CN113435511A - 一种基于hasm的xco2数据融合方法和系统 - Google Patents
一种基于hasm的xco2数据融合方法和系统 Download PDFInfo
- Publication number
- CN113435511A CN113435511A CN202110722125.5A CN202110722125A CN113435511A CN 113435511 A CN113435511 A CN 113435511A CN 202110722125 A CN202110722125 A CN 202110722125A CN 113435511 A CN113435511 A CN 113435511A
- Authority
- CN
- China
- Prior art keywords
- xco
- data
- atmospheric
- observation
- hasm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 21
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000000034 method Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims description 26
- 238000012795 verification Methods 0.000 claims description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- 230000004907 flux Effects 0.000 abstract description 4
- 238000011160 research Methods 0.000 abstract description 4
- 238000011278 co-treatment Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种基于HASM的XCO2数据融合方法和系统。该基于HASM的XCO2数据融合方法包括:步骤S101、基于GEOS‑Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;步骤S102、基于HASM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。籍此,使得时空连续分布的XCO2融合数据具有更高数据精度、更高分辨率,为碳通量的研究奠定基础。
Description
技术领域
本申请涉及空间信息模拟技术领域,特别涉及一种基于HASM的XCO2数据融合方法和系统。
背景技术
基于卫星观测数据的插值方法再时空连续模拟方面,受卫星观测仪器和天气条件影响,模拟结果具有不确定性,对全球XCO2数据监测造成一定影响,基于此,提出了针对不同卫星XCO2数据的融合方法,实现大气XCO2空间模拟。
其中,实现XCO2空间模拟有多种方式,包括基于大气化学模型的XCO2浓度空间分布模拟、基于空间观测点的插值等,其中,在融合方面,以往的研究更多为卫星之间的数据集合或不同XCO2算法产品融合,缺乏对不同来源的数据融合。
因此,需要提供一种针对上述现有技术不足的改进技术方案。
发明内容
本申请的目的在于提供一种基于HASM的XCO2数据融合方法和系统,以解决或缓解上述现有技术中存在的问题。
为了实现上述目的,本申请提供如下技术方案:
本申请提供了一种基于HASM的XCO2数据融合方法,包括:步骤S101、基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;步骤S102、基于HASM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。
优选的,步骤S101具体为,基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气CO2廓线,并根据大气CO2浓度压强权重函数,对大气CO2廓线进行计算,得到大气XCO2时空连续分布模拟数据;其中,按照公式:
计算大气CO2浓度压强权重函数;
式中,h表示大气CO2浓度压强权重函数,i表示按照等气压面,对大气进行分层的层数,i取正整数;psurf表示地表压强;pi、pi+1分别表示第i层的上、下边界的压强。
优选的,在步骤S101中:基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,按照预定步长对大气CO2浓度进行模拟,得到大气CO2廓线。
优选的,在步骤S102中,基于HASM方法,对大气进行网格划分后同一网格内TanSat卫星的XCO2观测数据的均值和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据;其中,按照 0.1°×0.1°的空间分辨率对大气进行网格划分。
优选的,所述基于HASM的XCO2数据融合方法还包括:根据地基 TCCON观测站点观测得到的大气XCO2地基观测数据,对时空连续分布的 XCO2融合数据进行校验。
