CN120214818A 一种极地冬季浮游植物净初级生产力监测方法、系统和计算机程序

(19)国家知识产权局(10)申请公布号CN120214818A(71)申请人南方海洋科学与工程广东省实验室(广州)地址511458广东省广州市南沙区南沙街资讯科技园海滨路1119号(72)发明人张镇华陈鹏潘玉良张思琪黄海清吕青青潘德炉(74)专利代理机构杭州恒翌专利代理事务所(特殊普通合伙)33298专利代理师王从友(54)发明名称一种极地冬季浮游植物净初级生产力监测方法、系统和计算机程序本发明属于海洋遥感监测技术领域，具体涉及一种极地冬季浮游植物净初级生产力动态监极地海域的弱光条件下的生物地球化学过程监激光雷达数据信号校正，包括瞬态响应消除和偏振串扰校正；星载激光雷达数据质量控制；物理生物光学参数数据库构建；双分支深度学习模型练练证证21.一种极地冬季浮游植物净初级生产力监测方法，其特征在于，包括如下步骤：S1:多源遥感数据采集与时空匹配，通过设定的时间窗口和空间窗口对星载激光雷达数据与海洋水色遥感数据进行配准，确保空间覆盖与时间一致性；S2:对星载激光雷达原始回波数据进行信号校正，包括瞬态响应校正及偏振串扰校正；S3:基于水体退偏比、海冰浓度与风速数据进行激光雷达数据质量控制，排除海冰干扰及镜面反射异常；S4:构建包含多种物理-生物光学特征的参数数据库，并对数据库中的特征变量进行归一化处理，所述多种物理-生物光学特征包括了星载激光雷达校正后的回波信号，水体退偏比，水体后向散射系数以及海洋水色遥感产品；S5:基于所述数据库训练双分支深度神经网络模型，第一分支基于卷积神经网络提取回波波形特征，第二分支融合光学参数进行物理特征学习，拼接后输出光学叶绿素浓度；S6:基于双步建模策略实现参数重构，先输出月均气候态，再通过差值重构异常值，提高极地反演准确性；S7:基于重构参数进行垂直剖面光适应建模，获得深度方向的光合有效辐射分布；S8:利用重构的光学参数和光照分布，基于碳基模型计算浮游植物净初级生产力；S9:采用浮标数据及被动遥感数据进行多源交叉验证，评估并优化所述生产力反演精2.根据权利要求1所述的方法，其特征在于，所述步骤S2中的瞬态响应校正包括利用探测器响应函数F对原始回波信号β(z)进行反卷积，得到校正后信号：瞬态响应函数；偏振串扰校正通过以下公式实现：其中CT为串扰系数，βI.c和β1,βi.m和β1,m分别为经过瞬态响应校正后的平行通道和垂直通道的信号。3.根据权利要求1所述的方法，其特征在于，所述步骤S3中水体退偏比δ按如下方式计其中，8为水体退偏比，p为峰值所在位置。4.根据权利要求1所述的方法，其特征在于，所述步骤S4中水体后向散射系数γ按如下公式计算：3归一化处理为：5.根据权利要求1所述的方法，其特征在于，所述步骤S7中垂直方向的光合有效辐射PAR(z)按如下模型估算：PAR(z)为深度z处的光合有效辐射，PAR(0)为海表处的光合有效辐射K为反演所得的漫衰减系数。6.根据权利要求1所述的方法，其特征在于，所述步骤S8中浮游植物净初级生产力NPP按如下公式计算：NPP=C×μ×Zeu,所述碳生物量C按如下公式计算：其中b为颗粒物后向散射系数；其中Ch1为叶绿素浓度，PAR(z)为光合有效辐射。7.一种极地冬季浮游植物净初级生产力监测系统，其特征在于，该系统实现权利要求1-6任一项所述的方法，包括：多源遥感数据采集模块，用于接收星载激光雷达数据以及海洋水色遥感数据；时空匹配模块，用于依据预设的空间距离窗口和时间窗口对多源遥感数据进行精确配准，保证数据在空间覆盖与时间序列上的一致性；信号校正模块，用于对所述星载激光雷达数据实施以下两项校正：瞬态响应校正，通过对原始回波信号(z)利用探测器瞬态响应函数F进行反卷积，获得校正后信号；偏振串扰校正，通过将校正后平行通道与垂直通道信号转换；数据质量控制模块，用于基于水体总退偏比、海冰浓度和风速信息检测并过滤异常数据；物理生物光学参数数据库构建模块，