CN117009818B - 一种基于多项式改正的大气co2融合方法和系统 - Google Patents
一种基于多项式改正的大气co2融合方法和系统 Download PDFInfo
- Publication number
- CN117009818B CN117009818B CN202310390314.6A CN202310390314A CN117009818B CN 117009818 B CN117009818 B CN 117009818B CN 202310390314 A CN202310390314 A CN 202310390314A CN 117009818 B CN117009818 B CN 117009818B
- Authority
- CN
- China
- Prior art keywords
- data
- satellite
- fitting
- xco
- concentration deviation
- 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
- 238000012937 correction Methods 0.000 title claims abstract description 27
- 238000007500 overflow downdraw method Methods 0.000 title claims abstract description 20
- 238000000034 method Methods 0.000 claims abstract description 31
- 230000004927 fusion Effects 0.000 claims description 84
- 238000012545 processing Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 5
- 239000000443 aerosol Substances 0.000 abstract description 5
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- 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
- G01N33/0067—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 by measuring the rate of variation of the concentration
-
- 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
-
- 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
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Software Systems (AREA)
- Combustion & Propulsion (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Image Processing (AREA)
Abstract
本发明提出一种基于多项式改正的大气CO2融合方法和系统，涉及大气CO2检测领域。其中，方法包括：使用时间作为变量参与CO2浓度的误差拟合改正，通过CO2的时间变化规律，拟合时间与CO2浓度的非线性关系。本发明提出的方案，既能降低云及气溶胶等因素对卫星观测的影响，提高了卫星观测大气CO2的精度，又能提高数据的空间覆盖度。
Description
技术领域
本发明属于大气CO2检测领域，尤其涉及一种基于多项式改正的大气CO2融合方法、系统、电子设备及存储介质。
背景技术
大气CO2作为最主要的温室气体之一，其浓度的变化对全球气候变化变化、人类生存环境乃至整个社会-经济体系的结构都会产生重要影响，因此，对大气CO2浓度的监测一直是当前科学研究的热点问题。传统的大气CO2浓度监测以地基观测为主，其观测精度较高，但在全球的观测站点少且分布不均匀，难以准确刻画CO2浓度分布，而卫星监测可以提供全球大范围的CO2浓度观测数据。
当前研究表明，卫星观测CO2受限于云及气溶胶等因素的影响，其反演精度受到较大的影响。目前提高卫星反演精度主要是通过卫星的自主算法对卫星接收的光谱数据进行处理，但该方法受制于复杂的大气环境且运算复杂度大。同时，任何单一的卫星传感器都无法有效地获取全球连续的高时空分辨率CO2浓度。
现有技术中云及气溶胶等因素对卫星观测有较大的影响，阻碍了卫星观测大气CO2的精度，并且数据的空间覆盖度较小。
发明内容
为解决上述技术问题，本发明提出一种基于多项式改正的大气CO2融合方法的技术方案，以解决上述技术问题。
本发明第一方面公开了一种基于多项式改正的大气CO2融合方法，所述方法包括：步骤S1、采集单颗卫星观测的XCO2数据，得到卫星第一观测的XCO2数据，并将所述卫星第一观测的XCO2数据与地基第一观测的XCO2数据进行时空间匹配，得到第一浓度偏差数据；
步骤S2、以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式；
步骤S3、以卫星第一观测的XCO2数据为输入变量，线性拟合地基第一观测的XCO2数据，得到线性拟合公式；
步骤S4、再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据；将所述时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据；
步骤S5、以卫星第二观测的XCO2数据为输入变量，输入线性拟合公式，得到线性拟合数据；将所述线性拟合数据与地基第二观测的XCO2数据做时空匹配，得到第三浓度偏差数据；
步骤S6、应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据；
步骤S7、对每颗卫星的卫星观测的XCO2数据，重复步骤S4～S6，得到每颗卫星的融合数据；将每颗卫星的融合数据与地基第二观测的XCO2数据做时空匹配，得到每颗卫星的浓度偏差数据；
步骤S8、应用所述每颗卫星的融合数据和所述每颗卫星的浓度偏差数据，得到多源卫星融合数据。
根据本发明第一方面的方法，所述方法还包括：
步骤S9、利用所述多源卫星融合数据，通过克里格插值法得到全球XCO2空间分布。
根据本发明第一方面的方法，在所述步骤S2中，所述以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式的方法包括：
将所述第一浓度偏差数据分成两部分，第一部分数据分用于拟合多项式训练，第二部分数据用于拟合多项式的检验；
应用第一部分数据训练拟合多项式，并选择最优阶次的拟合多项式，得到训练好的拟合多项式；
应用所述第二部分数据，基于均方根误差和相似系数，对所述训练好的拟合多项式进行验证。
根据本发明第一方面的方法，在所述步骤S2中，所述选择最优阶次的拟合多项式的方法包括：
穷举1～10阶多项式，应用第一部分数对其据训，取拟合效果的最佳的阶次的拟合多项式作为训练好的拟合多项式。
根据本发明第一方面的方法，在所述步骤S4中，所述基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据的方法包括：
将所述卫星第二观测的XCO2数据的时间变量输入所述浓度偏差的拟合多项式，得到时间拟合浓度偏差；
将所述卫星第二观测的XCO2数据与所述时间拟合浓度偏差相加，得到时间拟合数据。
根据本发明第一方面的方法，在所述步骤S6中，所述应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据的方法包括：
其中，Snew为单颗卫星融合数据，S1为时间拟合数据，S2为线性拟合数据融合，rmse1为第二浓度偏差数据，rmse2为第三浓度偏差数据。
根据本发明第一方面的方法，在所述步骤S8中，所述应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据的方法包括：
其中，W为多源卫星融合数据，n为卫星总数量，为第k个卫星的的单颗卫星融合数据，rmsek为第k个卫星的浓度偏差数据。
本发明第二方面公开了一种基于多项式改正的大气CO2融合系统，所述系统包括：
第一处理模块，被配置为，采集单颗卫星观测的XCO2数据，得到卫星第一观测的XCO2数据，并将所述卫星第一观测的XCO2数据与地基第一观测的XCO2数据进行时空间匹配，得到第一浓度偏差数据；
第二处理模块，被配置为，以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式；
第三处理模块，被配置为，以卫星第一观测的XCO2数据为输入变量，线性拟合地基第一观测的XCO2数据，得到线性拟合公式；
第四处理模块，被配置为，再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据；将所述时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据；
第五处理模块，被配置为，以卫星第二观测的XCO2数据为输入变量，输入线性拟合公式，得到线性拟合数据；将所述线性拟合数据与地基第二观测的XCO2数据做时空匹配，得到第三浓度偏差数据；
第六处理模块，被配置为，应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据；
第七处理模块，被配置为，对每颗卫星的卫星观测的XCO2数据，重复步骤S4～S6，得到每颗卫星的融合数据；将每颗卫星的融合数据与地基第二观测的XCO2数据做时空匹配，得到每颗卫星的浓度偏差数据；
第八处理模块，被配置为，应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据。
根据本发明第二方面的系统，第九处理模块，被配置为，利用所述多源卫星融合数据，通过克里格插值法得到全球XCO2空间分布。
根据本发明第二方面的系统，所述第二处理模块，被配置为，所述以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式包括：
将所述第一浓度偏差数据分成两部分，第一部分数据分用于拟合多项式训练，第二部分数据用于拟合多项式的检验；
应用第一部分数据训练拟合多项式，并选择最优阶次的拟合多项式，得到训练好的拟合多项式；
应用所述第二部分数据，基于均方根误差和相似系数，对所述训练好的拟合多项式进行验证。
根据本发明第二方面的系统，所述第二处理模块，被配置为，所述选择最优阶次的拟合多项式包括：
穷举1～10阶多项式，应用第一部分数对其据训，取拟合效果的最佳的阶次的拟合多项式作为训练好的拟合多项式。
根据本发明第二方面的系统，所述第四处理模块，被配置为，所述基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据包括：
将所述卫星第二观测的XCO2数据的时间变量输入所述浓度偏差的拟合多项式，得到时间拟合浓度偏差；
将所述卫星第二观测的XCO2数据与所述时间拟合浓度偏差相加，得到时间拟合数据。