本申请实施例还提供一种基于HASM的XCO2数据融合系统,包括:模拟单元,配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;融合单元,配置为基于HSAM方法,对TanSat卫星观测得到的 XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。
优选的,所述模拟单元,进一步配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气CO2廓线;并根据大气CO2浓度压强权重函数,对大气CO2廓线进行计算,得到大气XCO2时空连续分布模拟数据;其中,按照公式:
计算大气CO2浓度压强权重函数;
式中,h表示压强权重函数,i表示按照等气压面,对大气进行分层的层数,i取正整数;psurf表示地表压强;p表示压强。
优选的,所述模拟单元,进一步配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到同化气象观测数据,按照预定步长对大气CO2浓度进行模拟,得到大气CO2廓线。
优选的,所述融合单元,进一步配置为基于HASM方法,对大气进行网格划分后同一网格内TanSat卫星的XCO2观测数据的均值和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据;其中,按照0.1°×0.1°的空间分辨率对大气进行网格划分。
优选的,所述基于HASM的XCO2数据融合系统还包括:校验单元,配置为根据地基TCCON观测站点观测得到的大气XCO2地基观测数据,对时空连续分布的XCO2融合数据进行校验。
与最接近的现有技术相比,本申请实施例的技术方案具有如下有益效果:
本申请实施例提供的基数方案中,基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到的大气XCO2时空连续分布模拟数据为面状数据,其模拟了大气XCO2的整体分布趋势;通过TanSat卫星观测得到的XCO2观测数据为点状数据,其表征了大气XCO2的局部细节;基于HASM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到既保留了大气 XCO2的局部细节、又反映了大气XCO2的整体分布趋势的数据曲面,即时空连续分布的XCO2融合数据;籍此,使得时空连续分布的XCO2融合数据具有更高数据精度、更高分辨率,为碳通量的研究奠定基础。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。其中:
图1为根据本申请的一些实施例提供的一种基于HASM的XCO2数据融合方法的流程示意图;
图2为根据本申请的一些实施例提供的基于HASM的XCO2数据融方法的逻辑框图;
图3为根据本申请的一些实施例提供的2018年1月至12月大气CO2 浓度分布示意图;
图4为根据本申请的一些实施例提供的2018年1月至12月全球陆地区域TanSat天底模式观测XCO2分布示意图;
图5为根据本申请的一些实施例提供的2018年1月至12月TanSat与 GEOS-Chem的HASM融合结果的示意图;
图6为根据本申请的一些实施例提供的2018年1月至12月TanSat和 GEOS-Chem融合结果误差时空分布3D示意图;
图7为根据本申请的一些实施例提供的一种基于HASM的XCO2数据融合系统的示意图。
具体实施方式
下面将参考附图并结合实施例来详细说明本申请。各个示例通过本申请的解释的方式提供而非限制本申请。实际上,本领域的技术人员将清楚,在不脱离本申请的范围或精神的情况下,可在本申请中进行修改和变型。例如,示为或描述为一个实施例的一部分的特征可用于另一个实施例,以产生又一个实施例。因此,所期望的是,本申请包含归入所附权利要求及其等同物的范围内的此类修改和变型。
图1为根据本申请的一些实施例提供的一种基于HASM的XCO2数据融合方法的流程示意图;图2为根据本申请的一些实施例提供的基于HASM的 XCO2数据融方法的逻辑框图;如图1、图2所示,该基于HASM的XCO2数据融合方法包括:
步骤S101、基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;
在本申请实施例中,根据戈达德地球观测系统得到的同化气象观测数据,通过大气化学传输模型GEOS-Chem,对大尺度(长时间序列)的气象要素 (大气CO2浓度)数据进行模拟,得到观测时间所需的XCO2时空连续分布数据(面状数据),以反映大气XCO2在空间上的分布趋势(如图3所示)。
在本申请实施例中,具体的,基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气 CO2廓线,并根据大气CO2浓度压强权重函数,对大气CO2廓线进行计算,得到大气XCO2时空连续分布模拟数据。其中,按照公式(1)计算大气CO2浓度压强权重函数,公式(1)如下所示:
式中,h表示大气CO2浓度压强权重函数,i表示按照等气压面,对大气进行分层的层数,i取正整数;psurf表示地表压强;pi、pi+1分别表示第i层的上、下边界的压强。
在本申请实施例中,按照等气压面,将大气分为n层 i∈(1,2,3……n),i、n均为正整数。其中,
大气的第1层的大气CO2浓度压强权重函数为:
大气的第n层的大气CO2浓度压强权重函数为:
其中,pn+1为第n层的上边界层的压强,pn+1=0。
