CN116486931A - 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 - Google Patents
耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 Download PDFInfo
- Publication number
- CN116486931A CN116486931A CN202310736470.3A CN202310736470A CN116486931A CN 116486931 A CN116486931 A CN 116486931A CN 202310736470 A CN202310736470 A CN 202310736470A CN 116486931 A CN116486931 A CN 116486931A
- Authority
- CN
- China
- Prior art keywords
- data
- atmospheric
- inversion
- methane concentration
- satellite
- 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
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 555
- 230000007246 mechanism Effects 0.000 title claims abstract description 41
- 238000004519 manufacturing process Methods 0.000 title claims description 28
- 238000004088 simulation Methods 0.000 claims abstract description 88
- 238000010801 machine learning Methods 0.000 claims abstract description 75
- 230000005855 radiation Effects 0.000 claims abstract description 73
- 230000005540 biological transmission Effects 0.000 claims abstract description 43
- 238000012937 correction Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000005516 engineering process Methods 0.000 claims abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 11
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000012216 screening Methods 0.000 claims abstract description 8
- 239000000443 aerosol Substances 0.000 claims description 68
- 238000001228 spectrum Methods 0.000 claims description 63
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 claims description 35
- 229910002091 carbon monoxide Inorganic materials 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 28
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 28
- 238000002310 reflectometry Methods 0.000 claims description 24
- 239000011159 matrix material Substances 0.000 claims description 21
- 230000003287 optical effect Effects 0.000 claims description 21
- 239000000126 substance Substances 0.000 claims description 21
- 230000001360 synchronised effect Effects 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 13
- 238000005259 measurement Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 8
- 239000000203 mixture Substances 0.000 claims description 7
- 238000002329 infrared spectrum Methods 0.000 claims description 6
- 230000008878 coupling Effects 0.000 abstract description 6
- 238000010168 coupling process Methods 0.000 abstract description 6
- 238000005859 coupling reaction Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 239000005431 greenhouse gas Substances 0.000 description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 208000013641 Cerebrofacial arteriovenous metameric syndrome Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Crystallography & Structural Chemistry (AREA)
- Biochemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Physics & Mathematics (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统，包括：利用辐射传输模型进行结构化的短波红外高光谱辐亮度模拟实验；筛选用于甲烷浓度反演的敏感通道组合；构建基于物理机制的机器学习甲烷浓度反演模型；对卫星遥感平台观测的短波红外高光谱数据进行预处理；利用基于物理机制的机器学习模型反演大气甲烷浓度产品；利用卫星反演大气甲烷浓度数据对大气化学模式模拟甲烷柱浓度格网数据进行空间降尺度与误差订正；利用最优插值技术对模式降尺度结果与机器学习反演结果进行融合分析，得到高分辨率全覆盖的大气甲烷浓度格网数据。
Description
技术领域
本发明涉及温室气体遥感监测领域，具体地，涉及耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统，更为具体地，涉及耦合物理机制的全覆盖大气甲烷浓度数据近实时生产技术。
背景技术