用于整合校正后的激光雷达回波信号、退偏比、海水后向散射系数以及遥感产品，并对整合参数进行归一化处理；第一分支，采用卷积神经网络从激光雷达回波波形中提取特征；第二分支，融合由数据质量控制模块和参数数据库构建模块输出的水体退偏比与后向4散射系数等物理参数，双分支特征经全连接回归网络拼接后输出水体光学叶绿素参数，实现物理约束下的波形-环境协同建模；参数重构模块，用于以两步优化策略实现反演参数的进一步重构：首先输出月均气候态参数，再基于观测值与气候态之间的差异重构异常值，从而提升参数反演精度；垂直剖面光适应建模模块，用于依据重构后的水体光学参数计算深度方向的光合有效碳基生产力计算模块，用于根据光适应建模结果及水体参数计算浮游植物净初级生产力NPP,多源数据验证模块，用于利用浮标数据、海洋水色遥感产品及其他实测数据对上述各模块输出的光学参数和NPP结果进行验证，从而确保整个系统运行的准确性和稳定性。8.根据权利要求7所述的系统，其特征在于，所述信号校正模块所用的瞬态响应校正和偏振串扰校正公式在系统硬件或软件中以预设模块实现，用以自动校正星载激光雷达回波数据；和/或所述数据质量控制模块依据水体退偏比δ和辅助的海冰浓度、风速数据，能够自动识别并过滤受海冰、镜面反射及泡沫干扰影响的异常数据。处理器；存储在所述存储器中的计算机程序，所述计算机程序在所述处理器的控制下执行，实施权利要求1至6中任意一项所述的方法。10.一种计算机可读存储介质，其上存储有程序指令，所述指令被计算机执行时，用于实现如权利要求1至6任意一项所述的方法。5一种极地冬季浮游植物净初级生产力监测方法、系统和计算机程序技术领域[0001]本发明属于海洋遥感监测技术领域，具体涉及一种基于星载激光雷达的极地冬季浮游植物净初级生产力动态监测方法、系统和计算机程序，适用于南极、北极等极地海域的弱光条件下的生物地球化学过程监测。背景技术[0002]海洋作为全球碳循环的重要组成部分，其浮游植物净初级生产力(NetPrimaryProduction,NPP)在全球气候变化和碳汇评估中起着至关重要的作用。尤其是极地海域，由于特殊的气候条件和独特的生态系统，对全球气候调控和海洋生物地球化学过程具有不可忽视的影响。极地海域不仅在夏季呈现出较高的浮游植物生产力，其在冬季依然可能维持一定的生态功能，尽管光照极为微弱，但极端环境下的生物体可能采取特殊的生存策略，使得极地浮游植物在极夜条件下仍然发挥着生态作用。然而，由于极地冬季环境恶劣，昼夜持续的极低光照条件给浮游植物NPP的监测带来了极大的困难。[0003]当前，全球对海洋浮游植物NPP的监测主要依赖于两大类方法：被动遥感方法和船载或浮标原位观测。被动遥感方法主要通过获取海洋水色的反射信号，如叶绿素浓度、颗粒后向散射系数和水体漫衰减系数等参数，间接反演浮游植物的生产力。中国发明专利申请(公开号：CN109490270A,公开日：2019-03-19),公开了一种基于叶绿素荧光的浮游植物初级生产力的测量装置及方法，在遮光条件下，通过仿真光源持续60s以上照射藻类样品，利用藻类对光照历史依赖性，在仿真光照50ms短暂关闭间隙测量光照条件下单周期和弛豫荧光动力学曲线，获得光适应条件下荧光动力学参数，以激光二极管阵列为诱导激发光源、以光电倍增管为荧光探测器，用于测量藻类叶绿素荧光动力学曲线；利用冠形光学收集器、多波段光探测器阵列，设计水下光合有效辐射测量单元，测量与藻类吸收特征对应的自然环境光谱。这种方法在光照充足的白昼条件下，数据获取较为便捷且具有较高的空间覆盖率。但是，极地冬季由于太阳高度角极低，海表反射信号微弱，被动遥感产品的有效数据覆盖率通常低于20%,甚至不足以提供连续时空数据序列，从而无法真实反映极地海域的生态动态变化。[0004]另一方面，船载观测和浮标原位观测虽然能够在极地海域提供精细的局部数据，但受限于极端恶劣的气候和冰情分布，这些方法在广阔极地区域内的空间覆盖率十分有限，且数据采集受天气等因素制约，时间分辨率较低。