CN104657566A - 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 - Google Patents

Abstract

本发明公开了一种基于卫星红外遥感的大气二氧化碳浓度快速计算方法及系统，该方法包括建立非参数统计模型和反演系统。反演模型构建的步骤进一步包括：一数据压缩子步骤，用于提取主要的光谱信号结构特征；一数据匹配子步骤，用于观测信息的匹配；一计算模型构建子步骤，用于构建多层前馈神经网络；一质量控制子步骤，用于质量控制减小输入样本的误差。浓度计算的步骤进一步包括：一估算请求子步骤，用于对估算输入数据的预处理；一估算子步骤，用于根据该估算请求进行估算，并输出估算结果。本发明通过基于前向模型的人工神经网络来模拟光谱吸收辐射传输物理关系，提供了一种高效的温室气体反演模型，并将反演结果可视化展示的系统。

Description

基于卫星红外遥感的大气二氧化碳浓度快速计算方法

技术领域

本发明涉及地球科学计算领域，特别是涉及一种快速计算大气二氧化碳浓度方法及可视化系统。 

背景技术

二氧化碳(CO₂)是一种重要的温室气体，虽然占大气总量不足0.05％，但是它能够吸收地表发散出的红外辐射，因此二氧化碳浓度的增加会导致地球表面温度的升高。自工业革命以来，由于人类活动的影响(如毁林、农业活动和化石燃料的燃烧等)造成全球温室气体排放量和浓度的持续增加，大气中二氧化碳浓度从280ppm增加到了379ppm。二氧化碳和其他温室气体还影响大气臭氧层和水汽，从而进一步加剧地球辐射，因此二氧化碳被列入《京都议定书》中重要控制排放的气体之一。中国作为世界上人口最多的发展中国家，面临着温室气体减排的巨大压力。目前世界300多个涉及温室气体减排的国际公约中，中国已经加入了包括《京都议定书》在内的50多个公约，而气候变化外交谈判和履行合约的前提就是要准确掌握我国的温室气体分布的格局、浓度及其来源。因此需要有针对中国区域温室气体，尤其是二氧化碳浓度分布监测数据，从而为加快我国温室气体节能减排工作提供重要的科学依据。 

当前国际主流监测二氧化碳遥感卫星包括装载在欧洲环境卫星上的SCIAMACHY(Scanning Imaging Absorption Spectrometer for Atmospheric Chartography)、世界上第一颗用于测量二氧化碳和甲烷两种主要的温室气体的浓度的航天器：温室气体观测卫星GOSAT(Greenhouse gases Observing SATellite)以及美国国家航空航天局于2002年发射的AQUA太阳同步轨道卫星上装载高光谱分辨率大气红外探测器AIRS(Atmospheric Infrared Sounder)。 

目前我国尚缺少自主的二氧化碳遥感卫星及其产品，当前的算法是基于国外卫星数据研发的。可以看出，在这种背景下，持续提高我国二氧化碳的遥感反演算法，研发我国自主的二氧化碳浓度反演产品，对于提高我国的二氧化碳遥感监测能力具有重要意义。 

发明内容

本发明所要解决的技术问题在于，提供一种基于卫星红外遥感的大气二氧化碳浓度快速计算方法，用于解决我国温室气体格局监测分析数据不足、数据精度受限的问题。 

本发明进一步解决了多种卫星遥感数据集分析问题。 

本发明进一步解决了我国温室气体格局监测分析数据不足、数据精度受限的问题，形成我国二氧化碳浓度格局进行分析、验证、可视化的问题。 

为达到上述目的，本发明提供的基于卫星红外遥感的大气二氧化碳浓度快速计算方法，包括建立近气二氧化碳浓度遥感估算模型的步骤和大气二氧化碳浓度遥感估算的步骤，并将其运行与二氧化碳浓度遥感反演及系统应用中，用于对我国二氧化碳浓度格局进行分析、验证、可视化。 

