一种基于时空深度残差网络的大气CO2浓度预测方法

本发明属于涉及环境监测和数据分析领域，具体涉及一种基于时空深度残差网络的大气co2浓度预测方法。

背景技术：

1、随着全球变暖和气候变化问题的日益严峻，对大气中二氧化碳(co2)浓度的监测与预测成为了全球科学研究和环境政策制定的重要环节。co2作为主要的温室气体之一，对地球的气候系统有着深远的影响。因此，精确监测和预测co2浓度的时空分布对于理解全球碳循环机制、评估气候变化趋势和制定有效的减排策略至关重要。

2、目前，大气co2浓度的监测主要依赖于两种技术：地面监测站点和卫星遥感技术。地面监测站点能提供高精度的co2浓度测量数据，但这些站点分布不均，无法实现全球尺度的连续覆盖。而卫星遥感技术，如oco-2、gosat等，能够提供较广范围的co2浓度监测，但其数据的时空分辨率受到限制，无法满足对细尺度变化的监测需求。使用地理统计方法来扩展二氧化碳数据的覆盖范围是克服地面和卫星监测技术局限的关键途径。然而，地理统计插值的准确度高度依赖于数据量和分布的均匀性。当采样点稀少或分布不均时，插值结果的精度便会受到负面影响。此外，大气co2浓度的变化受到多种复杂环境因素的影响，包括气候变化、植被覆盖、人类活动等。现有的监测技术和预测模型往往难以充分考虑这些因素的综合影响，限制了对co2时空变化规律的深入理解。尤其是在局部地区或细尺度上，现有方法在捕捉co2浓度细微变化方面的能力较弱，无法为地方性碳排放管理和气候变化适应提供充分的科学支持。因此，迫切需要一种新的技术手段来弥补现有监测和预测方法的不足，能够实现更高时空分辨率的co2浓度监测，同时综合分析多种影响因素，提高预测模型的准确性和可靠性。这不仅对于全球和区域碳循环的科学研究具有重要价值，也对于制定更加有效的气候变化应对措施和环境管理政策具有重要意义。

技术实现思路

1、本发明针对现有技术的不足，提供了一种基于时空深度残差网络的大气co2浓度预测方法，更好地实现大气co2浓度(xco2)估算。

2、为解决以上技术问题，本发明提供如下技术方案：一种基于时空深度残差网络的大气co2浓度预测方法，包括如下步骤：

3、s1、构建xco2样本数据集，包括xco2数据以及对应的环境数据，xco2数据包括oco-2卫星观测数据、geos同化系统数据；

4、s2、对数据进行预处理：将环境数据作为辅助变量即自变量，xco2数据作为因变量；所有辅助变量进行统一采样，整合双源xco2数据，对辅助变量集进行抽取处理，形成xco2训练数据集；

5、s3、基于resnet网络，将残差块中的卷积层和池化层改为全连接层，构建xco2估算神经网络，利用xco2训练数据集训练xco2估算神经网络，得到xco2估算模型；

6、s4、对xco2估算模型测试，评估环境数据的特征重要性并排序；剔除不重要的环境数据，同时增加时间信息和空间信息，构建新的xco2样本数据集；

7、s5、用新的xco2样本数据集训练xco2估算神经网络，得到大气co2浓度时空估算模型，利用大气co2浓度时空估算模型对中国区域进行1km分辨率的日均xco2浓度估算。

8、进一步地，前述的步骤s1中，环境数据包括气象数据、污染物排放数据、地表状况数据、以及人类活动数据；再分析数据包括geos同化系统数据。

9、进一步地，前述的步骤s1中，数据预处理包括采用双线性内插法将所有辅助变量统一重采样到相同的空间分辨率，通过质量控制标识剔除oco-2卫星观测数据中的异常值，使用最小最大归一化方法对所有输入变量进行标准化处理，减少不同数据源之间的尺度差异，如下：

10、

11、式中，x表示目标变量或辅助变量，xmax和xmin分别表示变量的最大值和最小值，x*表示标准化处理后的变量。

12、进一步地，前述的步骤s1还包括将所有辅助变量与oco-2xco2进行匹配，生成一部分训练样本；同时，辅助变量被聚合到geos xco2的分辨率，并与geos xco2配对，生成另一部分训练样本；两者共同组成训练数据集。

13、进一步地，前述的步骤s4中，特征重要性按如下公式计算：

14、

15、

16、式中，表示变量xi的重要性得分，indicator(·)表示评估指标rmse，是一个随机排列的变量，n表示辅助变量个数，fresnet(*)是rsenet模型的估计函数。

17、进一步地，前述的步骤s4中，空间信息包括一个点的纬度和经度与其各自上限的比值，以及从所述一个点到矩形研究区域内一组对角线点的距离与相应对角线长度的比值，对于点p，空间信息计算如下：

18、

19、式中，is表示空间信息，lon和lat分别表示该点的经度和纬度；hi,j表示球体上两点之间的最短距离，使用haversine方法计算，p1和p2表示对角线的两端点。

20、进一步地，前述的haversine方法计算如下式：

21、

22、式中，lati,j和loni,j分别表示i点和j点的经度、纬度，d表示球体的直径。

23、进一步地，前述的时间信息包括三个螺旋三角矢量的线性函数变换值，计算如下：

24、

25、式中，it表示时间信息，n表示一年中的总天数，day是一年中的特预设日期。

26、进一步地，前述的一种基于时空深度残差网络的大气co2浓度预测方法法，还包括利用10折交叉验证来评估大气co2浓度时空估算模型，并使用统计指标来量化估计准确性；所述10折交叉验证包括基于样本的10-cv、基于时间的10-cv、以及基于空间的10-cv。

27、进一步地，前述的一种基于时空深度残差网络的大气co2浓度预测方法，统计指标包括决定系数r2、均方根误差rmse、平均绝对误差maeu，计算如下：

28、

29、

30、式中，n为样本量，yi和为样本中的观测和估计xco2，是观测到的xco2的平均值。

31、相较于现有技术，本发明采用以上技术方案的有益技术效果如下：

32、(1)本发明引入resnet技术，提高训练精度，并综合考虑自然条件、地表地形及人类活动因素的影响；同时优化了时空信息的确定方法，开发出st-resnet模型，可以有效捕捉xco2分布模式中的复杂关系和非线性效应，进而生成高时空分辨率、高质量的中国区域xco2数据集。

33、(2)此外，本发明通过使用oco-2和geos两种数据源来增强训练样本。oco-2提供了高精度和高空间分辨率的xco2数据，但其观测范围有限，重访间隔较长。为弥补这些不足，geos数据提供了全面的全球时空信息。整合这两种数据源，不仅扩展了时空覆盖范围，还显著提高了模型的可靠性和准确性。

34、(3)另外，本发明还使用了一种基于特征重要性评估的变量筛选方法。通过将样本中特征值重新随机排列，并多次输入模型进行性能评估，本方法能够量化每个特征对xco2估算的重要性。这一过程不仅提高了模型的效率和可解释性，还确保了模型对输入数据的鲁棒性和稳定性，减少了噪声和不相关特征对模型性能的影响。