此外，利用原位设备采集的光学和生物化学参数，往往只能提供局部代表性信息，难以反映整个极地海域的真实情况。因此，如何在极地冬季实现大范围、连续、高时间分辨率的浮游植物NPP监测，已成为海洋科学和大气环境研究领域亟待解决的技术难题。[0005]基于以上背景，近年来，科学界开始探索利用星载激光雷达技术开展海洋观测的可行性。星载激光雷达具有主动光探测的特点，不依赖于太阳辐射，因此在极夜或低光照条件下仍能有效获取目标信息。以CALIOP(Cloud-AerosolLidarwithOrthogonal6Polarization)为代表的星载激光雷达系统，能够在昼夜均连续工作，通过激光发射和回波接收技术探测海面及其下部的散射信号。这一技术的引入为填补极地冬季数据空白提供了新的可能性，并引起了国内外研究者的广泛关注。发明内容[0006]针对上述问题，本发明提供了一种新颖的基于星载激光雷达的极地冬季浮游植物净初级生产力动态监测方法，本方法包括一个二分支两步深度学习模型，可以从星载激光雷达信号中准确反演多个海洋水体光学以及叶绿素参数，继而重构高纬度海域浮游植物净初级生产力，实现极地冬季浮游植物净初级生产力的动态监测。从而为海洋科学研究和极地碳汇评估提供更可靠的数据支持。[0007]为了实现上述的目的，本发明采用了以下的技术方案：一种基于星载激光雷达的极地冬季浮游植物净初级生产力监测方法，包括如下步S1:多源遥感数据采集与时空匹配，通过设定的时间窗口和空间窗口对星载激光雷达数据与海洋水色遥感数据进行配准，确保空间覆盖与时间一致性；S2:对星载激光雷达原始回波数据进行信号校正，包括瞬态响应校正及偏振串扰校正；S3:基于水体退偏比、海冰浓度与风速数据进行激光雷达数据质量控制，排除海冰干扰及镜面反射异常；S4:构建包含多种物理-生物光学特征的参数数据库，并对数据库中的特征变量进行归一化处理，所述多种物理-生物光学特征包括了星载激光雷达校正后的回波信号，水体退偏比，水体后向散射系数以及海洋水色遥感产品；S5:基于所述数据库训练双分支深度神经网络模型，第一分支基于卷积神经网络提取回波波形特征，第二分支融合光学参数进行物理特征学习，拼接后输出光学叶绿素浓S6:基于双步建模策略实现参数重构，先输出月均气候态，再通过差值重构异常S7:基于重构参数进行垂直剖面光适应建模，获得深度方向的光合有效辐射分布；S8:利用重构的光学参数和光照分布，基于碳基模型计算浮游植物的净初级生产S9:采用浮标数据及被动遥感数据进行多源交叉验证，评估并优化所述生产力反演精度。[0008]作为优选，所述步骤S2中的瞬态响应校正包括利用探测器响应函数F对原始回波器的瞬态响应函数；偏振串扰校正通过以下公式实现：7分别为偏振串扰校正后平行通道和垂直通道的信[0009]作为优选，所述步骤S3中水体总退偏比δ按如下方式计算：[0010]作为优选，所述步骤S4中水体后向散射系数γ按如下公式计算：归一化处理为：准差。[0011]作为优选，所述步骤S7中垂直方向的光合有效辐射PAR(z)按如下模型估算：PAR(z)=PAR(O)×exp(-2Kz),PAR(z)为深度z处的光合有效辐射，PAR(0)为海表处的光合有效辐射K。为反演所得的漫衰减系数。[0012]作为优选，所述步骤S8中浮游植物净初级生产力NPP按如下公式计算：NPP=C×μ×Zeu,光层深度；所述碳生物量C按如下公式计算：C=13000×(b0.0其中b₀为颗粒物后向散射系数；其中Ch1为叶绿素浓度，PAR(z)为光合有效辐射。