基于碳卫星的遥感是一种正在发展的大范围高精度CO_(2)监测方法,但当监测对象为我国长三角区域这种大空间尺度时,碳卫星数据会存在时空稀疏性的问题。本文提出了一种新的模型ST-SAN(space time soft attention network),旨在提高碳卫星...基于碳卫星的遥感是一种正在发展的大范围高精度CO_(2)监测方法,但当监测对象为我国长三角区域这种大空间尺度时,碳卫星数据会存在时空稀疏性的问题。本文提出了一种新的模型ST-SAN(space time soft attention network),旨在提高碳卫星数据的高时空分辨率XCO_(2)(大气CO_(2))浓度估算精度。本文将2016—2020年的多源数据(包括人类活动数据、气象数据和植被数据)与碳卫星数据结合,生成空间分辨率为0.05°的无间隙XCO_(2)日浓度数据集。通过ST-SAN模型对这些数据进行训练和预测。实验结果表明,重建后的XCO_(2)数据集与OCO-2卫星数据和地面站点数据具有高度一致性,验证了本方法在高时空分辨率XCO_(2)浓度估算中的有效性。展开更多
文摘基于碳卫星的遥感是一种正在发展的大范围高精度CO_(2)监测方法,但当监测对象为我国长三角区域这种大空间尺度时,碳卫星数据会存在时空稀疏性的问题。本文提出了一种新的模型ST-SAN(space time soft attention network),旨在提高碳卫星数据的高时空分辨率XCO_(2)(大气CO_(2))浓度估算精度。本文将2016—2020年的多源数据(包括人类活动数据、气象数据和植被数据)与碳卫星数据结合,生成空间分辨率为0.05°的无间隙XCO_(2)日浓度数据集。通过ST-SAN模型对这些数据进行训练和预测。实验结果表明,重建后的XCO_(2)数据集与OCO-2卫星数据和地面站点数据具有高度一致性,验证了本方法在高时空分辨率XCO_(2)浓度估算中的有效性。