基于DEM与“宽带结构”联合优化的XCH₄遥感反演算法研究

摘要

加权修正的差分光学吸收光谱法（weighting function modified differential optical absorption spectroscopy, WFM-DOAS）是用于甲烷平均干空气摩尔分数（XCH₄）遥感反演的经典算法，其关键技术之一是分离“宽带吸收”与“窄带吸收”光谱结构；同时，数字高程模型（digital elevation model, DEM）对XCH₄的反演有重要影响。目前已有的甲烷反演产品主要使用多项式进行宽带结构拟合，多项式阶数的选择标准不明确、对宽带结构的拟合不够精确，使用的DEM精度无法满足局部地区高精度反演要求。本文选取瓦里关大气本底基准观象台所在的青藏高原区域为研究区，使用更高精度的数字高程模型（global 30 m digital elevation model, GLO-30）并用全连接神经网络代替低阶多项式进行“宽带结构”拟合，进一步地，在传统的全连接神经网络的基础上加入了“跳连”结构，并使用dropout策略对网络进行优化。将实验结果与使用The Global Multi-resolution Terrain Elevation Data 2010（GMTED2010）和低阶多项式拟合方法下反演的XCH₄进行数据对比。结果显示，改进后的全连接神经网络可以更好地拟合宽带光谱结构，同时联合更高精度的DEM可以提高XCH₄的反演精度，相关系数最高提高到0.92。所使用的联合优化方法可以用于油气田产区的XCH₄的遥感反演，从而更好地服务于油气田产区甲烷异常排放排查等。

关键词

加权修正的差分光学吸收光谱法 / XCH₄ / DEM / 光谱宽带结构 / 人工神经网络 / 卫星遥感