CN117556953A - 一种基于卫星遥感反演数据的自动处理与预测*** - Google Patents
一种基于卫星遥感反演数据的自动处理与预测*** Download PDFInfo
- Publication number
- CN117556953A CN117556953A CN202311561078.6A CN202311561078A CN117556953A CN 117556953 A CN117556953 A CN 117556953A CN 202311561078 A CN202311561078 A CN 202311561078A CN 117556953 A CN117556953 A CN 117556953A
- Authority
- CN
- China
- Prior art keywords
- data
- module
- greenhouse gas
- sub
- prediction
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 18
- 239000005431 greenhouse gas Substances 0.000 claims abstract description 88
- 238000004364 calculation method Methods 0.000 claims abstract description 37
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010792 warming Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G01N33/0062—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
- 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
- G01N33/0068—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 using a computer specifically programmed
-
- 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
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Immunology (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Combustion & Propulsion (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Food Science & Technology (AREA)
- Mathematical Optimization (AREA)
- Pathology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biochemistry (AREA)
- Evolutionary Biology (AREA)
- Analytical Chemistry (AREA)
- Medicinal Chemistry (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于卫星遥感反演数据的自动处理与预测***,卫星遥感对地观察技术领域,包括依次设置的数据获取模块、数据转换模块、数据裁切模块、计算与预测模块以及显示模块;数据获取模块用于获取GOSAT温室气体遥感数据和ECMWF全球天气气候数据;并通过数据转换模块和数据裁切模块进行数据处理;计算与预测模块用于计算温室气体的平均数据和变化数据并进行温室气体的预测。采用上述结构的一种基于卫星遥感反演数据的自动处理与预测***,实现快速得到设定区域内的温室气体的数据和气候数据,并进行相应的统计计算,同时根据统计计算的结果进行温室气体浓度的预测,为设定区域温室气体浓度变化评估和排放控制决策提供良好的数据支持。
Description
技术领域
本发明涉及卫星遥感对地观察技术领域,尤其是涉及一种基于卫星遥感反演数据的自动处理与预测***。
背景技术
由人类活动导致的大气温室气体浓度增加是全球变暖的主要原因,控制人为碳排放是减缓全球增温最核心的手段,而对人为碳排放的监测是实现排放控制与效果评估的重要前提。作为大气温室气体浓度观测的重要手段之一,卫星遥感探测具有不受时空限制以及可以获取稳定、长时间序列、大范围数据等优势,为探究全球和区域温室气体柱浓度分布变化提供了重要的数据源。2009年1月日本发射了全球首个提供温室气体精确资料的专用卫星(GOSAT),用于观测全球CO2和CH4浓度分布。该数据产品由于时长较久、连续稳定、免费发布等特点,近年来得到全球用户的广泛使用。但是需要大量的计算和分析才能得到相关的数据结果,因此,如何快速、准确地处理GOSAT遥感反演数据并计算得到用于统计分析的结果,成为了现有技术需要解决的技术问题,同时现有技术中预测温室气体的浓度的模型或方法均关注于人类的活动的影响,人类的活动大都是可控的和可预知的,预测相对简单;而气候变化也会影响温室气体的浓度,气候变化虽然具有一定的规律,但是气候变化是不可控的,受气候变化影响温室气体浓度的预测成为现有技术需要解决的技术问题。
发明内容
本发明的目的是解决上述技术问题。
为实现上述目的,本发明提供了一种基于卫星遥感反演数据的自动处理与预测***,包括依次设置的数据获取模块、数据转换模块、数据裁切模块、计算与预测模块以及显示模块;
数据获取模块用于获取GOSAT温室气体遥感数据和ECMWF全球天气气候数据;
数据转换模块包括曲面网格-矩形网格转换子模块和合并子模块,曲面网格-矩形网格转换子模块与数据获取模块相连接,曲面网格-矩形网格转换子模块与合并子模块相连接;
数据裁切模块用于裁切出设定区域内的数据集,合并子模块与数据裁切模块相连接;
