[发明专利]一种任意时空位置二氧化碳浓度预测影响因素分析方法

说明书

本发明提供了一种任意时空位置二氧化碳浓度预测影响因素分析方法，首先利用稀疏、不均匀的卫星二氧化碳柱浓度观测数据和对应的环境因素，包括地表覆盖因素、气候气象因素与燃烧排放因素，结合XGBoost算法构建模拟区域二氧化碳时空分布的模型，提取出二氧化碳时间、空间分布趋势变量；然后利用上述构建的区域二氧化碳时空分布模型，结合全局敏感性分析算法，实现环境因素敏感性的定量评价，根据敏感性分析的结果，量化确定影响区域二氧化碳时空分布的各种环境因素影响程度与大小。与传统方法相比，本发明方法能够以较高精度模拟区域二氧化碳浓度分布，并且实现环境变量重要性程度的定量评价。

技术领域

本发明涉及遥感温室气体监测领域，尤其涉及一种基于机器学习的大气二氧化碳时空分布模拟及影响因素全局敏感性分析方法。

背景技术

二氧化碳作为最主要的温室气体和全球变暖最大的贡献者，准确地了解二氧化碳浓度的时空分布及其变化趋势，对于认识并缓解温室效应至关重要。卫星观测能够较为准确地以一定的时空分辨率和相对长时序观测提供地面二氧化碳信息，但受云和气溶胶等影响，实际应用中卫星观测数据存在空缺，精确的区域二氧化碳时空分布分析存在困难。常用的获取区域任意位置二氧化碳浓度的方法以内插为主，包括空间域上的内插和根据二氧化碳时序规律建立物理模型进行插值，其中空间域内插方法插值精度较低，而物理模型插值方法生成的模型十分复杂，计算效率低。随着机器学习算法的不断发展，为了弥补XCO2数据的时空空缺而将各种神经网络和机器学习模型应用于区域CO2模拟建模的相关研究也开始发展，可以高效的生成高精度大范围二氧化碳时空分布图。但是现有的基于机器学习的方法通常只考虑环境因素或人为排放因素某一方面进行建模，而二氧化碳浓度是受两者共同影响的，目前仍缺少相关的方法。

此外区域二氧化碳分布受自然环境和人为排放等多种因素的影响。影响因素复杂且过程复杂，相关研究也较多。但多为环境因素与二氧化碳浓度的定性分析或相关性分析，针对多因素影响程度的定量评价方法也较少，无法实现不同环境因素对大气二氧化碳浓度的贡献和影响的量化分析。

发明内容

本发明的主要目的是提出一种基于机器学习的大气二氧化碳时空分布模拟及影响因素全局敏感性分析方法，对卫星观测二氧化碳数据空缺的区域实现模拟，获取整个区域二氧化碳时空分布模式，并通过对模型的全局敏感性分析，量化影响区域二氧化碳分布的环境因素的重要性程度。

为了实现上述发明目的，本发明采用的技术方案为一种任意时空位置二氧化碳浓度预测影响因素分析方法，首先提出了一种大气二氧化碳时空分布模拟方法，该模拟方法基于机器学习算法，结合卫星观测二氧化碳数据与对应的环境因素，构建模拟区域任意位置二氧化碳浓度分布的模拟模型；接着通过全局敏感性分析方法，实现定量的多影响因素对区域二氧化碳分布的重要性评价，具体包括以下步骤：

步骤1，结合区域环境特点，将影响区域二氧化碳分布的环境因素分类，包括但不仅限于地表和植被覆盖因素、气候气象因素和燃烧排放因素；

步骤2，结合卫星二氧化碳观测数据与环境因素，使用机器学习算法构建区域二氧化碳时空分布模拟模型，并利用训练数据集进行训练；

步骤3，针对构建的二氧化碳时空分布模拟模型，首先使用测试数据集验证模型预测精度，然后将卫星观测缺失处的环境因素数据输入训练好的二氧化碳时空分布模拟模型得到预测的二氧化碳浓度，最终获得区域二氧化碳浓度分布图；

步骤4，结合构建的区域二氧化碳时空分布模拟模型与全局敏感性分析方法，计算二氧化碳浓度对各个输入参数，即环境因素的敏感度；

步骤5，统计全局敏感性分析方法得到的区域二氧化碳浓度对不同环境因素的敏感度，定量分析分析各参数的敏感性大小，最终确定各个环境因素随区域二氧化碳分布的影响程度。

进一步的，步骤1中环境因素分类具体包括区域的地表覆盖类型、植被覆盖、气候类型、降水、气温、风速风向、人为排放量和生物质燃烧排放量；