NL2032264B1 - HASM-Based XCO2 Data Fusion Method And System - Google Patents
HASM-Based XCO2 Data Fusion Method And System Download PDFInfo
- Publication number
- NL2032264B1 NL2032264B1 NL2032264A NL2032264A NL2032264B1 NL 2032264 B1 NL2032264 B1 NL 2032264B1 NL 2032264 A NL2032264 A NL 2032264A NL 2032264 A NL2032264 A NL 2032264A NL 2032264 B1 NL2032264 B1 NL 2032264B1
- Authority
- NL
- Netherlands
- Prior art keywords
- atmospheric
- data
- xco
- hasm
- space
- Prior art date
Links
- 238000007500 overflow downdraw method Methods 0.000 title abstract description 17
- 230000004927 fusion Effects 0.000 claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 47
- 238000000034 method Methods 0.000 claims abstract description 20
- 238000013517 stratification Methods 0.000 claims 2
- 239000006185 dispersion Substances 0.000 claims 1
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 abstract description 4
- 229910052799 carbon Inorganic materials 0.000 abstract description 4
- 230000004907 flux Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 9
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000005141 Otitis Diseases 0.000 description 1
- 241000206607 Porphyra umbilicalis Species 0.000 description 1
- 239000000926 atmospheric chemistry Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 208000019258 ear infection Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
- G01N33/004—CO or CO2
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/803—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of input or preprocessed data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Combustion & Propulsion (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Remote Sensing (AREA)
- Astronomy & Astrophysics (AREA)
- Software Systems (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Claims (10)
1. Werkwijze voor het fuseren van HASM-gebaseerde XCOs-data, omvattende: stap S101: het simuleren van een concentratie van at- mosferisch CO: volgens assimilatiedata van meteorologische waarnemingen die door een Goddard-aardobservatiesysteem, gebaseerd op een GEOS-Chem-model, verkregen worden om si- mulatiedata van continue verspreiding van atmosferisch XCO; in ruimte-tijd te verkrijgen; en stap S102: het fuseren van waarnemingsdata van XCO:, verkregen door waarnemingen van een TanSat-satelliet, en simulatiedata van continue verspreiding van atmosferisch XCO2 in ruimte-tijd, gebaseerd op een HASM-werkwijze, om fusiedata van continue verspreiding van XCO: in ruimte- tijd te verkrijgen.
2. Werkwijze voor het fuseren van HASM-gebaseerde XCO:- data volgens conclusie 1, met het kenmerk dat stap S101 gespecificeerd wordt door: het simuleren van de concentratie van atmosferisch CO: volgens assimilatiedata van meteorologische waarnemingen die door het Goddard-aardobservatiesysteem, gebaseerd op het GEOS-Chem-model, verkregen worden om een atmosferisch CO:-profiel te verkrijgen, en het berekenen van het atmos- ferische CO:-profiel volgens de druk-gewicht-functie van atmosferische CO:-concentratie om simulatiedata van conti- nue verspreiding van atmosferisch XCO: in de ruimte-tijd te verkrijgen: waarbij volgens de formule:
Di+1 — Pi Di+1 7 Pi 1 ssh Int In== [| Dsurf Di Di de druk-gewicht-functie van atmosferische CO:- concentratie berekend wordt; waarbij in de formule, h de druk-gewicht-functie van atmosferische CO: concentratie vertegenwoordigt, i het aantal lagen voor de gelaagdheid van atmosfeer volgens een oppervlak van gelijke luchtdruk vertegenwoordigt, en i een positief geheel getal is; pues oppervlakdruk vertegenwoor- digt, pi, Pii drukken bij respectievelijk de bovenste en onderste grenzen van de i-th-laag vertegenwoordigen.
3. Werkwijze voor het fuseren van HASM-gebaseerde XCO:-data volgens conclusie 2, met het kenmerk dat stap S101 omvat: het verkregen van de assimilatiedata van meteorolo- gische waarnemingen volgens het Goddard-aardobservatie- systeem, gebaseerd op het GEOS-Chem-model, het simuleren van de concentratie van atmosferisch CO: volgens een vooraf ingestelde staplengte om het atmosferi- sche CO;-profiel te verkrijgen.
