CN115204618B - 一种ccmvs区域碳源汇同化反演方法 - Google Patents
一种ccmvs区域碳源汇同化反演方法 Download PDFInfo
- Publication number
- CN115204618B CN115204618B CN202210714037.5A CN202210714037A CN115204618B CN 115204618 B CN115204618 B CN 115204618B CN 202210714037 A CN202210714037 A CN 202210714037A CN 115204618 B CN115204618 B CN 115204618B
- Authority
- CN
- China
- Prior art keywords
- concentration
- carbon
- assimilation
- observation
- inversion
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 132
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 132
- 238000000034 method Methods 0.000 title claims description 27
- 230000004907 flux Effects 0.000 claims abstract description 36
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000010801 machine learning Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 21
- 239000005431 greenhouse gas Substances 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000000241 respiratory effect Effects 0.000 claims description 10
- 230000008878 coupling Effects 0.000 claims description 9
- 238000010168 coupling process Methods 0.000 claims description 9
- 238000005859 coupling reaction Methods 0.000 claims description 9
- 238000004088 simulation Methods 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000003908 quality control method Methods 0.000 claims description 7
- 230000002457 bidirectional effect Effects 0.000 claims description 6
- 230000000243 photosynthetic effect Effects 0.000 claims description 6
- 230000000977 initiatory effect Effects 0.000 claims description 5
- GVVPGTZRZFNKDS-JXMROGBWSA-N geranyl diphosphate Chemical compound CC(C)=CCC\C(C)=C\CO[P@](O)(=O)OP(O)(O)=O GVVPGTZRZFNKDS-JXMROGBWSA-N 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 3
- 238000013213 extrapolation Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 2
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000013398 bayesian method Methods 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 claims description 2
- 238000002790 cross-validation Methods 0.000 claims 3
- 238000000605 extraction Methods 0.000 claims 1
- 230000001932 seasonal effect Effects 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000011156 evaluation Methods 0.000 abstract description 10
