一种近红外CO柱总量估算方法及设备技术

本发明专利技术公开一种近红外CO柱总量估算方法及设备，解决CO柱总量测量精度差的问题。所述方法，包含：建立机器学习数据库，所述机器学习数据库包含：地面监测的CO柱总量、监测时间、经度、纬度、地面监测点对应的气象数据和数字高程模型数据；建立极端随机树机器学习模型，对所述机器学习数据库中的数据构建训练数据集，设定模型参数进行模型训练，直到满足训练条件，终止训练得到CO估算模型，所述极端随机树机器学习模型的输入参数包含：所述时间、经度、纬度、气象数据和数字高程模型数据，输出参数为所述CO柱总量。所述设备使用所述方法。本发明专利技术可实现CO柱总量高精度预测。明可实现CO柱总量高精度预测。明可实现CO柱总量高精度预测。

【技术实现步骤摘要】
一种近红外CO柱总量估算方法及设备


[0001]本专利技术涉及大气环境遥感
，尤其涉及一种近红外CO柱总量估算方法及设备。

技术介绍

[0002]目前具有CO探测能力的卫星传感器包括AIRS(Atmosphericinfraredsounder大气红外探测仪)、IASI(Infrared AtmosphericSoundingInterferometer，新一代超高光谱红外大气探测仪)、TES(TroposphericEmissionSpectrometer，对流层放射光谱仪)、Tropomi(TROPOsphericalMonitoringInstrument对流层观测仪)、SCIAMACHY(大气制图扫描成像吸收光谱仪)等。近红外对沿光路的CO(一氧化碳)积分量非常敏感，这使得这一光谱范围特别适合探测CO。目前CO柱总量的反演方法主要包括权重函数修正
‑
差分吸收光谱(WFM
‑
DOAS)算法、最大似然估计算法、最大后验方法等全物理反演方法，无论是哪种算法都对大气背景库要求严格，且CO柱总量估算精度不准确。

