本發(fā)明涉及環(huán)境監(jiān)測和遙感，具體涉及一種xco2時空分布高分辨率重構(gòu)方法及相關(guān)產(chǎn)品。

背景技術(shù)：

1、近年來，隨著全球氣候變化問題的日益嚴(yán)重，研究發(fā)現(xiàn)二氧化碳(co2)是主要的溫室氣體之一，其濃度變化直接影響著全球氣候系統(tǒng)的穩(wěn)定性和可持續(xù)性。因此，如何準(zhǔn)確地監(jiān)測和預(yù)測大氣中co2的時空分布，成為了關(guān)注的焦點。傳統(tǒng)的地面監(jiān)測站點由于覆蓋范圍有限、設(shè)備成本高，難以全面反映大范圍內(nèi)的co2濃度變化，尤其是在復(fù)雜地形區(qū)域。

2、衛(wèi)星遙感技術(shù)憑借其覆蓋范圍廣、時空分辨率高的優(yōu)勢，逐漸成為大氣co2監(jiān)測的重要手段。目前已有多顆衛(wèi)星，如gosat(溫室氣體觀測衛(wèi)星)、oco-2和oco-3(軌道碳觀測衛(wèi)星)能夠提供大氣co2柱平均干空氣摩爾分?jǐn)?shù)(xco2)的觀測數(shù)據(jù)。然而，這些衛(wèi)星數(shù)據(jù)受限于氣象條件、氣溶膠和地表反射率等因素的影響，常存在大量非隨機缺失數(shù)據(jù)，導(dǎo)致難以獲得指定區(qū)域的全覆蓋xco2數(shù)據(jù)集，從而無法獲得精確的xco2時空分布。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題是如何提高xco2濃度時空分布的重構(gòu)精度和分辨率，目的在于提供一種xco2時空分布高分辨率重構(gòu)方法及相關(guān)產(chǎn)品，實現(xiàn)了利用深度學(xué)習(xí)模型充分挖掘衛(wèi)星數(shù)據(jù)的時空信息，生成高精度、高分辨率的xco2濃度時空分布圖。

2、本發(fā)明通過下述技術(shù)方案實現(xiàn)：

3、一種xco2時空分布高分辨率重構(gòu)方法，包括：

4、獲取oco-2衛(wèi)星觀測數(shù)據(jù)和oco-3衛(wèi)星觀測數(shù)據(jù)，并將其合并獲得oco數(shù)據(jù)集；

5、獲取gosat衛(wèi)星觀測數(shù)據(jù)，并將gosat衛(wèi)星觀測數(shù)據(jù)與oco數(shù)據(jù)集融合，獲得xco2數(shù)據(jù)集；將xco2數(shù)據(jù)集劃分為xco2訓(xùn)練數(shù)據(jù)集和xco2驗證數(shù)據(jù)集；

6、確定與xco2分布相關(guān)的環(huán)境協(xié)變量，并獲取xco2數(shù)據(jù)集對應(yīng)的環(huán)境協(xié)變量數(shù)據(jù)；

7、構(gòu)建wavelet_resnet-lstm模型，并將xco2訓(xùn)練數(shù)據(jù)集中的數(shù)據(jù)作為因變量，環(huán)境協(xié)變量數(shù)據(jù)作為自變量，對wavelet_resnet-lstm模型進行訓(xùn)練；

8、獲取實時環(huán)境協(xié)變量數(shù)據(jù)，并將實時協(xié)變量數(shù)據(jù)輸入至訓(xùn)練完成的wavelet_resnet-lstm模型，獲得相應(yīng)的xco2濃度預(yù)測值；

9、根據(jù)輸出的xco2濃度預(yù)測值，生成xco2時空分布圖。

10、具體地，通過雙線性內(nèi)插法對oco-2衛(wèi)星觀測數(shù)據(jù)、oco-3衛(wèi)星觀測數(shù)據(jù)、gosat衛(wèi)星觀測數(shù)據(jù)進行空間重采樣，并將原始分辨率采樣至0.01°×0.01°網(wǎng)格。

11、可選地，獲得oco數(shù)據(jù)集的方法包括：

12、對齊oco-2衛(wèi)星觀測數(shù)據(jù)和oco-3衛(wèi)星觀測數(shù)據(jù)的觀測時間，并對oco-2衛(wèi)星觀測數(shù)據(jù)和oco-3衛(wèi)星觀測數(shù)據(jù)進行歸一化處理；

13、將歸一化后的oco-2衛(wèi)星觀測數(shù)據(jù)和oco-3衛(wèi)星觀測數(shù)據(jù)轉(zhuǎn)換至同一坐標(biāo)系，并進行空間匹配；

14、若同一地理網(wǎng)格中僅存在oco-2衛(wèi)星觀測數(shù)據(jù)或oco-3衛(wèi)星觀測數(shù)據(jù)，則將oco-2衛(wèi)星觀測數(shù)據(jù)或oco-3衛(wèi)星觀測數(shù)據(jù)作為該地理網(wǎng)格的xco2濃度值；

15、若同一地理網(wǎng)格中同時存在oco-2衛(wèi)星觀測數(shù)據(jù)和oco-3衛(wèi)星觀測數(shù)據(jù)，則計算oco-2衛(wèi)星觀測數(shù)據(jù)和oco-3衛(wèi)星觀測數(shù)據(jù)的加權(quán)平均值，并將加權(quán)平均值作為該地理網(wǎng)格的xco2濃度值；

16、獲得所有地理網(wǎng)格的xco2濃度值，并組合為oco數(shù)據(jù)集。

17、可選地，xc02數(shù)據(jù)集的獲得方法包括：

18、建立線性模型ocopred＝α+β·gosat，其中，gosat為gosat衛(wèi)星觀測數(shù)據(jù)，ocopred為oco預(yù)測數(shù)據(jù)，α和β為通過最小二乘法估計的線性模型參數(shù)；

