申请/专利权人：中国气象科学研究院

申请日：2022-06-22

公开（公告）日：2024-03-19

公开（公告）号：CN115204618B

主分类号：G06Q10/063

分类号：G06Q10/063;G06Q50/26;G06N20/00;G01N33/00

优先权：

专利状态码：有效-授权

法律状态：2024.03.19#授权;2022.11.04#实质审查的生效;2022.10.18#公开

摘要：本发明公开了一种CCMVS区域碳源汇同化反演评估系统，包括多源CO2浓度观测数据的获取与预处理、自然碳通量在线优化、高效混合同化新算法、大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演；多源CO2包括高精度的地基、碳卫星以及CO通过机器学习获取的CO2浓度观测数据；本发明公开的CCMVS区域碳源汇同化反演评估系统，提高了区域碳同化系统在巨大的维数特征下计算效率；人为碳排放和自然碳交换同步反演提高了区域碳源汇反演精度；搭建我国全国范围高效、高分辨区域CO2同化反演系统，有利于推进实际应用。

主权项：1.一种CCMVS区域碳源汇同化反演方法，其特征在于，包括多源CO2浓度观测数据的获取与预处理、自然碳通量在线优化、双向耦合EnKF与4DVar的高效混合同化新算法、基于大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演；其中，所述多源CO2包括高精度的地基、碳卫星以及CO通过机器学习获取的CO2浓度观测数据；所述多源CO2浓度观测数据的获取与预处理包括CO浓度观测数据的获取和预处理、碳卫星观测数据的获取与处理；所述CO浓度观测数据的获取和预处理，具体操作为：基于站点位置按季节提取多源碳卫星和航空观测手段获取的CO2浓度观测值，收集相应站点气压、气温、湿度和风气象观测因子，以及相应时刻的站点CO浓度观测值；为了保证引入区域碳同化系统的站点质量，机器学习之前需要严格的质量控制：当站点CO2与CO相关性的绝对值小于0.7时，则认为其相关性太弱舍弃该站点；当站点CO2与CO对应时刻的观测数目少于5时，则认为观测数目数据太少不具有代表性，舍弃该站点；提取CO及气象观测要素的时空特征，将基础特征与时空特征共同作为多元输入因子，将收集的CO2站点浓度用作学习目标，利用广泛使用的机器学习模型LightGBM构建多元回归模型，分别采用10折交叉验证、空间交叉验证及逐年交叉验证进行LightGBM模型参数优化、反演能力评估、时空外推能力验证，最终基于机器学习获取国家温室气体观测网和多源碳卫星未覆盖区域CO浓度观测转化而来的CO2浓度值引入区域碳同化系统；所述碳卫星观测数据的获取与预处理，具体操作为：收集、整理碳卫星的观测数据，碳卫星包括GOSAT、GOSAT-2、OCO-23；然后，将碳卫星观测数据在同化之前进行预处理：所述预处理为根据空间分辨率的不同，对多源碳卫星观测数据进行融合；GOSAT、GOSAT-2直接引入区域碳同化系统进行同化；针对OCO-23数据，每秒收集24个测量点，为避免高度相关的测量值在同化过程中被视为独立的测量值同化，也为了能使XCO2的空间分辨率与模式相近，将1s内的24个点合成一个XCO2平均值，首先将1s内质量好的观测点过滤出来，其次对过滤后观测点的卫星柱浓度、卫星气压加权函数、先验廓线和核函数求平均，最后将平均值引入区域碳同化系统参与同化；所述自然碳通量在线优化为对光合和呼吸模块的关键参数进行实时校准，具体包括数据质量控制和参数优化，采用贝叶斯定理和马尔科夫链蒙特卡洛的贝叶斯方法中的Metropolis算法对光合和呼吸模块的关键参数进行实时校准优化；具体操作为：1数据质量控制：当夜间摩擦风速低于临界摩擦风速时观测的NEE数据剔除；剔除那些超出所设阈值，存在明显异常的NEE观测数据；剔除那些与降水同时段的NEE观测数据；对NEE观测数据进行3倍标准差的剔除筛选；2参数优化：利用夜间的NEE观测值通过蒙特卡洛的方法得到呼吸参数α和β，利用α和β以及站点温度观测值计算得到白天的生态系统呼吸Re，由白天的NEE加上Re得到GPP的观测值，再结合VPRM中GPP的计算公式优化参数λ和PAR0；所述双向耦合EnKF与4DVar的高效混合同化新算法为双向耦合集合卡尔曼滤波器与四维变分同化系统的高效混合同化新算法EnKF-4Dvar，具体为采用集合流相关协方差和四维变分模型约束轨迹分析和以双向耦合的方式实现4DVar与EnKF同化方法的混合集成EnKF-4DVar；在EnKF-4DVar同化方法中EnKF和4DVar并行运行又同时间断地相互交换信息；从EnKF集合估计的多元、流量依赖背景误差协方差被用于4DVar最小化，而EnKF分析中的集合平均值被4DVar分析所取代，同时EnKF更新下一个集合预报周期的扰动；因此，所述高效混合同化新算法EnKF-4Dvar包括从集合预报得到的显式协方差矩阵中获得流相关信息，或从EnKF-4DVar轨迹隐式获得流相关信息；所述基于大气多源CO2浓度观测的人为碳通量和CO2浓度初始场同化反演，为运用研发的EnKF-4DVar高效混合同化新算法，结合高精度温室气体观测网CO2浓度观测数据，辅以卫星柱浓度数据XCO2和通过CO机器学习获取的CO2浓度值，在考虑CO2浓度与通量之间滞后特征的基础上，通过CO2浓度模拟值与观测值之间的差异构造代价函数公式A，对代价函数求导获取后验值； 式A中，T代表矩阵转置； 为先验值；i代表CO2浓度观测时间序列；矩阵B代表通量或初始CO2浓度的背景误差协方差；矩阵R代表通量或初始CO2浓度的浓度观测误差协方差； 是状态变量，代表大气CO2反演模型中要求解的人为碳通量和CO2浓度初始场； 通过公式C与联系在一起； 最后，将温室气体观测网络数据、卫星柱浓度数据XCO2和CO机器学习获取的CO2浓度观测数据，同时引入区域碳同化系统，进行人为碳通量和CO2浓度初始场的同化反演。

全文数据：

权利要求：

百度查询： 中国气象科学研究院 一种CCMVS区域碳源汇同化反演方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD