【技术实现步骤摘要】
本专利技术属于碳排放检测分析，特别涉及了一种多尺度双重注意力引导融合网络模型的碳排放分析方法。
技术介绍
1、碳排放检测分析技术在当前环境科学和气象领域具有极其重要的地位。随着全球工业化和城市化进程的不断加速，碳排放作为导致气候变化的主要驱动因素之一，引起了广泛关注。准确监测、评估和理解碳排放的规模、分布和趋势对于人类来说至关重要。然而，这一任务充满了挑战，因为碳排放源多样化、分布广泛，且受到天气和地理条件的影响。为了应对这些挑战，研究者和科学家们开发了多种技术和方法，以提高对碳排放的监测和分析精度。
2、首先，卫星遥感技术被广泛应用于全球范围内的碳排放监测。卫星传感器可以提供高分辨率的地球观测数据，覆盖范围广泛，能够捕捉到不同地区的碳排放情况。然而，卫星遥感技术仍然受到分辨率限制，难以准确监测小尺度、低浓度的排放源，而且容易受到云层遮挡等因素的干扰。其次，空气质量监测网络是另一种重要的碳排放监测手段，特别适用于城市和工业区域。这些监测站点配备了高精度的传感器和仪器，提供实时的监测数据，能够准确反映当地的大气环境状况。然而，监测站点的网络覆盖相对有限，难以实现全球范围的监测，而且设备和维护成本较高。此外，数值模拟和预测模型在碳排放分析中也扮演重要角色。这些模型利用大气动力学和化学传输模型，模拟大气中的污染物传输和扩散过程，能够对不同源头的碳·排放影响进行预测。然而，模型的准确性高度依赖于输入数据的质量和模型参数的准确性，同时需要大量的计算资源。
3、最近，深度学习技术，特别是卷积神经网络(cnn)，在碳排
技术实现思路
1、本专利技术的目的是克服上述
技术介绍
的不足，提供一种多尺度双重注意力引导融合网络模型的碳排放分析方法，本专利技术与传统碳排放分析方法相比较具有更高的准确性以及更好的多尺度分析、数据融合和时序预测能力。
2、为了实现上述技术目的，本专利技术的技术方案为：
3、多尺度双重注意力引导融合网络模型的碳排放分析方法，具体包含如下步骤：
4、步骤1，基于多尺度双重注意力引导融合网络模型结构的训练；其中，网络模型包括多尺度相邻语义信息聚合模块、双重注意力融合模块、三分支特征融合模块和全局语义信息增强模块；
5、步骤2，碳排放分析预测，具体包含如下步骤：
6、步骤2.1，将卫星数据和辅助数据进行分析和对比，清洗数据，提高数据质量，接着对输入数据进行数据增强处理；
7、步骤2.2，将卫星数据和辅助数据转化为类似于图像形状的张量，然后输入到多尺度双重注意力引导融合网络模型中进行训练；
8、步骤2.3，使用训练好的多尺度双重注意力引导融合网络模型进行预测，输入卫星碳遥感数据，经过训练好的权重提取特征进行编码解码操作后输出得到某个时间序列的碳排放量的估计值。
9、作为本专利技术多尺度双重注意力引导融合网络模型的碳排放分析方法的进一步优选方案，所述多尺度相邻语义信息聚合模块是一种用于在网络模型中聚合多尺度相邻语义信息的模块，用于有效地整合来自碳排放数据在双分支编码器阶段提取的不同尺度的语义信息以提升模型对空间相关性的理解；所述多尺度相邻语义信息聚合模块包含一系列卷积和池化操作，用于在不同尺度上提取特征，并通过处理碳排放相邻区域的语义关联性来强化空间信息的利用；
10、具体包含如下步骤：
11、当相邻两个尺度进行聚合时，首先对xb进行一个1×1卷积将特征通道数压缩为原来的一半，提取更多有用的通道信息，输出为xb′；
12、接着再进行一个3×3卷积，进一步提取和加强特征，输出为xb″；
13、若与下一尺度进行聚合，则对xc先进行一个1×1卷积，再进行一个3×3卷积，将通道数压缩为原来的一半并进一步提取和加强特征，然后将其进行上采样，恢复和特征xb同样大小，输出为xc′；
14、接着将这两个特征在通道维度上进行拼接，得到一个更加丰富的特征，然后将其先经过一个1×1卷积，再进行一个3×3卷积，压缩通道为c并进一步提取特征信息，输出为xd′；
15、然后对xd′、xb′和xc′执行相加操作，将这两个尺度的特征进行融合，以提高模型的特征表达能力；
16、最后的输出为yout，大小为c×h×w；若与上一尺度特征进行聚合，则先对特征xa进行一个最大池化下采样，再经过一个3×3卷积，可以有效地提取出局部最强的特征，输出为xa′；
17、然后剩余操作与之前类似，将这两个尺度的特征进行融合，最后的输出为yout，大小也为c×h×w；
18、当进行相邻三个尺度语义信息聚合时，则是先沿通道维度将xa′、xb″和xc′进行拼接，得到一个通道更多、特征更丰富的特征，然后将其先经过一个1×1卷积，再进行一个3×3卷积，压缩通道为c并进一步提取特征信息得到xd′；
19、最后对xd′、xb′、xa′和xc′执行相加操作，将三个尺度的特征进行融合，最后的输出为yout，大小同样为c×h×w；