- 230000001360 synchronised effect Effects 0.000 abstract description 7
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 230000001737 promoting effect Effects 0.000 abstract description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 12
- 238000012795 verification Methods 0.000 description 8
- 229910002092 carbon dioxide Inorganic materials 0.000 description 6
- 239000001569 carbon dioxide Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010792 warming Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000006386 neutralization reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004177 carbon cycle Methods 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000011426 transformation method Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- 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
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
- G01N33/0068—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display using a computer specifically programmed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Tourism & Hospitality (AREA)
- Biochemistry (AREA)
- Strategic Management (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种CCMVS区域碳源汇同化反演评估系统,包括多源CO2浓度观测数据的获取与预处理、自然碳通量在线优化、高效混合同化新算法、大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演;多源CO2包括高精度的地基、碳卫星以及CO通过机器学习获取的CO2浓度观测数据;本发明公开的CCMVS区域碳源汇同化反演评估系统,提高了区域碳同化系统在巨大的维数特征下计算效率;人为碳排放和自然碳交换同步反演提高了区域碳源汇反演精度;搭建我国全国范围高效、高分辨区域CO2同化反演系统,有利于推进实际应用。
Description
技术领域
本发明涉及环境保护技术领域,尤其涉及一种CCMVS区域碳源汇同化反演评估系统。
背景技术
全球变暖是人类的行为造成地球气候变化的后果。“碳”就是石油、煤炭、木材等由碳元素构成的自然资源。“碳”耗用得多,导致地球暖化的元凶“二氧化碳”也制造得多。随着人类的活动,全球变暖也在改变(影响)着人们的生活方式,带来越来越多的问题。碳中和(carbon neutrality),节能减排术语。碳中和是指国家、企业、产品、活动或个人在一定时间内直接或间接产生的二氧化碳或温室气体排放总量,通过植树造林、节能减排等形式,以抵消自身产生的二氧化碳或温室气体排放量,实现正负抵消,达到相对“零排放”。
反演是指能够模仿人类智能的计算机程序系统的人工智能系统,它具有学习和推理的功能。例如专家系统、人工神经网络系统等。在反问题求解过程中应用人工智能的方法技术,引导局部或全局最优,这种反演方法称为人工智能反演,现阶段又分为线性反演、迭代反演、最优化反演等;
目前,为了减少二氧化碳的排放,降低全球变暖趋势;对二氧化碳的排放进行监测,技术人员进行技术使用及研究包括:1、集合四维变分混合同化算法(EnKF-4DVar),实现我国全国范围高效、高分辨区域CO2同化反演研究;2、优化WRF-GHG温室气体传输模式光合与呼吸模块的碳循环关键参数(λ、PAR0、α和β)的输入形式,从参数定值输入转为格网动态输入,结合生态系统碳交换观测数据,实现人为碳排放和自然碳交换同步反演优化;3、基于国家温室气体观测网获得的地基高精度大气CO2浓度观测数据,辅以在轨运行的四颗碳卫星(GOSAT、GOSAT-2、OCO-2和OCO-3)XCO2数据和通过CO机器学习方法获取的CO2浓度数据,实现地基-多源卫星大气CO2浓度联合碳同化;