也就是说,当i=1时,h1取值为公式(1)中绝对值符号内加号右侧的括号函数,当i=n时,hn取值为公式(1)中绝对值符号内加号左侧的括号函数,当i∈(2,3……n-1)时,hn取值为公式(1)。
在本申请实施例中,进一步的,基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,按照预定步长对大气CO2浓度进行模拟,得到大气CO2廓线。
在本申请实施例中,预定步长为6小时,即基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,以小时为单位对大气CO2浓度进行模拟,平均每6小时输出一次模拟结果。其中,预定步长越小,模拟结果的输出精度越高。
步骤S102、基于HASM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。
在本申请实施例中,通过卫星观测XCO2时空分布,虽然可以实现大尺度观测,但是受到卫星运行轨道和数据分辨率限制,在各个轨道的观测数据之间存在许多空缺值,卫星观测数据类型在空间数据矢量格式中属于“点状数据”,即TanSat卫星观测得到的XCO2观测数据为点状数据(如图4所示),虽然能够表征大气XCO2的局部细节信息,但无法获取空间连续分布信息。
而通过大气化学传输模型,对大尺度(长时间序列)的气象要素(大气 CO2浓度)数据进行模拟,得到观测时间所需的XCO2时空连续分布数据(面状数据),以反映大气XCO2在空间上的分布趋势。
基于HASM(High Accuracy Surface Modeling,高精度曲面建模)方法,将点状数据的TanSat卫星观测得到的XCO2观测数据作为优化控制条件,将大气XCO2时空连续分布模拟数据作为驱动场,对TanSat卫星观测得到的 XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,既可以保留大气XCO2时空连续分布模拟数据在空间上的分布趋势,又可以保留TanSat卫星观测得到的XCO2观测数据对大气XCO2的局部细节信息的表征,生成保留了充分细节信息、又反映了整体的趋势的数据曲面,即时空连续分布的 XCO2融合数据(如图5)。籍此,使得时空连续分布的XCO2融合数据具有更高数据精度、更高分辨率,为碳通量的研究奠定基础。
在本申请实施例中,具体的,基于HASM方法,对大气进行网格划分后同一网格内TanSat卫星的XCO2观测数据的均值和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据;其中,按照 0.1°×0.1°的空间分辨率对大气进行网格划分。
在本申请实施例中,以0.1°×0.1°的空间分辨率对大气进行网格划分,在同一网格内可能存在有多个观测值,通过提取多个观测值的均值,作为相应网格的优化控制条件,与相应网格中的大气XCO2时空连续分布模拟数据进行融合。
在一些可选实施例中,基于HASM的XCO2数据融合方法还包括:根据地基TCCON观测站点观测得到的大气XCO2地基观测数据,对时空连续分布的XCO2融合数据进行校验。
在本申请实施例中,地基TCCON观测站点观测得到的大气XCO2地基观测数据具有较高的精度,利用其对时空连续分布的XCO2融合数据进行校验,可有效检验基于HASM的XCO2数据融合方法的有效性及精确度,为碳通量的研究奠定基础。具体的,通过时空连续分布的XCO2融合数据中对应地基TCCON观测站点处提取的XCO2栅格值,与大气XCO2地基观测数据进行比对,分析时空连续分布的XCO2融合数据中的误差,以对时空连续分布的XCO2融合数据进行校验(如图6所示)。
比如,统计地基TCCON观测站点在预定时间内的误差最小值(MIN)、误差最大误差(MAX)、均值误差(ME)、误差绝对均值(MAE)和误差标准差(ESD)。具体的,在相同时空匹配规则下,对地基TCCON观测站点的大气XCO2地基观测数据分别与TanSat卫星、GOSAT卫星和OCO-2卫星的 XCO2观测数据进行同步时空匹配,分别相同时空下对大气XCO2地基观测数据与TanSat卫星、GOSAT卫星和OCO-2卫星的XCO2观测数据的均值进行比对,获取该时空下,TanSat卫星、GOSAT卫星和OCO-2卫星的XCO2观测数据分别与地基TCCON观测站点的大气XCO2地基观测数据的误差结果;并对误差结果进行统计,提取误差最大值、误差最小值、误差均值、误差绝对值均值、以及误差标准差。
在本申请实施例中,在±2h和±1°的时空匹配规则下,对地基TCCON 观测站点的大气XCO2地基观测数据分别与TanSat卫星、GOSAT卫星和 OCO-2卫星的XCO2观测数据进行同步时空匹配。
表1为基于GEOS-Chem模型的得到的大气XCO2时空连续分布模拟数据与大气XCO2地基观测数据的误差统计,以及大气XCO2时空连续分布模拟数据融合TanSat卫星观测得到的XCO2观测数据后,得到的时空连续分布的XCO2融合数据与大气XCO2地基观测数据的误差统计,如表1所示,相比于驱动场GEOS-Chem与TCCON观测站点的误差统计,时空连续分布的XCO2融合数据与大气XCO2地基观测数据的误差具有很大改善。如,驱动场的ME和MAE分别为1.51ppm和2.45ppm,经TanSat融合后的ME和MAE 分别降低为0.64ppm和1.62ppm,在时空连续分布的XCO2融合数据中MAE 更能体现误差变化,融合后的精度提高0.83ppm。在误差标准差方面,融合后ESD均值为1.9ppm,相比于驱动场的2.6ppm,误差标准差降低了0.7ppm。表1如下所示:
表1 GEOS-Chem驱动场和融合结果误差统计
注:单位(ppm)
图7为根据本申请的一些实施例提供的一种基于HASM的XCO2数据融合系统的示意图;如图7所示,该基于HASM的XCO2数据融合系统包括:模拟单元701和融合单元702。模拟单元701配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;融合单元702配置为基于HSAM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。
在一些可选实施例中,模拟单元701,进一步配置为基于GEOS-Chem 模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气CO2廓线;并根据大气CO2浓度压强权重函数,对大气 CO2廓线进行计算,得到大气XCO2时空连续分布模拟数据;其中,按照公式:
计算大气CO2浓度压强权重函数;
式中,h表示压强权重函数,i表示按照等气压面,对大气进行分层的层数,i取正整数;psurf表示地表压强;p表示压强。
在一具体的例子中,模拟单元701,进一步配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到同化气象观测数据,按照预定步长对大气 CO2浓度进行模拟,得到大气CO2廓线。
在一些可选实施例中,融合单元702,进一步配置为基于HASM方法,对大气进行网格划分后同一网格内TanSat卫星的XCO2观测数据的均值和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据;其中,按照0.1°×0.1°的空间分辨率对大气进行网格划分。
在一些可选实施例中,基于HASM的XCO2数据融合系统还包括:校验单元,配置为根据地基TCCON观测站点观测得到的大气XCO2地基观测数据,对时空连续分布的XCO2融合数据进行校验。
本申请实施例提供的基于HASM的XCO2数据融合系统能够实现上述任一的基于HASM的XCO2数据融合方法实施例的流程、步骤,并达到相同的技术效果,在此不再一一赘述。
以上所述仅为本申请的优选实施例,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种基于HASM的XCO2数据融合方法,其特征在于,包括:
步骤S101、基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;
步骤S102、基于HASM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。
3.根据权利要求2所述的基于HASM的XCO2数据融合方法,其特征在于,在步骤S101中:基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,按照预定步长对大气CO2浓度进行模拟,得到大气CO2廓线。
4.根据权利要求1所述的基于HASM的XCO2数据融合方法,其特征在于,在步骤S102中,
基于HASM方法,对大气进行网格划分后同一网格内TanSat卫星的XCO2观测数据的均值和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据;其中,按照0.1°×0.1°的空间分辨率对大气进行网格划分。
5.根据权利要求1-4任一所述的基于HASM的XCO2数据融合方法,其特征在于,所述基于HASM的XCO2数据融合方法还包括:
根据地基TCCON观测站点观测得到的大气XCO2地基观测数据,对时空连续分布的XCO2融合数据进行校验。
6.一种基于HASM的XCO2数据融合系统,其特征在于,包括:
模拟单元,配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到的同化气象观测数据,对大气CO2浓度进行模拟,得到大气XCO2时空连续分布模拟数据;
融合单元,配置为基于HSAM方法,对TanSat卫星观测得到的XCO2观测数据和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据。
8.根据权利要求7所述的基于HAMS的XCO2数据融合系统,其特征在于,所述模拟单元,进一步配置为基于GEOS-Chem模型,根据戈达德地球观测系统得到同化气象观测数据,按照预定步长对大气CO2浓度进行模拟,得到大气CO2廓线。
9.根据权利要求6所述的基于HASM的XCO2数据融合系统,其特征在于,所述融合单元,进一步配置为基于HASM方法,对大气进行网格划分后同一网格内TanSat卫星的XCO2观测数据的均值和大气XCO2时空连续分布模拟数据进行融合,得到时空连续分布的XCO2融合数据;其中,按照0.1°×0.1°的空间分辨率对大气进行网格划分。
10.根据权利要求6-9任一所述的基于HASM的XCO2数据融合系统,其特征在于,所述基于HASM的XCO2数据融合系统还包括:
校验单元,配置为根据地基TCCON观测站点观测得到的大气XCO2地基观测数据,对时空连续分布的XCO2融合数据进行校验。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722125.5A CN113435511A (zh) | 2021-06-28 | 2021-06-28 | 一种基于hasm的xco2数据融合方法和系统 |