建立二氧化碳非参数统计模型的步骤进一步包括： 

——数据压缩子步骤，用于对采样数据进行分解，实施数据压缩，提取主要的光谱信号结构特征； 

——数据匹配子步骤，根据地面监测站点空间坐标进行地面监测值与相应遥感观测信息的匹配，从而便于神经网络进行模拟； 

——计算模型构建子步骤，用于根据匹配出的遥感信息和地面监测数据构建二氧化碳浓度遥感估算模型建立多层前馈神经网络； 

——质量控制子步骤，用于利用测量信号的质量标记以及标准大气状况下辐射传输模型模拟出的辐亮度最值(最大最小)对卫星输入数据进行质量控制，减小输入样本的误差。 

二氧化碳浓度遥感计算的步骤进一步包括： 

——估算请求子步骤，用于对估算输入数据的预处理； 

——估算子步骤，用于根据该估算请求进行估算，并输出估算结果。 

为了实现上述目的，本发明还提供了二氧化碳浓度遥感反演及系统应用，用于分析、验证我国二氧化碳浓度格局并可视化输出，包括： 

——模型构建子系统，用于根据匹配的时间序列的遥感信息、二氧化碳浓度监测数据构建二氧化碳浓度计算模型； 

——二氧化碳浓度计算子系统，用于根据模型构建子系统实现的二氧化碳浓度计算模型，基于输入数据计算二氧化碳浓度； 

——计算结果可视化子系统，用于返回近二氧化碳浓度计算结果及其可视化。 

与现有技术相比，本发明的有益技术效果在于： 

(1)根据AIRS各观测通道的光谱响应函数，利用大气分子光谱吸收资料数据库HITRAN2008和Line by Line辐射传输模型来增强其对温室气体、特别是对二氧化碳、甲烷等痕量气体的响应性能。 

(2)本方法的辐射传输模拟采用逐线积分辐射模式LBLRTM。所谓逐线积分方法就是逐条计入大气气体吸收谱线贡献的一种精确的透过率计算方法。该方法的优点是可以直接对波数进行积分，可以有效地处理大气非均匀路径和不同气体的重叠吸收带，并可以同时处理吸收与散射问题。 

(3)通过创建大量样本的训练数据库来满足人工神经网络的构建，同时还反映了大气辐射传输的内在物理机制。 

附图说明

图1为本发明的基于卫星红外遥感的大气二氧化碳浓度快速计算方法建立计算模型的构建流程图； 

图2为本发明的基于卫星红外遥感的大气二氧化碳浓度快速计算过程的实施流程图； 

图3为本发明的二氧化碳浓度遥感反演系统的结构框图； 

图4为本发明的二氧化碳浓度遥感反演及系统的流程图。 

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步更详细的描述。 

本发明公开了一种的基于卫星红外遥感的大气二氧化碳浓度快速计算方法和二氧化碳浓度遥感反演系统。根据AIRS(Atmospheric Infrared Sounder)各观测通道的光谱响应函数，利用大气分子光谱吸收资料数据库HITRAN2008和Line by Line辐射传输模型来增强其对温室气体、特别是对二氧化碳、甲烷等痕量气体的响应性能。 

图1为本发明的基于卫星红外遥感的大气二氧化碳浓度快速计算方法建 立计算模型的实施例流程图，参考图1，本发明基于卫星红外遥感的大气二氧化碳浓度快速计算方法中，建立计算模型的过程进一步包括以下步骤： 

步骤S101，对观测通道数据进行去云处理、空间镶嵌，对处理后的数据进行50万次巨量随机采样，形成采样数据集。 

步骤S102，采用奇异值分解的SVD(Singular Value Decomposition)方法对采样数据进行分解，实施数据压缩，提取主要的光谱信号结构特征；生成的协方差矩阵能够直接与卫星光谱数据进行矩阵运算，极大提高了模型的运算效率。 

奇异值分解SVD(Singular Value Decomposition)是线性代数中一种重要的矩阵分解，是矩阵分析中正规矩阵酉对角化的推广，常用于解最小平方误差法和数据压缩，步骤S102利用奇异值分解SVD方法对遥感观测信息进行分解，提取其主要的光谱信号结构特征。 

步骤S103，将提取出的AIRS光谱奇异特征值和奇异向量、观测时“卫星-太阳”几何角度以及地面高程作为模式识别的输入因子，地面高程经过海平面气压归一化，从而便于神经网络进行模拟。目标数据为WDCGG(World Data Centre for Greenhouse Gases)、TCCON(Total Carbon Column Observing Network)和AGAGE(Advanced Global Atmospheric Gases Experiment)站点(2005-2010年)的7种温室气体观测数据，站点数据的选取标准非常严格，要求能够提供连续的相对长时间的观测数据。所有数据进行归一化处理后分为三组：训练数据集(30％)、验证数据集(30％)和测试数据集(40％)，分类方法为自动随机。 

步骤S104，建立多层前馈神经网络。采用删除法和最小误差阈值确定神经网络隐含层内恰当的层数和节点数，使用LM算法优化前馈神经网络，使模型具有局部收敛和全局优化的能力。采用贝叶斯正则化法，调整误差性能参数以消除训练过程中的过拟合现象，增强网络模型的泛化能力。 