现有上述的二氧化碳的排放监测系统中使用的反演分析存在的缺陷包括,首先,目前的区域同化反演算法效率低,限制了区域高分辨率同化系统的发展与应用;其次,现有的碳源汇同化反演系统大部分是假设人为碳排放和陆地生态系统自然碳交换一方误差可以忽略、利用大气CO2浓度同化反演去优化另一方,会带来反演结果的不确定性,且无法实现对人为碳排放和自然碳交换同时优化反演;另外,“自上而下”的同化反演方法受观测数据数量和模型效率等因素的制约,其反演结果分辨率低、不确定性大,且以全球尺度居多。此外,同化所用的卫星观测数据受卫星过境时间和“晴空无云”条件的限制,卫星柱浓度观测数据在空间分布上并不均匀;
因此,本领域的技术人员致力于开发一种CCMVS区域碳源汇同化反演评估系统,以解决上述现有技术在碳中和方面的不足。
发明内容
有鉴于现有技术的上述缺陷,本发明所要解决的技术问题是目前现有技术在进行碳通量同化反演系统中存在反演算法效率低,反演结果分辨率低、不确定性大,无法实现对人为碳排放和自然碳交换同时优化反演的缺陷问题。
为实现上述目的,本发明提供了一种CCMVS区域碳源汇同化反演评估系统,包括多源CO2浓度观测数据的获取与预处理、自然碳通量在线优化、高效混合同化新算法、大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演;
所述多源CO2包括高精度的地基、碳卫星以及CO通过机器学习获取的CO2浓度观测数据;
进一步地,所述多源CO2包括地基、碳卫星和CO浓度观测数据;
进一步地,所述多源CO2浓度观测数据的获取与预处理为CO浓度观测数据的获取和预处理、碳卫星观测数据的获取与预处理;
进一步地,所述自然碳通量在线优化为对光合和呼吸模块的关键参数进行实时校准,具体包括数据质量控制和参数优化;
进一步地,所述高效混合同化新算法为双向耦合EnKF与4DVar的高效同化新算法EnKF-4Dvar;
进一步地,所述CO浓度观测数据的获取和预处理,具体操作为:
首先,基于站点位置按季节提取多源碳卫星和航空观测等手段获取的CO2浓度观测值,收集相应站点气压、气温、湿度和风等气象观测因子,以及相应时刻的站点CO浓度观测值;
其次,为了保证引入同化系统的站点质量,机器学习之前需要严格的质量控制:(a)当站点CO2与CO相关性的绝对值小于0.7时,则认为其相关性太弱舍弃该站点;(b)当站点CO2与CO对应时刻的观测数目少于5时,则认为数据太少不具有代表性,舍弃该站点。
最后,提取CO及气象观测要素的时空特征,将基础特征与时空特征共同作为多元输入因子,将收集的CO2站点浓度用作学习目标,利用广泛使用的机器学习模型LightGBM构建多元回归模型。采用10折交叉验证、空间交叉验证及逐年交叉验证进行模型参数优化、反演能力评估、时空外推能力验证。最终基于机器学习获取国家温室气体观测网和多源碳卫星未覆盖区域CO浓度观测转化而来的CO2浓度值引入区域碳同化系统;
进一步地,所述碳卫星观测数据的获取与预处理,具体操作为:
首先,收集、整理碳卫星的观测数据,碳卫星包括GOSAT、GOSAT-2、OCO-2/3;
然后,将碳卫星观测数据在同化之前进行预处理:所述预处理为根据空间分辨率的不同,对多源碳卫星观测数据进行融合;
进一步地,所述高效混合同化新算法,为双向耦合集合卡尔曼滤波器(EnKF)与四维变分同化系统(4Dvar)的高效同化新算法EnKF-4Dvar,具体为采用集合流相关协方差和模型约束轨迹分析和以双向耦合的方式实现4DVar与EnKF同化方法的混合集成(EnKF-4DVar);在EnKF-4DVar同化方法中EnKF和4DVar并行运行又同时间断地相互交换信息;从EnKF集合估计的多元、流量依赖背景误差协方差被用于4DVar最小化,而EnKF分析中的集合平均值被4DVar分析所取代,同时EnKF更新下一个集合预报周期的扰动;因此,所述高效混合同化新算法EnKF-4DVar既可以从集合预报得到的显式协方差矩阵中获得流相关信息,也可以从EnKF-4DVar轨迹隐式获得流相关信息;
进一步地,所述大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演,为运用研发的EnKF-4DVar高效同化算法,结合高精度温室气体观测网CO2浓度观测数据,辅以多源卫星(GOSAT/GOSAT-2、OCO-2/3)X CO2观测数据和通过CO机器学习获取的CO2浓度值,在考虑CO2浓度与通量之间滞后特征的基础上,通过模型的模拟值与观测值之间的差异构造代价函数(公式B),对代价函数求导获取后验值(CO2人为碳通量或CO2浓度初始场后验值);
式B中,
T代表矩阵转置;
为先验值(CO2人为碳通量或CO2浓度初始场先验值);
k代表CO2浓度观测时间序列;
矩阵B和R分别代表通量或初始CO2浓度的背景误差和浓度观测误差协方差;
是状态变量,代表大气CO2反演模型中要求解的人为碳通量和CO2浓度初始场;
通过公式C与/>联系在一起;
最后,将温室气体观测网络数据、卫星柱浓度数据XCO2和CO机器学习获取的CO2浓度观测数据,同时引入区域碳同化系统,进行人为碳通量和CO2浓度初始场的同化反演;
采用以上方案,本发明公开的CCMVS区域碳源汇同化反演评估系统,具有以下优点:
(1)本发明公开的CCMVS区域碳源汇同化反演评估系统,在四维变分-4DVar同化框架下,引入集合同化-EnKF背景误差协方差更新的方法,研发集合四维变分混合同化(EnKF-4DVar)算法,提高了区域碳同化系统在巨大的维数特征下计算效率;有利于搭建我国全国范围高效、高分辨区域CO2同化反演系统,有利于推进实际应用;
(2)本发明公开的CCMVS区域碳源汇同化反演评估系统,通过同化高精度的地基观测网络数据辅以碳卫星(GOSAT、OCO-2等)观测数据,并同时引入中国区域分布较为多的CO浓度观测通过机器学习等获得的CO2浓度数据,大大提高区域碳同化系统的反演精度;
(3)本发明公开的CCMVS区域碳源汇同化反演评估系统,引入生态模型关键参数实时在线优化方案,实现区域碳同化系统人为碳排放和自然碳交换同步反演的能力;突破把更多观测数据引入同化反演系统,有利于提高区域碳源汇反演精度的方法。
综上所述,本发明公开的CCMVS区域碳源汇同化反演评估系统,提高了区域碳同化系统在巨大的维数特征下计算效率;人为碳排放和自然碳交换同步反演提高了区域碳源汇反演精度;搭建我国全国范围高效、高分辨区域CO2同化反演系统,有利于推进实际应用。
以下将结合具体实施方式对本发明的构思、具体技术方案及产生的技术效果作进一步说明,以充分地了解本发明的目的、特征和效果。
附图说明
图1为VPRM模式参数优化示意图;
图2为高效混合同化算法EnKF-4DVar示意图;
图3为柱浓度尺度转换示意图;
图4为人为碳通量或CO2浓度初始场与CO2浓度观测值之间函数关系示意图;
具体实施方式
以下介绍本发明的多个优选实施方式,使其技术内容更加清楚和便于理解。本发明可以通过许多不同形式的实施方式来得以体现,这些实施方式为示例性描述,本发明的保护范围并非仅限于文中提到的实施方式。
名词解释:
CCMVS:人为碳排放和自然碳交换同步反演系统;
EnKF-4Dvar:集合四维变分混合同化;
本实施方式的CCMVS区域碳源汇同化反演,具体包括如下过程:
1、多源CO2浓度观测数据的获取与预处理
(1)CO浓度观测数据的获取和预处理
首先,基于站点位置按季节提取多源碳卫星和航空观测等手段获取的CO2浓度观测值,收集相应站点气压、气温、湿度和风等气象观测因子,以及相应时刻的站点CO浓度观测值;其中CO2浓度观测主要来自国家温室气体观测网获得的地基高精度大气CO2浓度观测数据,在轨运行的四颗碳卫星(GOSAT、GOSAT-2、OCO-2和OCO-3)XCO2数据,气象观测数据为中国气象局2400多个国家级的气象观测站,拥有1960年以来的6小时间隔、2007年以来逐小时观测资料,CO观测数据来自2015-至今国家环境保护部的CO浓度监测数据,时间分辨率为小时;
其次,为了保证引入同化系统的站点质量,机器学习之前需要严格的质量控制:(a)当站点CO2与CO相关性的绝对值小于0.7时,则认为其相关性太弱舍弃该站点;(b)当站点CO2与CO对应时刻的观测数目少于5时,则认为数据太少不具有代表性,舍弃该站点。
最后,提取CO及气象观测要素的时空特征,将基础特征与时空特征共同作为多元输入因子,将收集的CO2站点浓度用作学习目标,利用广泛使用的机器学习模型LightGBM构建多元回归模型。采用10折交叉验证、空间交叉验证及逐年交叉验证进行模型参数优化、反演能力评估、时空外推能力验证。最终基于机器学习获取国家温室气体观测网和多源碳卫星未覆盖区域CO浓度观测转化而来的CO2浓度值引入区域碳同化系统。
(2)碳卫星观测数据的获取与预处理
收集、整理碳卫星(GOSAT,10.5km,3天;GOSAT-2,9.7km,6天;OCO-2/3,1.29km×2.25km,16天)观测数据,这些卫星观测数据直接引入区域碳同化系统,会出现与反演分辨率不一致的问题;
以反演的空间分辨率10km为例:即在一个10km x 10km格网中可能存在同颗卫星的多个观测数据,因此在同化之前需要进行如下预处理:
OCO-2/3:OCO-2/3具有较高的测量精度、高分辨率和高覆盖度,每秒收集24个测量点(一秒打3次,一次打8个点),形成一个沿轨跨度约7公里(3次×2.25km),交轨跨度约10公里(8个点×1.29km)的方形。为了避免高度相关的测量值在同化过程中被视为独立的测量值同化、也为了能使X CO2的空间分辨率与模式相近,我们将1s内的24点合成一个X CO2平均值(公式A)。
平均过程如下:首先,将1s钟内质量好(“good”quality,selected by xco2_quality_flag=0.)的观测点过滤出来;其次,对过滤后观测点的卫星柱浓度、卫星气压加权函数、先验廓线和核函数求平均;最后,将平均值引入区域碳同化系统参与同化。
式A中,
代表卫星柱浓度(或卫星气压加权函数、先验廓线或核函数)的平均后状态;
n代表该1s钟内观测点的个数,i(i<=n)代表观测点序数;
代表第i个卫星观测点的卫星柱浓度(或卫星气压加权函数、先验廓线或核函数)的原始状态;
GOSAT/GOSAT-2:GOSAT空间分辨率10.5km高于10km,无需进行空间分辨率匹配,可直接引入区域碳同化系统进行同化;GOSAT-2空间分辨率9km,其处理方法参考OCO-2/3;