根据本发明第二方面的系统，所述第六处理模块，被配置为，在所述步骤S6中，所述应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据包括：
其中，Snew为单颗卫星融合数据，S1为时间拟合数据，S2为线性拟合数据融合，rmsek1为第二浓度偏差数据，rmse2为第三浓度偏差数据。
根据本发明第二方面的系统，所述第八处理模块，被配置为，所述应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据包括：
其中，W为多源卫星融合数据，n为卫星总数量，为第k个卫星的的单颗卫星融合数据，rmsek为第k个卫星的浓度偏差数据。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本公开第一方面中任一项的一种基于多项式改正的大气CO2融合方法中的步骤。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本公开第一方面中任一项的一种基于多项式改正的大气CO2融合方法中的步骤。
本发明提出的方案，既能降低云及气溶胶等因素对卫星观测的影响，提高了卫星观测大气CO2的精度，又能提高数据的空间覆盖度。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为根据本发明实施例的一种基于多项式改正的大气CO2融合方法的流程图；
图2为根据本发明实施例的一种基于多项式改正的大气CO2融合系统的结构图；
图3为根据本发明实施例的一种基于多项式改正的大气CO2融合系统的另一实施例的结构图；
图4为根据本发明实施例的一种电子设备的结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例只是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明第一方面公开了一种基于多项式改正的大气CO2融合方法。图1为根据本发明实施例的一种基于多项式改正的大气CO2融合方法的流程图，如图1所示，方法包括：
步骤S1、采集单颗卫星观测的XCO2数据，得到卫星第一观测的XCO2数据，并将卫星第一观测的XCO2数据与地基第一观测的XCO2数据进行时空间匹配，得到第一浓度偏差数据；
步骤S2、以时间为输入变量，基于多项式拟合第一浓度偏差数据，得到浓度偏差的拟合多项式；
步骤S3、以卫星第一观测的XCO2数据为输入变量，线性拟合地基第一观测的XCO2数据，得到线性拟合公式；
步骤S4、再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和浓度偏差的拟合多项式，得到时间拟合数据；将时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据；
步骤S5、以卫星第二观测的XCO2数据为输入变量，输入线性拟合公式，得到线性拟合数据；将线性拟合数据与地基第二观测的XCO2数据做时空匹配，得到第三浓度偏差数据；
步骤S6、应用第二浓度偏差数据和第三浓度偏差数据，将时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据；
步骤S7、对每颗卫星的卫星观测的XCO2数据，重复步骤S4～S6，得到每颗卫星的融合数据；将每颗卫星的融合数据与地基第二观测的XCO2数据做时空匹配，得到每颗卫星的浓度偏差数据；
步骤S8、应用每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据。
在一些实施例中，方法还包括：
步骤S9、利用多源卫星融合数据，通过克里格插值法得到全球XCO2空间分布。
在步骤S2，以时间为输入变量，基于多项式拟合第一浓度偏差数据，得到浓度偏差的拟合多项式。
在一些实施例中，在步骤S2中，以时间为输入变量，基于多项式拟合第一浓度偏差数据，得到浓度偏差的拟合多项式的方法包括：
将第一浓度偏差数据分成两部分，第一部分数据分用于拟合多项式训练，第二部分数据用于拟合多项式的检验；
应用第一部分数据训练拟合多项式，并选择最优阶次的拟合多项式，得到训练好的拟合多项式；
应用第二部分数据，基于均方根误差和相似系数，对训练好的拟合多项式进行验证。
选择最优阶次的拟合多项式的方法包括：
穷举1～10阶多项式，应用第一部数对其据训，取拟合效果的最佳的阶次的拟合多项式作为训练好的拟合多项式。
在步骤S4，再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和浓度偏差的拟合多项式，得到时间拟合数据；将时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据。
在一些实施例中，在步骤S4中，基于卫星第二观测的XCO2数据和浓度偏差的拟合多项式，得到时间拟合数据的方法包括：
将卫星第二观测的XCO2数据的时间变量输入浓度偏差的拟合多项式，得到时间拟合浓度偏差；
将卫星第二观测的XCO2数据与时间拟合浓度偏差相加，得到时间拟合数据。
在步骤S6，应用第二浓度偏差数据和第三浓度偏差数据，将时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据。
在一些实施例中，在步骤S6中，应用第二浓度偏差数据和第三浓度偏差数据，将时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据的方法包括：
其中，Snew为单颗卫星融合数据，S1为时间拟合数据，S2为线性拟合数据融合，rmse1为第二浓度偏差数据，rmse2为第三浓度偏差数据。
