基于碳卫星的遥感是一种正在发展的大范围高精度CO_(2)监测方法,但当监测对象为我国长三角区域这种大空间尺度时,碳卫星数据会存在时空稀疏性的问题。本文提出了一种新的模型ST-SAN(space time soft attention network),旨在提高碳卫星...基于碳卫星的遥感是一种正在发展的大范围高精度CO_(2)监测方法,但当监测对象为我国长三角区域这种大空间尺度时,碳卫星数据会存在时空稀疏性的问题。本文提出了一种新的模型ST-SAN(space time soft attention network),旨在提高碳卫星数据的高时空分辨率XCO_(2)(大气CO_(2))浓度估算精度。本文将2016—2020年的多源数据(包括人类活动数据、气象数据和植被数据)与碳卫星数据结合,生成空间分辨率为0.05°的无间隙XCO_(2)日浓度数据集。通过ST-SAN模型对这些数据进行训练和预测。实验结果表明,重建后的XCO_(2)数据集与OCO-2卫星数据和地面站点数据具有高度一致性,验证了本方法在高时空分辨率XCO_(2)浓度估算中的有效性。展开更多
针对不同陆地生态系统中净生态系统CO_(2)交换量(Net ecosystem exchange,NEE)数据的长期连续测量中存在的数据差异问题,以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象,利用涡动协方差技术获取高寒湿地生态系统...针对不同陆地生态系统中净生态系统CO_(2)交换量(Net ecosystem exchange,NEE)数据的长期连续测量中存在的数据差异问题,以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象,利用涡动协方差技术获取高寒湿地生态系统水平上的NEE数据。通过对比机器学习算法和通量数据后处理算法(Reddyproc)两种数据填充方法,提出了一种结合机器学习与时序异常检测(Time series anomaly detection,TAD)的新框架,用于NEE数据的空白填补。研究结果表明:1)Reddyproc算法在剔除异常值后,NEE插补决定系数(R^(2))达到0.67,数据离散度显著降低,数据质量提升;2)八种机器学习模型中,随机森林(Random Forest,RF)模型表现最优,其决定系数(Coefficient of determination,R^(2))为0.63,均方根误差(Root mean square error,RMSE)为2.17μmol s^(-1)m^(-2),且经过时序异常检测后,估算精度提升了17%;3)Reddyproc和RF估算的CO_(2)通量存在季节性差异,冷季(1—3月和10—12月)Reddyproc估算值低于RF,而暖季(4—9月)则高于RF,表明冬季Reddyproc低估了CO_(2)释放,夏季则低估了CO_(2)吸收。该新框架有效解决了数据采集不确定性和缺失导致的二氧化碳通量计算准确率问题,为研究高寒湿地生态系统的碳固持能力、对气候变化的响应以及极端事件的影响提供了关键数据支持。未来研究应进一步探索新方法的适用性、改进和优化方向,以实现更准确、可靠且适用于不同生态系统的填补模型,为生态系统建模和预测提供强大工具。展开更多
基于Cryosat-2三年半的卫星测高GDR(geophysical data records)数据,使用海面高梯度,依据最小二乘配置方法得到了南海部分海域垂线偏差格网,结合移去-恢复技术采用逆Vening-Meinesz的球面一维傅里叶变换算法快速计算我国近海海域测高重...基于Cryosat-2三年半的卫星测高GDR(geophysical data records)数据,使用海面高梯度,依据最小二乘配置方法得到了南海部分海域垂线偏差格网,结合移去-恢复技术采用逆Vening-Meinesz的球面一维傅里叶变换算法快速计算我国近海海域测高重力异常CASM_GRA.与船载重力测量数据融合后,重力场精度在2.75~5.38mgal之间,平均偏差在-0.21~0.45mgal之间.与DTU13重力场模型相比,平均值最大改进为12.98mgal,标准差最大降幅近3.40mgal.与Sandwell V23.1模型相比,平均值最大改进为13.58 mgal,标准差最大降幅为1.09mgal.展开更多
文摘基于碳卫星的遥感是一种正在发展的大范围高精度CO_(2)监测方法,但当监测对象为我国长三角区域这种大空间尺度时,碳卫星数据会存在时空稀疏性的问题。本文提出了一种新的模型ST-SAN(space time soft attention network),旨在提高碳卫星数据的高时空分辨率XCO_(2)(大气CO_(2))浓度估算精度。本文将2016—2020年的多源数据(包括人类活动数据、气象数据和植被数据)与碳卫星数据结合,生成空间分辨率为0.05°的无间隙XCO_(2)日浓度数据集。通过ST-SAN模型对这些数据进行训练和预测。实验结果表明,重建后的XCO_(2)数据集与OCO-2卫星数据和地面站点数据具有高度一致性,验证了本方法在高时空分辨率XCO_(2)浓度估算中的有效性。
文摘针对不同陆地生态系统中净生态系统CO_(2)交换量(Net ecosystem exchange,NEE)数据的长期连续测量中存在的数据差异问题,以中国气象局青海高寒生态气象野外科学试验基地野牛沟试验站为研究对象,利用涡动协方差技术获取高寒湿地生态系统水平上的NEE数据。通过对比机器学习算法和通量数据后处理算法(Reddyproc)两种数据填充方法,提出了一种结合机器学习与时序异常检测(Time series anomaly detection,TAD)的新框架,用于NEE数据的空白填补。研究结果表明:1)Reddyproc算法在剔除异常值后,NEE插补决定系数(R^(2))达到0.67,数据离散度显著降低,数据质量提升;2)八种机器学习模型中,随机森林(Random Forest,RF)模型表现最优,其决定系数(Coefficient of determination,R^(2))为0.63,均方根误差(Root mean square error,RMSE)为2.17μmol s^(-1)m^(-2),且经过时序异常检测后,估算精度提升了17%;3)Reddyproc和RF估算的CO_(2)通量存在季节性差异,冷季(1—3月和10—12月)Reddyproc估算值低于RF,而暖季(4—9月)则高于RF,表明冬季Reddyproc低估了CO_(2)释放,夏季则低估了CO_(2)吸收。该新框架有效解决了数据采集不确定性和缺失导致的二氧化碳通量计算准确率问题,为研究高寒湿地生态系统的碳固持能力、对气候变化的响应以及极端事件的影响提供了关键数据支持。未来研究应进一步探索新方法的适用性、改进和优化方向,以实现更准确、可靠且适用于不同生态系统的填补模型,为生态系统建模和预测提供强大工具。
文摘基于Cryosat-2三年半的卫星测高GDR(geophysical data records)数据,使用海面高梯度,依据最小二乘配置方法得到了南海部分海域垂线偏差格网,结合移去-恢复技术采用逆Vening-Meinesz的球面一维傅里叶变换算法快速计算我国近海海域测高重力异常CASM_GRA.与船载重力测量数据融合后,重力场精度在2.75~5.38mgal之间,平均偏差在-0.21~0.45mgal之间.与DTU13重力场模型相比,平均值最大改进为12.98mgal,标准差最大降幅近3.40mgal.与Sandwell V23.1模型相比,平均值最大改进为13.58 mgal,标准差最大降幅为1.09mgal.