在同一格网点内同时存在多种类型的CO2浓度观测数据的情况出现是不可避免的,不同类型的观测数据之间具有一定的差异,为了避免这种差异对反演结果精度的影响,按照如下方式对多源数据进行筛选:
a.有国家温室气体观测网络数据的情况下,舍弃其它CO2浓度观测数据。
b.缺失高精度观测网络数据情况下,优先选择OCO-2/OCO-3,其次为GOSAT/GOSAT-2。
c.缺失高精度观测网络数据和卫星数据的情况下,选择CO浓度通过机器学习转化而来的CO2浓度数据。
2、自然碳通量在线优化
首先,基于生态系统碳交换观测数据,在同化过程中对生态模型光合与呼吸模块的关键参数进行分区实时优化,其中生态系统碳交换观测数据主要来自ChinaFlux公布的44个涡度相关(Eddy-covariance,EC)通量塔观测数据和中国气象局涡度通量观测站数据;
然后采用贝叶斯定理和马尔科夫链蒙特卡洛(Markov Chain Monte Carlo,MCMC)的贝叶斯方法中的Metropolis算法对光合和呼吸模块的关键参数进行实时校准优化;
优化示意图如图1所示,其具体操作过程为:
(1)数据质量控制:当夜间摩擦风速低于临界摩擦风速时观测的NEE数据剔除;剔除那些超出所设阈值,存在明显异常的NEE观测数据;剔除那些与降水同时段的NEE观测数据;对NEE观测数据进行3倍标准差的剔除筛选;
(2)参数优化:利用夜间的NEE观测值通过蒙特卡洛的方法得到呼吸参数α和β,利用α和β以及站点温度观测值计算得到白天的生态系统呼吸Re,由白天的NEE加上Re得到GPP的观测值,再结合VPRM中GPP的计算公式优化参数λ和PAR0;
3、研发双向耦合EnKF与4DVar的高效同化新算法EnKF-4DVar
集合卡尔曼滤波器(EnKF)和四维变分同化系统(4DVar)是两种最先进和应用最广泛的数据同化技术。EnKF具有显式估计时间演化背景误差和概率预测的优点,但更容易受到抽样误差的影响,也可能出现模型误差;4DVar对于线性约束下的多尺度优化更为灵活,在背景误差协方差方面也有较好的平衡性,但从大气传输统计中得到的协方差通常是静态的、各向同性的,且其分析仅是确定性的。CCMVS研发一种集成集合EnKF和4DVar变分数据同化方法优势的混合同化方法并应用到碳同化系统中;
如图2所示,采用集合流相关协方差和模型约束轨迹分析和以双向耦合的方式实现4DVar与EnKF同化方法的混合集成(EnKF-4DVar)。在EnKF-4DVar同化方法中EnKF和4DVar并行运行又同时间断地相互交换信息。从EnKF集合估计的多元、流量依赖背景误差协方差被用于4DVar最小化,而EnKF分析中的集合平均值被4DVar分析所取代,同时EnKF更新下一个集合预报周期的扰动。因此,EnKF-4DVar既可以从集合预报得到的显式协方差矩阵中获得流相关信息,也可以从EnKF-4DVar轨迹隐式获得流相关信息。EnKF-4DVar的计算效率将大大提高,可以满足具有巨大维数特征的高时空分辨率区域同化系统高效计算的需要并可提高同化精度;
4、基于多源大气CO2浓度观测的人为碳通量和CO2浓度初始场同化反演
运用研发的EnKF-4DVar高效同化算法,结合高精度温室气体观测网CO2浓度观测数据,辅以多源卫星(GOSAT/GOSAT-2、OCO-2/3)X CO2观测数据和通过CO机器学习获取的CO2浓度值,在考虑CO2浓度与通量之间滞后特征的基础上,通过模型的模拟值与观测值之间的差异构造代价函数(公式B),对代价函数求导获取后验值(CO2人为碳通量或CO2浓度初始场后验值)。以此实现人为碳通量和CO2浓度初始场的同化反演;
式B中,
T代表矩阵转置;
为先验值(CO2人为碳通量或CO2浓度初始场先验值);
k代表CO2浓度观测时间序列;
矩阵B和R分别代表通量或初始CO2浓度的背景误差和浓度观测误差协方差;
是状态变量,代表大气CO2反演模型中要求解的人为碳通量和CO2浓度初始场;
通过公式C与/>联系在一起;
由于模型的模拟浓度和多源CO2浓度观测数据的空间尺度不匹配,在同化反演之前需要进行空间匹配,地基观测站点的匹配较简单,根据站点位置插值模型模拟值即可,但是对于多源碳卫星观测数据需要一套严格的柱浓度转换方法。按照GOSAT/GOSAT-2和OCO-2/3卫星参数及本研究的尺度精度要求,选择卫星核函数尺度转化法(图4),实现模拟浓度与卫星柱浓度的尺度匹配。柱浓度尺度的转换示意图如图3所示,具体过程为:
(1)把WRF-VPRM模拟的分层浓度插值到GOSAT/GOSAT-2和OCO-2/3碳卫星的分层高度浓度;
(2)以碳卫星先验廓线、气压加权函数、平均核函数为基础,基于公式D计算与卫星柱浓度相匹配的模拟柱浓度;
式D中,
是我们转化后的模拟柱浓度;
hT是多源碳卫星提供的气压加权函数;
Xa是多源碳卫星的先验廓线;
A分别是多源碳卫星的平均核函数;
Xh是大气传输模型在碳卫星(GOSAT/GOSAT-2、OCO-2/3)分层高度插值获取到的模拟浓度;
最后将温室气体观测网络数据、卫星柱浓度数据X CO2和CO机器学习获取的CO2浓度观测数据,同时引入区域碳同化系统,进行人为碳通量和CO2浓度初始场的同化反演;他们之间的函数关系示意图如图4所示;
