CN113919448B 一种任意时空位置二氧化碳浓度预测影响因素分析方法 （武汉大学）

US2013179078A1,201US2013181836A1,2013.0一种任意时空位置二氧化碳浓度预测影响本发明提供了一种任意时空位置二氧化碳均匀的卫星二氧化碳柱浓度观测数据和对应的燃烧排放因素，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2步骤4中使用的全局敏感性分析方法是Sobol方法，Sobol法的敏感度是通过将输出的对于各个环境因素，统计其变化范围和概率分布，然后结区域二氧化碳时空分布模拟模型可表达为y＝f(x′1,x′2,…,x′p)，f是训练好的使用Sobol法得到的各个环境因素的总敏感性指数评价最终影响区域二氧化碳分布的2.如权利要求1所述的一种任意时空位置二氧化碳浓度预测影响因素分析方法，其特3其中植被覆盖使用归一化植被指数数据来表示，该数据可以从MODIS卫星的L3植被指全球火灾排放数据库GFED4；气温和降水数据来自国家青藏高原科学数据中心提供的中国1km分辨率逐月平均气温数据集；地表覆盖数据来自欧空局发布的逐年全球土地覆盖数据3.如权利要求1所述的一种任意时空位置二氧化碳浓度预测影响因素分析方法，其特后续的每一次训练迭代，都是在现有模型的通过不断地学习拟合K个弱学习器来降低模型预测结果与真实值之间的残差，直到残4.如权利要求1所述的一种任意时空位置二氧化碳浓度预测影响因素分析方法，其特然后将预处理好的训练数据集输入XGBoost模型，并对XGB5.如权利要求4所述的一种任意时空位置二氧化碳浓度预测影响因素分析方法，其特fi(x)=qcn4使用欧式距离进行计算；第二个部分是防止函数过拟合的正则化部分即每次迭代使目标函数最小，得到第t个基学习器最优的j5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[0004]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6[0010]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[0012]其中植被覆盖使用归一化植被指数数据来表示，该数据可以从MODIS卫星的L3植来自全球火灾排放数据库GFED4；气温和降水数据来自国家青藏高原科学数据中心提供的中国1km分辨率逐月平均气温数据集；地表覆盖数据来自欧空局发布的逐年全球土地覆盖[0016]通过不断地学习拟合K个弱学习器来降低模型预测结果与真实值之间的残差，直[0024]进一步的，XGBoost模型的基学习器是CART树，针对n个样本m个特征的数据集7[0029]因为每次迭代，模型都是在拟合上一次预测的残差，所以当生成第t个基学习器h-u0"8[0047]其中，sn为环境因素的一阶敏感性指数，表示该参数对模型输出的影响，[0049]Tsr=s+srm+…+srmem:[0050]使用Sobol法得到的各个环境因素的总敏感性指数评价最终影响区域二氧化碳分[0054]图2是本发明实施例的卫星二氧化碳观测数据和建模反演的区域二氧化碳分布[0057]如图1所示，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9[0060]其中植被覆盖使用归一化植被指数数据来表示，该数据可以从MODIS卫星的L3植来自全球火灾排放数据库GFED4；气温和降水数据来自国家青藏高原科学数据中心提供的中国1km分辨率逐月平均气温数据集；地表覆盖数据来自欧空局发布的逐年全球土地覆盖[0062]具体的训练实施步骤如下，对训练数据集进行预处理，包括数据清洗(去除缺失验中主要是需要对地表覆盖类型、气候类型和风向等环境因素进行编码，这里使用的是[0072]通过不断地学习拟合K个弱学习器来降低模型预测结果与真实值之间的残差，直[0078]因为每次迭代，模型都是在拟合上一次预测的残差，所以当生成第t个基学习器[0087]将预处理好的训练数据集输入XGBoost模型，并对模型进行参数调整和进一步优[0091]步骤5，统计全局敏感性分析方法得到的不同环境因素对区域二氧化碳浓度的敏[0100]其中，sr,为环境因素的一阶敏感性指数，表示该参数对模型输出的影响，[0105]本发明实施例中使用2016年OCO-2卫星XCO2观测数据与对应的环境因素，结合[0109]表2为各个环境因素使用全局敏感性分析法估算的一阶敏感性指数和总体敏感性域的技术人员可