CN115436570A - 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 - Google Patents
一种基于多元数据的二氧化碳浓度遥感监测方法及装置 Download PDFInfo
- Publication number
- CN115436570A CN115436570A CN202211025901.7A CN202211025901A CN115436570A CN 115436570 A CN115436570 A CN 115436570A CN 202211025901 A CN202211025901 A CN 202211025901A CN 115436570 A CN115436570 A CN 115436570A
- Authority
- CN
- China
- Prior art keywords
- concentration
- data
- spatial
- preset
- meteorological factor
- 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.)
- Granted
Links
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 title claims abstract description 408
- 229910002092 carbon dioxide Inorganic materials 0.000 title claims abstract description 204
- 239000001569 carbon dioxide Substances 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 114
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000009826 distribution Methods 0.000 claims abstract description 91
- 238000011160 research Methods 0.000 claims abstract description 76
- 238000012417 linear regression Methods 0.000 claims abstract description 68
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000003860 storage Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012952 Resampling Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 8
- 238000012806 monitoring device Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 5
- 239000013618 particulate matter Substances 0.000 description 114
- 230000008569 process Effects 0.000 description 15
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 12
- 229910052799 carbon Inorganic materials 0.000 description 12
- 238000013179 statistical model Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000005540 biological transmission Effects 0.000 description 9
- 230000008859 change Effects 0.000 description 9
- 230000005855 radiation Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 238000001228 spectrum Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000002195 synergetic effect Effects 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000001658 differential optical absorption spectrophotometry Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
- G01N15/06—Investigating concentration of particle suspensions
-
- 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Pathology (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Computational Mathematics (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Environmental & Geological Engineering (AREA)
- Ecology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Environmental Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Algebra (AREA)
- Atmospheric Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Dispersion Chemistry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多元数据的二氧化碳浓度遥感监测方法及装置，涉及数据监测技术领域，主要目的在于实现提升CO2浓度反演结果的稳定性和空间分辨率。本发明主要的技术方案为：获取预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；根据PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；根据预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。本发明用于CO2浓度监测。
Description
技术领域
本发明涉及数据监测技术领域，尤其涉及一种基于多元数据的二氧化碳浓度遥感监测方法及装置。
背景技术
在全球高度重视生态环境保护、建立可持续发展的绿色生态环境的大背景下，作为导致环境污染的最主要温室气体之一，二氧化碳(CO2)的排放情况近几十年以来同样受到全球各国的高度重视。CO2浓度的变化，可作为人为以及自然活动对区域碳排放影响强度的直接指标，通过监测CO2浓度空间分布现状和变化，可有效掌握碳排放主要情况。