图4中,Hi,j代表的是像元点(区域)j、站点浓度i的观测算子;Wi,j代表的是像元点(区域)j、卫星柱浓度i的观测算子。
不同于站点浓度观测算子Hi,j,卫星柱浓度观测算子Wi,j要用Hi,j将通量数据或CO2浓度初始场转化为CO2分层浓度值,结合柱浓度转化公式将模拟浓度转化为CO2模拟柱浓度;xi代表人为碳通量或CO2浓度初始场;yi代表多源CO2浓度观测值。
通过上述基于多源CO2浓度观测数据(地基高精度、GOSAT、OCO-2、CO等)实现区域碳同化系统人为碳排放和自然碳交换同步反演,同时,把EnKF-4DVar引入区域碳同化系统,整个过程相对于现有技术的区域碳同化系统在巨大的维数特征下,计算效率偏低、难以应用的问题;引入生态模型关键参数实时在线优化方案,实现区域碳同化系统人为碳排放和自然碳交换同步反演的能力;突破把更多观测数据引入同化反演系统,进一步提高区域碳源汇反演精度的方法;
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的试验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (1)
1.一种CCMVS区域碳源汇同化反演方法,其特征在于,包括多源CO2浓度观测数据的获取与预处理、自然碳通量在线优化、双向耦合EnKF与4DVar的高效混合同化新算法、基于大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演;其中,
所述多源CO2包括高精度的地基、碳卫星以及CO通过机器学习获取的CO2浓度观测数据;所述多源CO2浓度观测数据的获取与预处理包括CO浓度观测数据的获取和预处理、碳卫星观测数据的获取与处理;
所述CO浓度观测数据的获取和预处理,具体操作为:
基于站点位置按季节提取多源碳卫星和航空观测手段获取的CO2浓度观测值,收集相应站点气压、气温、湿度和风气象观测因子,以及相应时刻的站点CO浓度观测值;
为了保证引入区域碳同化系统的站点质量,机器学习之前需要严格的质量控制:当站点CO2与CO相关性的绝对值小于0.7时,则认为其相关性太弱舍弃该站点;当站点CO2与CO对应时刻的观测数目少于5时,则认为观测数目数据太少不具有代表性,舍弃该站点;
提取CO及气象观测要素的时空特征,将基础特征与时空特征共同作为多元输入因子,将收集的CO2站点浓度用作学习目标,利用广泛使用的机器学习模型LightGBM构建多元回归模型,分别采用10折交叉验证、空间交叉验证及逐年交叉验证进行LightGBM模型参数优化、反演能力评估、时空外推能力验证,最终基于机器学习获取国家温室气体观测网和多源碳卫星未覆盖区域CO浓度观测转化而来的CO2浓度值引入区域碳同化系统;
所述碳卫星观测数据的获取与预处理,具体操作为:
收集、整理碳卫星的观测数据,碳卫星包括GOSAT、GOSAT-2、OCO-2/3;然后,将碳卫星观测数据在同化之前进行预处理:所述预处理为根据空间分辨率的不同,对多源碳卫星观测数据进行融合;
GOSAT、GOSAT-2直接引入区域碳同化系统进行同化;
针对OCO-2/3数据,每秒收集24个测量点,为避免高度相关的测量值在同化过程中被视为独立的测量值同化,也为了能使XCO2的空间分辨率与模式相近,将1s内的24个点合成一个XCO2平均值,首先将1s内质量好的观测点过滤出来,其次对过滤后观测点的卫星柱浓度、卫星气压加权函数、先验廓线和核函数求平均,最后将平均值引入区域碳同化系统参与同化;
所述自然碳通量在线优化为对光合和呼吸模块的关键参数进行实时校准,具体包括数据质量控制和参数优化,采用贝叶斯定理和马尔科夫链蒙特卡洛的贝叶斯方法中的Metropolis算法对光合和呼吸模块的关键参数进行实时校准优化;具体操作为:(1)数据质量控制:当夜间摩擦风速低于临界摩擦风速时观测的NEE数据剔除;剔除那些超出所设阈值,存在明显异常的NEE观测数据;剔除那些与降水同时段的NEE观测数据;对NEE观测数据进行3倍标准差的剔除筛选;(2)参数优化:利用夜间的NEE观测值通过蒙特卡洛的方法得到呼吸参数α和β,利用α和β以及站点温度观测值计算得到白天的生态系统呼吸Re,由白天的NEE加上Re得到GPP的观测值,再结合VPRM中GPP的计算公式优化参数λ和PAR0;
所述双向耦合EnKF与4DVar的高效混合同化新算法为双向耦合集合卡尔曼滤波器与四维变分同化系统的高效混合同化新算法EnKF-4Dvar,具体为采用集合流相关协方差和四维变分模型约束轨迹分析和以双向耦合的方式实现4DVar与EnKF同化方法的混合集成EnKF-4DVar;在EnKF-4DVar同化方法中EnKF和4DVar并行运行又同时间断地相互交换信息;从EnKF集合估计的多元、流量依赖背景误差协方差被用于4DVar最小化,而EnKF分析中的集合平均值被4DVar分析所取代,同时EnKF更新下一个集合预报周期的扰动;因此,所述高效混合同化新算法EnKF-4Dvar包括从集合预报得到的显式协方差矩阵中获得流相关信息,或从EnKF-4DVar轨迹隐式获得流相关信息;
