【技术实现步骤摘要】
一种CO2时空分布重构方法及系统
[0001]本专利技术涉及环境监测
,具体而言,涉及一种CO2时空分布重构方法及系统。
技术介绍
[0002]目前,重构CO2时空分布的机器学习方法主要包括神经网络(ANN)、极限梯度推进机 (XGBOOST)和光梯度推进机(Light
‑
GBM)等。利用机器学习重构CO2时空分布的技术建模中,因变量为CO2卫星遥感数据,自变量主要包括:土地利用类型、归一化植被指数、气象条件、人口、海拔、道路信息以及CO2排放清单等。现有技术在对CO2时空分布进行重构时缺少相关数据信息的支撑,导致了CO2重构过程中出现较大偏差;同时,由于CO2卫星在获取数据时易受到外界条件干扰,获取的卫星遥感数据样本量少且存在采样偏差,导致对于 CO2卫星数据稀缺的区域存在一定的低值高估问题,而对于高植被覆盖率、高海拔工业区的 CO2浓度存在一定的高值低估问题。
[0003]针对上述问题,已有部分现有技术对NO2的卫星遥感数据(TROPOMI
‑
NO2)进行采样及时空插值,并将其作为自变量加入到模型中来进行CO2的时空分布重构。但是,TROPOMI
‑ꢀ
NO2原始数据的覆盖率和时空分辨率难以满足CO2高分辨率时空分布重构的需求;而时空克里金插值所重构的TROPOMI
‑
NO2结果存在较大偏差,也会降低CO2时空重构结果的准确性。
[0004]有鉴于此,特提出本申请。
技术实现思路
[0005]本专利技术所要 ...
【技术保护点】
【技术特征摘要】
1.一种CO2时空分布重构方法,其特征在于,包括以下步骤:S1:建立环境数据库,所述环境数据库包括:TROPOMI
‑
NO2卫星遥感数据、CO2卫星遥感数据和与环境相关的基础数据;S2:建立多输出深度神经网络模型;S3:利用所述TROPOMI
‑
NO2卫星遥感数据和所述与环境相关的基础数据对所述多输出深度神经网络模型进行初始训练;S4:利用所述CO2卫星遥感数据和所述与环境相关的基础数据对经过所述初始训练后的多输出深度神经网络模型进行二次训练;S5:利用所述与环境相关的基础数据和经过所述二次训练后的多输出深度神经网络模型对CO2时空分布进行预测,得到CO2时空分布重构结果。2.根据权利要求1所述的一种CO2时空分布重构方法,其特征在于,所述与环境相关的基础数据包括:CO2排放数据、人口密度数据、海拔高程数据、土地利用数据、归一化植被指数和气象数据;所述气象数据包括:地表温度、地表气压、风速、风向、相对湿度和行星边界层高度。3.根据权利要求2所述的一种CO2时空分布重构方法,其特征在于,所述S2之前包括:S11:对所述环境数据库中的所有数据进行1km网格化处理和标准化处理;S12:将经过所述S11处理后的含有TROPOMI
‑
NO2卫星遥感数据的网格分为初始训练集和初始测试集,将经过所述S11处理后的含有CO2卫星遥感数据的网格分为二次训练集和二次测试集。4.根据权利要求3所述的一种CO2时空分布重构方法,其特征在于,所述S2包括以下步骤:建立第一深度神经网络模型和第二深度神经网络模型,所述第一深度神经网络模型和所述第二深度神经模型具有相同的模型结构,包括:Dense层、Batch Normalization层、激活函数和Dropout层;建立所述第一深度神经网络模型和所述第二深度神经网络模型的各层之间对应的数据传输链,所述数据传输链的方向为从所述第一深度神经网络模型到所述第二深度神经网络模型;将所述第一深度神经网络模型的输入端和所述第二深度神经网络模型的输入端与自编码器的输出端连接。5.根据权利要求4所述的一种CO2时空分布重构方法,其特征在于,所述S3包括以下步骤:S31:将所述与环境相关的基础数据作为自变量,将所述初始训练集作为因变量输入所述多输出深度神经网络模型;S32:利用所述第一深度神经网络模型对所述与环境相关的基础数据和所述初始训练集进行深度学习,拟合出所述与环境相关的基础数据与所述TROPOMI
‑
NO2卫星遥感数据之间的初始的非线性关系,并将所述第一深度神经网络的每一层的拟合结果发送给所述第二深度神经网络的对应层;S33:利用所述第二深度神经网络模型对所述与环境相关的基础数据、所述初始训练集和来自所述第一深度神经网络模型的数据进行深度学习,拟合出所述与环境相关的基础数
据与所述TROPOMI
...
【专利技术属性】
技术研发人员:徐厚东,陈玉敏,李赋欣,唐伟,张凌浩,魏阳,刘洪利,刘雪原,庞博,赵瑞祥,
申请(专利权)人:国网四川省电力公司电力科学研究院,
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。