NL2032264A NL2032264B1 (en) | 2021-06-28 | 2022-06-23 | HASM-Based XCO2 Data Fusion Method And System |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722125.5A CN113435511A (zh) | 2021-06-28 | 2021-06-28 | 一种基于hasm的xco2数据融合方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113435511A true CN113435511A (zh) | 2021-09-24 |
Family
ID=77757383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110722125.5A Pending CN113435511A (zh) | 2021-06-28 | 2021-06-28 | 一种基于hasm的xco2数据融合方法和系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113435511A (zh) |
NL (1) | NL2032264B1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310550A (zh) * | 2022-08-16 | 2022-11-08 | 国网四川省电力公司电力科学研究院 | 一种大气二氧化碳干空气柱浓度计算方法及系统 |
CN117009818A (zh) * | 2023-04-12 | 2023-11-07 | 中国科学院空天信息创新研究院 | 一种基于多项式改正的大气co2融合方法和系统 |
CN118152985A (zh) * | 2024-05-09 | 2024-06-07 | 山东农业大学 | 一种基于hasm估算草地地上生物量的方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060112639A1 (en) * | 2003-11-29 | 2006-06-01 | Nick Peter A | Process for pyrolytic heat recovery enhanced with gasification of organic material |
CN106204611A (zh) * | 2016-07-19 | 2016-12-07 | 中国科学院地理科学与资源研究所 | 一种基于HASM模型的LiDAR点云数据处理方法及装置 |
CN111257241A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院地理科学与资源研究所 | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 |
-
2021
- 2021-06-28 CN CN202110722125.5A patent/CN113435511A/zh active Pending
-
2022
- 2022-06-23 NL NL2032264A patent/NL2032264B1/en active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060112639A1 (en) * | 2003-11-29 | 2006-06-01 | Nick Peter A | Process for pyrolytic heat recovery enhanced with gasification of organic material |
CN106204611A (zh) * | 2016-07-19 | 2016-12-07 | 中国科学院地理科学与资源研究所 | 一种基于HASM模型的LiDAR点云数据处理方法及装置 |
CN111257241A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院地理科学与资源研究所 | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 |
Non-Patent Citations (4)
Title |
---|
ZHAO MINGWEI等: "Fusion of multi-source near-surface CO2 concentration data based on high accuracy surface modeling", 《ATMOSPHERIC POLLUTION RESEARCH》 * |
刘达 等: "结合GEOS-Chem模型模拟的ACOS-XCO2数据系统偏差校正效果分析", 《第19届中国遥感大会论文集》 * |
张丽丽 等: "基于OCO-2卫星观测模拟高精度XCO2的空间分布", 《地球信息科学学报》 * |
