申请/专利权人:北京大学重庆大数据研究院
申请日:2023-10-09
公开(公告)日:2024-03-15
公开(公告)号:CN117711502A
主分类号:G16C10/00
分类号:G16C10/00;G16C20/20;G16C20/70;G06N3/0455;G06N3/0464;G06N3/08;G06F16/29
优先权:
专利状态码:在审-实质审查的生效
法律状态:2024.04.02#实质审查的生效;2024.03.15#公开
摘要:本发明提供的一种融合深度学习算法的二氧化碳通量反演订正方法,包括:获取地表先验碳通量数据,将先验碳通量数据输入至大气化学传输模式模型中进行处理,得到气象要素、CO2浓度廓线以及CO2通量样本;基于气象要素和CO2浓度廓线确定出CO2柱浓度;构建全连接神经网络作为柱浓度订正模型,将气象要素和CO2柱浓度作为特征,并将来自卫星监测的CO2柱浓度作为标签,并将特征和标签输入至订正模型中进行训练;构建U‑net神经网络作为反演模型,将气象要素、CO2柱浓度作为特征,将CO2通量样本作为标签,并将特征和标签输入至反演模型中进行训练;确定目标气象要素,将目标气象要素输入至训练好的订正模型中进行处理得到订正后的CO2柱浓度,将订正后的CO2柱浓度和目标气象要素输入至训练好的反演模型中进行处理得到订正后的CO2通量。
主权项:1.一种融合深度学习算法的二氧化碳通量反演订正方法,其特征在于:包括以下步骤:S1.获取地表先验碳通量数据,将先验碳通量数据输入至大气化学传输模式模型中进行处理,得到气象要素、CO2浓度廓线以及CO2通量样本;S2.基于气象要素和CO2浓度廓线确定出CO2柱浓度;S3.构建全连接神经网络作为柱浓度订正模型,将气象要素和CO2柱浓度作为特征,并将来自卫星监测的CO2柱浓度作为标签,并将特征和标签输入至订正模型中进行训练;S4.构建U-net神经网络作为反演模型,将气象要素、CO2柱浓度作为特征,将CO2通量样本作为标签,并将特征和标签输入至反演模型中进行训练;S5.确定目标气象要素,将目标气象要素输入至训练好的订正模型中进行处理得到订正后的CO2柱浓度,将订正后的CO2柱浓度和目标气象要素输入至训练好的反演模型中进行处理得到订正后的CO2通量。
全文数据:
权利要求:
百度查询: 北京大学重庆大数据研究院 融合深度学习算法的二氧化碳通量反演订正方法及可读存储介质
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。