步骤S105，利用AIRS测量信号的质量标记以及标准大气状况下辐射传输模型模拟出的辐亮度最值(最大最小)对卫星输入数据进行质量控制，减小输入样本的误差。 

步骤S106，对算法进行敏感性分析，根据随机采样点的数量、主要成分的百分解释比等不同对计算结果所产生的影响，确定其最优的参数输入设置， 从而构建出高效的神经网络模型。 

图2示出了本发明的基于卫星红外遥感的大气二氧化碳浓度快速计算过程的实施流程图。参考图2，本发明计算方法中大气二氧化碳浓度遥感计算过程具体包括以下步骤： 

参考图2，本发明计算方法中基于卫星红外遥感的大气二氧化碳浓度快速计算过程具体包括以下步骤： 

步骤S201，根据用户计算需求生成计算请求。 

用户计算需求包括指定计算日期，相应日期的遥感观测数据存储位置以及计算结果输出位置。计算请求中还包括指定的计算参数配置文件。针对不同的数据源，如在引入气象数据的情况下，可能出现不同的计算参数配置文件。 

步骤S202，根据计算请求进行计算。 

根据步骤S201检索请求中的计算日期，相应日期的遥感观测数据存储位置以及计算参数配置文件，计算结果。 

步骤S203，对计算结果进行融合处理。 

对于计算日期可能出现的多景计算结果影像进行融合处理，得到用户关注区域的最终计算结果。 

步骤S204，生成计算响应并返回计算结果。 

计算响应对计算结果进行封装，根据步骤S201中计算请求中的计算结果输出位置进行处理。例如，输出DAT格式或TIFF格式返回给用户。 

步骤S205，计算结果的可视化。 

基于ArcGIS实现计算结果的可视化，将计算结果直观形象的展示给用户。 

参考图3，本发明示出了一种基于卫星红外遥感的大气二氧化碳浓度快速计算系统(图3)，系统分为模型构建子系统、计算子系统和可视化子系统。 

模型构建子系统301包括：数据压缩单元3011、数据匹配单元3012和模型构建单元3013。 

数据压缩单元3011是进行遥感数据主要光谱特征信号的提取，封装的是奇异值分解SVD算法，在模型构建子系统和计算子系统中都会被用到。数据压缩单元3011以静态方式存在于模型构建单元3013中，并在计算子系统302中共享同一个数据压缩单元3011，避免了频繁的构造数据压缩单元。 

数据匹配单元3012涉及构造模型所需的时间序列训练数据集任务。其原 理是根据地面监测站点空间坐标进行地面监测值与相应遥感观测信息的匹配。 

模型构建单元3013涉及多层前馈人工神经网络的学习、训练、优化及验证，其前提是数据匹配单元3012提供的匹配数据集。 

计算模型构建流程如图4，模型构建子系统的实施流程具体包括： 

步骤S401，构建二氧化碳观测通道数据集，包括AIRS上千个波段的观测信号以及WDCGG和AGAGE所观测的温室气体地表浓度监测值； 

步骤S402，利用奇异值分解SVD方法提取遥感观测数据的主要光谱信号特征； 

步骤S403，将提取出的AIRS光谱奇异特征值和奇异向量、观测时“卫星-太阳”几何角度以及地面高程作为模式识别的输入因子，获得匹配数据集； 

步骤S404，将匹配数据集按照一定比例随机分配成三个数据集：训练数据集、测试数据集以及验证数据集； 

步骤S405，利用多层前馈人工神经网络构建计算模型。 

计算子系统302包括：计算请求单元3021、计算单元3022、计算任务单元3023。 

计算请求单元3021涉及计算配置文件，索引配置文件可以为XML格式或TXT格式，由计算模式、输入位置、输出位置三个元素构成。其中，计算模式涉及对输入数据类型、分类的定义。 

计算单元3022为计算不同数据源提供了抽象方法，支持不同类型的数据源以及气象因子的引入，计算过程中应该使用哪种数据源类型的访问实现，通过解析计算配置文件的输入数据类型、分类来确定。 

计算响应单元3023是计算子系统的核心。计算响应单元3023基于数据压缩单元3011和模型构建单元3013实现。根据模型构建单元3013提供的计算模型，通过计算请求单元3022读取经过数据压缩单元3011预处理过的计算数据源内容，进行计算。计算完成后，根据计算请求单元3022定义的输出位置返回计算结果。 