在步骤S8，应用每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据。
在一些实施例中，在步骤S8中，应用每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据的方法包括：
其中，W为多源卫星融合数据，n为卫星总数量，为第k个卫星的的单颗卫星融合数据，rmsek为第k个卫星的浓度偏差数据。
综上，本发明提出的方案，既能降低云及气溶胶等因素对卫星观测的影响，提高了卫星观测大气CO2的精度，又能提高数据的空间覆盖度。
本发明第二方面公开了一种基于多项式改正的大气CO2融合系统。图2为根据本发明实施例的一种基于多项式改正的大气CO2融合系统的结构图；如图2所示，系统100包括：
第一处理模块101，被配置为，采集单颗卫星观测的XCO2数据，得到卫星第一观测的XCO2数据，并将所述卫星第一观测的XCO2数据与地基第一观测的XCO2数据进行时空间匹配，得到第一浓度偏差数据；
第二处理模块102，被配置为，以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式；
第三处理模块103，被配置为，以卫星第一观测的XCO2数据为输入变量，线性拟合地基第一观测的XCO2数据，得到线性拟合公式；
第四处理模块104，被配置为，再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据；将所述时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据；
第五处理模块105，被配置为，以卫星第二观测的XCO2数据为输入变量，输入线性拟合公式，得到线性拟合数据；将所述线性拟合数据与地基第二观测的XCO2数据做时空匹配，得到第三浓度偏差数据；
第六处理模块106，被配置为，应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据；
第七处理模块107，被配置为，对每颗卫星的卫星观测的XCO2数据，重复步骤S4～S6，得到每颗卫星的融合数据；将每颗卫星的融合数据与地基第二观测的XCO2数据做时空匹配，得到每颗卫星的浓度偏差数据；
第八处理模块108，被配置为，应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据。
如图3所示，根据本发明第二方面的系统，所述系统还包括第九处理模块109，所述第九处理模块109被配置为，利用所述多源卫星融合数据，通过克里格插值法得到全球XCO2空间分布。
根据本发明第二方面的系统，所述第二处理模块102，被配置为，所述以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式包括：
将所述第一浓度偏差数据分成两部分，第一部分数据分用于拟合多项式训练，第二部分数据用于拟合多项式的检验；
应用第一部分数据训练拟合多项式，并选择最优阶次的拟合多项式，得到训练好的拟合多项式；
应用所述第二部分数据，基于均方根误差和相似系数，对所述训练好的拟合多项式进行验证。
根据本发明第二方面的系统，所述第二处理模块102，被配置为，所述选择最优阶次的拟合多项式包括：
穷举1～10阶多项式，应用第一部分数对其据训，取拟合效果的最佳的阶次的拟合多项式作为训练好的拟合多项式。
根据本发明第二方面的系统，所述第四处理模块104，被配置为，所述基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据包括：
将所述卫星第二观测的XCO2数据的时间变量输入所述浓度偏差的拟合多项式，得到时间拟合浓度偏差；
将所述卫星第二观测的XCO2数据与所述时间拟合浓度偏差相加，得到时间拟合数据。
根据本发明第二方面的系统，所述第六处理模块106，被配置为，在所述步骤S6中，所述应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据包括：
其中，Snew为单颗卫星融合数据，S1为时间拟合数据，S2为线性拟合数据融合，rmse1为第二浓度偏差数据，rmse2为第三浓度偏差数据。
根据本发明第二方面的系统，所述第八处理模块108，被配置为，所述应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据包括：
其中，W为多源卫星融合数据，n为卫星总数量，为第k个卫星的的单颗卫星融合数据，rmsek为第k个卫星的浓度偏差数据。
本发明第三方面公开了一种电子设备。电子设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时，实现本发明公开第一方面中任一项的一种基于多项式改正的大气CO2融合方法中的步骤。
图4为根据本发明实施例的一种电子设备的结构图，如图4所示，电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本公开的技术方案相关的部分的结构图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明第四方面公开了一种计算机可读存储介质。计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时，实现本发明公开第一方面中任一项的一种基于多项式改正的大气CO2融合方法中的步骤中。
请注意，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种基于多项式改正的大气CO2融合方法，其特征在于，所述方法包括：