20、总的来说，该模块能够有效的整合特征提取器在不同尺度提取的相邻语义信息，实现多尺度特征的信息交互和增强，并帮助网络更好地捕捉碳遥感数据中的关键信息和特征；计算公式具体如下：
21、xa′＝conv3×3(maxpool(xa))，
22、xb′＝conv1×1(xb)，
23、xb″＝conv3×3(conv1×1(xb))，
24、xc′＝upsample(conv3×3(conv1×1(xc)))，
25、yout＝conv3×3(conv1×1([xb″；xc′]))+xb′+xc′，
26、yout＝conv3×3(conv1×1([xb″；xa′]))+xb′+xa′，
27、yout＝conv3×3(conv1×1([x″b；x′a；x′c]))+x′b+x′a；x′；
28、在公式中，conv1×1(·)表示卷积核大小为1的二维卷积、批量归一化和relu激活函数，conv3×3(·)表示卷积核大小为3的二维卷积、批量归一化和relu激活函数；maxpool(.)表示最大池化，upsample(·)表示双线性插值上采样，[；]表示拼接操作；其中，xa、xb和xc分别代表编码器生成的三个不同尺度的特征。
29、作为本专利技术多尺度双重注意力引导融合网络模型的碳排放分析方法的进一步优选方案，所述三分支特征融合模块是一种用于将卫星数据和辅助数据进行融合的模块，本文档来自技高网...
【技术保护点】
1.多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：具体包含如下步骤：
2.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：所述多尺度相邻语义信息聚合模块用于在网络模型中聚合多尺度相邻语义信息的模块，用于有效地整合来自碳排放数据在双分支编码器阶段提取的不同尺度的语义信息以提升模型对空间相关性的理解；所述多尺度相邻语义信息聚合模块包含一系列卷积和池化操作，用于在不同尺度上提取特征，并通过处理碳排放相邻区域的语义关联性来强化空间信息的利用；
3.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：所述三分支特征融合模块是一种用于将卫星数据和辅助数据进行融合的模块，采用三个独立的分支网络分别处理卫星数据、辅助数据和它们的融合；所述三分支特征融合模块包含一系列的卷积和池化操作，以及特定的权重共享策略，以确保在不同分支网络间能够有效地传递和融合信息；
4.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：所述双重注意力融合模块用于接受经过多尺度相
5.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：在全局语义信息增强模块之前的两条支路分别处理卫星数据和辅助数据，这些支路的输出特征被相加后输入到全局语义信息增强模块中，所述全局语义信息增强模块综合考虑卫星数据和辅助数据的信息，通过多尺度的自适应平均池化操作，用于从两条支路合并后的特征中聚焦于全局特征，将整体信息融入模型，使其能够捕获全局上下文语义；
...【技术特征摘要】
1.多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：具体包含如下步骤：
2.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：所述多尺度相邻语义信息聚合模块用于在网络模型中聚合多尺度相邻语义信息的模块，用于有效地整合来自碳排放数据在双分支编码器阶段提取的不同尺度的语义信息以提升模型对空间相关性的理解；所述多尺度相邻语义信息聚合模块包含一系列卷积和池化操作，用于在不同尺度上提取特征，并通过处理碳排放相邻区域的语义关联性来强化空间信息的利用；
3.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：所述三分支特征融合模块是一种用于将卫星数据和辅助数据进行融合的模块，采用三个独立的分支网络分别处理卫星数据、辅助数据和它们的融合；所述三分支特征融合模块包含一系列的卷积和池化操作，以及特定的权重共享策略，以确保在不同分支网络间能够有效地传递和融合信息；
4.根据权利要求1所述的多尺度双重注意力引导融合网络模型的碳排放分析方法，其特征在于：所述双重注意力融合模块用于接受经过多尺度相邻...
【专利技术属性】
技术研发人员：王圆圆，王世谦，王涵，狄立，夏旻，李秋燕，宋大为，卜飞飞，华远鹏，韩丁，贾一博，田春筝，白宏坤，郝福忠，姬哲，王自强，牛斌斌，牛金星，邵颖彪，刘军会，贾鹏，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。