[0013]进一步，本发明还提供了一种极地冬季浮游植物净初级生产力监测系统，该系统8多源遥感数据采集模块，用于接收星载激光雷达数据以及海洋水色遥感数据；时空匹配模块，用于依据预设的空间距离窗口和时间窗口对多源遥感数据进行精确配准，保证数据在空间覆盖与时间序列上的一致性；信号校正模块，用于对所述星载激光雷达数据实施以下两项校正：瞬态响应校正，通过对原始回波信号β(z)利用探测器瞬态响应函数F进行反卷积，获得校正后信号；偏振串扰校正，通过将校正后平行通道与垂直通道信号转换；数据质量控制模块，用于基于水体总退偏比、海冰浓度和风速信息检测并过滤异常数据；物理生物光学参数数据库构建模块，用于整合校正后的激光雷达回波信号、退偏比、海水后向散射系数以及遥感产品，并对整合参数进行归一化处理；第一分支，采用卷积神经网络(CNN)从激光雷达回波波形中提取特征；第二分支，融合由数据质量控制模块和参数数据库构建模块输出的水体退偏比与后向散射系数等物理参数，双分支特征经全连接回归网络拼接后输出水体光学叶绿素参数，实现物理约束下的波形-环境协同建模；参数重构模块，用于以两步优化策略实现反演参数的进一步重构：首先输出月均气候态参数，再基于观测值与气候态之间的差异重构异常值，从而提升参数反演精度；垂直剖面光适应建模模块，用于依据重构后的水体光学参数计算深度方向的光合有效辐射(PAR);碳基生产力计算模块，用于根据光适应建模结果及水体参数计算浮游植物净初级生产力(NPP),多源数据验证模块，用于利用浮标数据、海洋水色遥感产品及其他实测数据对上述各模块输出的光学参数和NPP结果进行验证，从而确保整个系统运行的准确性和稳[0014]作为优选，所述信号校正模块所用的瞬态响应校正和偏振串扰校正公式在系统硬件或软件中以预设模块实现，用以自动校正星载激光雷达回波数据；和/或所述数据质量控反射及泡沫干扰影响的异常数据。处理器；存储在所述存储器中的计算机程序，所述计算机程序在所述处理器的控制下执[0016]进一步，本发明还提供了一种计算机可读存储介质，其上存储有程序指令，所述指令被计算机执行时，用于实现所述的方法。[0017]本发明由于采用了上述的技术方案，通过集成星载激光雷达的主动探测技术与多源数据融合、深度学习算法及物理模型约束，实现了极地冬季浮游植物净初级生产力(NPP)监测的全流程自动化、精确化和连续化，并取得了以下显著的技术效果：91、极大提高数据覆盖率与时空连续性：传统被动遥感方法在极地冬季因低光照、极昼/极夜等原因导致有效数据覆盖率极低，仅能覆盖极小区域或间断采样；而本发明利用星载激光雷达的主动激光探测能力，不受太阳辐射限制，即便在极夜条件下也能实时获取海域回波数据，通过设定严格的时空匹配机制，实现多源数据在时间、空间上的精确配准，从而大幅提升极地数据采集的覆盖率和时空连续性，有效填补极地冬季观测盲区。[0018]2、精准校正与可靠信号恢复：针对激光雷达信号中常见的探测器瞬态响应效应及偏振串扰问题，本发明提出了基于反卷积与串扰校正公式的校正方案，有效恢复原始回波信号的真实物理特性。通过去除探测器非理想响应和偏振信号的干扰，提高了数据的准确性和稳定性，为后续参数反演提供了可靠依据，进而提高了海洋光学参数及NPP估算的精度。[0019]3、增强数据质量与智能化参数反演：本发明针对极地环境中存在的海冰、镜面反射、泡沫等多种干扰因素，设计了基于水体总退偏比、海冰浓度以及风速数据的多维数据质量控制模块，有效识别并剔除异常数据，确保数据输入的高质量。同时参数数据库构建模块，对融合的多源数据进行归一化处理，改善了数据在神经网络模型中的分布状态，为后续深度学习参数反演提供了坚实的数据支撑。[0020]4、突破性深度学习模型实现多参数协同反演：采用双分支深度学习模型结构，本发明充分利用卷积神经网络提取激光雷达回波波形的时空特征，同时融合水体退偏比与后向散射系数等物理参数，建立了物理约束下的波形-环境协同反演模型。该模型通过特征拼接与全连接回归，有效提高了反演叶绿素浓度和其他水体光学参数的精度，为准确计算浮异常值进行校正，进一步克服了极地数据稀疏带来的季节性偏差问题。[0021]5、构建科学严谨且通用的NPP计算模型：在反演出水体光学参数的基础上，本发明构建了以碳基模型为核心的NPP估算方案，通过精确计算浮游植物碳生物量、叶绿素生长速率及真光层深度，确保在极地低光照条件下仍能准确评估浮游植物净初级生产力。