技术实现思路

[0003]本专利技术提供一种近红外CO柱总量估算方法及设备，解决现有方法和设备CO柱总量测量精度差的问题。
[0004]为解决上述问题，本专利技术是这样实现的：
[0005]专利技术实施例提供一种近红外CO柱总量估算方法，包含以下步骤：建立机器学习数据库，所述机器学习数据库包含：地面监测的CO柱总量、时间、经度、纬度、与地面监测站点对应的气象数据和数字高程模型数据。建立ERT机器学习模型，对所述机器学习数据库中的数据构建训练数据集，设定模型参数进行模型训练，直到模型精度指标最佳，终止训练得到CO估算模型，所述ERT机器学习模型的输入参数包含：所述时间、经度、纬度、与地面监测站点对应的气象数据和数字高程模型数据，输出参数为所述地面监测的CO柱总量。
[0006]优选地，所述机器学习数据库还包含：近红外卫星入射和出射光谱数据和卫星观测几何参数；对所述ERT机器学习模型进行模型训练时，输入参数还包含所述近红外卫星入射和出射光谱数据以及卫星观测几何参数。
[0007]优选地，所述机器学习数据库还包含：气溶胶光学厚度、波段地表反射率、归一化植被指数中至少一种；相应地，对所述ERT机器学习模型进行模型训练时，输入参数还包含所述气溶胶光学厚度、所述波段地表反射率、所述归一化植被指数中至少一种。
[0008]进一步地，所述与地面监测站点对应的气象数据包含：2米温度、10米风的东向分量、10米风的北风分量、相对湿度、降雨量、水汽柱总量、边界层高度、云底高和云覆盖率。
[0009]进一步地，所述设定模型参数进行模型训练时，设定的模型参数包含：决策树个数(n_estimators),决策树最大深度(max_depth)，最小分割样本(min_samples_split)和最小叶子个数(min_samples_leaf)。
[0010]进一步地，所述模型精度指标最佳为：所述训练数据集的损失达到最小且验证数
据集的损失达到最小，所述验证数据集是所述机器学习数据库中随机选取的数据集。
[0011]进一步地，所述对机器学习数据库中的数据构建训练数据集的方法为：在所述机器学习数据库中任选设定比例的数据作为所述训练数据集，剩余数据作为验证数据集。
[0012]进一步地，所述近红外卫星入射和出射光谱数据包括特定选择波段的入射太阳辐射和出射地球辐射的辐亮度，所述卫星观测几何参数包括太阳天顶角、太阳方位角、卫星天顶角和卫星方位角。
[0013]进一步地，所述方法还包含：对所述卫星观测几何参数进行处理，包括将太阳天顶角和卫星天顶角处理成正割值，太阳方位角和卫星方位角的角度差处理成正弦值。
[0014]进一步地，其特征在于，所述方法还包含：对所述机器学习数据库中的数据进行数据时空匹配和数据预处理，剔除超过三倍标准差的异常数据和无效数据
[0015]本专利技术实施例还提出一种近红外CO柱总量估算设备，使用任一实施例所述方法，包含：数据处理模块和模型确定模块；所述数据处理模块，用于获取所述机器学习数据库和建立训练数据集；所述模型确定模块，用于根据所述训练数据集，对ERT机器学习模型进行模型训练，直到满足训练条件，得到CO估算模型。
[0016]本申请还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本申请中任一实施例所述的方法。
[0017]进一步地，本申请还提出一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器运行的计算机程序，所述处理器执行所述计算机程序时实现如本申请任一实施例所述的方法。
[0018]本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：本申请可基于近红外卫星光谱数据、气象数据、地表参数和气溶胶等数据，利用机器学习训练出高精度CO垂直柱浓度反演模型。通过本申请方法计算得到的CO柱总量计算精度高、计算方法简单，可操作性强，便于工程实现。
附图说明
[0019]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0020]图1为本专利技术方法实施例的方法流程图；
[0021]图2为本专利技术方法实施例的CO平均柱浓度；
[0022]图3为本专利技术装置实施例；
[0023]图4为本专利技术另一装置实施例。
具体实施方式
[0024]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术具体实施例及相应的附图对本专利技术技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]CO是大气中重要的微量气体，在某些城市地区是主要的大气污染物。了解CO柱总量可提高我们对对流层化学和大气远距离传输的理解。CO的主要来源是化石燃料燃烧、生
物质燃烧、甲烷和其他碳氢化合物的大气氧化。在中纬度北部地区，化石燃料燃烧是CO的主要来源，而在热带地区，异戊烯的氧化和生物质燃烧起着重要的作用。CO最重要的汇是与羟基自由基OH的反应。CO的寿命是几周到几个月，这使得CO成为研究长程输运过程的良好示踪剂。此外，CO是全球环境与安全监测计划(GMES)大气成分与气候监测项目(MACC)测量最优先考虑的气体之一。
[0026]伴随大气成分研究日益深入，人们对CO的研究也逐步发展：CO无色、无臭、无味，含碳量在大气中仅次于CO2和CH4，主要由化石燃料和生物质燃烧生成，在大气中含量很少。但CO作为一种强反应性气体，能显著地影响近地面大气的氧化性质，进而对近地面大气成分特别是对CO2，CH4和O3等温室气体产生影响，因此CO又被称作间接性温室气体。另外，C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种近红外CO柱总量估算方法，其特征在于，包含以下步骤：建立机器学习数据库，所述机器学习数据库包含：地面监测的CO柱总量、时间、经度、纬度、与地面监测站点对应的气象数据和数字高程模型数据；建立ERT机器学习模型，对所述机器学习数据库中的数据构建训练数据集，设定模型参数进行模型训练，直到模型精度指标最佳，终止训练得到CO估算模型，所述ERT机器学习模型的输入参数包含：所述时间、经度、纬度、与地面监测站点对应的气象数据和数字高程模型数据，输出参数为所述地面监测的CO柱总量。2.如权利要求1所述的近红外CO柱总量估算方法，其特征在于，所述机器学习数据库还包含：近红外卫星入射和出射光谱数据和卫星观测几何参数；对所述ERT机器学习模型进行模型训练时，输入参数还包含所述近红外卫星入射和出射光谱数据以及卫星观测几何参数。3.如权利要求1所述的近红外CO柱总量估算方法，其特征在于，所述机器学习数据库还包含：气溶胶光学厚度、波段地表反射率、归一化植被指数中至少一种；相应地，对所述ERT机器学习模型进行模型训练时，输入参数还包含所述气溶胶光学厚度、所述波段地表反射率、所述归一化植被指数中至少一种。4.如权利要求1所述的近红外CO柱总量估算方法，其特征在于，所述与地面监测站点对应的气象数据包含：2米温度、10米风的东向分量、10米风的北风分量、相对湿度、降雨量、水汽柱总量、边界层高度、云底高和云覆盖率。5.如权利要求1所述的近红外CO柱总量估算方法，其特征在于，所述设定模型参数进行模型训练时，设定的模型参数包含：决策树个数,决策树最大深...

【专利技术属性】
技术研发人员：张莹，陶金花，范萌，余超，陈良富，苏林，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：