当前，CO2的浓度监测方法主要以基于天、空、地平台的监测为主，其中，天基平台监测是基于卫星遥感技术的CO2浓度监测方法，该方法具备在不接触目标物体的情况下探测物体反射、吸收或散射的电磁波信号的特点，可将CO2浓度目标参数与电磁信号用一个函数表示，通过反演过程可以找到理想的CO2浓度目标参数。目前，较为常用的反演方法为物理模型反演法及统计模型反演法，其中，物理模型方法的核心是求解大气辐射传输方程，将反演问题变成求解非线性代数方程的问题；统计模型反演法是使用大气地表参数与碳卫星传感器CO2浓度观测波段光谱值进行统计回归分析计算回归系数，建立统计回归模型。
但是，物理模型反演法和统计模型反演法计算得到的CO2产品空间分辨率一般在百公里级别，对于地区尺度的二氧化碳浓度反演，分辨率还相对较低，CO2产品无法与地区级的二氧化碳浓度监测的需求相匹配。
发明内容
鉴于上述问题，本发明提供一种基于多元数据的二氧化碳浓度遥感监测方法及装置，主要目的是为了实现提升CO2浓度反演结果的空间分辨率，可以完成十米级CO2浓度空间分布反演，用以匹配地区级的二氧化碳浓度监测的需求。
为解决上述技术问题，本发明提出以下方案：
第一方面，本发明提供一种基于多元数据的二氧化碳浓度遥感监测方法，所述方法应用于二氧化碳浓度遥感监测系统，所述方法包括：
获取预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；
根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列 CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；
获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；
根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。
优选地，所述根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型，包括：
拟合所述PM2.5浓度数据、所述气象因子统计数据与所述长时间序列 CO2浓度数据之间的多元回归函数；
基于所述多元回归函数构建所述CO2浓度多元线性回归模型。
优选地，所述气象因子统计数据包括降水量数据和温度数据；
所述获取预设时间段的研究区及邻接地区的PM2.5浓度数据和气象因子统计数据，包括：
获取预设时间段的研究区PM2.5浓度月均值，温度月均值和降水量月总量值。
优选地，所述获取所述预设时间段的所述研究区及邻接地区的长时间序列CO2浓度数据，包括：
获取所述预设时间段的所述研究区及邻接地区的GOSAT卫星CO2浓度周期性产品数据；
基于所述GOSAT卫星CO2浓度周期性产品数据在所述研究区及所述邻接地区按照预设数量进行空间插值，获得所述长时间序列CO2浓度数据。
优选地，所述获取目标时间段的所述研究区预处理气象因子空间连续数据，包括：
获取所述目标时间段的所述研究区目标气象因子空间连续数据；
对所述目标气象因子空间连续数据进行格式转换，获得预设格式目标气象因子空间连续数据；
根据所述预设格式目标气象因子空间连续数据进行空间重采样操作，获得所述预处理气象因子空间连续数据，其中，所述空间重采样操作为对所述预设格式目标气象因子空间连续数据进行三次卷积处理，以匹配所述预设级PM2.5浓度空间分布数据。
优选地，在获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据之后，所述方法包括：
获取所述目标时间段的所述研究区PM2.5浓度逐小时连续观测站点数据；
根据所述观测站点的点位空间分布、数据获取质量及数据获取连续性在所述观测站点中优选预设数量的目标观测点；
计算所述目标观测点的PM2.5浓度月均值；
将所述目标观测点的PM2.5浓度月均值与所述预设级PM2.5浓度空间分布数据中对应位置的PM2.5浓度数据进行对比，得到所述预设级PM2.5浓度空间分布数据的平均精度；
判断所述预设级PM2.5浓度空间分布数据的平均精度是否达到预设阈值，当达到时，确定所述预设级PM2.5浓度空间分布数据符合所述CO2浓度多元线性回归模型的输入项。
优选地，在所述根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据之后，所述方法包括：
获取研究区行政边界空间分布数据；
基于所述研究区行政边界空间分布数据裁剪所述CO2浓度反演数据影像并制图。
第二方面，本发明提供一种基于多元数据的二氧化碳浓度遥感监测装置，所述装置包括：
第一获取单元，用于获取预设时间段的所述研究区及邻接地区的PM2.5 浓度数据、气象因子统计数据和长时间序列CO2浓度数据；
构建单元，用于根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；
第二获取单元，用于获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；
第一计算单元，用于根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。
优选地，所述构建单元，包括：
拟合模块，用于拟合所述PM2.5浓度数据、所述气象因子统计数据与所述长时间序列CO2浓度数据之间的多元回归函数；
构建模块，用于基于所述多元回归函数构建所述CO2浓度多元线性回归模型。
优选地，所述气象因子统计数据包括降水量数据和温度数据；所述第一获取单元，还用于获取预设时间段的研究区及邻接地区的PM2.5浓度月均值，温度月均值和降水量月总量值。
优选地，所述第一获取单元，包括：
第一获取模块，用于获取所述预设时间段的所述研究区及邻接地区的 GOSAT卫星CO2浓度周期性产品数据；
第二获取模块，用于基于所述GOSAT卫星CO2浓度周期性产品数据在所述研究区及所述邻接地区按照预设数量进行空间插值，获得所述长时间序列CO2浓度数据。
优选地，所述第二获取单元，包括：
获取模块，用于获取所述目标时间段的所述研究区目标气象因子空间连续数据；
转换模块，用于对所述目标气象因子空间连续数据进行格式转换，获得预设格式目标气象因子空间连续数据；
采样模块，用于根据所述预设格式目标气象因子空间连续数据进行空间重采样操作，获得所述预处理气象因子空间连续数据，其中，所述空间重采样操作为对所述预设格式目标气象因子空间连续数据进行三次卷积处理，以匹配所述预设级PM2.5浓度空间分布数据。
优选地，所述装置包括：
第三获取单元，用于获取所述目标时间段的所述研究区PM2.5浓度逐小时连续观测站点数据；
选取单元，用于根据所述观测站点的点位空间分布、数据获取质量及数据获取连续性在所述观测站点中优选预设数量的目标观测点；
第二计算单元，用于计算所述目标观测点的PM2.5浓度月均值；
统计单元，用于将所述目标观测点的PM2.5浓度月均值与所述预设级 PM2.5浓度空间分布数据中对应位置的PM2.5浓度数据进行对比，得到所述预设级PM2.5浓度空间分布数据的平均精度；
判断单元，用于判断所述预设级PM2.5浓度空间分布数据的平均精度是否达到预设阈值，当达到时，确定所述预设级PM2.5浓度空间分布数据符合所述CO2浓度多元线性回归模型的输入项。
优选地，所述装置包括：
