融合陆表环境变量的大气XCO2浓度精细化反演方法

融合陆表环境变量的大气xco2浓度精细化反演方法
技术领域
1.本发明涉及一种融合陆表环境变量的大气xco2浓度精细化反演方法，适用于大气和空间数据监测领域。


背景技术：

2.全球二氧化碳(carbon dioxide，co2)浓度的持续增加导致全球变暖等一系列气候变化。为了理解和掌握全球大气co2浓度的时空特征及其变化规律，各国致力于发展co2观测，其中星载co2观测具有不受时空限制、覆盖范围广、观测稳定、时间序列长和三维观测等优点，为全球气候变化研究做出了巨大贡献。但是，卫星观测的数据空间分辨率不高、数据精度较低，难以支持局地尺度的co2相关科学问题的探讨，从而阻碍了国家及地区在控制碳排放的行动和实施路径。因此，研究大气xco2卫星观测数据的精细化反演方法，对于制定科学合理的碳减排实施路径具有重要意义。
3.大气xco2浓度与地表植被分布、植被功能、土地利用与土地覆盖类型、地形地貌、人为活动等陆表环境具有紧密的联系。因此，在大气xco2浓度反演过程融合陆表环境变量是一种提高数据精度和空间分辨率的有效方法。然而，传统的大气xco2浓度反演方法仍然集中在针对物理过程的算法优化，该方法受到的云和气溶胶等大气干扰和传感器设备的限制，不仅计算量大、耗时长，而且空间分辨率难以提高，在局地尺度的应用受到阻碍。
4.现有技术包括：
5.专利号为cn202110722157.5发明了一种多卫星多源xco2数据融合方法和系统，该方法基于hasm方法，对基于大气化学传输模型得到的大气xco2时空连续分布模拟数据分别于tansat卫星、gosat卫星和oco-2卫星观测得到的xco2观测数据进行融合，得到多卫星xco2融合数据。但是，上述方法仅融合了卫星xco2观测数据，尚未考虑其他辅助变量，对数据空间分辨率和数据精度的提升作用有限。
6.专利号为cn202210980540.5发明了一种大气二氧化碳干空气柱浓度计算方法及系统，该方法使用xgboost算法融合三个遥感监测的xco2数据集和环境协变量数据，计算得到xco2全面域的时空分布重构数据集。但是，该方法调参过程复杂，且无法处理高维特征数据，因此在数据融合中忽略了特征的空间特征和时间特征。


技术实现要素：

7.技术问题：为了克服现有技术存在的缺陷和不足，提供一种融合陆表环境变量的大气xco2浓度精细化反演方法，该方法兼顾了陆表环境数据与大气xco2浓度的时空及尺度相关性，融合了多源数据的局部空间特征和时间变化特征，该方法得出的融合数据具有高空间分辨率和高精度的特点，可以为生成局地尺度的精细化大气xco2浓度数据方法。
8.为实现上述技术目的，本发明一种融合陆表环境变量的大气xco2浓度精细化反演方法，具体步骤如下：
9.s1、获取研究多源数据区的陆表环境数据，陆表环境数据包括植被结构、植被功
能、地形地貌、人为活动四类变量；植被结构包括：植被覆盖度、植被叶面积指数、归一化植被指数，植被功能包括蒸散发、净初级生产力、总初级生产力，地形地貌包括地面高程、地表粗糙度、地表温度，人为活动包括土地利用类型、人为碳排放量和夜间灯光指数，一共12个陆表环境指标；
10.s2、获取研究区的多源卫星大气xco2浓度数据，包括gosat、oco-2、oco-3卫星观测xco2数据；
11.s3、对陆表环境数据和多源卫星大气xco2浓度数据先后进行异常值处理、时空匹配、重投影、嵌套重采样统计分析，获得统一时空坐标系下的时间序列数据，并对同一时空坐标系的数据进行空间栅格的划分；
12.s4、以嵌套重采样的空间栅格为分析尺度，使用地理探测器q统计分析研究区陆表环境指标与xco2浓度之间的尺度相关关系，比较不同空间栅格下各陆表环境指标与xco2浓度的尺度关系，找出不同空间栅格下尺度关系变化的关键拐点，此时的空间栅格被视为最佳分析尺度；
13.s5、在最佳分析尺度下，使用地理探测器q统计分析研究区陆表环境指标与xco2浓度之间的关系，分别比较各陆表环境指标与xco2浓度的q值，通过对q值进行显著性检验筛选得到在空间维度相关性强的陆表环境指标；
