本发明属于遥感大气监测和大数据领域，尤其涉及一种大气碳时空神经网络回归建模方法、系统、介质及设备。
背景技术：
1、近年来，全球变暖的破坏性越来越大，需要全球国家采取紧急行动应对气候变化。对大气中碳含量的监测对于理解全球碳循环、评估气候变化以及制定减排策略等方面具有重要意义。
2、传统的大气碳监测方法主要依赖于地面监测站和卫星遥感技术。虽然这些方法提供了宝贵的数据，但它们在空间覆盖范围、数据更新频率和精细化程度上存在局限性。近年来，随着遥感技术的发展和数据处理能力的提升，使用机器学习，尤其是深度学习方法来处理和分析遥感数据，提升大气碳监测的精确度和效率，已经成为研究的热点。
3、然而，大气碳监测的复杂性要求模型不仅能理解空间信息，也能捕获时间序列数据中的变化趋势。此外，不同地理位置的环境特征对大气碳含量的影响也不同，这需要模型具备处理高维度数据和理解地理空间信息的能力。
4、碳卫星监测数据具有明显的条带状分布特征，时空分布不均匀性突出。现有时空回归方法对于时空邻近性的表达主要依赖于样本之间的多维距离，极易受到样本分布情况的影响，无法全面且准确地表达地理实体的邻近性，这极大限制了时空关系的建模精度。
技术实现思路
1、本发明的目的是基于地理时空卷积神经网络加权回归实现大气xco2精细化时空分布全覆盖建模，充分考虑数据分布时空特征的复杂性，改善数据不均匀分布降低建模精度的问题，以提升对大气xco2浓度分布变化的监测能力，为降碳减排提供支撑。并提供一种大气碳时空神经网络回归建模方法、系统、介质及设备。
2、为了实现上述发明目的，本发明具体采用如下技术方案：
3、第一方面，本发明提供了一种大气碳时空神经网络回归建模方法，包括以下步骤：
4、s1、获取所需研究区域的大气xco2时序遥感监测数据以及大气xco2影响因子数据，并对所需研究区域的大气xco2时序遥感监测数据以及大气xco2影响因子数据进行初步预处理，得到初步预处理后的大气xco2时序遥感监测数据以及大气xco2影响因子数据；
5、s2、对初步预处理后的大气xco2时序遥感监测数据以及大气xco2影响因子数据进行进一步预处理后构建数据集；
6、s3、将所述数据集输入到经过训练的地理时空加权回归模型，首先由空间邻近性卷积神经网络提取所述数据集的空间邻近性表征，然后由时间邻近性神经网络提取所述数据集的时间邻近性表征，再以时空融合邻近性神经网络融合空间邻近性表征与时间邻近性表征，得到时空邻近性表征，将时空邻近性表征输入到时空加权神经网络解算时空权重，将所述数据集应用最小二乘法得到全局回归系数，将全局回归系数与时空权重相乘得到最终回归系数，将进一步预处理后的大气xco2影响因子数据作为自变量，将最终回归系数与自变量相乘，得到每个时空坐标处的xco2浓度的估计结果，可视化后得到大气xco2浓度全覆盖地图。
7、在上述方案基础上，各步骤可以采用如下优选的具体方式实现。
8、作为上述第一方面的优选，步骤s1中，所述大气xco2影响因子数据包含三种类别，分别为碳源变量、碳汇变量以及环境变量；其中，碳源变量包括土地利用类型、夜间灯光指数和地表温度，碳汇变量包括植被指数、蒸散发以及初级生产力，植被指数包括植被覆盖度、植被叶面积指数以及归一化植被指数，环境变量包括地面高程以及地表粗糙度。
9、作为上述第一方面的优选，步骤s2中，进一步预处理的具体过程如下：
10、s21、根据所需研究区域对初步预处理后的大气xco2时序遥感监测数据范围和初步预处理后的大气xco2影响因子数据范围进行裁剪，得到研究区域范围内的大气xco2时序遥感监测数据和大气xco2影响因子数据；
11、s22、由预先确定的建模时空分辨率尺度将所需研究区域划分为均匀格网，每个格网单元代表所需研究区域中的一个局部地区，根据地理时空位置信息分别将所需研究区域范围内的大气xco2时序遥感监测数据和大气xco2影响因子数据与均匀格网关联，通过皮尔逊相关系数计算所需研究区域范围内的大气xco2时序遥感监测数据和大气xco2影响因子数据之间的线性相关性；