近年来，随着社会经济活动对能源消耗的增加，大气中温室气体浓度不断上升。其中，甲烷作为一种重要的温室气体，单位浓度的温室效应比二氧化碳高约25倍。因此，准确地跟踪监测和定量分析甲烷浓度的空间分布和变化趋势，能够为区域环境治理和生态可持续发展提供有力支持。传统的甲烷浓度监测方法主要为地面站点观测，虽精度较高，但监控范围有限且设站成本较高，故无法满足区域温室气体跟踪监测及预警的客观需求。随着遥感技术和地理大数据分析的发展，利用星载或机载传感器获取高光谱辐射亮度信息，并据此估算大气甲烷浓度，已成为大气甲烷浓度监测的重要手段。
目前，基于甲烷气体在短波红外的吸收特性，可利用全物理反演或机器学习等技术进行甲烷浓度定量估算。对于全物理反演方法，其常利用以最优估计为代表的反演模型进行大气甲烷浓度的定量反演。全物理反演方法需要考虑多种大气参数的影响，如温度、湿度、压力、风速等，通过求解复杂的代价函数，实现大气甲烷浓度的迭代反演。然而，全物理反演框架通常需要利用在线辐射传输模式来近似替代前向模型，同时，需要建立复杂的迭代优化过程，故逐像元反演的时间成本十分庞大。另外，由于云覆盖或高浓度气溶胶的影响，卫星反演大气甲烷浓度数据常存在大面积数据缺失问题，如何对卫星反演甲烷浓度数据中的缺失值进行补全也是亟待解决的关键性技术问题。
针对上述问题，目前亟需一套能够同步解决以下技术问题的技术方案：
（1）如何构建耦合物理反演机制的大气甲烷浓度机器学习反演技术；
（2）如何对卫星反演甲烷浓度数据中的缺失值进行补全。
专利文献CN115112586A（申请号：202210763296.7）涉及一种多源数据融合下的牧场甲烷排放量估算方法，依次包括以下步骤：步骤S1：定量反演计算CH4柱浓度；步骤S2：使用定量反演得到的CH4柱浓度校正模式模拟的CH4柱浓度的方法，并根据模式中的垂直分层信息，估算近地表CH4柱浓度；步骤S3：从历史清单数据中提取牧场CH4排放量；步骤S4：基于历史多源数据，训练CH4排放模型，输入更新的遥感、模式数据，估算新的CH4排放量。
发明内容
针对现有技术中的缺陷，本发明的目的是提供一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统。
根据本发明提供的一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法，包括：
步骤S1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；
步骤S2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；
步骤S3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；
步骤S4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；
步骤S5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；
步骤S6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
步骤S7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；
所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；
所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
优选地，所述步骤S1采用：
步骤S1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
步骤S1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；
步骤S1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果。
优选地，所述步骤S2采用：
步骤S2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；
步骤S2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；
步骤S2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置。
优选地，所述步骤S3采用：
所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；
所述基于物理机制的机器学习反演模型采用：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
优选地，所述步骤S4采用：
步骤S4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；
步骤S4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准。
优选地，所述步骤S6采用：
步骤S6.1：基于卫星反演大气甲烷浓度数据构建校正模型；
步骤S6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
所述校正模型采用：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型。
优选地，所述步骤S7采用：
所述最优插值技术采用：
对于任意待融合像元，定义其背景值为/>，其融合值/>表示为：
其中，为待融合像元/>邻域内的观测值；/>为观测算子，/>表示观测值/>对应的背景值；/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>表示为：
其中，为/>的转置矩阵；观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，表示为：
其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符；/>用来表示数据点/>，/>之间空间关联，/>采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：
其中，表示经度、高程、土地利用等属性的经向差异，/>表示纬度、高程、土地利用等属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
所述背景场为空间降尺度的模式大气甲烷浓度数据；所述观测场为卫星反演大气甲烷格网数据。
根据本发明提供的一种耦合物理机制的全覆盖大气甲烷浓度数据生产系统，包括：
模块M1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；
模块M2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；
模块M3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；
模块M4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；
模块M5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；
模块M6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
模块M7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；
所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；
所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
优选地，所述模块M1采用：
模块M1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
模块M1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；
模块M1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果；
所述模块M2采用：
模块M2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；
模块M2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；
模块M2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置；
所述模块M3采用：
所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；
所述基于物理机制的机器学习反演模型采用：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
优选地，所述模块M4采用：
模块M4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；
模块M4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准；
所述模块M6采用：
模块M6.1：基于卫星反演大气甲烷浓度数据构建校正模型；
模块M6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
所述校正模型采用：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型；
所述模块M7采用：
所述最优插值技术采用：
对于任意待融合像元，定义其背景值为/>，其融合值/>表示为：
其中，为待融合像元/>邻域内的观测值；/>为观测算子，/>表示观测值/>对应的背景值；/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>表示为：
其中，为/>的转置矩阵；观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，表示为：
其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符；/>用来表示数据点/>，/>之间空间关联，/>采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：
其中，表示经度、高程、土地利用等属性的经向差异，/>表示纬度、高程、土地利用等属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
所述背景场为空间降尺度的模式大气甲烷浓度数据；所述观测场为卫星反演大气甲烷格网数据。
与现有技术相比，本发明具有如下的有益效果：
1、本发明通过构建耦合物理机制的大气甲烷浓度的机器学习快速遥感反演算法，相较于传统全物理反演框架，实现了反演速度的较大提升；
2、通过构建基于属性距离的空间最优插值技术，实现了卫星反演大气甲烷浓度数据中的缺失信息补全，可用于生产时空全覆盖的大气甲烷浓度格网数据。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
图1为耦合物理机制的时空无缝大气甲烷浓度数据的近实时生产技术的流程图。
图2为大气化学模式空间降尺度和误差校正的精度散点图。
图3为利用本发明生产的时空全覆盖大气甲烷浓度格网数据示意图。
具体实施方式
下面结合具体实施例对本发明进行详细说明。以下实施例将有助于本领域的技术人员进一步理解本发明，但不以任何形式限制本发明。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变化和改进。这些都属于本发明的保护范围。
实施例1
根据本发明提供的一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法，包括：
步骤S1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；
步骤S2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；
步骤S3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；
步骤S4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；
步骤S5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；
步骤S6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
步骤S7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；
所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；
所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
具体地，所述步骤S1采用：
步骤S1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
步骤S1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；
步骤S1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果。
具体地，所述步骤S2采用：
步骤S2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；
步骤S2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；
步骤S2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置。
具体地，所述步骤S3采用：
所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；
所述基于物理机制的机器学习反演模型采用：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
具体地，所述步骤S4采用：
步骤S4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；
步骤S4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准。
具体地，所述步骤S6采用：
步骤S6.1：基于卫星反演大气甲烷浓度数据构建校正模型；
步骤S6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
所述校正模型采用：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型。
具体地，所述步骤S7采用：
所述最优插值技术采用：
对于任意待融合像元，定义其背景值为/>，其融合值/>表示为：
其中，为待融合像元/>邻域内的观测值；/>为观测算子，/>表示观测值/>对应的背景值；/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>表示为：
其中，为/>的转置矩阵；观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，表示为：
其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符；/>用来表示数据点/>，/>之间空间关联，/>采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：