14.s6、在最佳分析尺度下，使用皮尔逊相关系数时间序列相关性数量分析方法量化研究区内的陆表环境指标与xco2浓度之间的时间相关性关系，筛选得到在时间维度相关性强的陆表环境指标；
15.s7、综合步骤s4-s6筛选得到的陆表环境指标，构建适合研究区的陆表环境指标体系；
16.s8、基于卷积神经网络和长短期记忆神经网络cnn-lstm构建时空融合模型，结合上述筛选得到的陆表环境指标，对研究区大气xco2浓度进行精细化反演。
17.进一步，s2中，gosat卫星xco2观测数据为空间分辨率2.5
°×
2.5
°
的月度数据，oco-2和oco-3卫星xco2观测数据为空间分辨率为2.25km
×
1.29km的16日周期的轨道颗粒数据，且需筛选质量标志为零的数据以获取质量可靠的数据。
18.进一步，s3中，多源数据的嵌套重采样需根据研究区范围及尺度设置嵌套空间栅格，嵌套空间栅格的设置表达式如下：
[0019][0020][0021]
其中，grid为空间栅格的大小，grid
max
为可以设置的最大空间栅格长度，grid
min
为可以设置的最小空间栅格长度，a为研究区面积，通常可设置介于最大空间栅格长度和最小空间栅格长度之间的10层嵌套空间栅格。
[0022]
进一步，s4中陆表环境指标与xco2浓度之间的尺度相关关系的量化，具体步骤包括：
[0023]
a、采用自然断点法对陆表环境数据进行离散化处理，得到陆表环境数据的指标分级；
[0024]
b、根据嵌套空间栅格的设置，统计不同大小空间栅格下的陆表环境数据与多源卫
星xco2浓度数据的地理探测器q值，公式如下：
[0025][0026]
其中，q为某个陆表环境指标对xco2浓度时空分异的解释力度，q∈[0,1]，某陆表环境指标的q值越大，说明该指标对xco2浓度的解释力越强；n为研究区内的空间栅格数量；σ2为指标方差；h为陆表环境指标分级，l为分级层数，h＝1,2,
…
,l。
[0027]
c、统计不同空间栅格下各陆表环境指标与xco2浓度的q值变化，绘制折线图并找出随着空间栅格大小变化q值变化出现的拐点，拐点所在的空间栅格大小即为最佳分析尺度。
[0028]
进一步，s5中陆表环境因子与xco2浓度之间的空间相关关系的量化关系判断过程为：使用地理探测器模型的q统计方法计算不同陆表环境指标与xco2浓度的空间相关性，q值的简单变换满足非中心f分布，通过查表可以检验q值是否具有显著性，最后筛选显著性检验通过的陆表环境指标。其中，q值的简单变换公式如下：
[0029][0030]
式中，λ为非中心参数，n为研究区内的空间栅格数量，l为陆表环境指标的分级层数。
[0031]
进一步，s6中陆表环境指标与xco2浓度之间的时间相关关系的量化：
[0032]
在最佳分析尺度下，使用皮尔逊相关系数计算时间序列数据之间的相关程度，计算公式如下：
[0033][0034]
其中r表示皮尔逊相关系数；xi和分别表示陆表环境指标x在时间i时刻的指标值和平均值；yi和分别表示大气xco2浓度在i时刻的浓度值、平均值，r取值范围为[-1,1]。r是符合自由度为t-2的t分布，通过查表可以检验12个陆表环境指标与xco2浓度的皮尔逊相关性是否具有显著性，最后筛选显著性检验通过的陆表环境指标。
[0035]
进一步，s7中构建适合研究区的陆表环境指标体系过程为：
[0036]
分别从植被结构、植被功能、地形地貌、人为活动四个方面构建陆表环境指标体系，并使用上述地理探测器q值统计、皮尔逊相关系数方法评价不同指标与大气xco2浓度的关系，从而构建适合研究区的陆表环境指标体系；由于研究区的不同，各个陆表环境指标与xco2浓度的关系可能不同，因此筛选得到的陆表环境指标也存在差异，需要针对研究区进行陆表环境指标体系的构建。
[0037]
进一步，s8中基于卷积神经网络和长短期记忆网络构建时空融合模型，结合当前
适合研究区的陆表环境指标体系进行研究区内大气xco2浓度的精细化反演，包括数据集制作、设计网络结构、利用均方根误差设定损失函数，损失函数的设定会影响模型权重更新和收敛的速度；具体步骤如下：
