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。本发明对三个遥感监测的xco2数据进行融合，同时利用xco2与气象、海拔、土地利用类型，道路密度、植被归一化指数等环境协变量之间的关联性，通过机器学习建模，计算得到xco2的全面域时空分布重构数据集，克服xco2监测存在大量缺失数据的问题。
[0048]
本发明实施例至少具有如下优点或有益效果：
[0049]
本发明实施例提供一种大气二氧化碳干空气柱浓度计算方法及系统，通过收集研究区域内三个遥感监测的xco2数据集和环境协变量数据，并进行网格化和时空匹配等预处理；对三个遥感监测的xco2数据集进行数据融合，得到xco2融合数据；使用xco2融合数据和环境协变量数据，训练得到xgboost模型；将环境协变量数集输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。本发明对三个遥感监测的xco2数据集进行融合，同时利用xco2与气象、海拔、土地利用类型、道路密度、植被归一化指数等环境协变量之间的关联性，通过机器学习建模，计算得到xco2的全面域时空分布重构数据集，克服xco2监测存在大量缺失数据的问题。
附图说明
[0050]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这
些附图获得其他相关的附图。
[0051]
图1为本发明实施例提供的一种大气二氧化碳干空气柱浓度计算方法流程图；
[0052]
图2为本发明实施例提供的数据融合过程的示意图；
[0053]
图3为本发明实施例提供的各个遥感数据以及融合数据空间和时间构成分布的示意图；
[0054]
图4为本发明实施例提供的一种大气二氧化碳干空气柱浓度计算系统结构框图。
[0055]
图标：110-数据获取模块；120-数据预处理模块；130-数据融合模块；140-xgboost模型建立模块；150-浓度计算模块。
具体实施方式
[0056]
为使本技术实施例的目的、技术方案和优点更加清楚，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本技术一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本技术实施例的组件可以以各种不同的配置来布置和设计。
[0057]
因此，以下对在附图中提供的本技术的实施例的详细描述并非旨在限制要求保护的本技术的范围，而是仅仅表示本技术的选定实施例。基于本技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0058]
实施例
[0059]
下面结合附图，对本技术的一些实施方式作详细说明。在不冲突的情况下，下述的各个实施例及实施例中的各个特征可以相互组合。
[0060]
请参看图1-图2，图1为本发明实施例提供的一种大气二氧化碳干空气柱浓度计算方法流程图，图2为本发明实施例提供的数据融合过程的示意图。该大气二氧化碳干空气柱浓度计算方法，包括以下步骤：
[0061]
步骤s110：收集研究区域内遥感监测xco2数据和环境协变量数据。上述xco2数据包括三个遥感监测的xco2数据集，包括来自卫星轨道碳观测2号(oco-2)的xco2数据，来自温室气体观测卫星(gosat)的xco2数据，以及来自搭载在国际空间站上的传感器轨道碳观测3号(oco-3)的xco2数据。上述数据集包括气象、人口密度、行星边界层高度、土地利用类型、归一化植被指数、海拔、道路信息等。其中，气象数据来自欧洲中期天气预报中心，土地利用类型数据来自欧洲航天局气候变化研究所，海拔数据来自航天飞机雷达地形任务，人口密度数据来自网格化的世界人口。
[0062]
对研究区域的环境协变量数据进行预处理。上述进行预处理是通过网格化和时空匹配等方法将环境协变量数据处理至预定义的1km网格中，用于机器学习模型的训练和计算，该数据集通常包括数十至上百个变量。具体包括以下步骤：
[0063]
首先，对研究区域进行空间划分，得到1km分辨率的空间网格。
[0064]
然后，对环境协变量数据采用网格化和时空匹配等方法赋值至预定义的1km网格中，得到预处理过的环境协变量数据集。
[0065]
步骤s120：对三个遥感监测的xco2数据集进行数据融合，得到xco2融合数据，步骤如下：
[0066]
输入：
[0067]
oco-2的xco2监测数据a＝{a1，...，aj，...，aj}；
[0068]
oco-3的xco2监测数据b＝{b1，...，bj，...，bj}；
[0069]
gosat的xco2监测数据c＝{c1，
…
，cj，
…
，cj}；
[0070]
环境协变量数据集d＝{d1，...，dj，...，dj}；
[0071]
注：其中dj表示所有环境协变量在j处的取值集合，而不是第j个环境协变量。dj和aj、bj以及cj在时空上是互相对应的，即是三个传感器在同一天、同一个网格的观测值。由于oco-2、oco-3和gosat数据存在不同程度的缺失，所以aj、bj以及cj都有可能存在缺失值，但是不会同时缺失。
[0072]
输出：融合数据集e＝{e1，...，ej，...，ej}；
[0073]
方法：
[0074]
①
融合a和b为o：
[0075]
其中o＝{o1，...，oj，...，oj}，oj＝f1(aj，bj)，其中aj，bj至少有一个为非空；
[0076]
f1是融合函数：
[0077][0078]
②
对gosat数据集c进行线性转化：
[0079]
s＝{j|oj非空且cj非空}；
[0080]
m＝{cs|s∈s}，n＝{os|s∈s}；
[0081]
建立线性模型f3：n
←
m；
[0082]
基于f3转化cj：
[0083]
j从1到j：
[0084]
当cj非空且
[0085]c′j＝f3(cj)；
[0086]
转化后的数据集为c
′
＝{c
′1，...，c
′j，...，c
′j}；
[0087]
③
取数据集o和数据集c
′
的并集，得到最终的xco2融合数据集e。
[0088]
步骤s130：使用xco2融合数据作为因变量，环境协变量作为自变量，训练得到基于xgboost算法的机器学习模型；
[0089]
步骤s140：将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。
[0090]
上述实现过程中，通过收集研究区域内三个遥感监测的xco2数据集和环境协变量数据，并进行网格化和时空匹配等预处理；对三个遥感监测的xco2数据集进行融合，得到xco2融合数据；使用xco2融合数据和环境协变量数据，训练得到xgboost模型；将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。本发明对三个遥感监测的xco2数据集进行融合，同时利用xco2与气象、海拔、土地利用类型、道路密度、植被归一化指数等环境协变量之间的关联性，通过机器学习建模，计算得到xco2的全面域时空
分布重构数据集。
[0091]
请参看图3，图3为本发明实施例提供的数据融合过程的示意图，横轴表示空间，纵轴表示时间。在示意图中，c＝g+s表示gosat监测的xco2数据集，在整个时间区间p均有数据；o＝t+s表示oco(oco-2和oco-3)监测的xco2数据集，仅在时间区间p1存在数据。在p1时间区间，gosat监测的xco2和oco监测的xco2均有数据点分布。由于卫星和空间站的轨道以及不利气象条件等原因，日尺度的卫星数据在空间上存在缺失，oco监测的xco2仅覆盖o这一时空区间，而gosat监测的xco2在p时间段仅覆盖c这一时空区间，两者在空间上重合的部分即s时空区间。将s时空区间内的gosat监测值和oco监测值进行线性拟合，以gosat监测值为自变量，以oco监测值为因变量，建立线性模型。利用该线性模型，将g部分的gosat监测值转化为oco监测值，从而使oco监测值近似覆盖g空间区间，其时间区间覆盖整个p时段，实现多个xco2监测数据的融合。
[0092]
基于同样的发明构思，本发明还提出一种大气二氧化碳干空气柱浓度计算系统，请参看图4，图4为本发明实施例提供的一种大气二氧化碳干空气柱浓度计算系统结构框图。该大气二氧化碳干空气柱浓度计算系统包括：
[0093]
数据获取模块110，用于收集研究区域内三个遥感监测的xco2数据集和环境协变量数据；
[0094]
数据预处理模块120，用于对研究区域内的xco2数据和环境协变量数据进行预处理，得到预处理过的xco2数据集和环境协变量数据集；
[0095]
xgboost模型建立模块140，用于基于xco2融合数据和环境协变量数据建立xgboost模型；
[0096]
浓度计算模块150，用于将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。
[0097]
上述实现过程中，通过收集研究区域内三个遥感监测的xco2数据集和环境协变量数据，并进行网格化和时空匹配等预处理；对三个遥感监测的xco2数据集进行融合，得到xco2融合数据；使用xco2融合数据和环境协变量数据，训练得到xgboost模型；将环境协变量数据输入到xgboost模型中，计算得到xco2的全面域时空分布重构数据集。本发明对三个遥感监测的xco2数据进行融合，同时利用xco2与气象、海拔、土地利用类型、道路密度、植被归一化指数等环境协变量之间的关联性，通过机器学习建模，计算得到xco2的全面域时空分布重构数据集。
[0098]
以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。
[0099]
对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本技术内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。