[发明专利]一种大气甲烷浓度的反演方法和装置

权利要求书

1.一种大气甲烷浓度的反演方法，其特征在于，包括：

获取待监测区域的样本输入数据和样本标定数据，其中，所述样本输入数据包括预设数量个不同波段的遥感光谱数据，所述样本标定数据包括：样本大气甲烷柱浓度和样本干空气柱浓度；

利用PCA算法，对所述样本输入数据进行降维处理，得到降维样本输入数据；

利用所述降维样本输入数据和所述样本标定数据，对预设XGBoost模型进行训练，得到目标XGBoost模型；

在获取到所述待监测区域的当前输入数据之后，利用PCA算法，对所述当前输入数据进行降维处理，得到降维当前输入数据；

将所述降维当前输入数据输入所述目标XGBoost模型，得到所述待监测区域的当前大气甲烷柱浓度。

2.根据权利要求1所述的方法，其特征在于，利用PCA算法，对所述样本输入数据进行降维处理，得到降维样本输入数据，包括：

基于所述遥感光谱数据，构建样本矩阵，其中，所述样本矩阵为k×n矩阵，k为所述遥感光谱数据中包含的位置点数量，n为所述遥感光谱数据中的光谱通道数量；

计算出所述样本矩阵的协方差矩阵，并计算出所述协方差矩阵的特征值和所述特征值对应的特征向量；

确定出所述特征值中的目标特征值，并基于所述目标特征值对应的特征向量，构建变换矩阵；

计算所述变换矩阵和所述样本矩阵之间的乘积，得到目标矩阵；

将所述目标矩阵确定为所述降维样本输入数据。

3.根据权利要求2所述的方法，其特征在于，确定出所述特征值中的目标特征值，包括：

对所述特征值进行排序，并计算前目标数量个主成分的累计贡献率，其中，所述累计贡献率为所述前目标数量个最大特征值之和与所述遥感光谱数据的特征值和之间的比值；

将所述累计贡献率大于预设阈值时对应的前目标数量个最大特征值，确定为所述目标特征值。

4.根据权利要求1所述的方法，其特征在于，利用所述降维样本输入数据和所述样本标定数据，对预设XGBoost模型进行训练，得到目标XGBoost模型，包括：

按照预设比例对所述降维样本输入数据和所述样本标定数据进行切分，得到训练数据集，测试数据集和校验数据集；

利用所述训练数据集，所述测试数据集和所述校验数据集，对所述预设XGBoost模型进行训练，得到所述目标XGBoost模型。

5.一种大气甲烷浓度的反演装置，其特征在于，包括：获取单元，第一降维单元，训练单元，第二降维单元和反演单元，其中，

所述获取单元，用于获取待监测区域的样本输入数据和样本标定数据，其中，所述样本输入数据包括预设数量个不同波段的遥感光谱数据，所述样本标定数据包括：样本大气甲烷柱浓度和样本干空气柱浓度；

所述第一降维单元，用于利用PCA算法，对所述样本输入数据进行降维处理，得到降维样本输入数据；

所述训练单元，用于利用所述降维样本输入数据和所述样本标定数据，对预设XGBoost模型进行训练，得到目标XGBoost模型；

所述第二降维单元，用于在获取到所述待监测区域的当前输入数据之后，利用PCA算法，对所述当前输入数据进行降维处理，得到降维当前输入数据；

所述反演单元，用于将所述降维当前输入数据输入所述目标XGBoost模型，得到所述待监测区域的当前大气甲烷柱浓度。

6.根据权利要求5所述的装置，其特征在于，所述降维单元，用于：

基于所述遥感光谱数据，构建样本矩阵，其中，所述样本矩阵为k×n矩阵，k为所述遥感光谱数据中包含的位置点数量，n为所述遥感光谱数据中的光谱通道数量；

计算出所述样本矩阵的协方差矩阵，并计算出所述协方差矩阵的特征值和所述特征值对应的特征向量；

确定出所述特征值中的目标特征值，并基于所述目标特征值对应的特征向量，构建变换矩阵；

计算所述变换矩阵和所述样本矩阵之间的乘积，得到目标矩阵；

将所述目标矩阵确定为所述降维样本输入数据。