计算与预测模块用于计算温室气体的平均数据和变化数据并进行温室气体的预测;计算与预测模块包括依次连接的平均数据计算子模块、变化数据计算子模块以及温室气体预测子模块,平均数据计算子模块和温室气体预测子模块均与数据裁切模块相连接;
平均数据计算子模块、变化数据计算子模块以及温室气体预测子模块均与显示模块相连接。
优选的,曲面网格-矩形网格转换子模块采用插值函数将获取的逐月的GOSAT温室气体遥感数据由曲面网格格式转换为矩形网格形式,并通过合并子模块将格式转换后的GOSAT温室气体遥感数据与ECMWF全球天气气候数据进行时间和地域的匹配后得到全域数据集。
优选的,数据裁切模块采用筛选函数对全域数据集进行设定区域内和设定时间内的裁切得到设定区域和设定时间内目标数据集。
优选的,平均数据计算子模块根据目标数据集计算设定区域和设定时间内的平均数据集,平均数据集的元素包括温室气体的逐年浓度平均值、逐年浓度极值、多年平均值和多年季节平均值。
优选的,变化数据计算子模块根据平均数据集计算设定区域和设定时间内的变化数据集,变化数据集的元素包括温室气体的同比增长值、同比增长值的极值、同比增长值的平均值、受厄尔尼诺影响月份的浓度年变化值以及逐年线性增长率。
优选的,温室气体预测子模块根据变化数据集预测设定区域和设定时间的温室气体预测浓度,得到温室气体预测数据集,温室气体预测子模块采用基于LightGBM算法的温室气体浓度预测模型。
优选的,基于LightGBM算法的温室气体浓度预测模型构建过程如下:
选取基于LightGBM算法的决策树模型为预测模型;
设定模型参数,最大深度max_deep设置为[4,7,10],算法学习率learning_rate设置为0.1,控制树模型复杂度num_leaves设置为30;
训练模型,从全域数据集选取训练数据集和测试集,对基于LightGBM算法的决策树模型进行训练和测试直至收敛得到训练好的基于LightGBM算法的温室气体浓度预测模型。
优选的,显示模块包括区域图形显示子模块、文字表格显示子模块以及曲线显示子模块,
区域图形显示子模块用于显示设定区域形状和设定时间,并通过颜色标识显示设定区域内各个分区的平均数据集、变化数据集以及温室气体预测数据集;
文字表格显示子模块通过文本或表格的形式显示设定区域和设定时间内各个分区的温室气体浓度的平均数据集、变化数据集以及温室气体预测数据集,并标识设定区域内温室气体逐年浓度极值、同比增长值的极值、同比增长值的平均值;
曲线显示子模块通过曲线图或柱形图的形式显示设定区域和设定时间内各个分区的温室气体浓度的平均数据集、变化数据集以及温室气体预测数据集。
因此,本发明采用上述结构的一种基于卫星遥感反演数据的自动处理与预测***,具有以下有益效果:
(1)、通过数据获取模块获取获取GOSAT温室气体遥感数据和ECMWF全球天气气候数据,并通过数据转换模块和数据裁切模块得到设定区域内的同一数据,再通过平均数据计算子模块和变化数据计算子模块快速得到设定区域内的温室气体的数据。
(2)结合气候数据和计算的温室气体数据进行温室气体的预测,为设定区域温室气体浓度变化评估和排放控制决策提供良好的数据支持。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明种基于卫星遥感反演数据的自动处理与预测***结构示意图;
图2为本发明基于LightGBM算法的温室气体浓度预测模型构建过程图。
具体实施方式
实施例
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,所描述的实施例是本发明一部分实施例,而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围,而是仅仅表示本发明的选定实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
在本发明的描述中,还需要说明的是,除非另有明确的规定和限定,术语“设置”、“安装”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
下面结合附图,对本发明的实施方式作详细说明。
如图1所示,一种基于卫星遥感反演数据的自动处理与预测***,包括依次设置的数据获取模块、数据转换模块、数据裁切模块、计算与预测模块以及显示模块。
数据获取模块用于获取GOSAT温室气体遥感数据和ECMWF全球天气气候数据;GOSAT卫星遥感温室气体柱浓度数据的水平分辨率为2.5°×2.5°,时间分辨率为逐月,基于GOSAT温室气体数据以及与之分辨率一致的第5代ECMWF全球天气气候再分析数据集(ERA5)中的温度、气压、相对湿度以及风向/风速数据。
曲面网格-矩形网格转换子模块采用插值函数将获取的逐月的GOSAT温室气体遥感数据由曲面网格格式转换为矩形网格形式,并通过合并子模块将格式转换后的GOSAT温室气体遥感数据与ECMWF全球天气气候数据进行时间和地域的匹配后得到全域数据集。将多年逐月h5格式的原始卫星数据产品由曲面网格转换为矩形网格(NetCDF格式),再合并所有转换后的数据文件得到全域数据集。具体采用技术手段如下:
函数rcm2rgrid_Wrap功能是将WRF、RCM、NARR等模式输出的曲线网格数据插值到矩形网格格点,并将插值后的变量bco2赋值给co2monthly,
存放在co2_201001_202303.nc文件并输出。
合并子模块与数据裁切模块相连接,将全域数据集输入至数据裁切模块,数据裁切模块用于裁切出设定区域内的数据集,函数shapefile_mask_data基于shapefile表示的域的数据,将全域数据集中的部分元素标记为无效值(mask),即由整体裁切掉某些部分,本实施例保留中国陆地部分和2010-2022年份的数据,其他部分裁切。数据裁切模块采用筛选函数对全域数据集进行设定区域内和设定时间内的裁切得到设定区域和设定时间内目标数据集。
计算与预测模块用于计算温室气体的平均数据和变化数据并进行温室气体的预测。计算与预测模块包括依次连接的平均数据计算子模块、变化数据计算子模块以及温室气体预测子模块,平均数据计算子模块和温室气体预测子模块均与数据裁切模块相连接。
平均数据计算子模块根据目标数据集计算设定区域和设定时间内的平均数据集,平均数据集的元素包括温室气体的逐年浓度平均值、逐年浓度极值、多年平均值和多年季节平均值。函数dim_avg_n_Wrap功能是对NCL变量进行维度平均,可以对指定的维度进行平均操作。利用逐月数据求逐年平均、多年平均以及多年季节平均。
变化数据计算子模块根据平均数据集计算设定区域和设定时间内的变化数据集,变化数据集的元素包括温室气体的同比增长值、同比增长值的极值、同比增长值的平均值、受厄尔尼诺影响月份的浓度年变化值以及逐年线性增长率。
将当年与前一年的年均值做差值,计算同比增长值。并统计同比增长的最大、最小以及平均值。计算受厄尔尼诺影响月份与非厄尔尼诺影响月份的温室气体浓度年均值的差值。计算出年均温室气体线性增长率分布变化,函数regCoef的功能是在多维数组上执行简单的线性回归,输出的数值为线性函数y=ax+b中的斜率a,其中斜率a表示逐年线性增长率。
温室气体预测子模块根据变化数据集预测设定区域和设定时间的温室气体预测浓度,温室气体预测子模块采用基于LightGBM算法的温室气体浓度预测模型。
如图2所示,基于LightGBM算法的温室气体浓度预测模型构建过程如下:
选取基于LightGBM算法的决策树模型为预测模型。
设定模型参数,最大深度max_deep设置为[4,7,10],算法学习率learning_rate设置为0.1,控制树模型复杂度num_leaves设置为30。
训练模型,从全域数据集选取训练数据集和测试集,对基于LightGBM算法的决策树模型进行训练和测试直至收敛得到训练好的基于LightGBM算法的温室气体浓度预测模型。
平均数据计算子模块、变化数据计算子模块以及温室气体预测子模块均与显示模块相连接。显示模块包括区域图形显示子模块、文字表格显示子模块以及曲线显示子模块。区域图形显示子模块用于显示设定区域形状和设定时间,并通过颜色标识显示设定区域内各个分区的平均数据集、变化数据集以及温室气体预测数据集。文字表格显示子模块通过文本或表格的形式显示设定区域和设定时间内各个分区的温室气体浓度的平均数据集、变化数据集以及温室气体预测数据集,并标识设定区域内温室气体逐年浓度极值、同比增长值的极值、同比增长值的平均值。曲线显示子模块通过曲线图或柱形图的形式显示设定区域和设定时间内各个分区的温室气体浓度的平均数据集、变化数据集以及温室气体预测数据集。显示更加直观,为设定区域温室气体浓度变化评估和排放控制决策提供良好的数据支持。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (8)
1.一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:包括依次设置的数据获取模块、数据转换模块、数据裁切模块、计算与预测模块以及显示模块;
数据获取模块用于获取GOSAT温室气体遥感数据和ECMWF全球天气气候数据;
数据转换模块包括曲面网格-矩形网格转换子模块和合并子模块,曲面网格-矩形网格转换子模块与数据获取模块相连接,曲面网格-矩形网格转换子模块与合并子模块相连接;
数据裁切模块用于裁切出设定区域内的数据集,合并子模块与数据裁切模块相连接;
计算与预测模块用于计算温室气体的平均数据和变化数据并进行温室气体的预测;计算与预测模块包括依次连接的平均数据计算子模块、变化数据计算子模块以及温室气体预测子模块,平均数据计算子模块和温室气体预测子模块均与数据裁切模块相连接;
平均数据计算子模块、变化数据计算子模块以及温室气体预测子模块均与显示模块相连接。
2.根据权利要求1所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:曲面网格-矩形网格转换子模块采用插值函数将获取的逐月的GOSAT温室气体遥感数据由曲面网格格式转换为矩形网格形式,并通过合并子模块将格式转换后的GOSAT温室气体遥感数据与ECMWF全球天气气候数据进行时间和地域的匹配后得到全域数据集。
3.根据权利要求2所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:数据裁切模块采用筛选函数对全域数据集进行设定区域内和设定时间内的裁切得到设定区域和设定时间内目标数据集。
4.根据权利要求3所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:平均数据计算子模块根据目标数据集计算设定区域和设定时间内的平均数据集,平均数据集的元素包括温室气体的逐年浓度平均值、逐年浓度极值、多年平均值和多年季节平均值。
5.根据权利要求4所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:变化数据计算子模块根据平均数据集计算设定区域和设定时间内的变化数据集,变化数据集的元素包括温室气体的同比增长值、同比增长值的极值、同比增长值的平均值、受厄尔尼诺影响月份的浓度年变化值以及逐年线性增长率。
6.根据权利要求5所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:温室气体预测子模块根据变化数据集预测设定区域和设定时间的温室气体预测浓度,得到温室气体预测数据集,温室气体预测子模块采用基于LightGBM算法的温室气体浓度预测模型。
7.根据权利要求6所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:基于LightGBM算法的温室气体浓度预测模型构建过程如下:
选取基于LightGBM算法的决策树模型为预测模型;
设定模型参数,最大深度max_deep设置为[4,7,10],算法学习率learning_rate设置为0.1,控制树模型复杂度num_leaves设置为30;
训练模型,从全域数据集选取训练数据集和测试集,对基于LightGBM算法的决策树模型进行训练和测试直至收敛得到训练好的基于LightGBM算法的温室气体浓度预测模型。
8.根据权利要求7所述的一种基于卫星遥感反演数据的自动处理与预测***,其特征在于:显示模块包括区域图形显示子模块、文字表格显示子模块以及曲线显示子模块,
区域图形显示子模块用于显示设定区域形状和设定时间,并通过颜色标识显示设定区域内各个分区的平均数据集、变化数据集以及温室气体预测数据集;
文字表格显示子模块通过文本或表格的形式显示设定区域和设定时间内各个分区的温室气体浓度的平均数据集、变化数据集以及温室气体预测数据集,并标识设定区域内温室气体逐年浓度极值、同比增长值的极值、同比增长值的平均值;
曲线显示子模块通过曲线图或柱形图的形式显示设定区域和设定时间内各个分区的温室气体浓度的平均数据集、变化数据集以及温室气体预测数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561078.6A CN117556953A (zh) | 2023-11-21 | 2023-11-21 | 一种基于卫星遥感反演数据的自动处理与预测*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311561078.6A CN117556953A (zh) | 2023-11-21 | 2023-11-21 | 一种基于卫星遥感反演数据的自动处理与预测*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117556953A true CN117556953A (zh) | 2024-02-13 |
Family
ID=89814372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311561078.6A Pending CN117556953A (zh) | 2023-11-21 | 2023-11-21 | 一种基于卫星遥感反演数据的自动处理与预测*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556953A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118210332A (zh) * | 2024-05-21 | 2024-06-18 | 济南作为科技有限公司 | 控制气体排放的方法、装置、设备和存储介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114217025A (zh) * | 2021-12-17 | 2022-03-22 | 航天科工智慧产业发展有限公司 | 评估空气质量浓度预测中气象数据对其影响的分析方法 |
CN115032719A (zh) * | 2022-06-09 | 2022-09-09 | 无锡九方科技有限公司 | 一种基于机器学习LightGBM算法的空气质量预测方法 |
CN115310550A (zh) * | 2022-08-16 | 2022-11-08 | 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*** |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及*** |
CN115730718A (zh) * | 2022-11-17 | 2023-03-03 | 中国科学技术大学 | 结合超光谱卫星与人工智能的大气no2时空预测算法 |
CN115860214A (zh) * | 2022-11-30 | 2023-03-28 | 北京京诚嘉宇环境科技有限公司 | 一种pm2.5排放浓度的预警方法和装置 |
US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
-
2023
- 2023-11-21 CN CN202311561078.6A patent/CN117556953A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20230186173A1 (en) * | 2021-12-14 | 2023-06-15 | Wuhan University | Method of analyzing influence factor for predicting carbon dioxide concentration of any spatiotemporal position |
CN114217025A (zh) * | 2021-12-17 | 2022-03-22 | 航天科工智慧产业发展有限公司 | 评估空气质量浓度预测中气象数据对其影响的分析方法 |
CN115032719A (zh) * | 2022-06-09 | 2022-09-09 | 无锡九方科技有限公司 | 一种基于机器学习LightGBM算法的空气质量预测方法 |
CN115310550A (zh) * | 2022-08-16 | 2022-11-08 | 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*** |
CN115542429A (zh) * | 2022-09-20 | 2022-12-30 | 生态环境部环境工程评估中心 | 一种基于XGBoost的臭氧质量预测方法及*** |
CN115730718A (zh) * | 2022-11-17 | 2023-03-03 | 中国科学技术大学 | 结合超光谱卫星与人工智能的大气no2时空预测算法 |
CN115860214A (zh) * | 2022-11-30 | 2023-03-28 | 北京京诚嘉宇环境科技有限公司 | 一种pm2.5排放浓度的预警方法和装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118210332A (zh) * | 2024-05-21 | 2024-06-18 | 济南作为科技有限公司 | 控制气体排放的方法、装置、设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117556953A (zh) | 一种基于卫星遥感反演数据的自动处理与预测*** | |
Launois et al. | A new model of the global biogeochemical cycle of carbonyl sulfide–Part 2: Use of carbonyl sulfide to constrain gross primary productivity in current vegetation models | |