12、s23、由线性相关性计算结果对所需研究区域范围内的大气xco2影响因子数据进行筛选，利用筛选后的大气xco2影响因子数据和研究区域范围内的大气xco2时序遥感监测数据构建数据集。
13、作为上述第一方面的优选，步骤s23中，由线性相关性计算结果对所需研究区域范围内的大气xco2影响因子数据进行筛选的具体过程如下：预先设定一个线性相关性阈值，将线性相关性计算结果大于等于所述线性相关性阈值的大气xco2影响因子数据中的影响因子保留，得到筛选后的大气xco2影响因子数据。
14、作为上述第一方面的优选，空间邻近性卷积神经网络包含第一输入层、卷积块、展平层、带有relu激活函数的第一全连接层、带有relu激活函数的第二全连接层和第一输出层，每个卷积块均由一个带有he参数初始化和relu激活函数的卷积层、一个批归一化和一个池化层依次级联而成；时间邻近性神经网络由第二输入层、带有relu激活函数的第三全连接层、带有relu激活函数的第四全连接层和第二输出层依次级联而成；时空融合邻近性神经网络由第三输入层、带有he参数初始化的第五全连接层、dropout、prelu激活函数、带有he参数初始化的第六全连接层、dropout、prelu激活函数和第三输出层依次级联而成；时空加权神经网络由第四输入层、第七全连接层和第四输出层依次级联而成。
15、进一步地，在步骤s3的空间邻近性卷积神经网络中，具体处理流程如下：
16、as31、将地理空间位置信息作为所述第一输入层的输入，将每个格网单元的中心点作为空间采样点，将位于第p行第q列的格网单元中心点作为待估计样本点的空间位置，依次计算待估计样本点与除待估计样本点之外的其余空间采样点的空间距离，由所有空间距离的计算结果构建空间距离矩阵；
17、as32、将空间距离矩阵依次经过若干卷积块、所述展平层、所述第一全连接层、所述第二全连接层和第一输出层进行特征提取，得到空间邻近性表征。
18、进一步地，在步骤s3的时间邻近性神经网络中，具体处理流程如下：
19、bs31、在所述二输入层中，将所述数据集中一个数据记录的时间字段作为一个时间采样点，将待估计样本点的时间字段与各个时间采样点相减，得到时间近邻性矩阵；其中，所述时间近邻性矩由时间近邻性向量构成，每个时间近邻性向量为待估计样本点的时间字段与一个时间采样点相减的结果；
20、bs32、将时间近邻性矩阵经过所述第三全连接层、所述第四全连接层和第二输出层，得到时间邻近性表征。
21、进一步地，所述空间邻近性卷积神经网络包含三个卷积块，每个卷积块中卷积层的卷积核大小为5×5，三个卷积块中卷积层的卷积核数量分别为16、16和32，所述第一全连接层的节点数为256，所述第二全连接层的节点数为32；所述时间邻近性神经网络中，所述第三全连接层的节点数为64，所述第四全连接层的节点数为32；所述时空融合邻近性神经网络中，所述第五全连接层的节点数为32，所述第六全连接层的节点数为16；所述时空加权神经网络中，所述第七全连接层的节点数为10。
22、第二方面，本发明提供了一种大气碳时空神经网络回归建模系统，其包括：
23、数据获取模块，用于获取所需研究区域的大气xco2时序遥感监测数据以及大气xco2影响因子数据，并对所需研究区域的大气xco2时序遥感监测数据以及大气xco2影响因子数据进行初步预处理，得到初步预处理后的大气xco2时序遥感监测数据以及大气xco2影响因子数据；
24、数据处理模块，用于对初步预处理后的大气xco2时序遥感监测数据以及大气xco2影响因子数据进行进一步预处理后构建数据集；
