一种大气二氧化碳干空气柱浓度计算方法及系统技术方案

本发明专利技术提出一种大气二氧化碳干空气柱浓度计算方法及系统，涉及大气二氧化碳(CO2)监测技术领域。具体步骤如下，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，并进行网格化及时空匹配等预处理；利用环境协变量，对这三个XCO2数据集进行融合，得到XCO2融合数据；将XCO2融合数据作为因变量，环境协变量作为自变量，建立基于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。本发明专利技术融合三个遥感监测的XCO2数据集，并利用机器学习模型重构XCO2的全面域时空分布，为“双碳行动”的碳核算提供支撑。的碳核算提供支撑。的碳核算提供支撑。

【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。
[0005]本专利技术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。

技术实现思路

[0006]本专利技术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。
[0007]第一方面，本申请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：
[0008]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；
[0009]对三个遥感监测的XCO2数据集进行融合，得到XCO2融合数据；
[0010]利用XCO2融合数据和环境协变量数据，训练得到XGBoost模型；
[0011]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。
[0012]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。本专利技术对三个遥感监测的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。
[0013]基于第一方面，在本专利技术的一些实施例中，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：
[0014]输入：
[0015]OCO
‑
2的XCO2监测数据A＝｛a1，...，a
j
，...，a
J
}；
[0016]OCO
‑
3的XCO2监测数据B＝｛b1，...，b
j
，...，b
J
}；
[0017]GOSAT的XCO2监测数据C＝｛c1，
…
，c
j
，
…
，c
J
}；
[0018]环境协变量数据集D＝｛d1，...，d
j
，...，d
J
}；
[0019]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。
[0020]输出：融合数据集E＝｛e1，...，e
j
，...，e
J
}；
[0021]方法：
[0022]①
融合A和B为O：
[0023]其中O＝｛o1，...，o
j
，...，o
J
}，o
j
＝f1(a
j
，b
j
)，其中a
j
，b
j
至少有一个为非空；
[0024]f1是融合函数：
[0025][0026]②
对GOSAT数据集C进行线性转化：
[0027]S＝{j|O
j
非空且C
j
非空}；
[0028]M＝{c
s
|s∈S}，N＝{o
s
|s∈S}；
[0029]建立线性模型f3：N
←
M；
[0030]基于f3转化c
j
：
[0031]j从1到J：
[0032]当c
j
非空且
[0033]c
′
j
＝f3(c
j
)；
[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，在本专利技术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：
...

【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：