该方案充分利用激光雷达数据与辅助水色遥感数据的互补优势，弥补了传统模型在极地环境下产能低估的问题，为全球碳循环研究、气候变化预测提供了更为全面和准确的数据支持。[0022]6、多源验证确保系统稳定可靠：本发明通过引入多源数据验证模块，利用浮标观测、被动水色遥感产品以及其他实测数据，对激光雷达反演的光学参数和NPP结果进行交叉对比和验证，从而全面评估和优化监测系统的整体性能。该多源验证方法不仅增强了系统运行的稳定性和可靠性，也为实际应用提供了充分的实验和数据依据，使得系统适应于极地复杂环境下的长期连续监测。[0023]7、推动极地海洋遥感技术及碳循环科学的进步：本发明技术方案不仅突破了极地冬季低光照条件下被动遥感数据采集的局限，还通过深度融合激光雷达技术与先进的数据处理与深度学习方法，实现了极地环境下多参数协同反演。这一技术进步大大提升了极地海洋浮游植物NPP监测的精度和时间分辨率，对加强全球碳汇研究、准确评估气候变化影响具有重大理论和实践意义，同时也为后续相关技术的发展与应用提供了新思路和新平台。[0024]综上所述，本发明通过多模块协同工作和创新性的数据处理、深度学习模型以及物理约束机制，形成了一套系统完整、结构合理、性能稳定的极地冬季浮游植物净初级生产力监测系统。该系统不仅在技术上实现了主动传感与多源数据融合的突破，而且在实际应附图说明[0033]如图1所示，本发明的基于星载激光雷达的极地冬季浮游植物净初级生产力监测对星载激光雷达数据信号校正，去除探测器非理想特性对分别为经过瞬态响应校正后的平行通道和垂直通道的信号。基于水体总退偏比去除海冰影响，基于海冰浓度数据去除冰水混合区，限制风速其中，δ为水体总退偏比，p为峰值所在位置。整合星载激光雷达校正后的回波信号，水体总退偏比，水体后向散射系数以及海洋水色遥感产品，并对所有参数进行归一化处理，以提升模型训练稳定性。其中，水体后向散射系数为：双分支深度学习模型训练为通过深度学习构建波形结合物理参数的双分支网络输入层：接收一维(或二维，根据数据预处理结果)激光雷达回波波形数据。[0042]卷积层(CNN):设计至少2-3层卷积层，采用不同的滤波器大小以提取局部特征。每一层卷积后可紧跟批归一化(BatchNormalization)和非线性激活函数(如ReLU)以加快收敛。[0043]池化层：在部分卷积层后采用最大池化或平均池化，降低特征图的尺寸，使模型对噪声具有一定鲁棒性。[0044]全局池化/展平层：最后将卷积层输出的特征图进行展平或者使用全局平均池化生成固定尺寸的特征向量。输入层：接收一组物理参数向量，主要包括水体总退偏比δ和后向散射系数γ(必要时可扩展其他相关参数)。[0046]全连接层(FC):设计1-2层全连接层(Dense层),在每一层中采用非线性激活(例如ReLU)对输入向量进行变换，提取物理特征，并输出一个固定维度的特征向量。[0047]3、特征拼接与回归输出特征融合：将分支1得到的波形特征向量与分支2得到的物理参数特征向量进行拼接(Concatenation),形成一个融合了波形信息与环境物理参数的联合特征表示。对拼接后的联合特征通过一个或多个全连接层进行回归，直至输出目标参数——水体光学叶绿素参数。在输出层采用线性激活函数，以直接预测目标的连续值。[0049]4、损失函数与训练策略采用均方误差损失函数(MeanSquaredError,MSE)衡量预测值与真实叶绿素参数之间的差异。可选用Adam或SGD优化器，结合合适的学习率(例如1e-3或更低，视数据特性调节)进行端到端训练。将数据集按训练/验证/测试集进行划分，确保模型泛化性能。在训练过程中对模型进行早停(EarlyStopping)策略或学习率衰减，以防止过拟合并提高收敛速度。同时可采用数据增强技术(例如对回波数据进行轻微的噪声添加)以增强模型稳健性。训练完成后，模型能够基于输入的激光雷达波形及相应物理参数，输出准确的水体光学叶绿素参数，为后续的NPP反演及参数重构提供精度保证。