耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统技术方案

本发明专利技术提供了一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统，包括：利用辐射传输模型进行结构化的短波红外高光谱辐亮度模拟实验；筛选用于甲烷浓度反演的敏感通道组合；构建基于物理机制的机器学习甲烷浓度反演模型；对卫星遥感平台观测的短波红外高光谱数据进行预处理；利用基于物理机制的机器学习模型反演大气甲烷浓度产品；利用卫星反演大气甲烷浓度数据对大气化学模式模拟甲烷柱浓度格网数据进行空间降尺度与误差订正；利用最优插值技术对模式降尺度结果与机器学习反演结果进行融合分析，得到高分辨率全覆盖的大气甲烷浓度格网数据。甲烷浓度格网数据。甲烷浓度格网数据。

【技术实现步骤摘要】
耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统


[0001]本专利技术涉及温室气体遥感监测领域，具体地，涉及耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统，更为具体地，涉及耦合物理机制的全覆盖大气甲烷浓度数据近实时生产技术。

技术介绍

[0002]近年来，随着社会经济活动对能源消耗的增加，大气中温室气体浓度不断上升。其中，甲烷作为一种重要的温室气体，单位浓度的温室效应比二氧化碳高约25倍。因此，准确地跟踪监测和定量分析甲烷浓度的空间分布和变化趋势，能够为区域环境治理和生态可持续发展提供有力支持。传统的甲烷浓度监测方法主要为地面站点观测，虽精度较高，但监控范围有限且设站成本较高，故无法满足区域温室气体跟踪监测及预警的客观需求。随着遥感技术和地理大数据分析的发展，利用星载或机载传感器获取高光谱辐射亮度信息，并据此估算大气甲烷浓度，已成为大气甲烷浓度监测的重要手段。
[0003]目前，基于甲烷气体在短波红外的吸收特性，可利用全物理反演或机器学习等技术进行甲烷浓度定量估算。对于全物理反演方法，其常利用以最优估计为代表的反演模型进行大气甲烷浓度的定量反演。全物理反演方法需要考虑多种大气参数的影响，如温度、湿度、压力、风速等，通过求解复杂的代价函数，实现大气甲烷浓度的迭代反演。然而，全物理反演框架通常需要利用在线辐射传输模式来近似替代前向模型，同时，需要建立复杂的迭代优化过程，故逐像元反演的时间成本十分庞大。另外，由于云覆盖或高浓度气溶胶的影响，卫星反演大气甲烷浓度数据常存在大面积数据缺失问题，如何对卫星反演甲烷浓度数据中的缺失值进行补全也是亟待解决的关键性技术问题。
[0004]针对上述问题，目前亟需一套能够同步解决以下技术问题的技术方案：（1）如何构建耦合物理反演机制的大气甲烷浓度机器学习反演技术；（2）如何对卫星反演甲烷浓度数据中的缺失值进行补全。
[0005]专利文献CN115112586A（申请号：202210763296.7）涉及一种多源数据融合下的牧场甲烷排放量估算方法，依次包括以下步骤：步骤S1：定量反演计算CH4柱浓度；步骤S2：使用定量反演得到的CH4柱浓度校正模式模拟的CH4柱浓度的方法，并根据模式中的垂直分层信息，估算近地表CH4柱浓度；步骤S3：从历史清单数据中提取牧场CH4排放量；步骤S4：基于历史多源数据，训练CH4排放模型，输入更新的遥感、模式数据，估算新的CH4排放量。

技术实现思路

[0006]针对现有技术中的缺陷，本专利技术的目的是提供一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统。
[0007]根据本专利技术提供的一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法，包括：步骤S1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各
模拟条件下的短波红外高光谱辐亮度结果；步骤S2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；步骤S3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；步骤S4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；步骤S5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；步骤S6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；步骤S7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
[0008]优选地，所述步骤S1采用：步骤S1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；步骤S1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；步骤S1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果。
[0009]优选地，所述步骤S2采用：步骤S2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；步骤S2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；步骤S2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设
置。
[0010]优选地，所述步骤S3采用：所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；所述基于物理机制的机器学习反演模型采用：其中，表示大气甲烷浓度，大气一氧化碳浓度，表示大气水汽柱总量，表示气溶胶光学厚度，地表反射率，表示敏感通道组合所对应的光谱辐射亮度比值，表示太阳天顶角，表示卫星天顶角，表示相对方位角，表示地表海拔高度，表示具有能够实现多变量协同输出目的的机器学习拟合模型。
[0011]优选地，所述步骤S4采用：步骤S4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；步骤S4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准。
[0012]优选地，所述步骤S6采用：步骤S6.1：基于卫星反演大气甲烷浓度数据构建校正模型；步骤S6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；所述校正模型采用：其中，为卫星反本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，包括：步骤S1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；步骤S2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；步骤S3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；步骤S4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；步骤S5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；步骤S6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；步骤S7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。2.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S1采用：步骤S1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；步骤S1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；步骤S1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果。3.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S2采用：步骤S2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；步骤S2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；步骤S2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置。4.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S3采用：所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；所述基于物理机制的机器学习反演模型采用：其中，表示大气甲烷浓度，大气一氧化碳浓度，表示大气水汽柱总量，表示气溶胶光学厚度，地表反射率，表示敏感通道组合所对应的光谱辐射亮度比值，表示太阳天顶角，表示卫星天顶角，表示相对方位角，表示地表海拔高度，表示具有能够实现多变量协同输出目的的机器学习拟合模型。5.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S4采用：步骤S4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；步骤S4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准。6.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S6采用：步骤S6.1：基于卫星反演大气甲烷浓度数据构建校正模型；步骤S6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；所述校正模型采用：其中，为卫星反演大气甲烷浓度数据，模式模拟大气甲烷浓度格网数据，以相对湿度和气温为主的气象变量数据，为地表海拔高度，为归一化差值植被指数，为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型。7.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S7采用：所述最优插值技术采用：对于任意待融合像元，定义其背景值为，其融合值表示为：其中，为待融合像元邻域内的观测值；为观测算子，表示观测值对应的背景
值；为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，表示为：其中，为的转置矩阵；观测误差协方差矩阵为对角矩阵，对角元素由对应的观测误差方差组成，背景误差协方差矩阵为对称矩阵，表示为：其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：其中，表示卫星反演大气甲烷浓度，表示大气化学模式降尺度与校正后的大气甲烷浓度，表示大气甲烷浓度实测结果，表示平均运算符；用来表示数据点，之间空间关联，采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：其中，表示包括经度、高程、土地利用属性的经向差异，表示包括纬度、高程、土地利用属性的经...

【专利技术属性】
技术研发人员：陈荷，白开旭，李珂，卢灿灿，邵留青，孙怡冰，鞠明君，
申请(专利权)人：华东师范大学，
类型：发明
国别省市：