[0038]
a.数据集制作：
[0039]
数据集制作包括陆表环境数据和多源卫星xco2数据的收集和处理，具体如下：
[0040]
根据构建出的适合研究区的陆表环境指标体系的内容和指标数量，获取对应的陆表环境数据，收集对应研究区域的gosat、oco-2、oco-3卫星xco2数据；
[0041]
对多源数据的处理包括空间配准和数据切割，首先要进行空间数据的配准和对齐，保证各数据在同一时空坐标体系下，然后使用地理数据处理工具对数据进行一定重叠率的滑动切割，其中重叠率可根据数据量需求自行设置。
[0042]
b.设计网络结构：主体为cnn-lstm时空融合模型，包括输入层、卷积神经网络、长短期记忆网络以及输出层，输入层通过合并连接的方式与卷积神经网络，卷积神经网络顺序与长短期记忆网络、输出层连接，其中输入层还通过跳跃连接的方式与长短期记忆网络连接；其中卷积神经网络包括卷积层、池化层，长短期记忆网络包括全连接层、循环层；
[0043]
首先设适合研究区的陆表环境指标体系的指标数量为n，使用合并连接将n个陆表环境指标数据和xco2观测数据进行特征融合，然后依次使用卷积神经网络的卷积层、池化层进行局部空间信息提取，然后使用长短期记忆网络的全连接层和循环层进行时间信息提取，并使用跳跃连接将xco2观测数据连接到全连接层；最后将循环层连接到xco2精细化数据输出层；
[0044]
c.利用均方根误差设定损失函数：
[0045]
利用均方根误差(mean squared loss，mse)设定损失函数，从而衡量时空融合模型对xco2浓度的估计结果相对于xco2浓度真实值的变化程度，计算公式如下：
[0046][0047]
其中，f(x)表示时空融合模型对xco2浓度的估计结果，y表示通过gosat、oco-2、oco-3卫星获取的真实的xco2浓度值，n表示在数据集制作中滑动切割得到的数据总量。
[0048]
有益效果
[0049]
本方法融合陆表环境数据与卫星xco2浓度数据，相较于传统遥感物理反演算法可以减少云和气溶胶等大气干扰和设备误差的限制，快速准确地提升数据精度，解决了现有技术中融合数据单一，数据质量提升受限的问题。
[0050]
通过结合卷积神经网络和长短期记忆神经网络将卷积层应用于陆表环境数据和大气xco2数据的局部空间信息挖掘，将循环层应用于陆表环境数据和大气xco2数据的时序信息挖掘，可以实现大气xco2数据的精细化反演。
[0051]
本方法在分析陆表环境变量与大气xco2浓度之间的时空及尺度相关性的基础上，构建适合研究区的网格尺度和陆表环境指标体系，使得基于卷积神经网络和长短期记忆网络构建时空融合模型具有不同空间尺度的泛化能力，融合符合研究区的陆表环境变量，提高该方法的数据反演精度和空间分辨率。
附图说明
[0052]
图1是本发明的融合陆表环境变量的大气xco2浓度精细化反演方法的主要流程图。
[0053]
图2是本发明中时空及尺度相关性分析方法框图。
[0054]
图3是本发明中基于卷积神经网络和长短期记忆网络的时空融合模型结构框图。
具体实施方式
[0055]
下面结合附图和实例对本发明方法作进一步描述：
[0056]
如图1所示，本发明所述的融合陆表环境变量的大气xco2浓度精细化反演方法，步骤为：首先获取陆表环境数据和卫星观测xco2数据，并对其进行处理；然后，利用皮尔逊相关系数、地理探测器分析大气xco2浓度和陆表环境因子的相关性；最后，建立基于卷积神经网络和长短期记忆网络的时空融合模型，实现大气xco2浓度的精细化反演。
[0057]
具体步骤为：
[0058]
s1、获取研究区的陆表环境数据，陆表环境数据包括植被结构、植被功能、地形地貌、人为活动四类变量；植被结构包括：植被覆盖度、植被叶面积指数、归一化植被指数，植被功能包括蒸散发、净初级生产力、总初级生产力，地形地貌包括地面高程、地表粗糙度、地表温度，人为活动包括土地利用类型、人为碳排放量和夜间灯光指数，一共12个陆表环境指标；
[0059]
