CN119470310A 基于稀疏光谱重构的甲烷排放遥感智能检测方法及系统 （华东师范大学）

号基于稀疏光谱重构的甲烷排放遥感智能检本发明提供了一种基于稀疏光谱重构的甲2步骤S2：模拟不同甲烷增量浓度下的遥感观测高光谱辐步骤S3：对遥感高光谱图像进行降维处理与聚类操作，根步骤S4：将重构高光谱图像等效为背景光谱图像，基于步骤S6：构建大气甲烷排放率估算的机器学习模型，并利2.根据权利要求1所述的基于稀疏光谱重构的甲烷排放遥感智能检测方法，其特征在其中，W=(u,v)表示风向量场，u是风场在x方向上的分量，v是风场在y方向上的分33.根据权利要求1所述的基于稀疏光谱重构的甲烷排放遥感智能检测方法，其特征在4.根据权利要求1所述的基于稀疏光谱重构的甲烷排放遥感智能检测方法，其特征在;5.根据权利要求1所述的基于稀疏光谱重构的甲烷排放遥感智能检测方法，其特征在;46.根据权利要求1所述的基于稀疏光谱重构的甲烷排放遥感智能检测方法，其特征在其中，所述甲烷排放率机器学习估算的训练样本集包括：大气甲烷7.根据权利要求1所述的基于稀疏光谱重构的甲烷排放遥感智能检测方法，其特征在5模块M2：模拟不同甲烷增量浓度下的遥感观测高光谱辐射亮度数据，模块M3：对遥感高光谱图像进行降维处理与聚类操作，根据聚类结果对模块M4：将重构高光谱图像等效为背景光谱图像，基于背景光谱图像模块M6：构建大气甲烷排放率估算的机器学习模型，并利用训练样本集训9.根据权利要求8所述的基于稀疏光谱重构的甲烷排放遥感智能检测系统，其特征在6其中，W=(u,v)表示风向量场，u是风场在x方向上的分量，v是风场在y方向上的分所述模块M2包括：基于高光谱遥感数据的辅助观测条件，设置大气辐射;;7其中，所述甲烷排放率机器学习估算的训练样本集包括：大气甲烷89随机性和多样性，以等效扩散长度和等效风速来量化羽流扩散时间存在较高的不确定性；其次，甲烷增量和模拟风速等输入数据的误差能够直接线性地影响排放率估算的准确性。;练后的大气甲烷排放率估算的机器学习模型，得到真实排放羽流所对应的排放率估算结算改变单位甲烷增量所对应的各波段辐射亮度改变量，得到甲烷增量的单位吸收特性光;练后的大气甲烷排放率估算的机器学习模型，得到真实排放羽流所对应的排放率估算结3、本发明通过在甲烷增量反演的目标函数中引入空间连续性与风场扩散约束的[0050]通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、L=Ln+ct[0061]其中w=(u,v)表示风向量场，u是风场在x方向上的分量，v是风场在y方向上的[0067]其中u?、和v?是保留了前r个奇异值的左奇异矩阵、对角矩阵和右奇异矩rn-2/s疏光谱重构的甲烷排放遥感智能检测系统可以通过执行所述基于稀疏光谱重构的甲烷排构的甲烷排放遥感智能检测方法理解为所述基于稀疏光谱重构的甲烷排放遥感智能检测根据本发明提供的一种基于稀疏光谱重构的甲烷排放遥感智能检测方法，如图1L=Ln+ctLO与甲烷气体光学厚度τ的乘积可近似表示为甲烷单位吸收特征光谱t与增量浓度c的乘[0097]其中w=(u,v)表示风向量场，u是风场在x方向上的分量，v是风场在y方向上的[0101]步骤2.3：基于模拟结果，的特征值和对应的特征向量，构成高光谱图像L(xy,z)的降维图像L'(xy,z')，其中z'表示光高斯混合模型聚类算法）对降维后的图像L'(xy,z')进行地物聚类，得到每一个像元所属的r个奇异值的左奇异矩阵、对角矩阵和右奇异矩[0114]其中L与R分别是原始观测高光谱图像和重构高光谱图像，s和w分别是空间连续2[0127]羽流总周长：C=ds·Nstaghr+vz·ds·Ngonai，其中，Nstraight为羽流边界像元[0128]扩展半径（XY方向训练机器学习模型参数，将训练完成的模型应用在步骤4所得到的大气甲烷增量反演结果[0149]本领域