可视化子系统303包括：处理单元3031，可视化单元3032。 

处理单元3031基于影像融合技术，实现对多景计算结果影像的融合处理。 

可视化单元3032：根据处理单元3031的结果执行可视化，封装ArcGIS(ARCENGINE或ARCGIS SERVER)，进行计算结果的直观展示。 

虽然本发明已以较佳实例揭露如上，然其并非用以限定本发明，在不背离本发明精神及其实质的情况下，熟悉本领域的技术人员当可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。 

Claims (8)

1.基于卫星红外遥感的大气二氧化碳浓度快速计算过程，包括建立近地表二氧化碳浓度遥感模型的步骤和二氧化碳浓度遥感计算的步骤。

建立近地表二氧化碳浓度遥感模型的步骤进一步包括：

——数据压缩子步骤，用于提取遥感数据主要的光谱信号结构特征；

——数据匹配子步骤，根据地面监测站点空间坐标进行地面监测值与相应遥感观测信息的匹配；

——计算模型构建子步骤，用于根据匹配出的遥感信息和地面监测数据构建二氧化碳浓度遥感估算模型；

——质量控制子步骤，用于利用测量信号的质量标记以及标准大气状况下辐射传输模型模拟出的辐亮度最值(最大最小)对卫星输入数据进行质量控制，减小输入样本的误差

二氧化碳浓度遥感计算的步骤进一步包括：

——估算请求子步骤，用于对估算输入数据的预处理；

——估算子步骤，用于根据该估算请求进行估算，并输出估算结果。

2.根据权利要求1所述的卫星红外遥感的大气二氧化碳浓度快速计算方法，所述数据压缩子步骤进一步包括：

步骤S101，对观测通道数据进行去云处理、空间镶嵌，对处理后的数据进行50万次巨量随机采样，形成采样数据集。

步骤S102，采用奇异值分解的SVD(Singular Value Decomposition)方法对采样数据进行分解，实施数据压缩，提取主要的光谱信号结构特征。

3.根据权利要求1所述的卫星红外遥感的大气二氧化碳浓度快速计算方法，所述数据匹配子步骤进一步包括遥感观测信息的提取，大气二氧化碳浓度地面监测数据的提取、生成时间序列的遥感观测信息与大气二氧化碳浓度地面监测数据的匹配数据集三个环节。

4.根据权利要求1所述的卫星红外遥感的大气二氧化碳浓度快速计算方法，所述估算模型构建子步骤中，根据得到的匹配数据集，利用多层前馈神经网络构建大气二氧化碳浓度遥感估算模型。

5.根据权利要求4所述的卫星红外遥感的大气二氧化碳浓度快速计算方法，所述近大气二氧化碳浓度遥感估算步骤中还进一步包括：

——估算精度优化子步骤，针对每种不同的温室气体，确定其最优的参数输入设置，从而构建出高效的神经网络模型，提高估算精度。

6.一种实现上述权利要求1～5中任一项所述方法的系统，包括：

——模型构建子系统，用于根据匹配的时间序列的遥感信息、二氧化碳浓度监测数据构建二氧化碳浓度计算模型；

——二氧化碳浓度计算子系统，用于根据模型构建子系统实现的二氧化碳浓度计算模型，基于输入数据计算二氧化碳浓度；

——计算结果可视化子系统，用于返回近二氧化碳浓度计算结果及其可视化。

7.根据权利要求6所述的系统，还包括：针对每种不同的温室气体，确定其最优的参数输入设置，从而构建出高效的神经网络模型，以提高模型的估算精度。

8.根据权利要求6或7所述的系统，所述模型构建子系统进一步包括：

——数据压缩单元，用于对AIRS观测通道主要光谱信号结构特征的提取；

——数据匹配子步骤，根据地面监测站点空间坐标进行地面监测值与相应遥感观测信息的匹配；

——计算模型构建子步骤，用于根据匹配出的遥感信息和地面监测数据构建二氧化碳浓度遥感估算模型；

——质量控制子步骤，用于利用测量信号的质量标记以及标准大气状况下辐射传输模型模拟出的辐亮度最值(最大最小)对卫星输入数据进行质量控制，减小输入样本的误差。

所述二氧化碳浓度遥感计算的步骤进一步包括：

——估算请求子步骤，用于对估算输入数据的预处理；

——估算子步骤，用于根据该估算请求进行估算，并输出估算结果。

所述估算结果可视化子系统进一步包括：

——结果处理单元，用于进行二氧化碳浓度估算结果的修饰处理；

——结果可视化单元，用于二氧化碳浓度估算结果的可视化。