CN106372730B (zh) | 利用机器学习的植被净初级生产力遥感估算方法 | |
CN107390754A (zh) | 基于物联网云平台的智能植物生长环境调节***与方法 | |
Kimball et al. | Satellite remote sensing of terrestrial net primary production for the pan-Arctic basin and Alaska | |
Xu et al. | Persistence of increasing vegetation gross primary production under the interactions of climate change and land use changes in Northwest China | |
Li et al. | Determining optimal CO2 concentration of greenhouse tomato based on PSO-SVM | |
Awaya* et al. | Estimation of the global net primary productivity using NOAA images and meteorological data: changes between 1988 and 1993 | |
CN113343421A (zh) | 一种耦合城市植被形态的城市建筑能耗模拟方法及*** | |
Zhang et al. | Effect of heterogeneous atmospheric CO2 on simulated global carbon budget | |
Niinemets et al. | Measures of light in studies on light-driven plant plasticity in artificial environments | |
Ito et al. | A comparison of simulation results from two terrestrial carbon cycle models using three climate data sets | |
ROMDHONAH et al. | Empirical model for the estimation of whole-plant photosynthetic rate of cherry tomato grown in a commercial greenhouse | |
Buotte et al. | NACP: forest carbon stocks, fluxes and productivity estimates, western USA, 1979-2099. ORNL DAAC, Oak Ridge, Tennessee, USA | |
Hanson | Analytical solution of the rectangular hyperbola for estimating daily net photosynthesis | |
Ichii et al. | Multi-model analysis of terrestrial carbon cycles in Japan: reducing uncertainties in model outputs among different terrestrial biosphere models using flux observations. | |
Liu et al. | A new predictive model for Plants Photosynthesis Influenced by Major Climatic Conditions | |
Canadell et al. | Biological and ecological dimensions of global environmental change | |
CN114707412B (zh) | 一种基于植被冠层时变特征的swat模型优化方法 | |
Laurito et al. | Estimation of Xco 2 in Rice and Sugarcane Crops with an Ensemble of Wofost and Random Forest | |
Ito et al. | Use and uncertainty evaluation of a process-based model for assessing the methane budgets of global terrestrial ecosystems. | |
Vargas Terminel et al. | Understory contribution to water vapor and CO2 fluxes from a subtropical shrubland in northwestern Mexico | |
Shrestha et al. | An assessment of geographical distribution of different plant functional types over North America simulated using the CLASS–CTEM modelling framework | |
Zhang et al. | A robust estimate of continental-scale terrestrial carbon sinks using GOSAT XCO2 retrievals | |
Kahla et al. | Data Acquisition System for Hydroponic Culture: A Comprehensive Study and Implementation of Scale Model |
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 |