基于机器学习的二氧化碳柱浓度时空序列调整方法

摘要

本发明公开了一种基于机器学习的二氧化碳柱浓度时空序列调整方法。首先通过经验贝叶斯克里金插值(EBK)理论，完成空间性质上的离散数据点到面的转换，得到空间拟合值结果。其次，构建时间参数库，通过反向统计卫星年度XCO2规律，并采用特定公式对单个像素有效值位于10到12个月份的卫星数据进行拟合，将获得到的参数放入到参数库中，并标注其时间参数库中对应的点位信息；接着采用迁移学习TCA技术将空间拟合值结果和步骤S2对应点位的拟合值进行匹配以及将得到的时间参数库中的参数分配到全局研究区各个点位。最后，以各个点位为基本单位，将被分配到的参数带入到特定的公式并再次进行拟合，其拟合结果即为时空调整后的数据产品。