所述基于大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演,为运用研发的EnKF-4DVar高效混合同化新算法,结合高精度温室气体观测网CO2浓度观测数据,辅以卫星柱浓度数据XCO2和通过CO机器学习获取的CO2浓度值,在考虑CO2浓度与通量之间滞后特征的基础上,通过CO2浓度模拟值与观测值之间的差异构造代价函数公式A,对代价函数求导获取后验值;
式A中,
T代表矩阵转置;
为先验值;
i代表CO2浓度观测时间序列;
矩阵B代表通量或初始CO2浓度的背景误差协方差;
矩阵R代表通量或初始CO2浓度的浓度观测误差协方差;
是状态变量,代表大气CO2反演模型中要求解的人为碳通量和CO2浓度初始场;
通过公式C与/>联系在一起;
最后,将温室气体观测网络数据、卫星柱浓度数据XCO2和CO机器学习获取的CO2浓度观测数据,同时引入区域碳同化系统,进行人为碳通量和CO2浓度初始场的同化反演。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714037.5A CN115204618B (zh) | 2022-06-22 | 2022-06-22 | 一种ccmvs区域碳源汇同化反演方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714037.5A CN115204618B (zh) | 2022-06-22 | 2022-06-22 | 一种ccmvs区域碳源汇同化反演方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115204618A CN115204618A (zh) | 2022-10-18 |
CN115204618B true CN115204618B (zh) | 2024-03-19 |
Family
ID=83575395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714037.5A Active CN115204618B (zh) | 2022-06-22 | 2022-06-22 | 一种ccmvs区域碳源汇同化反演方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115204618B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115907178B (zh) * | 2022-11-30 | 2023-12-15 | 中国地质大学(武汉) | 一种净生态系统co2交换量的预测方法 |
CN116415110B (zh) * | 2023-06-05 | 2023-08-15 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
CN116738734B (zh) * | 2023-06-19 | 2024-04-09 | 中国人民解放军国防科技大学 | 一种基于正则化约束的水体透明度融合计算方法及系统 |
CN116908380A (zh) * | 2023-07-13 | 2023-10-20 | 北京讯腾智慧科技股份有限公司 | 一种利用北斗基站进行环境监测和碳排放方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834823A (zh) * | 2015-05-18 | 2015-08-12 | 中国科学院地理科学与资源研究所 | 基于卫星-地基co2数据联合同化的碳源汇估测方法 |
KR20190067398A (ko) * | 2017-12-07 | 2019-06-17 | 연세대학교 산학협력단 | 항공 관측 자료 동화를 수반한 지표면 이산화탄소 플럭스의 추정 장치 및 방법 |
CN111723482A (zh) * | 2020-06-17 | 2020-09-29 | 南京大学 | 一种基于卫星co2柱浓度观测反演地表碳通量的方法 |
-
2022
- 2022-06-22 CN CN202210714037.5A patent/CN115204618B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104834823A (zh) * | 2015-05-18 | 2015-08-12 | 中国科学院地理科学与资源研究所 | 基于卫星-地基co2数据联合同化的碳源汇估测方法 |
KR20190067398A (ko) * | 2017-12-07 | 2019-06-17 | 연세대학교 산학협력단 | 항공 관측 자료 동화를 수반한 지표면 이산화탄소 플럭스의 추정 장치 및 방법 |
CN111723482A (zh) * | 2020-06-17 | 2020-09-29 | 南京大学 | 一种基于卫星co2柱浓度观测反演地表碳通量的方法 |
Non-Patent Citations (5)
Title |
---|
POD/NLS-4DVar的改进及在陆面数据同化系统中的应用;张洪芹;《中国优秀硕士学位论文全文数据库 信息科技辑》;20170315(第3期);摘要、第3-11页 * |