25、结果获取模块，用于将所述数据集输入到经过训练的地理时空加权回归模型，首先由空间邻近性卷积神经网络提取所述数据集的空间邻近性表征，然后由时间邻近性神经网络提取所述数据集的时间邻近性表征，再以时空融合邻近性神经网络融合空间邻近性表征与时间邻近性表征，得到时空邻近性表征，将时空邻近性表征输入到时空加权神经网络解算时空权重，将所述数据集应用最小二乘法得到全局回归系数，将全局回归系数与时空权重相乘得到最终回归系数，将进一步预处理后的大气xco2影响因子数据作为自变量，将最终回归系数与自变量相乘，得到每个时空坐标处的xco2浓度的估计结果，可视化后得到大气xco2浓度全覆盖地图。
26、第三方面，本发明提供了一种计算机可读存储介质，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如上述第一方面任一方案所述的大气碳时空神经网络回归建模方法。
27、第四方面，本发明提供了一种计算机电子设备，包括存储器和处理器；
28、所述存储器，用于存储计算机程序；
29、所述处理器，用于当执行所述计算机程序时，实现如上述第一方面任一方案所述的大气碳时空神经网络回归建模方法。
30、本发明相对于现有技术而言，具有以下有益效果：
31、1、通过考虑所需研究区域全局的空间位置关系，更准确地表达了时空邻近特征，提升了时空非平稳关系的建模精度，能够有效削弱样本条带状不均匀分布对建模造成的干扰。
32、2、本发明的方法根据不同研究区域选取影响因子数据集，可以适用于不同时空范围和尺度下的多源卫星大气xco2监测数据，可迁移性强。
33、3、本发明的方法得到的大气xco2浓度全覆盖结果可以为大气xco2浓度分布、大气xco2浓度时序变化等工作提供一定的参考。
1.一种大气碳时空神经网络回归建模方法，其特征在于，包括以下步骤：
2.如权利要求1所述的大气碳时空神经网络回归建模方法，其特征在于，步骤s1中，所述大气xco2影响因子数据包含三种类别，分别为碳源变量、碳汇变量以及环境变量；其中，碳源变量包括土地利用类型、夜间灯光指数和地表温度，碳汇变量包括植被指数、蒸散发以及初级生产力，植被指数包括植被覆盖度、植被叶面积指数以及归一化植被指数，环境变量包括地面高程以及地表粗糙度。
3.如权利要求1所述的大气碳时空神经网络回归建模方法，其特征在于，步骤s2中，进一步预处理的具体过程如下：
4.如权利要求3所述的大气碳时空神经网络回归建模方法，其特征在于，步骤s23中，由线性相关性计算结果对所需研究区域范围内的大气xco2影响因子数据进行筛选的具体过程如下：预先设定一个线性相关性阈值，将线性相关性计算结果大于等于所述线性相关性阈值的大气xco2影响因子数据中的影响因子保留，得到筛选后的大气xco2影响因子数据。
5.如权利要求1所述的大气碳时空神经网络回归建模方法，其特征在于，空间邻近性卷积神经网络包含第一输入层、卷积块、展平层、带有relu激活函数的第一全连接层、带有relu激活函数的第二全连接层和第一输出层，每个卷积块均由一个带有he参数初始化和relu激活函数的卷积层、一个批归一化和一个池化层依次级联而成；时间邻近性神经网络由第二输入层、带有relu激活函数的第三全连接层、带有relu激活函数的第四全连接层和第二输出层依次级联而成；时空融合邻近性神经网络由第三输入层、带有he参数初始化的第五全连接层、dropout、prelu激活函数、带有he参数初始化的第六全连接层、dropout、prelu激活函数和第三输出层依次级联而成；时空加权神经网络由第四输入层、第七全连接层和第四输出层依次级联而成。
6.如权利要求5所述的大气碳时空神经网络回归建模方法，其特征在于，在步骤s3的空间邻近性卷积神经网络中，具体处理流程如下：
7.如权利要求5所述的大气碳时空神经网络回归建模方法，其特征在于，在步骤s3的时间邻近性神经网络中，具体处理流程如下：
8.一种大气碳时空神经网络回归建模系统，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质上存储有计算机程序，当所述计算机程序被处理器执行时，实现如权利要求1~7任一项所述的大气碳时空神经网络回归建模方法。
10.一种计算机电子设备，其特征在于，包括存储器和处理器；