第四获取单元，用于获取研究区行政边界空间分布数据；
制图单元，用于基于所述研究区行政边界空间分布数据裁剪所述CO2浓度反演数据影像并制图。
为了实现上述目的，根据本发明的第三方面，提供了一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行上述第一方面所述基于多元数据的二氧化碳浓度遥感监测方法。
为了实现上述目的，根据本发明的第四方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如第二方面所述用于基于多元数据的二氧化碳浓度遥感监测装置的全部或部分步骤。
借由上述技术方案，本发明提供的基于多元数据的二氧化碳浓度遥感监测方法及装置，是由于目前的物理模型反演法和统计模型反演法计算得到的CO2产品空间分辨率一般在百公里级别，对于地区尺度的二氧化碳浓度反演，分辨率还相对较低，CO2产品无法与地区级的二氧化碳浓度监测的需求相匹配。为此，本发明通过获取所述预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；再根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2通过多元线性回归方法，获得CO2浓度多元线性回归模型；获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。本发明基于CO2浓度变化与PM2.5浓度变化的协同效应分析，结合PM2.5浓度及气象因子，通过多元线性回归模型构建CO2浓度反演模型，实现了研究区CO2浓度的估算。本发明克服了目前基于卫星的二氧化碳浓度反演稳定性不强、反演结果空间分辨率不高的问题，使区域二氧化碳浓度估算更加准确、快速、便捷，易于大范围使用，便于深入了解CO2浓度空间分布现状和变化，为实现碳达峰和碳中和提供有力的数据支撑。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种基于多元数据的二氧化碳浓度遥感监测方法流程图；
图2示出了本发明实施例提供的另一种基于多元数据的二氧化碳浓度遥感监测方法流程图；
图3示出了本发明实施例提供的一种基于多元数据的二氧化碳浓度遥感监测装置的组成框图；
图4示出了本发明实施例提供的另一种基于多元数据的二氧化碳浓度遥感监测装置的组成框图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
现有的CO2的浓度监测方法主要以基于天、空、地平台的监测为主。其中，地基平台监测是通过地面观测仪器对空进行的CO2浓度监测，地基监测精度较高，但由于是单点观测，且站点分布很不均匀，造成在我国的空间覆盖率不高。
空基平台监测是将采样仪器装载在航空飞机上，在飞行高度上进行的 CO2浓度监测，这类方法的缺点是空基监测易受飞行航线周期影响，很难做到时空连续，特别是在目前商业航线大幅减少，对各个地区数据采集的完整性影响较大。
天基平台监测是基于卫星遥感技术的CO2浓度监测方法，主要包括红外传感器监测和近红外传感器监测。基于卫星遥感技术的CO2浓度监测方法适用于在全球各地开展长时续CO2浓度监测。
基于卫星遥感技术的CO2浓度监测方法具备在不接触目标物体的情况下探测物体反射、吸收或散射的电磁波信号的特点，可将CO2浓度目标参数与电磁信号用一个函数表示，通过反演过程可以找到理想的CO2浓度目标参数。目前，较为常用的反演方法为物理模型法及统计模型方法。物理模型方法的核心是求解大气辐射传输方程,将反演问题变成求解非线性代数方程的问题。常见的物理模型包括DOAS模型、最优估计模型等。物理反演方法充分考虑了大气辐射传输的物理过程，反演结果较为可靠。基于统计模型的CO2浓度方法是使用大气地表参数与碳卫星传感器CO2浓度观测波段光谱值进行统计回归分析计算回归系数，建立统计回归模型。这类算法不必描述大气辐射传输的物理过程，因此避免了物理模型法参数量不足和误差对反演的影响；但是，统计模型法只是简单使用大气参数与碳卫星观测到的光谱进行回归分析，以此来建立统计回归模型，回归关系带有很大的不确定性，算法对匹配样本和回归因子的选择有很强的依赖性。并且物理模型法及统计模型法计算得到的CO2产品空间分辨率一般在百公里级别，对于地区尺度的二氧化碳浓度反演，分辨率还相对较低，产品无法与地区级的二氧化碳浓度监测的需求相匹配。
针对以上问题，发明人想到基于CO2浓度变化与PM2.5浓度变化的协同效应分析，结合PM2.5浓度及气象因子，通过多元线性回归模型构建CO2浓度反演模型，实现了研究区CO2浓度的估算。为此，本发明实施例提供了一种基于多元数据的二氧化碳浓度遥感监测方法，通过该方法实现提升 CO2浓度反演结果的空间分辨率，可以完成十米级CO2浓度空间分布反演，用以匹配地区级的二氧化碳浓度监测的需求，其具体执行步骤如图1所示，包括：
101、获取预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据。
其中，所述预设时间段为预先设置的获取PM2.5浓度数据和气象因子统计数据的时间段，例如：2018年1月至2019年1月；所述研究区为获取 PM2.5浓度数据和气象因子统计数据对应的区域，例如：北京市密云区或沈阳市和平区等；所述邻接地区为与所述研究区邻接的部分区域或所有区域；例如：研究区为北京市密云区，邻接地区为北京市的延庆区、怀柔区、平谷区和顺义区；所述PM2.5浓度数据为所述研究区及邻接地区的地区政府发布的PM2.5浓度数据，例如：北京市密云区政府和其邻接地区的延庆区、怀柔区、平谷区和顺义区分别发布的2018年1月至2019年1月的PM2.5浓度统计值月均值；所述气象因子统计数据为所述研究区及邻接地区的地区政府发布的气象因子统计数据，所述气象因子可以为降水量、温度等与CO2浓度的变化存在相关性的气象因子；所述气象因子统计数据可以为降水量月度统计值和温度月度统计值；所述长时间序列CO2浓度数据为GOSAT 卫星提供的长时间序列CO2浓度数据；本步骤不做具体限定。
本发明获取所述预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据的目的是作为模型因子用以构建CO2浓度回归模型。
102、根据PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型。将所述PM2.5浓度数据和气象因子统计数据作为自变量；将所述长时间序列CO2浓度数据作为因变量；由所述自变量与所述因变量通过多元线性回归方法，获得 CO2浓度多元线性回归模型。
103、获取目标时间段的研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据。
其中，所述目标时间段是指要反演的时间段；所述研究区与步骤101 中的研究区是相同的，是指要反演的区域；所述预设级是指要反演的PM2.5浓度空间分辨率的级别，例如：十米级、百米级；为实现高分辨率的CO2浓度空间分布反演，本发明获取了研究区高分辨率PM2.5浓度空间分布数据，再选择下载对应时期的气象因子统计数据并进行空间重采样等预处理，获得所述预处理气象因子空间连续数据以匹配PM2.5浓度空间分布数据的时空尺度。
104、根据预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据通过CO2浓度的多元线性回归模型计算出研究区CO2浓度反演数据。