雷林: "《海洋渔业遥感》", 31 August 2016, 北京:海洋出版社 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310550A (zh) * | 2022-08-16 | 2022-11-08 | 国网四川省电力公司电力科学研究院 | 一种大气二氧化碳干空气柱浓度计算方法及系统 |
CN117009818A (zh) * | 2023-04-12 | 2023-11-07 | 中国科学院空天信息创新研究院 | 一种基于多项式改正的大气co2融合方法和系统 |
CN117009818B (zh) * | 2023-04-12 | 2024-01-23 | 中国科学院空天信息创新研究院 | 一种基于多项式改正的大气co2融合方法和系统 |
CN118152985A (zh) * | 2024-05-09 | 2024-06-07 | 山东农业大学 | 一种基于hasm估算草地地上生物量的方法 |
Also Published As
Publication number | Publication date |
---|---|
NL2032264B1 (en) | 2023-12-18 |
NL2032264A (en) | 2023-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113435511A (zh) | 一种基于hasm的xco2数据融合方法和系统 | |
CN108108836B (zh) | 一种基于时空深度学习的臭氧浓度分布预测方法和系统 | |
CN109344865B (zh) | 一种多数据源的数据融合方法 | |
Yashin et al. | Real-time data of muon hodoscope URAGAN | |
CN109916788B (zh) | 一种区分不同区域排放变化和气象条件变化对pm2.5浓度影响的方法 | |
Basu et al. | Separation of biospheric and fossil fuel fluxes of CO 2 by atmospheric inversion of CO 2 and 14 CO 2 measurements: Observation System Simulations | |
CN113297527B (zh) | 基于多源城市大数据的pm2.5全面域时空计算推断方法 | |
Rapp et al. | Absolute density measurements in the middle atmosphere | |
Li et al. | The impact of observation nudging on simulated meteorology and ozone concentrations during DISCOVER-AQ 2013 Texas campaign | |
Patra et al. | Transport mechanisms for synoptic, seasonal and interannual SF 6 variations and" age" of air in troposphere | |
CN113297528A (zh) | 一种基于多源大数据的no2高分辨率时空分布计算方法 | |
Bugmann et al. | A new forest gap model to study the effects of environmental change on forest structure and functioning | |
CN110471131B (zh) | 高空间分辨率的精细化大气水平能见度自动预报方法及系统 | |
CN110119590B (zh) | 一种基于多源观测数据的水质模型粒子滤波同化方法 | |
CN115204618B (zh) | 一种ccmvs区域碳源汇同化反演方法 | |
Raynaud et al. | Atmospheric analogues for physically consistent scenarios of surface weather in Europe and Maghreb | |
CN115310550B (zh) | 一种大气二氧化碳干空气柱浓度计算方法及系统 | |
CN112131731B (zh) | 一种基于空间特征向量滤波的城市生长元胞模拟方法 | |
CN106229972A (zh) | 一种基于多气象源集成并分段建模的风电功率预测方法 | |
CN114266200A (zh) | 二氧化氮浓度预测方法及系统 | |
CN108746168A (zh) | 一种利用功能植物群落修复铀污染土壤的方法 | |
CN115730524A (zh) | 一种基于机器学习的数值模拟虚拟测风误差订正方法 | |
CN115420690A (zh) | 近地表痕量气体浓度反演模型及反演方法 | |
CN113435512B (zh) | 一种多卫星多源xco2数据融合方法和系统 | |
Mujiono et al. | Simulation of land use change and effect on potential deforestation using Markov Chain-Cellular Automata |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210924 |