4, Werkwijze voor het fuseren van HASM-gebaseerd XCO:- data volgens conclusie 1, met het kenmerk dat stap S102: het fuseren van de gemiddelde waarde van de waarne- mingsdata van XCO; van de TanSat-satelliet in hetzelfde raster met simulatiedata van continue verspreiding van het atmosferische XCO: in ruimte-tijd, nadat de atmosferische rasterverdeling uitgevoerd is, om fusiedata van continue verspreiding van XCO:s in ruimte-tijd, gebaseerd op de HASM-werkwijze, te verkrijgen, waarbij de atmosfeer met een ruimteresolutie van 0,1 ° x 0.1 ° verdeeld is.
5. Werkwijze voor het fuseren van HASM-gebaseerde XCOz;-data volgens één van de conclusiel 1-4, met het ken-
merk dat de werkwijze voor het fuseren van HASM-gebaseerde xCO:-data verder: het verifiëren omvat van fusiedata van continue ver- spreiding van XCO: in ruimte-tijd volgens de grondwaarne- mingsdata van atmosferisch XCO:, verkregen door waarnemin- gen van het TCCON-grondwaarnemingsstation.
6. HASM-gebaseerd XCO:-datafusiesysteem, omvattende een simulatie-eenheid die geconfigureerd is om een concentratie van atmosferisch CO: volgens een assimilatie- data van meteorologische waarnemingen te simuleren die door het Goddard-aardobservatiesysteem, gebaseerd op het GEOS-Chem-model, verkregen worden om simulatiedata van continue verspreiding van atmosferisch XCO; in ruimte-tijd te verkrijgen; en een fusie-eenheid die geconfigureerd is om waarne- mingsdata van XCO:, verkregen door waarnemingen van de TanSat-satelliet, en simulatiedata van continue versprei- ding van atmosferisch XCO: in ruimte-tijd, gebaseerd op een HASM-werkwijze, te fuseren om fusiedata van continue verspreiding van XCO: in ruimte-tijd te verkrijgen.
7. HASM-gebaseerd XCO;-datafusiesysteem volgens con- clusie 6, met het kenmerk dat de simulatie-eenheid verder geconfigureerd is om de concentratie van atmosferisch CO: volgens de assimilatiedata van meteorologische waarnemin- gen te simuleren die door het Goddard- aardobservatiesysteem, gebaseerd op het GEOS-Chem-model, verkregen worden om een atmosferisch CO:-profiel te ver- krijgen en het berekenen van het atmosferische CO:-profiel volgens de druk-gewicht-functie van atmosferische CO:- concentratie om simulatiedata van continue verspreiding van atmosferisch XCO: in ruimte-tijd te verkrijgen, waar- bij volgens de formule: n= [- Pin 2) + | Dit 2 : Pi Di+1 Pi Di+1 In 1 n= J|Dsurf Pi Di de druk-gewicht-functie van atmosferische CO:- concentratie berekend wordt; waarbij in de formule h de druk-gewicht-functie van atmosferische CO:-concentratie vertegenwoordigt, i het aantal lagen van de gelaagdheid van atmosfeer volgens een oppervlak van gelijke luchtdruk vertegenwoordigt en i een positief geheel getal iS; Psut oppervlakdruk vertegenwoor- digt; p de druk vertegenwoordigt.
3. HASM-gebaseerd XCO:-datafusiesysteem volgens con- clusie 7, met het kenmerk dat de simulatie-eenheid verder geconfigureerd is om assimilatiedata van meteorologische waarnemingen volgens het Goddard-aardobservatiesysteem, gebaseerd op het GEOS-Chem-model, te verkrijgen, en het simuleren van de concentratie van atmosferisch CO: volgens een vooraf ingestelde staplengte om het atmosferische CO:- profiel te verkrijgen.
9. HASM-gebaseerd XCO:-datafusiesysteem volgens con- clusie 6, met het kenmerk dat de fusie-eenheid verder ge- configureerd is om de gemiddelde waarde van de waarne- mingsdata van XCO: van de TanSat-satelliet in hetzelfde raster met de simulatiedata van continue verspreiding van het atmosferische XCO: in ruimte-tijd, nadat de atmosferi- sche rasterverdeling uitgevoerd is, te fuseren om fusieda- ta van continue verspreiding van XCO:, gebaseerd op de HASM-werkwijze, waarbij de atmosfeer met een ruimteresolu- tie van 0.1 ° x 0.1 ° verdeeld is.
10. HASM-gebaseerd XCO:-datafusiesysteem volgens één van de conclusies 6-9, met het kenmerk dat het HASM- gebaseerde XCO:-datafusiesysteem verder: een verificatie-eenheid omvat die geconfigureerd is om de fusiedata van continue verspreiding van XCO; in ruimte-tijd volgens grondwaarnemingsdata van het atmosfe- rische XCO: die van de TCCON-grondwaarnemingsstation ver- kregen worden te verifiëren.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110722125.5A CN113435511A (zh) | 2021-06-28 | 2021-06-28 | 一种基于hasm的xco2数据融合方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
NL2032264A NL2032264A (en) | 2023-01-02 |
NL2032264B1 true NL2032264B1 (en) | 2023-12-18 |
Family
ID=77757383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
NL2032264A NL2032264B1 (en) | 2021-06-28 | 2022-06-23 | HASM-Based XCO2 Data Fusion Method And System |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113435511A (nl) |
NL (1) | NL2032264B1 (nl) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115310550B (zh) * | 2022-08-16 | 2023-07-14 | 国网四川省电力公司电力科学研究院 | 一种大气二氧化碳干空气柱浓度计算方法及系统 |
CN117009818B (zh) * | 2023-04-12 | 2024-01-23 | 中国科学院空天信息创新研究院 | 一种基于多项式改正的大气co2融合方法和系统 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7452392B2 (en) * | 2003-11-29 | 2008-11-18 | Nick Peter A | Process for pyrolytic heat recovery enhanced with gasification of organic material |
CN106204611B (zh) * | 2016-07-19 | 2018-12-28 | 中国科学院地理科学与资源研究所 | 一种基于HASM模型的LiDAR点云数据处理方法及装置 |
CN111257241B (zh) * | 2020-01-20 | 2020-11-24 | 中国科学院地理科学与资源研究所 | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 |
-
2021
- 2021-06-28 CN CN202110722125.5A patent/CN113435511A/zh active Pending
-
2022
- 2022-06-23 NL NL2032264A patent/NL2032264B1/en active
Also Published As
Publication number | Publication date |
---|---|
CN113435511A (zh) | 2021-09-24 |
NL2032264A (en) | 2023-01-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
NL2032264B1 (en) | HASM-Based XCO2 Data Fusion Method And System | |
Yashin et al. | Real-time data of muon hodoscope URAGAN | |
CN105988146A (zh) | 一种星载微波辐射计的应用数据处理方法 | |
Gullu | Coordinate transformation by radial basis function neural network | |
Zhang et al. | Evaluation of global modeling of M (3000) F2 and hmF2 based on alternative empirical orthogonal function expansions | |
CN104569913A (zh) | 一种高精度全闪电定位方法 | |
Ahmed et al. | Comparison between genetic algorithm and whale optimization algorithm in fault location estimation in power systems | |
Mandrini et al. | How can active region plasma escape into the solar wind from below a closed helmet streamer? | |
Strobach et al. | Improvement of climate predictions and reduction of their uncertainties using learning algorithms | |
CN110278571A (zh) | 一种基于简单预测-校正环节的分布式信号跟踪方法 | |
CN108834041A (zh) | 基于张量重建的室内位置指纹定位Radio Map建立方法 | |
CN107330934A (zh) | 低维度的集束调整计算方法与系统 | |
CN113435512B (zh) | 一种多卫星多源xco2数据融合方法和系统 | |
Xiaolong et al. | Surface air temperature projection under 1.5℃ warming threshold based on corrected pattern scaling technique | |
Ren et al. | TIME3D-IGGCAS: A new three-dimension mid-and low-latitude theoretical ionospheric model in realistic geomagnetic fields | |
Mujiono et al. | Simulation of land use change and effect on potential deforestation using Markov Chain-Cellular Automata | |
Miladinovich et al. | Assimilation of GNSS measurements for estimation of high‐latitude convection processes | |
Velinov et al. | Ionization of solar cosmic rays in ionosphere and middle atmosphere simulated by CORIMIA programme | |
CN104794268A (zh) | 一种利用空间密度分布生成空间物体轨道的方法 | |
Bai et al. | Observation error handling methods for data assimilation Coupled with fuzzy control algorithms | |
Wheatland et al. | The state of nonlinear force-free magnetic field extrapolation | |
Wang et al. | Prediction of zenith tropospheric delay based on BP neural network | |
Kalantaitė et al. | Generating the open space 3D model based on LiDAR data | |
Korkalı et al. | Detection, identification, and correction of bad sensor measurements for fault location | |
Jihui et al. | Short-term wind speed forecasting by combination of masking signal-based empirical mode decomposition and extreme learning machine |