其中，表示经度、高程、土地利用等属性的经向差异，/>表示纬度、高程、土地利用等属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
所述背景场为空间降尺度的模式大气甲烷浓度数据；所述观测场为卫星反演大气甲烷格网数据。
根据本发明提供的一种耦合物理机制的全覆盖大气甲烷浓度数据生产系统，包括：
模块M1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；
模块M2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；
模块M3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；
模块M4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；
模块M5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；
模块M6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
模块M7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；
所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；
所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
具体地，所述模块M1采用：
模块M1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
模块M1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；
模块M1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果；
所述模块M2采用：
模块M2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；
模块M2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；
模块M2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置；
所述模块M3采用：
所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；
所述基于物理机制的机器学习反演模型采用：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
具体地，所述模块M4采用：
模块M4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；
模块M4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准；
所述模块M6采用：
模块M6.1：基于卫星反演大气甲烷浓度数据构建校正模型；
模块M6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
所述校正模型采用：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型；
所述模块M7采用：
所述最优插值技术采用：
对于任意待融合像元，定义其背景值为/>，其融合值/>表示为：
其中，为待融合像元/>邻域内的观测值；/>为观测算子，/>表示观测值/>对应的背景值；/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>表示为：
其中，为/>的转置矩阵；观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，表示为：
其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符；/>用来表示数据点/>，/>之间空间关联，/>采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：
其中，表示经度、高程、土地利用等属性的经向差异，/>表示纬度、高程、土地利用等属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
所述背景场为空间降尺度的模式大气甲烷浓度数据；所述观测场为卫星反演大气甲烷格网数据。
实施例2
实施例2是实施例1的优选例
根据本发明提供的一种耦合物理机制的全覆盖大气甲烷浓度数据近实时生产方法，如图1至图3所示，包括：
步骤1：利用具有光谱逐线积分特性的辐射传输模型，进行一系列结构化的短波红外高光谱数据的模拟实验。
具体地，所述步骤1采用：
步骤1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取其传感器所对应的波段配置信息，其中包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
步骤1.2：为辐射传输模拟进行一系列结构化条件设置，其中包括：太阳天顶角（0~60°, 6°间隔）、卫星天顶角（0~60°, 6°间隔）、相对方位角（0~180°, 12°间隔）、地表海拔高度（0~3000米，500米间隔）、气溶胶光学厚度（0~2.5,0.05间隔）、地表反射率（0~0.4,0.05间隔）、甲烷混合比（1.70~2.20 ppm，0.05间隔）、一氧化碳混合比（0.10~0.26 ppm，0.02间隔）、水汽柱总量（0~60 kg/m2, 5 kg/m2间隔）；
步骤1.3：基于上述结构化条件设置的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，并记录所模拟的光谱辐亮度结果；
步骤2：依据所述的短波红外高光谱数据模拟试验的结果，进行用于甲烷反演的敏感通道的筛选与组合，以实现用于甲烷探测的光谱信号增强的目的。
具体地，所述步骤2采用：
步骤2.1：基于步骤1所得的光谱辐亮度模拟结果，计算各模拟条件下的两两波段辐射亮度比值；
步骤2.2：计算改变相同模拟条件但不同条件参数设置的比值结果的差值，其中所述的差值结果可以由不同的模拟条件分别计算，包括：甲烷条件的差值、水汽条件的差值、一氧化碳条件的差值、气溶胶条件的差值、反射率条件的差值；
步骤2.3：提取甲烷条件的差值大于预设值A、且水汽条件的差值小于预设值B、且一氧化碳条件的差值小于预设值C、且气溶胶条件的差值小于预设值D、且反射率条件的差值小于预设值F的比值组合；
步骤2.4：定义上述波段辐射亮度比值组合为用于甲烷反演的敏感通道组合，并记录其所对应的波长信息；
步骤3：利用步骤2所得的甲烷敏感通道光谱数据与其对应的辐射传输模型模拟参数，构建基于物理机制的机器学习反演模型。
步骤3.1：提取步骤1的批量光谱辐亮度模拟结果中步骤2所提及的敏感通道组合，并记录模拟实验所对应的参数设置，其中包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量；
步骤3.2：计算敏感通道组合所对应的光谱辐射亮度比值；
步骤3.3：依据上述的结构化模拟条件设置，对光谱辐射亮度比值进行高维线性插值，用于实现机器学习训练数据集样本增强的目的；
步骤3.4：构建基于物理机制的机器学习反演模型，公式为：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
步骤3.5：基于上述训练数据集，对所述的机器学习反演模型进行参数训练与优化；
步骤4：依托具有短波红外高光谱观测能力的卫星遥感平台，对其所观测的高光谱数据进行包括辐射定标、可反演像元识别、波段组合运算、辅助数据空间配准等技术在内的数据预处理工作。
