【技术实现步骤摘要】
本专利技术涉及一种二氧化碳通量反演订正方法，尤其涉及一种融合深度学习算法的二氧化碳通量反演订正方法及可读存储介质。
技术介绍
1、全球气候变化问题是21世纪人类社会面临的最严峻挑战之一；科学、合理地减少大气co2浓度，首先需要明确全球及区域碳源汇的时空分布特征，进而制定有效的减排和增汇措施。
2、目前估测碳源汇主要有两种方法：以陆地为对象的“自下而上(bottom-up)”方法和以大气为对象的“自上而下(top-down)”方法；目前的“自上而下”碳通量反演方法多是基于大气化学传输模式和数据同化算法以建立碳通量同化反演系统。具体来说，该方法以mozart，geos-chem，tm5等大气化学传输模式为正演模型，通过比较co2模拟浓度与oco-2、gosat、tansat等卫星遥感以及tccon，flask等地基co2观测浓度数据之间的差值，采用集合卡尔曼滤波方法对先验碳通量持续调整和优化，反演得到不同尺度的碳源汇时空分布情况。
3、但是，现有的方法存在以下缺陷：1.通过优化调整系数来优化海洋和陆地碳通量，并且假设火烧和化石燃料燃烧通量是确定的，但从实际上获取的排放清单来看，化石燃料燃烧和火烧碳通量也存在较大的不确定性；2.现有方法假设某一个点观测到的co2浓度是来源于一段确定时间前其他地方co2通量的影响，但是因为不同地点的co2通量扩散效率是不同的，因此设置相同的时间滞后周期从机理上讲是有缺陷的；3.现有方法需要设置一个比较大的集合数(50-200个集合)，并且需要设置较长的滞后时间(3-12周)，此外
4、因此，为了解决上述技术问题，亟需提出一种新的技术手段。
技术实现思路
1、有鉴于此，本专利技术的目的是提供一种融合深度学习算法的二氧化碳通量反演订正方法及可读存储介质，基于卫星观测浓度来进行地表总碳通量的反演，而无需对海洋、陆地、化石燃料燃烧以及火烧碳通量进行区分，能够简化过程，而且，在在反演过程中无需设置滞后时间，并且基于反演模型和订正模型相结合的方式，能够有效简化反演过程，降低计算成本，而且能够有效保证结果的精度。
2、本专利技术提供的一种融合深度学习算法的二氧化碳通量反演订正方法，包括以下步骤：
3、s1.获取地表先验碳通量数据，将先验碳通量数据输入至大气化学传输模式模型中进行处理，得到气象要素、co2浓度廓线以及co2通量样本；
4、s2.基于气象要素和co2浓度廓线确定出co2柱浓度；
5、s3.构建全连接神经网络作为柱浓度订正模型，将气象要素和co2柱浓度作为特征，并将来自卫星监测的co2柱浓度作为标签，并将特征和标签输入至订正模型中进行训练；
6、s4.构建u-net神经网络作为反演模型，将气象要素、co2柱浓度作为特征，将co2通量样本作为标签，并将特征和标签输入至反演模型中进行训练；
7、s5.确定目标气象要素，将目标气象要素输入至训练好的订正模型中进行处理得到订正后的co2柱浓度，将订正后的co2柱浓度和目标气象要素输入至训练好的反演模型中进行处理得到订正后的co2通量。
8、进一步，步骤s2中，基于气象要素和co2浓度廓线确定出co2柱浓度具体包括：
9、
10、其中：xco2表示co2的柱浓度，hi表示第i层大气的压强权重，xi表示气化学传输模式输出的co2浓度，n表示大气层数，取值为47。
11、进一步，通过如下方法确定第i层大气的压强权重hi：
12、
13、其中：pi为第i层大气的压强，psurf表示地表气压；
14、当i＝47时：
15、当i＝1时：
16、进一步，输入至订正模型中的气象要素包括47层温度廓线、47层湿度廓线、47层经向风廓线、47层纬向风廓线。
17、输入至反演模型中的气象要素包括温度廓线、湿度廓线、经向风廓线、纬向风廓线、边界层高度以及短波辐射。
18、进一步，大气化学传输模式为geos-chem v12.3.2模型。
19、相应地，本专利技术还提供了一种可读存储介质，所述可读存储介质具有计算程序，所述可读存储介质在运行计算程序时执行上述的方法。
20、本专利技术的有益效果：通过本专利技术，基于卫星观测浓度来进行地表总碳通量的反演，而无需对海洋、陆地、化石燃料燃烧以及火烧碳通量进行区分，能够简化过程，而且，在在反演过程中无需设置滞后时间，并且基于反演模型和订正模型相结合的方式，能够有效简化反演过程，降低计算成本，而且能够有效保证结果的精度。
本文档来自技高网...【技术保护点】
1.一种融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：包括以下步骤：
2.根据权利要求1所述融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：步骤S2中，基于气象要素和CO2浓度廓线确定出CO2柱浓度具体包括：
3.根据权利要求2所述融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：通过如下方法确定第i层大气的压强权重hi：
4.根据权利要求1所述融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：输入至订正模型中的气象要素包括47层温度廓线、47层湿度廓线、47层经向风廓线、47层纬向风廓线。
5.根据权利要求1所述融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：大气化学传输模式为GEOS-Chem v12.3.2模型。
6.一种可读存储介质，所述可读存储介质具有计算程序，其特征在于：所述可读存储介质在运行计算程序时执行权利要求1-5任一权利要求所述的方法。
【技术特征摘要】
1.一种融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：包括以下步骤：
2.根据权利要求1所述融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：步骤s2中，基于气象要素和co2浓度廓线确定出co2柱浓度具体包括：
3.根据权利要求2所述融合深度学习算法的二氧化碳通量反演订正方法，其特征在于：通过如下方法确定第i层大气的压强权重hi：
4.根据权利要求1所述融合深度学习算法的二氧化...
【专利技术属性】
技术研发人员：王惠，李丹，张烺，周瑞琳，张平文，
申请(专利权)人：北京大学重庆大数据研究院，
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。