买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中国科学院空天信息创新研究院

摘要：本发明提出一种利用前馈神经网络结合时序变化的大气CO2数据填补方法和系统。其中，方法包括：通过深度学习模型学习CO2在大气中的时间空间变化规律，拟合辅助变量与CO2的非线性关系，构建高时空分辨率高精度的全球CO2分布，即融合卫星、地基和模式数据，大大提高了精度和覆盖度；在训练集中加入CO2的时间变化，模型在一定程度上可以学习到CO2的时间变化规律，提高精度。使用多个简单模型构建长时间序列CO2分布，减小运算量。

主权项：1.一种利用前馈神经网络结合时序变化的大气CO2数据填补方法，其特征在于，所述方法包括：步骤S1、获取卫星CO2数据、地基CO2数据和已存在的全球CO2模型CO2数据，并将所述卫星CO2数据、地基CO2数据和已存在的全球CO2模型CO2数据重采样至同一预定义空间分辨率，得到第一CO2数据；获取全球植被特征的辅助变量和全球植被特征的辅助变量，并将全球植被特征的辅助变量和全球气象特征的辅助变量重采样至与所述第一CO2数据同一预定义空间分辨率，得到辅助变量数据；步骤S2、根据所述卫星CO2数据的观测记录，提取对应的辅助变量数据，得到卫星辅助变量数据集；根据所述卫星CO2数据的观测记录，提取对应的已存在的全球CO2模型CO2数据，得到卫星时序数据集；所述卫星辅助变量数据集和卫星时序数据集构成卫星数据集；根据所述地基CO2数据的观测记录，提取对应的辅助变量数据，得到地基辅助变量数据集；根据所述地基CO2数据的观测记录，提取对应的已存在的全球CO2模型CO2数据，得到地基时序数据集；所述地基辅助变量数据集和地基时序数据集构成地基数据集；步骤S3、构建多个前馈神经网络模型；每个前馈神经网络模型负责一段时间内的大气CO2数据填补，多个模型组合完成长时间序列情况下的大气CO2数据填补；步骤S4、利用所述卫星数据集对所述多个前馈神经网络模型进行训练，得到初次训练模型；步骤S5、利用所述地基数据集对所述初次训练模型继续进行训练，得到中继训练模型；步骤S6、根据全球预定义空间分辨率格网中心的经纬坐标和时间，提取全球植被特征的辅助变量和全球气象特征的辅助变量，得到格网辅助变量数据集；根据全球预定义空间分辨率格网中心的经纬坐标和时间，提取对应的已存在的全球CO2模型CO2数据，得到格网时序数据集；所述格网辅助变量数据集和格网时序数据集构成格网数据集；步骤S7、应用所述中继训练模型和所述格网数据集，生成时间分辨率为一天，空间分辨率为预定义空间分辨率的全球CO2数据集；步骤S8、对重复时间段的XCO2全球数据进行加权融合，并计算融合结果。

全文数据：

权利要求：

百度查询： 中国科学院空天信息创新研究院 一种利用前馈神经网络结合时序变化的大气CO₂数据填补方法和系统