19、對齊gosat衛(wèi)星觀測數(shù)據(jù)和occ數(shù)據(jù)集的觀測時間；并將gosat衛(wèi)星觀測數(shù)據(jù)轉(zhuǎn)換至與oco數(shù)據(jù)集相同的坐標(biāo)系；

20、通過線性模型和gosat衛(wèi)星觀測數(shù)據(jù)預(yù)測所有地理網(wǎng)格的oco預(yù)測數(shù)據(jù)；

21、對oco預(yù)測數(shù)據(jù)和oco數(shù)據(jù)集進行加權(quán)平均，獲得xco2數(shù)據(jù)集。

22、具體地，所述環(huán)境協(xié)變量數(shù)據(jù)包括氣象數(shù)據(jù)、海拔數(shù)據(jù)、歸一化植被指數(shù)、人口密度數(shù)據(jù)、山地利用類型數(shù)據(jù)、對應(yīng)區(qū)域經(jīng)濟數(shù)據(jù)。

23、可選地，構(gòu)建的wavelet_resnet-lstm模型包括：輸入層、wavelet分析層、resnet網(wǎng)絡(luò)結(jié)構(gòu)、lstm網(wǎng)絡(luò)結(jié)構(gòu)和全連接層；

24、對wavelet_resnet-lstm模型進行訓(xùn)練的方法包括：

25、將環(huán)境協(xié)變量數(shù)據(jù)和xco2訓(xùn)練數(shù)據(jù)集輸入至wavelet_resnet-lstm模型的輸入層；

26、通過wavelet分析層對輸入的數(shù)據(jù)進行小波分解，提取多尺度特征；

27、通過resnet網(wǎng)絡(luò)結(jié)構(gòu)對多尺度特征進行卷積操作，提取高維空間特征；

28、通過lstm網(wǎng)絡(luò)結(jié)構(gòu)對高維空間特征進行時間序列處理，提取時間動態(tài)特征；

29、通過全連接層將wavelet分析層提取的多尺度特征、resnet網(wǎng)絡(luò)結(jié)構(gòu)提取的高維空間特征和lstm網(wǎng)絡(luò)結(jié)構(gòu)提取的時間動態(tài)特征進行融合，并輸出預(yù)測的xc02濃度。

30、具體地，對輸入信號f(t)進行離散小波變換，獲得輸入信號在尺度j和位置k對應(yīng)的小波系數(shù)cj，k，其中，ψj，k(t)為尺度j和位置k的小波基函數(shù)；

31、獲得多尺度特征其中，j為離散小波變換的最大尺度等級；

32、確定resnet網(wǎng)絡(luò)結(jié)構(gòu)中殘差塊的殘差函數(shù)f(x，{wm})＝σ(w2·σ(w1·x+b1)+b2)，其中，x為殘差塊的輸入，w1為第一層卷積操作的卷積核，w2為第二層卷積操作的卷積核，b1和b2為偏置，σ為非線性激活函數(shù)，wm為第m個卷積核；

33、確定resnet網(wǎng)絡(luò)結(jié)構(gòu)中殘差塊的結(jié)構(gòu)：y＝f(x，{wm})+x+w；

34、獲得高維空間特征y＝σ(w2·σ(w1·x+b1)+b2)+x+w。

35、具體地，構(gòu)建lstm網(wǎng)絡(luò)結(jié)構(gòu)，其中，it為輸入門，ft為遺忘門，ot為輸出門，gt為候選狀態(tài)，ct為記憶細胞，ht為隱藏狀態(tài)，yt為高維空間特征在每個時間步的輸入，wi、wf、wo和wg為權(quán)重矩陣，bi、bf、bo和bg為偏置，σs為sigmoid激活函數(shù)，tanh為雙曲正切激活函數(shù)，⊙為hadamard乘積。

36、一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)如上所述的xco2時空分布高分辨率重構(gòu)方法。

37、一種計算機程序產(chǎn)品，包括計算機程序/指令，該計算機程序/指令被處理器執(zhí)行時實現(xiàn)如上所述的xco2時空分布高分辨率重構(gòu)方法。

38、本發(fā)明與現(xiàn)有技術(shù)相比，具有如下的優(yōu)點和有益效果：

39、本發(fā)明提出了一種基于wavelet_resnet-lstm模型的xco2時空分布高分辨率重構(gòu)方法，首先獲取并融合oco-2、oco-3和gosat衛(wèi)星的觀測數(shù)據(jù)，形成一個多源衛(wèi)星xco2數(shù)據(jù)集；然后，針對xco2分布的環(huán)境協(xié)變量(如氣象數(shù)據(jù)、海拔、植被指數(shù)等)進行采集，并將這些數(shù)據(jù)與xco2數(shù)據(jù)集一同輸入到wavelet_resnet-lstm模型中進行訓(xùn)練；模型通過小波分析提取多尺度特征，結(jié)合resnet提取空間特征，并通過lstm捕捉時間動態(tài)變化，最終生成高精度的xco2濃度預(yù)測值，并據(jù)此構(gòu)建時空分布圖。

40、本發(fā)明顯著提高了xco2時空分布的重構(gòu)精度和分辨率，通過引入wavelet_resnet-lstm模型，通過wavelet分析提取多尺度特征，結(jié)合resnet提取空間特征和lstm處理時間序列數(shù)據(jù)，有效提高了多源衛(wèi)星數(shù)據(jù)的時空融合精度，能夠有效應(yīng)對高維空間特征和時間動態(tài)變化的復(fù)雜性，減少了數(shù)據(jù)缺失對重構(gòu)結(jié)果的影響。