本发明专利技术属于碳排放检测分析技术领域，具体涉及一种基于多源数据交互网络的地面碳排放监测方法；包括：S1、进行多源数据交互网络的设计：所述多源数据交互网络包括模块化的骨干网络、注意力交互模块和跨尺度交互模块；S2、进行多源数据交互网络的训练：对卫星数据和辅助数据进行数据分析和对比；进行数据增强处理，将这些数值数据转化为具有图像形状的张量，随后将其输入到多源数据交互网络模型中进行训练；S3、进行碳排放趋势预测：使用经过训练的多源数据交互网络模型进行预测；本发明专利技术提出了包括同尺度阶和跨尺度两类交互方式，整体架构可由编码器和解码器构成的全卷积神经网络构成，在准确率提高的前提下，模型的泛化能力也有所提高。
【技术实现步骤摘要】
本专利技术属于碳排放检测分析，具体涉及一种基于多源数据交互网络的地面碳排放监测方法。
技术介绍
1、碳排放检测分析技术在当今环境科学和气象领域扮演着至关重要的角色。随着全球工业化和城市化的迅速发展，碳排放作为导致气候变化的主要推动因素之一引起了广泛的担忧和重视。精确地监测、评估和深入理解碳排放的规模、分布和趋势对于我们更好地应对气候挑战至关重要。然而，碳排放监测并非易事，因为排放源多种多样、分布广泛，受到天气和地理条件的影响。为了克服这些挑战，科研人员和专家们不断开发各种技术和方法，以提高对碳排放的监测和分析精度。这些方法包括使用卫星遥感数据、气象监测数据、地面传感器和先进的数据分析技术，以实现更准确、全面和实时的碳排放信息收集和分析。
2、碳卫星遥感技术在碳排放监测中扮演着至关重要的角色。碳卫星提供高分辨率的地球观测图像，能够帮助识别和定位碳排放源，有助于准确估算排放量。同时，遥感数据还可用于监测土地利用和覆盖的变化。森林砍伐、土地开垦和城市扩张等活动会影响碳储存和排放，遥感图像能够捕捉这些变化，提供对碳循环的洞察。但是，单纯的遥感图像通常不能直接测量大气中的碳浓度，而是需要结合地面布置的专用传感器和设备如连续排放监测系统(cems)、植被监测传感器、大气样品采集器等，这些地面传感器可以提供关键的数据，用于监测和评估碳排放的来源、分布和趋势。此外，由于碳排放数据通常非常庞大，需要大数据处理和存储技术来有效地管理和分析。云计算技术使科学家能够在云平台上搭建碳排放的模拟和预测模型，以提高计算效率和实时监测能力。
3、深度学习技术在碳排放监测和环境科学领域的发展取得了显著进展。首先，深度学习模型能够更好地处理高分辨率的遥感图像，从而提供更详细和准确的地表信息。这对于监测小尺度的碳排放源至关重要。其次，深度学习模型能够更好地处理高分辨率的遥感图像，从而提供更详细和准确的地表信息。这对于监测小尺度的碳排放源和土地利用变化至关重要。最后，深度学习模型可用于处理时序数据，包括时间序列遥感数据和气象数据。这使得可以更好地捕捉和分析碳排放的季节性和年度变化。卫星如oco-2已经开始使用深度学习技术，用于处理大规模的碳排放数据，这说明深度学习技术在碳排放监测和环境科学中的应用具有巨大潜力。但是现有的基于深度学习方法在碳排放检测工程中，仍然存在数据一致性和标准化的问题。第一，信息丢失和失真，当非同源的数据类型不一致时，将它们融合到一个统一的数据表示中可能会导致信息的丢失和失真。某些数据类型可能包含了特定的信息，但在融合过程中可能无法完整地保留，从而降低了数据的质量和可用性。第二，数据不一致性引发的偏差，如果不同数据源的数据类型不一致，可能会导致模型在数据融合过程中受到某些数据源的影响更大，而对其他数据源的关注不足。这可能引发偏差，使模型更倾向于某些数据源的信息，而忽视了其他数据源的重要性，从而影响了结果的准确性。第三，难以建立数据关联，一致的数据类型可能导致难以建立数据之间的有效关联和联系。这使得在多源数据融合时，模型可能无法捕捉到不同数据源之间的潜在关系，从而限制了对系统或现象的全面理解。
技术实现思路
1、本专利技术的目的是为了克服现有技术的不足，而提供一种基于多源数据交互网络的地面碳排放监测方法。
2、本专利技术的目的是这样实现的：一种基于多源数据交互网络的地面碳排放监测方法，包括以下步骤：
3、s1、进行多源数据交互网络的设计：所述多源数据交互网络包括模块化的骨干网络、注意力交互模块(aim)和跨尺度交互模块(cim)；
4、s2、进行多源数据交互网络的训练：对卫星数据和辅助数据进行数据分析和对比；进行数据增强处理，将这些数值数据转化为具有图像形状的张量，随后将其输入到多源数据交互网络模型中进行训练；
5、s3、进行碳排放趋势预测：使用经过训练的多源数据交互网络模型进行预测，输入卫星碳遥感数据和辅助数据，利用优选的权重进行编解码操作，最终获得某时某地高水平的碳排放趋势图。