中国自然资源学会.《资源科学学科发展报告 2016-2017》.中国科学技术出版社,2018,第133-134、145页. * |
区域高分辨率碳同化系统研发及人为碳排放估算研究;鲁立江;《中国优秀博士学位论文全文数据库 基础科学辑》;20210315(第3期);摘要、第12-49、68-71、90-98、117-121页 * |
杨东方 等.《数学模型在生态学的应用及研究 30》.海洋出版社,2015,第258-260页. * |
气象-污染双向反馈效应的时空特征;仲峻霆;《中国优秀博士学位论文全文数据库 基础科学辑》;20220215(第2期);摘要、第9-19页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115204618A (zh) | 2022-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115204618B (zh) | 一种ccmvs区域碳源汇同化反演方法 | |
CN112905560B (zh) | 一种多源时空大数据深度融合的空气污染预测方法 | |
Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
Monteil et al. | The regional EUROpean atmospheric transport inversion COMparison, EUROCOM: first results on European wide terrestrial carbon fluxes for the period 2006–2015 | |
CN110046415A (zh) | 一种时空精细化的土壤有机质含量遥感动态反演方法 | |
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 | |
CN112684520A (zh) | 一种气象预报的订正方法、装置、计算机设备及存储介质 | |
Dash et al. | Projected seasonal mean summer monsoon over India and adjoining regions for the twenty-first century | |
CN111210483B (zh) | 基于生成对抗网络和数值模式产品的仿真卫星云图生成方法 | |
CN111487216A (zh) | 一种二氧化碳通量反演方法、系统 | |
CN112580982B (zh) | 一种基于多时相遥感和casa模型的生态保护红线实施评估 | |
CN114707688A (zh) | 基于卫星云图和时空神经网络的光伏功率超短期预测方法 | |
CN111652404A (zh) | 一种全天气地表温度反演方法和系统 | |
CN108319772A (zh) | 一种波浪长期数据的再分析方法 | |
Lian et al. | Sensitivity to the sources of uncertainties in the modeling of atmospheric CO 2 concentration within and in the vicinity of Paris | |
CN106355243A (zh) | 一种基于神经网络的水平面太阳直射散射计算系统及方法 | |
CN114970184B (zh) | 同步反演高分辨率人为co2排放与自然co2通量的同化方法及系统 | |
CN114880933A (zh) | 一种基于再分析资料的无探空站点地基微波辐射计大气温湿廓线反演方法及系统 | |
CN117933095B (zh) | 一种基于机器学习的地表发射率实时反演及同化方法 | |
Pereira et al. | Solar irradiance modelling using an offline coupling procedure for the Weather Research and Forecasting (WRF) model | |
Guillas et al. | Statistical correction and downscaling of chemical transport model ozone forecasts over Atlanta | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
Chen et al. | Proactive quality control: Observing system experiments using the NCEP global forecast system | |
CN115952743A (zh) | 耦合随机森林和hasm的多源降水数据协同降尺度方法和系统 | |
CN115876948A (zh) | 基于卫星柱浓度和4d-letkf混合同化算法的碳卫星同化系统及其构建方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |