【技术实现步骤摘要】
一种大气二氧化碳干空气柱浓度计算方法及系统
[0001]本专利技术涉及大气二氧化碳干空气柱浓度(XCO2)监测
,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。
技术介绍
[0002]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。
[0003]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。
[0004]近年来,已有研究使
【技术保护点】
【技术特征摘要】
1.一种大气二氧化碳干空气柱浓度(XCO2)时空分布重构方法,其特征在于,包括以下步骤:收集研究区域内三个遥感监测的XCO2数据集(包括OCO
‑
2、OCO
‑
3、GOSAT)和区域内的环境协变量数据,并对上述数据集进行预处理;对三个遥感监测的XCO2数据集进行融合,得到XCO2融合数据集;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;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。2.根据权利要求1所述的大气二氧化碳干空气柱浓度计算方法,其特征在于,所述对三个遥感监测的XCO2数据集进行融合的步骤如下:输入:OCO
‑
2的XCO2监测数据A={a1,...,a
j
,...,a
J
};OCO
‑
3的XCO2监测数据B={b1,...,b
j
,...,b
J
};GOSAT的XCO2监测数据C={c1,...,c
j
,...,c
J
};环境协变量数据集D={d1,...,d
j
,...,d
J
};注:其中d
j
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。d
j
和a
j
、b
j
以及c
j
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a
j
、b
j
以及c
j
都有可能存在缺失值,但是不会同时缺失。输出:融合数据集E={e1,...,e
j
,...,e
J
};方法:
①
融合A和B为O:其中O={o1,...,o
j
,...,o
J
...
【专利技术属性】
技术研发人员:陈玉敏,魏阳,常政威,张凌浩,徐厚东,唐伟,刘洪利,沈军,刘雪原,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。