s2、获取研究区的多源卫星大气xco2浓度数据，包括gosat、oco-2、oco-3卫星观测xco2数据；
[0060]
s3、对陆表环境数据和多源卫星大气xco2浓度数据先后进行异常值处理、时空匹配、重投影、嵌套重采样统计分析，获得统一时空坐标系下的时间序列数据，并对同一时空坐标系的数据进行空间栅格的划分；
[0061]
s4、以嵌套重采样的空间栅格为分析尺度，使用地理探测器q统计分析研究区陆表环境指标与xco2浓度之间的尺度相关关系，比较不同空间栅格下各陆表环境指标与xco2浓度的尺度关系，找出不同空间栅格下尺度关系变化的关键拐点，此时的空间栅格被视为最佳分析尺度；
[0062]
s5、在最佳分析尺度下，使用地理探测器q统计分析研究区陆表环境指标与xco2浓度之间的关系，分别比较各陆表环境指标与xco2浓度的q值，通过对q值进行显著性检验筛选得到在空间维度相关性强的陆表环境指标；
[0063]
s6、在最佳分析尺度下，使用皮尔逊相关系数时间序列相关性数量分析方法量化研究区内的陆表环境指标与xco2浓度之间的时间相关性关系，筛选得到在时间维度相关性强的陆表环境指标；
[0064]
s7、综合步骤s4-s6筛选得到的陆表环境指标，构建适合研究区的陆表环境指标体系；
[0065]
s8、基于卷积神经网络和长短期记忆神经网络(convolutional neural network and long and short term memory,cnn-lstm)构建时空融合模型，结合上述筛选得到的陆表环境指标，对研究区大气xco2浓度进行精细化反演。
[0066]
如图2所示，运用地理探测器、皮尔逊相关系数方法量化xco2与陆表环境变量之间
时空及尺度相关性分析，具体步骤如下：
[0067]
1.获取陆表环境数据，使用植被结构、植被功能、地形地貌、人为活动四类变量描述陆表环境变化，植被结构包括植被覆盖度、植被叶面积指数、归一化植被指数，植被功能包括蒸散发、净初级生产力、总初级生产力，地形地貌包括地面高程、地表粗糙度、地表温度，人为活动包括土地利用类型、人为碳排放量和夜间灯光指数。
[0068]
2.获取卫星xco2观测数据，并依次进行时空匹配、异常值处理、重投影等数据预处理，保证数据在同一个时空坐标系和栅格像元对齐。
[0069]
3.对上述陆表环境数据和卫星xco2观测数据进行嵌套重采样，根据研究区范围及尺度设置嵌套空间栅格，嵌套空间栅格的设置表达式如下：
[0070][0071][0072]
其中，grid为空间栅格的大小，grid
max
为可以设置的最大空间栅格长度，grid
min
为可以设置的最小空间栅格长度，a为研究区面积，通常可设置介于最大空间栅格长度和最小空间栅格长度之间的10层嵌套空间栅格。
[0073]
4.量化陆表环境因子与xco2浓度之间的尺度相关关系，获取最佳分析尺度，具体步骤包括：
[0074]
4.1、采用自然断点法对陆表环境数据进行离散化处理，得到陆表环境数据的指标分级；
[0075]
4.2、根据嵌套空间栅格的设置，统计不同大小空间栅格下的陆表环境数据与多源卫星xco2浓度数据的地理探测器q值，公式如下：
[0076][0077]
其中，q为某个陆表环境指标对xco2浓度时空分异的解释力度，q∈[0,1]，某陆表环境指标的q值越大，说明该指标对xco2浓度的解释力越强；n为研究区内的空间栅格数量；σ2为指标方差；h为陆表环境指标分级，l为分级层数，h＝1,2,
…
,l。
[0078]
4.1、统计不同空间栅格下各陆表环境指标与xco2浓度的q值变化，绘制折线图并找出随着空间栅格大小变化q值变化出现的拐点，拐点所在的空间栅格大小即为最佳分析尺度。
[0079]
5.以上述较优的尺度网格为分析尺度，从植被结构、植被功能、地形地貌、人为活动四个方面，分别计算对应的陆表环境因子与卫星xco2观测数据之间的相关性，包括时间相关性、空间相关性，具体如下：
[0080]
5.1.皮尔逊相关系数计算公式：
[0081][0082]