为解决极地数据稀疏性和季节性偏差问题，采用两步优化反演策略，将反演过程目标：利用历史数据和训练样本，训练模型输出月均气候态参数，作为基准状态。气候态参数通常指在较长时间尺度(如每月)的平均状态，包含了海洋环境基本的光学特性，如月均叶绿素浓度、颗粒物后向散射系数(bbp)和水体漫衰减系数(Kd)。1)数据划分：利用较长时间周期(如多年数据)统计每月各参数的平均值，建立目标输出数据集。[0055]2)模型结构：基于步骤五中训练出的双分支模型，扩展其输出层以实现月均气候态参数的估计。[0056]3)训练过程：输入数据为经过预处理的CALIOP激光雷达数据及对应的物理参数，目标输出为对应月份的历史平均值(气候态)。同样采用均方误差损失函数对模型输出与月均气候态参数进行拟合。训练完成后，模型能够为给定月份提供一种基准估计结果，此基准具有较强的稳定性和统计代表性。对于每个实际的观测点，计算观测值与首步输出的月均气候态参数之间的差值候态参数。原始输入数据(或经过第一步双分支模型的中间特征)和计算出的差值△,输出为修正后的气候态之间的非线性部分。训练时同样采用MSE损失函数，使得输出的异常值与真实差值保气候态与异常校正模型分别以及整体的预测精度。对比各阶段预测结果与实际观测数经过步骤六后，模型能够同时反演出多项关键水体其中，PAR(z)为深度z处的光合有效辐射，PAR(0)为海表处的光合有效辐射K为反演所得的漫衰减系数。基于碳基生产力计算浮游植物净初级生产力：NPP=C×μ×Zeu,其中NPP为浮游植物净初级生产力，C为浮游植物碳生物量，μ为生长速率，Z为真光层深度；所述碳生物量C按如下公式计算：其中b为颗粒物后向散射系数；其中Ch1为叶绿素浓度，PAR(z)为光合有效辐射。多源数据验证中使用多种实测数据验证激光雷达反演的水体光学叶绿素参数，并对比浮标参数计算得到的NPP,确保模型精度。经计算，激光雷达估算的南极海域冬季净初级生产力为54.5TgC,是被动水色遥感估算值的6倍(8.5TgC)。[0068]图3是星载激光雷达反演参数与被动水色遥感产品对比。相关系数R都在0.8以悉尼港。[0069]图4是星载激光雷达反演参数与实测结果对比，对海洋环境监测而言，MAPD在40%以内都是可以接受的。[0070]图5是星载激光雷达净初级生产力和被动水色遥感净初级生产力对比。这里展示了南半球高纬度海区，不同维度带的月净初级生产力(MonthlyNPP),其中夏季数值基本一致，冬季激光雷达LiDAR明显高于被动水色遥感MODIS结果，表明激光雷达弥补了冬季数据的确实。[0071]图6是星载激光雷达净初级生产力和浮标激光雷达净初级生产力对比，MAPD在20%[0072]图7是星载激光雷达冬季覆盖范围与被动水色遥感覆盖范围对比。展示了在南极冬季期间，被动水色遥感MODIS和星载激光雷达CALIOP有效遥感观测覆盖范围的对比，展示了遥感覆盖面积与无冰海区面积的比例以及6月、7月和8月的气候净初级生产力分布情况。给出了整个冬季月份以及6月、7月和8月CALIOP(蓝色)和MODIS(红色)数据的对比。有效覆盖比例如下：冬季(CALIOP为80.7%,MODIS为12.5%),6月(CALIOP为61.85%,MODIS为0.2%),7月(CALIOP为87.6%,MODIS为0.3%),8月(CALIOP为92.6%,MODIS为37.1%)。地图上的灰色实线代表海冰边缘线。表明通过CALIOP激光雷达与物理约束深度学习模型协同，看可以将极地冬季数据覆盖率从传统方法的12.5%提升至80.7%,从而实现极夜期及海冰边缘区全天候连续监测，填补全球碳循环模型冬季NPP数据空白。[0073]本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。[0074]本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于