将步骤103获取的目标时间段的研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据代入CO2浓度多元线性回归模型中进行计算，得到CO2浓度空间分布结果，即为研究区CO2浓度反演数据。
基于上述图1实施例的实现方式可以看出，本发明提供一种基于多元数据的二氧化碳浓度遥感监测方法，是由于目前的物理模型反演法和统计模型反演法计算得到的CO2产品空间分辨率一般在百公里级别，对于地区尺度的二氧化碳浓度反演，分辨率还相对较低，CO2产品无法与地区级的二氧化碳浓度监测的需求相匹配。为此，本发明通过获取所述预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；再根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2通过多元线性回归方法，获得CO2浓度多元线性回归模型；获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。本发明基于CO2浓度变化与PM2.5浓度变化的协同效应分析，结合PM2.5浓度及气象因子，通过多元线性回归模型构建 CO2浓度反演模型，实现了研究区CO2浓度的估算。本发明克服了目前基于卫星的二氧化碳浓度反演稳定性不强、反演结果空间分辨率不高的问题，使区域二氧化碳浓度估算更加准确、快速、便捷，易于大范围使用，便于深入了解CO2浓度空间分布现状和变化，为实现碳达峰和碳中和提供有力的数据支撑。
进一步的，作为对图1所示实施例的细化及扩展，本发明实施例还提供了另一种基于多元数据的二氧化碳浓度遥感监测方法，如图2所示，其具体步骤如下：
物理模型反演法虽然反演结果较为可靠，但是这类反演法过度依赖大气辐射传输的物理过程，一旦大气辐射传输模型存在参数量不足和误差会对反演结果具有不良影响；而统计模型反演法虽然不必描述大气辐射传输的物理过程，因此避免了大气辐射传输模型参数量不足和误差对反演的影响，但是，统计模型反演法只是简单使用大气参数与碳卫星观测到的光谱进行回归分析，以此来建立统计回归模型，回归关系带有很大的不确定性，算法对匹配样本和回归因子的选择有很强的依赖性。
201、获取预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据。
本步骤结合上述方法中101步骤的描述，在此相同的内容不赘述。
所述气象因子统计数据包括降水量数据和温度数据；获取预设时间段的研究区及邻接地区的PM2.5浓度月均值，温度月均值和降水量月总量值。
举例说明：
以北京市密云区2020年1月二氧化碳浓度计算过程为例，获取政府生态环境部门分别发布的北京市密云区和邻接区延庆区的2018年1月至2019 年12月合计46期PM2.5浓度月均值、气温月均值、及降水总量统计值。
获取所述预设时间段的所述研究区及邻接地区的GOSAT卫星CO2浓度周期性产品数据；基于所述GOSAT卫星CO2浓度周期性产品数据在所述研究区及所述邻接地区按照预设数量进行空间插值，获得所述长时间序列 CO2浓度数据。
举例说明：
获取2018年1月至2019年的京津冀地区的2.5°×2.5°GOSAT碳卫星 L3级XCO2数据，采用克里金插值法进行北京市密云区、延庆区的CO2数据内插，得到46个CO2数据，即为所述长时间序列CO2浓度数据。
202、根据PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型。
本步骤结合上述方法中102步骤的描述，在此相同的内容不赘述。
拟合所述PM2.5浓度数据、所述气象因子统计数据与所述长时间序列 CO2浓度数据之间的多元回归函数；基于所述多元回归函数构建所述CO2浓度多元线性回归模型。
进一步的，本发明在给定水平α(α＝0.01)下作显著性检验，采用F检验、拟合优度(R2)及复相关系数(R)检验所述CO2浓度多元线性回归模型的可靠性。设所述CO2浓度多元线性回归模型样本个数为n,自变量个数为m, 模型自由度＝n-m-1，如F≥Fα，R≥Rα，且0.5≤R2≤1，则认为所述CO2浓度多元线性回归模型可靠性高。
举例说明：
获取2018年1月至2019年的京津冀地区的
GOSAT碳卫星 L3级XCO2数据，采用克里金插值法进行北京市密云区、延庆区的CO2数据内插，得到46个CO2数据作为观测值序列Y，以步骤201中所属的PM2.5浓度月均值、气温月均值、及降水总量统计值为自变量X1、X2、X3，拟合所采用的函数形式如下：
Y＝β0+β1×X1+β2×X2+β3×X3
多元线性回归方法采用样本统计量β0、β1、β2、β3来估计上述回归方程中的未知参数β0、β1、β2、β3，其一般形式为：
Y＝β0+β1×X1+β2×X2+β3×X3
式中的未知参数β0、β1、β2、β3可通过最小二乘法求得；最小二乘法的原理是使下面的公式:
所述CO2浓度多元线性回归模型的自由度＝46-3-1＝42，F检验值 F≈16.46>Fα＝2.84，R≈0.735>Rα≈0.484,所述CO2浓度多元线性回归模型的拟合优度0.5<R2＝0.540<1，说明所述CO2浓度多元线性回归模型可靠性高。
203、获取目标时间段的研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据。
本步骤结合上述方法中103步骤的描述，在此相同的内容不赘述。
所述获取目标时间段的所述研究区预处理气象因子空间连续数据，包括：获取所述目标时间段的所述研究区目标气象因子空间连续数据；对所述目标气象因子空间连续数据进行格式转换，获得预设格式目标气象因子空间连续数据；根据所述预设格式目标气象因子空间连续数据进行空间重采样操作，获得所述预处理气象因子空间连续数据，其中，所述空间重采样操作为对所述预设格式目标气象因子空间连续数据进行三次卷积处理，以匹配所述预设级PM2.5浓度空间分布数据。
举例说明：
选择下载北京市密云区2020年1月ERA5降水量及温度逐月数据(即为所述目标时间段的所述研究区目标气象因子空间连续数据)，所述数据的原始文件nc格式，通过处理将其转换为tiff格式；再将所述tiff格式的 ERA5降水量及温度逐月数据由原始0.1°×0.1°利用三次卷积法重采样为 10m×10m，获得所述预处理气象因子空间连续数据，以匹配十米级高分辨率PM2.5浓度空间分布数据。
进一步的，本发明在获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据之后，所述方法包括：获取所述目标时间段的所述研究区PM2.5浓度逐小时连续观测站点数据；根据所述观测站点的点位空间分布、数据获取质量及数据获取连续性在所述观测站点中优选预设数量的目标观测点；计算所述目标观测点的PM2.5浓度月均值；将所述目标观测点的PM2.5浓度月均值与所述预设级PM2.5浓度空间分布数据中对应位置的PM2.5浓度数据进行对比，得到所述预设级PM2.5浓度空间分布数据的平均精度；判断所述预设级PM2.5浓度空间分布数据的平均精度是否达到预设阈值，当达到时，确定所述预设级PM2.5浓度空间分布数据符合所述CO2浓度多元线性回归模型的输入项。
举例说明：