6、进一步的，所述注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给输入双方以强化它们的注意力分布，以此交互卫星数据和辅助数据中的关键特征，生成全体像素的概率数值权重图，继而引导模型将高概率权重赋予碳排放区域的像素点；该模块采取基于注意力分享的多源数据的融合方式，模型的学习关注点将从多源数据的表征属性转移到多源数据特征的注意力分布。这可以降低不同数据类型数据包含的特定信息对融合数据的干扰，减少数据不一致导致的信息丢失和失真。
7、当同尺度两个特征交互时，卫星数据和辅助数据首先经过三个卷积层的通道变换，输入的特征将会被映射到查询(q)、键(k)和值(v)的特征空间，以便后续的自注意力计算；具体来说，通道映射后的三重特征分别是和前两者压缩通道的倍数r保持一致；三重特征的每个像素作为标记，然后展平为transformer层可理解的卫星数据或辅助数据的查询序列、键序列和值序列，分别是其中h表示卫星数据或辅助数据特征图的纵向像素量，w表示卫星数据或辅助数据特征图的横向像素量，c表示卫星数据或辅助数据特征图的信道数，h×w表示纵向像素和横向像素在transformer层中变换成连贯标记序列后得到的总体像素量；三重序列可表示为：
8、sq＝trans(conv1×1(q))
9、sk＝trans(conv1×1(k))
10、sv＝trans(conv1×1(v))
11、其中trans(·)表示将矩阵变为标记序列，conv1×1(·)表示卷积层；
12、将输入的多源数据特征按通道级联，并采用自适应平均池化将特征的尺寸压缩到1×1，并压缩通道以获取适应全局的碳通道注意力；单像素的碳通道特征矩阵作为单个标记并复制自身使得标记序列的总体像素量达到h×w，这个序列就是注意力交互序列表示为：
13、si＝copy(trans(conv1×1(pool(i1+i2))))
14、其中，copy(·)表示单元复用，conv1×1(·)表示1×1卷积，pool(·)表示池化层；
15、si同sk序列类似也会在转置后同sq通过矩阵乘法得到两者的相似度，两类相似度会在像素级相加后融合得到注意力交互矩阵，然后通过softmax函数归一化后得到注意力权重，再然后和值序列进行矩阵乘法，最后通过变换恢复到输入特征尺寸；注意力交互通过以下点积公式计算：
16、attinteraction(sq，sk，sv，si)＝softmax(sqskt+sqsit)sv
17、最后在输出前使用残差连接，防止出现特征异化。
18、进一步的，所述跨尺度交互模块利用已有的跨尺度特征，包括高分辨率低通道的低阶数据特征图和低分辨率高通道的高阶数据特征图，提取高阶数据特征图中语义信息丰富的碳通道数据，并按照概率分布引导低阶数据，进而充分沟通各层级的碳通道特征，提升对碳排放语义信息的感知本文档来自技高网
...
【技术保护点】
1.一种基于多源数据交互网络的地面碳排放监测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多源数据交互网络的地面碳排放监测方法，其特征在于，所述注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给输入双方以强化它们的注意力分布，以此交互卫星数据和辅助数据中的关键特征，生成全体像素的概率数值权重图，继而引导模型将高概率权重赋予碳排放区域的像素点；
3.如权利要求1所述的一种基于多源数据交互网络的地面碳排放监测方法，其特征在于，所述跨尺度交互模块利用已有的跨尺度特征，包括高分辨率低通道的低阶数据特征图和低分辨率高通道的高阶数据特征图，提取高阶数据特征图中语义信息丰富的碳通道数据，并按照概率分布引导低阶数据，进而充分沟通各层级的碳通道特征，提升对碳排放语义信息的感知力；
【技术特征摘要】
1.一种基于多源数据交互网络的地面碳排放监测方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种基于多源数据交互网络的地面碳排放监测方法，其特征在于，所述注意力交互模块利用来自多源数据的特征构建共同的全局注意力标记序列反哺给输入双方以强化它们的注意力分布，以此交互卫星数据和辅助数据中的关键特征，生成全体像素的概率数值权重图，继而引导模型将高概率...
【专利技术属性】
技术研发人员：王圆圆，王世谦，王涵，夏旻，卜飞飞，华远鹏，韩丁，贾一博，田春筝，白宏坤，李秋燕，宋大为，郝福忠，常大泳，姬哲，王自强，牛斌斌，牛金星，邵颖彪，于雪辉，郭正宾，
申请(专利权)人：国网河南省电力公司经济技术研究院，
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。