步骤4.1：对卫星遥感平台（以Sentinel-5P TROPOMI为例）所观测的高光谱数据进行辐射定标，根据以下公式将光子辐射能量转换为能量辐射/>：
其中为阿伏伽德罗常数，/>为普朗克常数，/>为光速，/>为波长；
步骤4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，去除具有云覆盖或较高浓度气溶胶的观测像元，以实现可反演像元识别的目的；
步骤4.3：根据步骤2所得的用于甲烷浓度反演的敏感通道组合，对得到的高光谱辐亮度数据进行波段比值运算，所得结果用于大气甲烷浓度的定量反演；
步骤4.4：基于卫星遥感观测像元的空间位置信息，对用于提高反演精度的地理辅助数据进行空间配准，所述的地理辅助数据包括表面高程模型等；
步骤5：依据所述的机器学习反演模型与预处理后的高光谱辐亮度波段比值数据，进行大气甲烷浓度数据反演。
步骤5.1：依据步骤3所构建的基于物理机制的机器学习反演模型，将步骤4所预处理后的波段辐亮度比值和空间配准后的辅助数据输入所述模型；
步骤5.2：提取模型预测结果，得到卫星遥感反演的大气甲烷浓度数据；
步骤5.3：基于卫星遥感观测像元的空间位置信息，对所述的大气甲烷浓度数据进行几何配准，得到标准格网化大气甲烷浓度数据；
步骤6：获取大气化学模式所预报的甲烷柱浓度格网数据，并利用卫星反演大气甲烷浓度数据对其进行空间降尺度。
步骤6.1：获取大气化学模式（以CAMS为例）所预报的甲烷柱浓度格网数据；
步骤6.2：对所述的甲烷柱浓度格网数据进行空间重采样，即采样到与卫星反演大气甲烷浓度数据相同的空间分辨率上；
步骤6.3：对空间重采样后的甲烷柱浓度数据进行单位转换，即转换到与卫星反演大气甲烷浓度数据相同的物理单位上；
步骤6.4：构建模式模拟大气甲烷浓度格网数据的校正模型，其公式为：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型；/>
步骤6.5：利用所述校正模型，对模式模拟大气甲烷浓度格网数据进行误差订正；
步骤7：利用基于属性距离的最优插值技术，将空间降尺度的模式预报甲烷浓度数据与机器学习反演的卫星遥感甲烷浓度数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，以实现时空无缝大气甲烷浓度数据的近实时生产。
步骤7.1：对步骤5所得的卫星遥感反演大气甲烷浓度标准格网数据，与步骤6所得的模式降尺度大气甲烷浓度格网数据进行融合；
步骤7.2：所述的融合技术为基于属性距离的最优插值技术，其特征在于：
对于任意待融合像元，定义其背景值为/>，其融合值/>可表示为：
其中，为待融合像元/>邻域内的观测值。/>为观测算子，/>表示观测值/>对应的背景值。/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>可表示为：
其中，为/>的转置矩阵。观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，可表示为：
其中，为背景误差方差，背景场和观测场的误差方差可以通过实测值进行估计，可表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符。/>用来表示数据点/>，/>之间空间关联，本发明采用基于属性距离的高斯核权重来近似拟合这种空间相关性，可表示为：
其中，表示经度、高程、土地利用等属性的经向差异，/>表示纬度、高程、土地利用等属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
步骤7.3：所述的背景场为模式降尺度大气甲烷浓度格网数据，所述的观测场为卫星遥感反演大气甲烷浓度标准格网数据，通过上述融合技术得到高分辨率全覆盖大气甲烷浓度格网数据，以实现时空无缝大气甲烷浓度数据的近实时生产。
本领域技术人员知道，除了以纯计算机可读程序代码方式实现本发明提供的系统、装置及其各个模块以外，完全可以通过将方法步骤进行逻辑编程来使得本发明提供的系统、装置及其各个模块以逻辑门、开关、专用集成电路、可编程逻辑控制器以及嵌入式微控制器等的形式来实现相同程序。所以，本发明提供的系统、装置及其各个模块可以被认为是一种硬件部件，而对其内包括的用于实现各种程序的模块也可以视为硬件部件内的结构；也可以将用于实现各种功能的模块视为既可以是实现方法的软件程序又可以是硬件部件内的结构。
以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变化或修改，这并不影响本发明的实质内容。在不冲突的情况下，本申请的实施例和实施例中的特征可以任意相互组合。
Claims (10)
1.一种耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，包括：
步骤S1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；
步骤S2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；
步骤S3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；
步骤S4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；
步骤S5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；
步骤S6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
步骤S7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；
所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；
所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
2.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S1采用：
步骤S1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
步骤S1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；
步骤S1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果。
3.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S2采用：
步骤S2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；
步骤S2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；
步骤S2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置。
4.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S3采用：
所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；
所述基于物理机制的机器学习反演模型采用：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
5.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S4采用：
步骤S4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；