其中r表示皮尔逊相关系数；xi和分别表示陆表环境指标x在时间i时刻的指标值和平均值；yi和分别表示大气xco2浓度在i时刻的浓度值、平均值，r取值范围为[-1,1]。r是符合自由度为t-2的t分布，通过查表可以检验12个陆表环境指标与xco2浓度的皮尔逊相关性是否具有显著性，最后筛选显著性检验通过的陆表环境指标。
[0083]
5.2.地理探测器模型的q统计方法计算公式：
[0084][0085]
其中，q为某个陆表环境指标对xco2浓度时空分异的解释力度，q∈[0,1]，某陆表环境指标的q值越大，说明该指标对xco2浓度的解释力越强；n为研究区内的空间栅格数量；σ2为指标方差；h为陆表环境指标分级，l为分级层数，h＝1,2,
…
,l。
[0086]
q值的简单变换满足非中心f分布，通过查表可以检验q值是否具有显著性，最后筛选显著性检验通过的陆表环境指标。其中，q值的简单变换公式如下：
[0087][0088]
式中，λ为非中心参数，n为研究区内的空间栅格数量，l为陆表环境指标的分级层数。
[0089]
6.根据上述筛选得到的陆表环境因子，分别从植被结构、植被功能、地形地貌、人为活动四个方面构建陆表环境指标体系，并使用上述地理探测器q值统计、皮尔逊相关系数方法评价不同指标与大气xco2浓度的关系，从而构建适合研究区的陆表环境指标体系；由于研究区的不同，各个陆表环境指标与xco2浓度的关系可能不同，因此筛选得到的陆表环境指标也存在差异，需要针对研究区进行陆表环境指标体系的构建。
[0090]
如图3所示，基于卷积神经网络和长短期记忆网络的时空融合模型构建技术路线，由数据集制作、设计网络结构、利用均方根误差设定损失函数三个部分组成，具体描述如下：
[0091]
1.数据集制作：
[0092]
数据集制作包括陆表环境数据和多源卫星xco2数据的收集和处理，具体如下：
[0093]
根据构建出的适合研究区的陆表环境指标体系的内容和指标数量，获取对应的陆表环境数据，收集对应研究区域的gosat、oco-2、oco-3卫星xco2数据；
[0094]
对多源数据的处理包括空间配准和数据切割，首先要进行空间数据的配准和对齐，保证各数据在同一时空坐标体系下，然后使用地理数据处理工具对数据进行一定重叠率的滑动切割，其中重叠率可根据数据量需求自行设置。
[0095]
2.设计网络结构：
[0096]
cnn-lstm时空融合模型的网络结构包括卷积层、池化层、全连接层、循环层四种特征提取方法，首先设适合研究区的陆表环境指标体系的指标数量为n，使用合并连接将n个陆表环境指标数据和xco2观测数据进行特征融合，然后依次使用卷积神经网络的卷积层、池化层进行局部空间信息提取，然后使用长短期记忆网络的全连接层和循环层进行时间信息提取，并使用跳跃连接将xco2观测数据连接到全连接层；最后将循环层连接到xco2精细化数据输出层。
[0097]
3.设定损失函数：
[0098]
利用均方根误差(mean squared loss，mse)设定损失函数，从而衡量时空融合模型对xco2浓度的估计结果相对于xco2浓度真实值的变化程度，计算公式如下：
[0099][0100]
其中，f(x)表示时空融合模型对xco2浓度的估计结果，y表示通过gosat、oco-2、oco-3卫星获取的真实的xco2浓度值，n表示在数据集制作中滑动切割得到的数据总量。

技术特征：
1.一种融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在于，具体步骤如下：s1、获取研究多源数据区的陆表环境数据，陆表环境数据包括植被结构、植被功能、地形地貌、人为活动四类变量；植被结构包括：植被覆盖度、植被叶面积指数、归一化植被指数，植被功能包括蒸散发、净初级生产力、总初级生产力，地形地貌包括地面高程、地表粗糙度、地表温度，人为活动包括土地利用类型、人为碳排放量和夜间灯光指数，一共12个陆表环境指标；s2、获取研究区的多源卫星大气xco2浓度数据，包括gosat、oco-2、oco-3卫星观测xco2数据；s3、对陆表环境数据和多源卫