获取2020年1月北京市密云区PM2.5浓度空间分布结果，并从PM2.5浓度逐小时连续观测站点中，根据点位的空间分布、数据获取质量及数据获取连续性，优选14个空间分布均匀、观测数值稳定、数据获取连续性好的观测点，计算各站点PM2.5浓度数据的1月平均值，与PM2.5浓度空间分布结果中对应位置的PM2.5浓度进行对比；结果显示，PM2.5浓度空间分布结果的平均精度为85％，所述平均精度预设阈值为80％，因此，所述PM2.5浓度空间分布结果的平均精度符合要求，确定所述预设级PM2.5浓度空间分布数据符合所述CO2浓度多元线性回归模型的输入项。
204、根据预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据通过CO2浓度的多元线性回归模型计算出研究区CO2浓度反演数据。
本步骤结合上述方法中104步骤的描述，在此相同的内容不赘述。
以步骤203的例子举例说明：
将北京市密云区2020年1月的经精度验证通过的PM2.5浓度空间分布结果和经预处理后的ERA5降水量及温度数据，代入所述CO2浓度多元线性回归模型，进行计算，得到的计算结果为北京市密云区2020年1月的 CO2浓度反演数据。
205、获取研究区行政边界空间分布数据。
206、基于研究区行政边界空间分布数据裁剪CO2浓度反演数据影像并制图。
针对步骤205和206举例说明：
基于北京市密云区行政边界空间分布数据裁剪步骤204的CO2浓度反演结果影像并制图。
基于上述图2的实现方式可以看出，本发明提供一种基于多元数据的二氧化碳浓度遥感监测方法，本发明通过获取研究区及邻接地区的PM2.5浓度、气温、降水等气象因子统计值；获取研究区及邻接地区的长时间序列的GOSAT卫星CO2浓度产品，构建长时序CO2浓度模型样本，构建CO2浓度多元线性回归模型；再通过CO2浓度的多元线性回归模型的可靠性验证；再获取研究区的PM2.5浓度空间分布结果，通过PM2.5浓度空间分布结果的精确验证；再获取和处理气象数据，代入CO2浓度的多元线性回归模型计算CO2浓度；再基于CO2浓度反演及专题图制作。本发明基于PM2.5-CO2反演模型，采用十米级高空间分辨率PM2.5浓度空间分布结果，完成十米级 CO2浓度空间分布反演。从而使CO2浓度反演结果较目前CO2浓度成果的空间分辨率有了极大提升。因此，本发明实现了CO2浓度反演模型稳定性提升和CO2浓度反演结果空间分辨率提升。进一步的，作为对上述图1所示方法的实现，本发明实施例还提供了一种基于多元数据的二氧化碳浓度遥感监测装置，
用于对上述图1所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图3所示，该装置包括：
第一获取单元31，用于获取所述预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；
构建单元32，用于根据从所述第一获取单元31得到的所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；
第二获取单元33，用于获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；
第一计算单元34，用于根据从所述第二获取单元33得到的所述预设级 PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过从所述构建单元32得到的所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。
进一步的，作为对上述图2所示方法的实现，本发明实施例还提供了另一种基于多元数据的二氧化碳浓度遥感监测装置，用于对上述图2所示的方法进行实现。该装置实施例与前述方法实施例对应，为便于阅读，本装置实施例不再对前述方法实施例中的细节内容进行逐一赘述，但应当明确，本实施例中的装置能够对应实现前述方法实施例中的全部内容。如图4 所示，该装置包括：
第一获取单元31，用于获取所述预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；所述气象因子统计数据包括降水量数据和温度数据；还用于获取预设时间段的研究区及邻接地区的PM2.5浓度月均值，温度月均值和降水量月总量值；
构建单元32，用于根据从所述第一获取单元31得到的所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；
第二获取单元33，用于获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；
第三获取单元35，用于获取所述目标时间段的所述研究区PM2.5浓度逐小时连续观测站点数据；
选取单元36，用于根据从所述第三获取单元35得到的所述观测站点的点位空间分布、数据获取质量及数据获取连续性在所述观测站点中优选预设数量的目标观测点；
第二计算单元37，用于计算从所述选取单元36得到的所述目标观测点的PM2.5浓度月均值；
统计单元38，用于将从所述第二计算单元37得到的所述目标观测点的 PM2.5浓度月均值与从所述第二获取单元33得到的所述预设级PM2.5浓度空间分布数据中对应位置的PM2.5浓度数据进行对比，得到所述预设级PM2.5浓度空间分布数据的平均精度；
判断单元39，用于判断从所述统计单元38得到的所述预设级PM2.5浓度空间分布数据的平均精度是否达到预设阈值，当达到时，确定所述预设级PM2.5浓度空间分布数据符合所述CO2浓度多元线性回归模型的输入项；
第一计算单元34，用于根据从所述第二获取单元33得到的所述预设级 PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据；
第四获取单元40，用于获取研究区行政边界空间分布数据；
制图单元41，用于基于从所述第四获取单元40得到的所述研究区行政边界空间分布数据裁剪从所述第一计算单元34得到的所述CO2浓度反演数据影像并制图。
进一步的，所述第一获取单元31，包括：
第一获取模块311，用于获取所述预设时间段的所述研究区及邻接地区的GOSAT卫星CO2浓度周期性产品数据；
第二获取模块312，用于基于从所述第一获取模块311得到的所述 GOSAT卫星CO2浓度周期性产品数据在所述研究区及所述邻接地区按照预设数量进行空间插值，获得所述长时间序列CO2浓度数据。
进一步的，所述构建单元32，包括：
拟合模块321，用于拟合所述PM2.5浓度数据、所述气象因子统计数据与所述长时间序列CO2浓度数据之间的多元回归函数；
构建模块322，用于基于从所述拟合模块321得到的所述多元回归函数构建所述CO2浓度多元线性回归模型。
进一步的，所述第二获取单元33，包括：
获取模块331，用于获取所述目标时间段的所述研究区目标气象因子空间连续数据；
转换模块332，用于对从所述获取模块331得到的所述目标气象因子空间连续数据进行格式转换，获得预设格式目标气象因子空间连续数据；
采样模块333，用于根据从所述转换模块332得到的预设格式目标气象因子空间连续数据进行空间重采样操作，获得所述预处理气象因子空间连续数据，其中，所述空间重采样操作为对所述预设格式目标气象因子空间连续数据进行三次卷积处理，以匹配所述预设级PM2.5浓度空间分布数据。
进一步的，本发明实施例还提供一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述图1-2中所述的基于多元数据的二氧化碳浓度遥感监测方法。
进一步的，本发明实施例还提供一种存储介质，所述存储介质用于存储计算机程序，其中，所述计算机程序运行时控制所述存储介质所在设备执行上述图1-2中所述的基于多元数据的二氧化碳浓度遥感监测方法。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
可以理解的是，上述方法及装置中的相关特征可以相互参考。另外，上述实施例中的“第一”、“第二”等是用于区分各实施例，而并不代表各实施例的优劣。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
此外，存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(R基于多元数据的二氧化碳浓度遥感监测M)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(fl基于多元数据的二氧化碳浓度遥感监测sh R基于多元数据的二氧化碳浓度遥感监测M)，存储器包括至少一个存储芯片。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/ 输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(R基于多元数据的二氧化碳浓度遥感监测M)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(fl基于多元数据的二氧化碳浓度遥感监测sh R 基于多元数据的二氧化碳浓度遥感监测M)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PR基于多元数据的二氧化碳浓度遥感监测M)、静态随机存取存储器(SR基于多元数据的二氧化碳浓度遥感监测M)、动态随机存取存储器 (DR基于多元数据的二氧化碳浓度遥感监测M)、其他类型的随机存取存储器(R基于多元数据的二氧化碳浓度遥感监测M)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(tr基于多元数据的二氧化碳浓度遥感监测 nsitory medi基于多元数据的二氧化碳浓度遥感监测)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理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权利要求范围之内。
Claims (10)
1.一种基于多元数据的二氧化碳浓度遥感监测方法，其特征在于，所述方法应用于二氧化碳浓度遥感监测系统，所述方法包括：
获取预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；
根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；
获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；
根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。
2.根据权利要求1所述的方法，其特征在于，所述根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型，包括：
拟合所述PM2.5浓度数据、所述气象因子统计数据与所述长时间序列CO2浓度数据之间的多元回归函数；
基于所述多元回归函数构建所述CO2浓度多元线性回归模型。
3.根据权利要求1所述的方法，其特征在于，所述气象因子统计数据包括降水量数据和温度数据；
所述获取预设时间段的研究区及邻接地区的PM2.5浓度数据和气象因子统计数据，包括：
获取预设时间段的研究区PM2.5浓度月均值，温度月均值和降水量月总量值。
4.根据权利要求1所述的方法，其特征在于，所述获取所述预设时间段的所述研究区及邻接地区的长时间序列CO2浓度数据，包括：
获取所述预设时间段的所述研究区及邻接地区的GOSAT卫星CO2浓度周期性产品数据；
基于所述GOSAT卫星CO2浓度周期性产品数据在所述研究区及所述邻接地区按照预设数量进行空间插值，获得所述长时间序列CO2浓度数据。
5.根据权利要求1所述的方法，其特征在于，所述获取目标时间段的所述研究区预处理气象因子空间连续数据，包括：
获取所述目标时间段的所述研究区目标气象因子空间连续数据；
对所述目标气象因子空间连续数据进行格式转换，获得预设格式目标气象因子空间连续数据；
根据所述预设格式目标气象因子空间连续数据进行空间重采样操作，获得所述预处理气象因子空间连续数据，其中，所述空间重采样操作为对所述预设格式目标气象因子空间连续数据进行三次卷积处理，以匹配所述预设级PM2.5浓度空间分布数据。
6.根据权利要求5所述的方法，其特征在于，在获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据之后，所述方法包括：
获取所述目标时间段的所述研究区PM2.5浓度逐小时连续观测站点数据；
根据所述观测站点的点位空间分布、数据获取质量及数据获取连续性在所述观测站点中优选预设数量的目标观测点；
计算所述目标观测点的PM2.5浓度月均值；
将所述目标观测点的PM2.5浓度月均值与所述预设级PM2.5浓度空间分布数据中对应位置的PM2.5浓度数据进行对比，得到所述预设级PM2.5浓度空间分布数据的平均精度；
判断所述预设级PM2.5浓度空间分布数据的平均精度是否达到预设阈值，当达到时，确定所述预设级PM2.5浓度空间分布数据符合所述CO2浓度多元线性回归模型的输入项。
7.根据权利要求1-6任一项所述的方法，其特征在于，在
所述根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据之后，所述方法包括：
获取研究区行政边界空间分布数据；
基于所述研究区行政边界空间分布数据裁剪所述CO2浓度反演数据影像并制图。
8.一种基于多元数据的二氧化碳浓度遥感监测装置，所述装置包括：
第一获取单元，用于获取预设时间段的所述研究区及邻接地区的PM2.5浓度数据、气象因子统计数据和长时间序列CO2浓度数据；
构建单元，用于根据所述PM2.5浓度数据、所述气象因子统计数据和所述长时间序列CO2浓度数据通过多元线性回归方法，获得CO2浓度多元线性回归模型；
第二获取单元，用于获取目标时间段的所述研究区预设级PM2.5浓度空间分布数据和预处理气象因子空间连续数据；
计算单元，用于根据所述预设级PM2.5浓度空间分布数据和所述预处理气象因子空间连续数据通过所述CO2浓度的多元线性回归模型计算出所述研究区CO2浓度反演数据。
9.一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行权利要求1至权利要求7中任一项所述基于多元数据的二氧化碳浓度遥感监测方法。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至权利要求7中任一项所述基于多元数据的二氧化碳浓度遥感监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211025901.7A CN115436570B (zh) | 2022-08-25 | 2022-08-25 | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211025901.7A CN115436570B (zh) | 2022-08-25 | 2022-08-25 | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115436570A true CN115436570A (zh) | 2022-12-06 |
| CN115436570B CN115436570B (zh) | 2023-07-07 |
Family
ID=84245551
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211025901.7A Active CN115436570B (zh) | 2022-08-25 | 2022-08-25 | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115436570B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574329A (zh) * | 2024-01-15 | 2024-02-20 | 南京信息工程大学 | 基于集成学习的二氧化氮精细化空间分布方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
| CN104657566A (zh) * | 2013-11-15 | 2015-05-27 | 中国科学院地理科学与资源研究所 | 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 |
| CN109001091A (zh) * | 2018-07-18 | 2018-12-14 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
| CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
| CN111896680A (zh) * | 2020-07-08 | 2020-11-06 | 天津师范大学 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
| CN112597651A (zh) * | 2020-12-22 | 2021-04-02 | 武汉大学 | 基于oco-2数据和wrf-stilt模型反演co2背景场浓度的方法及系统 |
| CN113673737A (zh) * | 2020-05-14 | 2021-11-19 | 中国科学院南京地理与湖泊研究所 | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 |
| CN114547885A (zh) * | 2022-02-21 | 2022-05-27 | 清华大学 | 碳排放定量反演的方法、装置、设备及存储介质 |
| US20220214322A1 (en) * | 2021-01-07 | 2022-07-07 | Tsinghua University | Air pollutants concentration forecasting method and apparatus and storage medium |
| CN114820262A (zh) * | 2022-06-30 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种二氧化碳排放变化及排放贡献评估方法和装置 |
-
2022
- 2022-08-25 CN CN202211025901.7A patent/CN115436570B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104657566A (zh) * | 2013-11-15 | 2015-05-27 | 中国科学院地理科学与资源研究所 | 基于卫星红外遥感的大气二氧化碳浓度快速计算方法 |
| CN103674794A (zh) * | 2013-12-16 | 2014-03-26 | 中国科学院遥感与数字地球研究所 | 遥感监测近地表细颗粒物质量浓度pm2.5的多元回归方法 |
| CN109001091A (zh) * | 2018-07-18 | 2018-12-14 | 北京航天宏图信息技术股份有限公司 | 大气污染的卫星遥感监测方法、装置和计算机可读介质 |
| CN109298136A (zh) * | 2018-10-11 | 2019-02-01 | 北京大学 | 空气质量评价方法、装置、设备和存储介质 |
| CN113673737A (zh) * | 2020-05-14 | 2021-11-19 | 中国科学院南京地理与湖泊研究所 | 基于卫星遥感影像的藻型湖泊水体溶解二氧化碳估算方法 |
| CN111896680A (zh) * | 2020-07-08 | 2020-11-06 | 天津师范大学 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
| CN112597651A (zh) * | 2020-12-22 | 2021-04-02 | 武汉大学 | 基于oco-2数据和wrf-stilt模型反演co2背景场浓度的方法及系统 |
| US20220214322A1 (en) * | 2021-01-07 | 2022-07-07 | Tsinghua University | Air pollutants concentration forecasting method and apparatus and storage medium |
| CN114547885A (zh) * | 2022-02-21 | 2022-05-27 | 清华大学 | 碳排放定量反演的方法、装置、设备及存储介质 |
| CN114820262A (zh) * | 2022-06-30 | 2022-07-29 | 航天宏图信息技术股份有限公司 | 一种二氧化碳排放变化及排放贡献评估方法和装置 |
Non-Patent Citations (2)
| Title |
|---|
| 邓安键等: "GOSAT 卫星数据监测中国大陆上空CO2浓度时空变化特征", 《遥感学报》 * |
| 陈雪洋邓: "基于遥感技术的重庆市CO2 浓度空间分布估算", 《地理空间信息》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117574329A (zh) * | 2024-01-15 | 2024-02-20 | 南京信息工程大学 | 基于集成学习的二氧化氮精细化空间分布方法 |
| CN117574329B (zh) * | 2024-01-15 | 2024-04-30 | 南京信息工程大学 | 基于集成学习的二氧化氮精细化空间分布方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115436570B (zh) | 2023-07-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Martens et al. | Evaluating the land-surface energy partitioning in ERA5 | |
| Steiner et al. | Quantification of structural uncertainty in climate data records from GPS radio occultation | |
| Boilley et al. | Comparison between meteorological re-analyses from ERA-Interim and MERRA and measurements of daily solar irradiation at surface | |
| Blond et al. | Intercomparison of SCIAMACHY nitrogen dioxide observations, in situ measurements and air quality modeling results over Western Europe | |
| Riffler et al. | Lake surface water temperatures of European Alpine lakes (1989–2013) based on the Advanced Very High Resolution Radiometer (AVHRR) 1 km data set | |
| Mao et al. | Comparison of evapotranspiration estimates based on the surface water balance, modified Penman‐Monteith model, and reanalysis data sets for continental China | |
| Zhao et al. | Analysis of total column CO 2 and CH 4 measurements in Berlin with WRF-GHG | |
| Alshawaf et al. | On the statistical significance of climatic trends estimated from GPS tropospheric time series | |
| Ertekin et al. | Spatio-temporal modeling of global solar radiation dynamics as a function of sunshine duration for Turkey | |
| Lian et al. | Analysis of temporal and spatial variability of atmospheric CO 2 concentration within Paris from the GreenLITE™ laser imaging experiment | |
| Hurter et al. | Tropospheric profiles of wet refractivity and humidity from the combination of remote sensing data sets and measurements on the ground | |
| Coopmann et al. | Update of Infrared Atmospheric Sounding Interferometer (IASI) channel selection with correlated observation errors for numerical weather prediction (NWP) | |
| CN115436570A (zh) | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 | |
| Torres et al. | A geostatistical framework for quantifying the imprint of mesoscale atmospheric transport on satellite trace gas retrievals | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| Alerskans et al. | A transformer neural network for predicting near‐surface temperature | |
| Borhani et al. | Current status and future forecast of short-lived climate-forced ozone in Tehran, Iran, derived from ground-based and satellite observations | |
| Zhao et al. | Understanding greenhouse gas (GHG) column concentrations in Munich using WRF | |
| Nabavi et al. | Spatiotemporal variation of radionuclide dispersion from nuclear power plant accidents using FLEXPART mini-ensemble modeling | |
| Stolz et al. | Evaluating empirical lightning parameterizations in global atmospheric models | |
| Gong et al. | Long-term precipitation estimation combining time-series retrospective forecasting and downscaling-calibration procedure | |
| Glowacki et al. | Mesoscale surface analysis system for the Australian domain: Design issues, development status, and system validation | |
| Al-Ghamdi | Statistical analysis of different global solar radiation sunshine models in Al-Aqiq, KSA | |
| Xia et al. | Establishing a high-precision ZHD model of China using 8 years of radiosonde data | |
| Hou et al. | A Satellite-Based Dataset of Global Atmospheric Carbon Dioxide Concentration with a Spa-tial Resolution of 2× 2.5 from 1992 to 2020 [J] |
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 |