步骤S4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准。
6.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S6采用：
步骤S6.1：基于卫星反演大气甲烷浓度数据构建校正模型；
步骤S6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
所述校正模型采用：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型。
7.根据权利要求1所述的耦合物理机制的全覆盖大气甲烷浓度数据生产方法，其特征在于，所述步骤S7采用：
所述最优插值技术采用：
对于任意待融合像元，定义其背景值为/>，其融合值/>表示为：
其中，为待融合像元/>邻域内的观测值；/>为观测算子，/>表示观测值/>对应的背景值；/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>表示为：
其中，为/>的转置矩阵；观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，表示为：
其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符；/>用来表示数据点/>，/>之间空间关联，/>采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：
其中，表示包括经度、高程、土地利用属性的经向差异，/>表示包括纬度、高程、土地利用属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
所述背景场为空间降尺度的模式大气甲烷浓度数据；所述观测场为卫星反演大气甲烷格网数据。
8.一种耦合物理机制的全覆盖大气甲烷浓度数据生产系统，其特征在于，包括：
模块M1：利用辐射传输模型进行结构化的短波红外高光谱数据模拟实验，获取各模拟条件下的短波红外高光谱辐亮度结果；
模块M2：基于获得的各模拟条件下的短波红外高光谱辐亮度结果筛选用于甲烷反演的敏感通道组合；
模块M3：计算敏感通道组合对应的光谱辐射亮度比值，并对其进行高维线性插值以增强机器学习训练数据集样本，构建基于物理机制的机器学习反演模型，利用训练数据集样本对机器学习反演模型进行参数训练与优化；
模块M4：获取卫星观测高光谱辐亮度数据，并对卫星观测高光谱辐亮度数据进行预处理得到处理后的高光谱数据；获取同步过境时刻卫星的气溶胶与云掩膜产品，识别可反演像元，并对可反演像元进行地理辅助数据的空间配准；
模块M5：根据处理后的高光谱数据和空间配准后的辅助数据，利用训练后的机器学习反演模型反演大气甲烷浓度数据，并对其进行几何配准，得到卫星反演大气甲烷格网数据；
模块M6：获取大气化学模式所预报的甲烷柱浓度格网数据，利用卫星反演大气甲烷格网数据对其进行空间降尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
模块M7：利用基于属性距离的最优插值技术，将空间降尺度的模式大气甲烷浓度数据与卫星反演大气甲烷格网数据进行融合，得到高分辨率全覆盖大气甲烷浓度格网数据，实现时空无缝大气甲烷浓度数据的近实时生产；
所述辐射传输模型是利用具有光谱逐线积分特性的辐射传输模型实现短波红外光谱逐线积分；
所述机器学习反演模型是具有拟合特性的机器学习模型，以实现回归反演的目的。
9.根据权利要求8所述的耦合物理机制的全覆盖大气甲烷浓度数据生产系统，其特征在于，所述模块M1采用：
模块M1.1：确定用于大气甲烷浓度反演的短波红外高光谱卫星平台，并提取传感器所对应的波段配置信息，包括：光谱范围、光谱分辨率与光谱采样个数，用于辐射传输模型的基础信息配置；
模块M1.2：设置辐射传输模型结构化模拟条件，包括：太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比以及水汽柱总量；
模块M1.3：基于模拟条件的排列组合，进行短波红外波段范围内的批量大气辐射传输模拟实验，获得各模拟条件下的光谱辐亮度结果；
所述模块M2采用：
模块M2.1：基于获得的各模拟条件下的短波红外高光谱辐亮度结果计算各模拟条件下的两两波段辐射亮度比值；
模块M2.2：计算相同模拟条件不同条件参数设置的比值结果的差值；
模块M2.3：将甲烷条件的差值大于预设值A、水汽条件的差值小于预设值B、一氧化碳条件的差值小于预设值C、气溶胶条件的差值小于预设值D、反射率条件的差值小于预设值F的比值组合定义为甲烷浓度反演的敏感通道组合，并记录其所对应的波长信息；
所述不同条件参数包括：甲烷参数的不同条件设置、水汽参数的不同条件设置、一氧化碳参数的不同条件设置、气溶胶参数的不同条件设置以及反射率参数的不同条件设置；
所述模块M3采用：
所述增强机器学习训练数据集样本采用：依据光谱辐亮度模拟实验中的参数设置，包括太阳天顶角、卫星天顶角、相对方位角、地表海拔高度、气溶胶光学厚度、地表反射率、甲烷混合比、一氧化碳混合比、水汽柱总量，对光谱辐射亮度比值进行高维线性插值；
所述基于物理机制的机器学习反演模型采用：
其中，表示大气甲烷浓度，/>大气一氧化碳浓度，/>表示大气水汽柱总量，/>表示气溶胶光学厚度，/>地表反射率，/>表示敏感通道组合所对应的光谱辐射亮度比值，/>表示太阳天顶角，/>表示卫星天顶角，/>表示相对方位角，/>表示地表海拔高度，/>表示具有能够实现多变量协同输出目的的机器学习拟合模型。
10.根据权利要求8所述的耦合物理机制的全覆盖大气甲烷浓度数据生产系统，其特征在于，所述模块M4采用：
模块M4.1：获取卫星观测高光谱辐亮度数据，在卫星观测高光谱辐亮度数据中提取甲烷反演的敏感通道组合，并进行辐射定标与波段组合运算得到处理后的高光谱数据；
模块M4.2：获取同步过境时刻卫星的气溶胶与云掩膜产品，基于同步过境时刻卫星的气溶胶与云掩膜产品识别未有云覆盖或气溶胶浓度较低的观测像元，并对未有云覆盖或气溶胶浓度较低的观测像元进行表面高程模型数据的空间配准；
所述模块M6采用：
模块M6.1：基于卫星反演大气甲烷浓度数据构建校正模型；
模块M6.2：获取大气化学模式所预报甲烷柱浓度格网数据，利用校正模型对大气化学模式所预报甲烷柱浓度格网数据进行空间间尺度与误差订正，得到空间降尺度的模式大气甲烷浓度数据；
所述校正模型采用：
其中，为卫星反演大气甲烷浓度数据，/>模式模拟大气甲烷浓度格网数据，/>以相对湿度和气温为主的气象变量数据，/>为地表海拔高度，/>为归一化差值植被指数，/>为土地利用和土地覆盖数据，g表示具有单变量拟合能力的机器学习模型；
所述模块M7采用：
所述最优插值技术采用：
对于任意待融合像元，定义其背景值为/>，其融合值/>表示为：
其中，为待融合像元/>邻域内的观测值；/>为观测算子，/>表示观测值/>对应的背景值；/>为卡尔曼增益，用以量化邻近观测对待分析点的相对贡献，/>表示为：
其中，为/>的转置矩阵；观测误差协方差矩阵/>为对角矩阵，对角元素由对应的观测误差方差/>组成，背景误差协方差矩阵/>为对称矩阵，表示为：
其中，为背景误差方差，背景场和观测场的误差方差通过实测值进行估计，表示为：
其中，表示卫星反演大气甲烷浓度，/>表示大气化学模式降尺度与校正后的大气甲烷浓度，/>表示大气甲烷浓度实测结果，/>表示平均运算符；/>用来表示数据点/>，/>之间空间关联，/>采用基于属性距离的高斯核权重来近似拟合这种空间相关性，表示为：
其中，表示包括经度、高程、土地利用属性的经向差异，/>表示包括纬度、高程、土地利用属性的经向差异，/>和/>表示相关性在空间上的关联距离，/>表示以自然指数为幂的函数；
所述背景场为空间降尺度的模式大气甲烷浓度数据；所述观测场为卫星反演大气甲烷格网数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736470.3A CN116486931B (zh) | 2023-06-21 | 2023-06-21 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310736470.3A CN116486931B (zh) | 2023-06-21 | 2023-06-21 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116486931A true CN116486931A (zh) | 2023-07-25 |
| CN116486931B CN116486931B (zh) | 2023-08-29 |
Family
ID=87212190
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310736470.3A Active CN116486931B (zh) | 2023-06-21 | 2023-06-21 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116486931B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116735520A (zh) * | 2023-08-11 | 2023-09-12 | 至善时代智能科技(北京)有限公司 | 一种tvoc气体监测系统及方法 |
| CN117556262A (zh) * | 2024-01-08 | 2024-02-13 | 中国科学院空天信息创新研究院 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
| CN117629907A (zh) * | 2023-11-23 | 2024-03-01 | 北京英视宇辰科技有限公司 | 一种高分辨率遥感识别甲烷泄露方法、系统、设备及介质 |
| CN117892498A (zh) * | 2023-12-22 | 2024-04-16 | 南京大学 | 一种卫星多通道优化反演甲烷柱浓度增强的方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
| CN109387487A (zh) * | 2018-12-18 | 2019-02-26 | 成都信息工程大学 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
| CN110866467A (zh) * | 2019-10-30 | 2020-03-06 | 核工业北京地质研究院 | 一种航空中红外高光谱数据温度和发射率反演方法 |
| US20210181173A1 (en) * | 2018-08-27 | 2021-06-17 | Centre National D'etudes Spatiales | Method and device for measuring atmospheric parameters to estimate the quality of the air and the climate variables |
| AU2021105817A4 (en) * | 2021-08-18 | 2021-10-21 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for Reconstructing global Surface Temperature |
| AU2021106083A4 (en) * | 2021-08-20 | 2021-10-28 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for retrieving atmospheric water vapor content based on deep learning and remote sensing data |
| CN113607654A (zh) * | 2021-07-16 | 2021-11-05 | 中国科学技术大学 | 基于超光谱卫星的全球乙二醛浓度遥感反演方法及系统 |
| CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
| CN114581791A (zh) * | 2022-03-02 | 2022-06-03 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据大气水汽含量反演方法及系统 |
| CN114707396A (zh) * | 2021-12-28 | 2022-07-05 | 华东师范大学 | 一种全天时pm2.5浓度无缝格点数据的近实时生产方法 |
| CN115112586A (zh) * | 2022-07-01 | 2022-09-27 | 行星数据科技(苏州)有限公司 | 一种多源数据融合下的牧场甲烷排放量估算方法 |
| CN115346615A (zh) * | 2022-06-09 | 2022-11-15 | 中国科学院空天信息创新研究院 | 大气气溶胶反演方法、装置和电子设备 |
-
2023
- 2023-06-21 CN CN202310736470.3A patent/CN116486931B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106407656A (zh) * | 2016-08-29 | 2017-02-15 | 中国科学院遥感与数字地球研究所 | 一种基于高分辨率卫星影像数据的气溶胶光学厚度反演方法 |
| US20210181173A1 (en) * | 2018-08-27 | 2021-06-17 | Centre National D'etudes Spatiales | Method and device for measuring atmospheric parameters to estimate the quality of the air and the climate variables |
| CN109387487A (zh) * | 2018-12-18 | 2019-02-26 | 成都信息工程大学 | 卷云条件下短波红外高光谱数据大气甲烷快速反演方法 |
| CN110866467A (zh) * | 2019-10-30 | 2020-03-06 | 核工业北京地质研究院 | 一种航空中红外高光谱数据温度和发射率反演方法 |
| CN113607654A (zh) * | 2021-07-16 | 2021-11-05 | 中国科学技术大学 | 基于超光谱卫星的全球乙二醛浓度遥感反演方法及系统 |
| AU2021105817A4 (en) * | 2021-08-18 | 2021-10-21 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for Reconstructing global Surface Temperature |
| AU2021106083A4 (en) * | 2021-08-20 | 2021-10-28 | Institute Of Agricultural Resources And Regional Planning, Chinese Academy Of Agricultural Sciences | Method for retrieving atmospheric water vapor content based on deep learning and remote sensing data |
| CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
| CN114707396A (zh) * | 2021-12-28 | 2022-07-05 | 华东师范大学 | 一种全天时pm2.5浓度无缝格点数据的近实时生产方法 |
| CN114581791A (zh) * | 2022-03-02 | 2022-06-03 | 中国农业科学院农业资源与农业区划研究所 | 基于modis数据大气水汽含量反演方法及系统 |
| CN115346615A (zh) * | 2022-06-09 | 2022-11-15 | 中国科学院空天信息创新研究院 | 大气气溶胶反演方法、装置和电子设备 |
| CN115112586A (zh) * | 2022-07-01 | 2022-09-27 | 行星数据科技(苏州)有限公司 | 一种多源数据融合下的牧场甲烷排放量估算方法 |
Non-Patent Citations (4)
| Title |
|---|
| KAIXU BAI等: "LGHAP: the Long-term Gap-free High-resolution Air Pollutant concentration dataset, derived via tensor-flow-based multimodal data fusion", 《EARTH SYST. SCI. DATA》, pages 907 - 927 * |
| KUN CAI等: "Accuracy Verification of Satellite Products and Temporal and Spatial Distribution Analysis and Prediction of the CH4 Concentration in China", 《REMOTE SENSING》, pages 1 - 18 * |
| 刘双慧等: "大气甲烷探测进展与全球甲烷分布分析", 《遥感技术与应用》, vol. 37, no. 2, pages 436 - 450 * |
| 李珂: "融合星地多源数据资料的长三角地区高分辨率 时空无缝PM2.5浓度数据", 《遥感学报》, pages 1002 - 1014 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116735520A (zh) * | 2023-08-11 | 2023-09-12 | 至善时代智能科技(北京)有限公司 | 一种tvoc气体监测系统及方法 |
| CN117629907A (zh) * | 2023-11-23 | 2024-03-01 | 北京英视宇辰科技有限公司 | 一种高分辨率遥感识别甲烷泄露方法、系统、设备及介质 |
| CN117892498A (zh) * | 2023-12-22 | 2024-04-16 | 南京大学 | 一种卫星多通道优化反演甲烷柱浓度增强的方法 |
| CN117556262A (zh) * | 2024-01-08 | 2024-02-13 | 中国科学院空天信息创新研究院 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
| CN117556262B (zh) * | 2024-01-08 | 2024-05-14 | 中国科学院空天信息创新研究院 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116486931B (zh) | 2023-08-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116486931B (zh) | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及系统 | |
| CN109580003B (zh) | 一种静止气象卫星热红外数据估算近地面大气温度方法 | |
| Quesada-Ruiz et al. | Cloud-tracking methodology for intra-hour DNI forecasting | |
| 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 | |
| KR101926544B1 (ko) | 기상 예측 모델을 이용한 기상 관측 방법, 시스템 및 컴퓨터 프로그램 | |
| CN110174359B (zh) | 一种基于高斯过程回归的航空高光谱影像土壤重金属浓度评估方法 | |
| CN103345707A (zh) | 一种基于多源遥感数据的农作物成熟期遥感预测方法 | |
| 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 | |
| Wang et al. | Constructing a gridded direct normal irradiance dataset in China during 1981–2014 | |
| CN113408111B (zh) | 大气可降水量反演方法及系统、电子设备和存储介质 | |
| CN116559902A (zh) | 近地表甲烷异常排放的快速遥感识别与通量估算方法及系统 | |
| CN113553697B (zh) | 基于长时序多源数据的煤炭开采植被扰动分析方法 | |
| CN116297288B (zh) | 大气甲烷干空气混合比的快速遥感反演方法及系统 | |
| CN113552081A (zh) | 一种基于超高光谱遥感无盲区臭氧垂直分布的遥测系统 | |
| CN110836870A (zh) | 基于gee的大区域湖泊透明度快速制图方法 | |
| CN115438562A (zh) | 一种大范围快速光学卫星传感器星上观测辐亮度模拟方法 | |
| He et al. | A review of datasets and methods for deriving spatiotemporal distributions of atmospheric CO2 | |
| 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 | |
| Dayalu et al. | Assessing biotic contributions to CO 2 fluxes in northern China using the Vegetation, Photosynthesis and Respiration Model (VPRM-CHINA) and observations from 2005 to 2009 | |
| Flückiger et al. | Modelling daily air temperature at a fine spatial resolution dealing with challenging meteorological phenomena and topography in Switzerland | |
| Hong et al. | Assimilating Fengyun-4A observations to improve WRF-Chem PM2. 5 predictions in China | |
| CN107576399A (zh) | 面向modis 林火探测的亮温预测方法和系统 | |
| CN117409334B (zh) | 一种基于静止卫星遥感数据的气溶胶类型识别方法 | |
| CN117523406A (zh) | 一种海洋水色水温扫描仪箝位修正方法及计算机可读介质 | |
| CN117009427A (zh) | 风云卫星观测的同化方法、装置、电子设备及存储介质 |
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 |