星大气xco2浓度数据先后进行异常值处理、时空匹配、重投影、嵌套重采样统计分析，获得统一时空坐标系下的时间序列数据，并对同一时空坐标系的数据进行空间栅格的划分；s4、以嵌套重采样的空间栅格为分析尺度，使用地理探测器q统计分析研究区陆表环境指标与xco2浓度之间的尺度相关关系，比较不同空间栅格下各陆表环境指标与xco2浓度的尺度关系，找出不同空间栅格下尺度关系变化的关键拐点，此时的空间栅格被视为最佳分析尺度；s5、在最佳分析尺度下，使用地理探测器q统计分析研究区陆表环境指标与xco2浓度之间的关系，分别比较各陆表环境指标与xco2浓度的q值，通过对q值进行显著性检验筛选得到在空间维度相关性强的陆表环境指标；s6、在最佳分析尺度下，使用皮尔逊相关系数时间序列相关性数量分析方法量化研究区内的陆表环境指标与xco2浓度之间的时间相关性关系，筛选得到在时间维度相关性强的陆表环境指标；s7、综合步骤s4-s6筛选得到的陆表环境指标，构建适合研究区的陆表环境指标体系；s8、基于卷积神经网络和长短期记忆神经网络cnn-lstm构建时空融合模型，结合上述筛选得到的陆表环境指标，对研究区大气xco2浓度进行精细化反演。2.根据权利要求1所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在于s2中，gosat卫星xco2观测数据为空间分辨率2.5
°×
2.5
°
的月度数据，oco-2和oco-3卫星xco2观测数据为空间分辨率为2.25km
×
1.29km的16日周期的轨道颗粒数据，且需筛选质量标志为零的数据以获取质量可靠的数据。3.根据权利要求1所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在于s3中，多源数据的嵌套重采样需根据研究区范围及尺度设置嵌套空间栅格，嵌套空间栅格的设置表达式如下：格的设置表达式如下：其中，grid为空间栅格的大小，grid
max
为可以设置的最大空间栅格长度，grid
min
为可以设置的最小空间栅格长度，a为研究区面积，通常可设置介于最大空间栅格长度和最小空间栅格长度之间的10层嵌套空间栅格。4.根据权利要求3所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在
于s4中陆表环境指标与xco2浓度之间的尺度相关关系的量化，具体步骤包括：a、采用自然断点法对陆表环境数据进行离散化处理，得到陆表环境数据的指标分级；b、根据嵌套空间栅格的设置，统计不同大小空间栅格下的陆表环境数据与多源卫星xco2浓度数据的地理探测器q值，公式如下：其中，q为某个陆表环境指标对xco2浓度时空分异的解释力度，q∈[0,1]，某陆表环境指标的q值越大，说明该指标对xco2浓度的解释力越强；n为研究区内的空间栅格数量；σ2为指标方差；h为陆表环境指标分级，l为分级层数，h＝1,2,
…
,l。c、统计不同空间栅格下各陆表环境指标与xco2浓度的q值变化，绘制折线图并找出随着空间栅格大小变化q值变化出现的拐点，拐点所在的空间栅格大小即为最佳分析尺度。5.根据权利要求1所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在于s5中陆表环境因子与xco2浓度之间的空间相关关系的量化关系判断过程为：使用地理探测器模型的q统计方法计算不同陆表环境指标与xco2浓度的空间相关性，q值的简单变换满足非中心f分布，通过查表可以检验q值是否具有显著性，最后筛选显著性检验通过的陆表环境指标。其中，q值的简单变换公式如下：式中，λ为非中心参数，n为研究区内的空间栅格数量，l为陆表环境指标的分级层数。6.根据权利要求1所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在于s6中陆表环境指标与xco2浓度之间的时间相关关系的量化：在最佳分析尺度下，使用皮尔逊相关系数计算时间序列数据之间的相关程度，计算公式如下：其中r表示皮尔逊相关系数；x
i
和分别表示陆表环境指标x在时间i时刻的指标值和平均值；y
i
和分别表示大气xco2浓度在i时刻的浓度值、平均值，r取值范围为[-1,1]。r是符合自由度为t-2的t分布，通过查表可以检验12个陆表环境指标与xco2浓度的皮尔逊相关性是否具有显著性，最后筛选显著性检验通过的陆表环境指标。7.根据权利要求1所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在于s7中构建适合研究区的陆表环境指标体系过程为：分别从植被结构、植被功能、地形地貌、人为活动四个方面构建陆表环境指标体系，并使用上述地理探测器q值统计、皮尔逊相关系数方法评价不同指标与大气xco2浓度的关系，从而构建适合研究区的陆表环境指标体系；由于研究区的不同，各个陆表环境指标与xco2浓度的关系可能不同，因此筛选得到的陆表环境指标也存在差异，需要针对研究区进行陆表环境指标体系的构建。8.根据权利要求7所述的融合陆表环境变量的大气xco2浓度精细化反演方法，其特征在
于s8中基于卷积神经网络和长短期记忆网络构建时空融合模型，结合当前适合研究区的陆表环境指标体系进行研究区内大气xco2浓度的精细化反演，包括数据集制作、设计网络结构、利用均方根误差设定损失函数，损失函数的设定会影响模型权重更新和收敛的速度；具体步骤如下：a.数据集制作：数据集制作包括陆表环境数据和多源卫星xco2数据的收集和处理，具体如下：根据构建出的适合研究区的陆表环境指标体系的内容和指标数量，获取对应的陆表环境数据，收集对应研究区域的gosat、oco-2、oco-3卫星xco2数据；对多源数据的处理包括空间配准和数据切割，首先要进行空间数据的配准和对齐，保证各数据在同一时空坐标体系下，然后使用地理数据处理工具对数据进行一定重叠率的滑动切割，其中重叠率可根据数据量需求自行设置。b.设计网络结构：主体为cnn-lstm时空融合模型，包括输入层、卷积神经网络、长短期记忆网络以及输出层，输入层通过合并连接的方式与卷积神经网络，卷积神经网络顺序与长短期记忆网络、输出层连接，其中输入层还通过跳跃连接的方式与长短期记忆网络连接；其中卷积神经网络包括卷积层、池化层，长短期记忆网络包括全连接层、循环层；首先设适合研究区的陆表环境指标体系的指标数量为n，使用合并连接将n个陆表环境指标数据和xco2观测数据进行特征融合，然后依次使用卷积神经网络的卷积层、池化层进行局部空间信息提取，然后使用长短期记忆网络的全连接层和循环层进行时间信息提取，并使用跳跃连接将xco2观测数据连接到全连接层；最后将循环层连接到xco2精细化数据输出层；c.利用均方根误差设定损失函数：利用均方根误差mean squared loss，mse设定损失函数，从而衡量时空融合模型对xco2浓度的估计结果相对于xco2浓度真实值的变化程度，计算公式如下：其中，f(x)表示时空融合模型对xco2浓度的估计结果，y表示通过gosat、oco-2、oco-3卫星获取的真实的xco2浓度值，n表示在数据集制作中滑动切割得到的数据总量。

技术总结
本发明公开了一种融合陆表环境变量的大气XCO2浓度精细化反演方法，适用于大气和空间数据监测领域。对获取陆表环境数据、多源卫星XCO2观测数据进行异常值处理、时空匹配、重投影、嵌套重采样数据预处理；量化研究区的陆表环境因子与XCO2浓度之间的尺度相关性，得出最佳分析尺度，分别使用皮尔逊相关系数、地理探测器q统计数量分析方法量化研究区的陆表环境因子与XCO2浓度之间的时间相关性、空间相关性，筛选得到相关性强的陆表环境因子，构建适用研究区陆表环境指标体系；基于卷积神经网络和长短期记忆网络构建时空融合模型完成精细化反演。本方法泛化能力强，数据反演精度高，可适用于不同空间尺度和不同地区的大气XCO2浓度精细化反演。度精细化反演。度精细化反演。


技术研发人员：杨慧 崔柳 王文峰 乔亦娜 周带华 闫兆进 酆格斐 王冉 慈慧
受保护的技术使用者：中国矿业大学
技术研发日：2023.05.30
技术公布日：2023/10/15