步骤S1、采集单颗卫星观测的XCO2数据，得到卫星第一观测的XCO2数据，并将所述卫星第一观测的XCO2数据与地基第一观测的XCO2数据进行时空间匹配，得到第一浓度偏差数据；
步骤S2、以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式；
步骤S3、以卫星第一观测的XCO2数据为输入变量，线性拟合地基第一观测的XCO2数据，得到线性拟合公式；
步骤S4、再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据；将所述时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据；
步骤S5、以卫星第二观测的XCO2数据为输入变量，输入线性拟合公式，得到线性拟合数据；将所述线性拟合数据与地基第二观测的XCO2数据做时空匹配，得到第三浓度偏差数据；
步骤S6、应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据；
步骤S7、对每颗卫星的卫星观测的XCO2数据，重复步骤S4～S6，得到每颗卫星的融合数据；将每颗卫星的融合数据与地基第二观测的XCO2数据做时空匹配，得到每颗卫星的浓度偏差数据；
步骤S8、应用所述每颗卫星的融合数据和所述每颗卫星的浓度偏差数据，得到多源卫星融合数据；
在所述步骤S6中，所述应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据的方法包括：
其中，Snew为单颗卫星融合数据，S1为时间拟合数据，S2为线性拟合数据，rmse1为第二浓度偏差数据，rmse2为第三浓度偏差数据；
在所述步骤S8中，所述应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据的方法包括：
其中，W为多源卫星融合数据，n为卫星总数量，为第k个卫星的单颗卫星融合数据，rmsek为第k个卫星的浓度偏差数据。
2.根据权利要求1所述的一种基于多项式改正的大气CO2融合方法，其特征在于，所述方法还包括：
步骤S9、利用所述多源卫星融合数据，通过克里格插值法得到全球XCO2空间分布。
3.根据权利要求1所述的一种基于多项式改正的大气CO2融合方法，其特征在于，在所述步骤S2中，所述以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式的方法包括：
将所述第一浓度偏差数据分成两部分，第一部分数据用于拟合多项式训练，第二部分数据用于拟合多项式的检验；
应用第一部分数据训练拟合多项式，并选择最优阶次的拟合多项式，得到训练好的拟合多项式；
应用所述第二部分数据，基于均方根误差和相似系数，对所述训练好的拟合多项式进行验证。
4.根据权利要求3所述的一种基于多项式改正的大气CO2融合方法，其特征在于，在所述步骤S2中，所述选择最优阶次的拟合多项式的方法包括：
穷举1～10阶多项式，应用第一部分数据对其训练，取拟合效果的最佳的阶次的拟合多项式作为训练好的拟合多项式。
5.根据权利要求1所述的一种基于多项式改正的大气CO2融合方法，其特征在于，在所述步骤S4中，所述基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据的方法包括：
将所述卫星第二观测的XCO2数据的时间变量输入所述浓度偏差的拟合多项式，得到时间拟合浓度偏差；
将所述卫星第二观测的XCO2数据与所述时间拟合浓度偏差相加，得到时间拟合数据。
6.一种用于基于多项式改正的大气CO2融合系统，其特征在于，所述系统包括：
第一处理模块，被配置为，采集单颗卫星观测的XCO2数据，得到卫星第一观测的XCO2数据，并将所述卫星第一观测的XCO2数据与地基第一观测的XCO2数据进行时空间匹配，得到第一浓度偏差数据；
第二处理模块，被配置为，以时间为输入变量，基于多项式拟合所述第一浓度偏差数据，得到浓度偏差的拟合多项式；
第三处理模块，被配置为，以卫星第一观测的XCO2数据为输入变量，线性拟合地基第一观测的XCO2数据，得到线性拟合公式；
第四处理模块，被配置为，再次采集单颗卫星观测的XCO2数据，得到卫星第二观测的XCO2数据，基于卫星第二观测的XCO2数据和所述浓度偏差的拟合多项式，得到时间拟合数据；将所述时间拟合数据与地基第二观测的XCO2数据做时空匹配，得到第二浓度偏差数据；
第五处理模块，被配置为，以卫星第二观测的XCO2数据为输入变量，输入线性拟合公式，得到线性拟合数据；将所述线性拟合数据与地基第二观测的XCO2数据做时空匹配，得到第三浓度偏差数据；
第六处理模块，被配置为，应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据；
所述应用第二浓度偏差数据和第三浓度偏差数据，将所述时间拟合数据和线性拟合数据融合，得到单颗卫星融合数据包括：
其中，Snew为单颗卫星融合数据，S1为时间拟合数据，S2为线性拟合数据，rmse1为第二浓度偏差数据，rmse2为第三浓度偏差数据；
第七处理模块，被配置为，对每颗卫星的卫星观测的XCO2数据，重复步骤S4～S6，得到每颗卫星的融合数据；将每颗卫星的融合数据与地基第二观测的XCO2数据做时空匹配，得到每颗卫星的浓度偏差数据；
第八处理模块，被配置为，应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据；
所述应用所述每颗卫星的融合数据和每颗卫星的浓度偏差数据，得到多源卫星融合数据包括：
其中，W为多源卫星融合数据，n为卫星总数量，为第k个卫星的单颗卫星融合数据，rmsek为第k个卫星的浓度偏差数据。
7.一种电子设备，其特征在于，所述电子设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时，实现权利要求1至5中任一项所述的一种基于多项式改正的大气CO2融合方法中的步骤。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1至5中任一项所述的一种基于多项式改正的大气CO2融合方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390314.6A CN117009818B (zh) | 2023-04-12 | 2023-04-12 | 一种基于多项式改正的大气co2融合方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310390314.6A CN117009818B (zh) | 2023-04-12 | 2023-04-12 | 一种基于多项式改正的大气co2融合方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117009818A CN117009818A (zh) | 2023-11-07 |
| CN117009818B true CN117009818B (zh) | 2024-01-23 |
Family
ID=88571690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310390314.6A Active CN117009818B (zh) | 2023-04-12 | 2023-04-12 | 一种基于多项式改正的大气co2融合方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117009818B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140103229A (ko) * | 2013-02-15 | 2014-08-26 | 연세대학교 산학협력단 | 대기 분석 장치 |
| CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
| CN111723524A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于日变化约束的pm2.5卫星遥感反演方法 |
| CN112505068A (zh) * | 2020-11-03 | 2021-03-16 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
| KR20210060841A (ko) * | 2019-11-19 | 2021-05-27 | 연세대학교 산학협력단 | 위성 자료를 이용한 해상 초미세먼지 산출 방법 |
| CN113435512A (zh) * | 2021-06-28 | 2021-09-24 | 内蒙古师范大学 | 一种多卫星多源xco2数据融合方法和系统 |
| CN113435511A (zh) * | 2021-06-28 | 2021-09-24 | 中国科学院地理科学与资源研究所 | 一种基于hasm的xco2数据融合方法和系统 |
| CN113533241A (zh) * | 2021-07-19 | 2021-10-22 | 中国科学技术大学 | 基于卫星红外超光谱的大气二氧化碳浓度高精度反演系统 |
| CN115730176A (zh) * | 2022-09-07 | 2023-03-03 | 安徽大学 | 一种紫外高光谱大气臭氧垂直柱浓度反演方法 |
-
2023
- 2023-04-12 CN CN202310390314.6A patent/CN117009818B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20140103229A (ko) * | 2013-02-15 | 2014-08-26 | 연세대학교 산학협력단 | 대기 분석 장치 |
| CN110186820A (zh) * | 2018-12-19 | 2019-08-30 | 河北中科遥感信息技术有限公司 | 多源数据融合与环境污染源及污染物分布分析方法 |
| KR20210060841A (ko) * | 2019-11-19 | 2021-05-27 | 연세대학교 산학협력단 | 위성 자료를 이용한 해상 초미세먼지 산출 방법 |
| CN111723524A (zh) * | 2020-06-23 | 2020-09-29 | 南通大学 | 一种基于日变化约束的pm2.5卫星遥感反演方法 |
| CN112505068A (zh) * | 2020-11-03 | 2021-03-16 | 桂林理工大学 | 一种基于gnss-ir的地表土壤湿度多星组合反演方法 |
| CN113435512A (zh) * | 2021-06-28 | 2021-09-24 | 内蒙古师范大学 | 一种多卫星多源xco2数据融合方法和系统 |
| CN113435511A (zh) * | 2021-06-28 | 2021-09-24 | 中国科学院地理科学与资源研究所 | 一种基于hasm的xco2数据融合方法和系统 |
| CN113533241A (zh) * | 2021-07-19 | 2021-10-22 | 中国科学技术大学 | 基于卫星红外超光谱的大气二氧化碳浓度高精度反演系统 |
| CN115730176A (zh) * | 2022-09-07 | 2023-03-03 | 安徽大学 | 一种紫外高光谱大气臭氧垂直柱浓度反演方法 |
Non-Patent Citations (6)
| Title |
|---|
| Comparison of Satellite-Observed XCO2 from GOSAT, OCO-2, and Ground-Based TCCON;Ailin Liang等;Remote Sensing;第1-27页 * |
| Global satellite observations of column-averaged carbon dioxide and methane: The GHG-CCI XCO2 and XCH4 CRDP3 data set;M. Buchwitz等;Remote Sensing of Environment;第276-295页 * |
| Spatio-Temporal Mapping of Multi-Satellite Observed Column Atmospheric CO2 Using Precision-Weighted Kriging Method;Zhonghua He等;Remote Sensing;第1-24页 * |
| 基于FY-4A卫星资料的中国区域网格化地表大气颗粒物浓度估算;江琪等;气象;第1297-1309页 * |
| 基于OCO-2卫星遥感数据的三峡库区 XCO2时空特征演变分析;阮琳等;航天返回与遥感;第141-151页 * |
| 非参数局部多项式法在大气环境数据分析中的应用;张静等;环境工程;第343-346页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117009818A (zh) | 2023-11-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104143042B (zh) | 一种敏捷卫星对地观测任务预处理方案决策的方法 | |
| CN110751149B (zh) | 目标对象标注方法、装置、计算机设备和存储介质 | |
| CN102519463A (zh) | 一种基于扩展卡尔曼滤波的导航方法及装置 | |
| EP3349126B1 (en) | Method, device, storage medium, and apparatus for automatically discovering fuel station poi | |
| CN111353391B (zh) | 雷达干扰效果评估方法、装置、电子设备及其存储介质 | |
| CN105222787A (zh) | 基于矩阵填充的位置指纹库构建方法 | |
| CN111829957A (zh) | 基于无人机多光谱遥感反演冬小麦植株含水率系统及方法 | |
| CN111325812B (zh) | 军标符号标绘中钳击箭标的动态计算及绘制方法及装置 | |
| CN113341434B (zh) | 一种红外波段在轨传递定标方法及装置 | |
| CN113806386A (zh) | 气象数据获取方法、装置、计算机设备和存储介质 | |
| CN117009818B (zh) | 一种基于多项式改正的大气co2融合方法和系统 | |
| CN103699121B (zh) | 一种基于解析冗余关系的卫星控制系统敏感器可诊断性确定方法 | |
| CN105160630A (zh) | 一种光学超分辨率图像重建方法 | |
| CN111507591A (zh) | 电力系统状态确定方法、装置、计算机介质及存储介质 | |
| CN116702064A (zh) | 电力工器具的作业行为估计方法、系统、存储介质及设备 | |
| CN113989667B (zh) | 基于卫星遥感技术的近地面甲醛浓度获取方法 | |
| Manning | The challenge of estimating regional trace gas emissions from atmospheric observations | |
| Marinoni et al. | Improving reliability in nonlinear hyperspectral unmixing by multidimensional structural optimization | |
| KR102562273B1 (ko) | 조건적 적대적 신경망 딥러닝 기법을 사용한 24시간 후의 전지구적 총 전자수 함유량 예측 장치 및 그 방법 | |
| CN113570659A (zh) | 拍摄装置位姿估计方法、装置、计算机设备和存储介质 | |
| Baumgarte | Alternative approach to solving the Hamiltonian constraint | |
| CN114841879B (zh) | 一种水体大气校正方法和系统 | |
| Perdana et al. | WebGIS-Based Soil Fertility Information System in Cibodas Botanical Garden | |
| Jiang et al. | A novel inverse transformation algorithm for pushbroom TDI CCD imaging | |
| CN116885689A (zh) | 光伏发电功率预测方法、装置、计算机设备和存储介质 |
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 |