本發(fā)明屬于海洋遙感監(jiān)測，具體涉及一種基于星載激光雷達的極地冬季浮游植物凈初級生產力動態(tài)監(jiān)測方法、系統(tǒng)和計算機程序，適用于南極、北極等極地海域的弱光條件下的生物地球化學過程監(jiān)測。

背景技術：

1、海洋作為全球碳循環(huán)的重要組成部分，其浮游植物凈初級生產力（net?primaryproduction，npp）在全球氣候變化和碳匯評估中起著至關重要的作用。尤其是極地海域，由于特殊的氣候條件和獨特的生態(tài)系統(tǒng)，對全球氣候調控和海洋生物地球化學過程具有不可忽視的影響。極地海域不僅在夏季呈現(xiàn)出較高的浮游植物生產力，其在冬季依然可能維持一定的生態(tài)功能，盡管光照極為微弱，但極端環(huán)境下的生物體可能采取特殊的生存策略，使得極地浮游植物在極夜條件下仍然發(fā)揮著生態(tài)作用。然而，由于極地冬季環(huán)境惡劣，晝夜持續(xù)的極低光照條件給浮游植物npp的監(jiān)測帶來了極大的困難。

2、當前，全球對海洋浮游植物npp的監(jiān)測主要依賴于兩大類方法：被動遙感方法和船載或浮標原位觀測。被動遙感方法主要通過獲取海洋水色的反射信號，如葉綠素濃度、顆粒后向散射系數(shù)和水體漫衰減系數(shù)等參數(shù)，間接反演浮游植物的生產力。中國發(fā)明專利申請（公開號：cn109490270a，公開日：2019-03-19），公開了一種基于葉綠素熒光的浮游植物初級生產力的測量裝置及方法，在遮光條件下，通過仿真光源持續(xù)60s以上照射藻類樣品，利用藻類對光照歷史依賴性，在仿真光照50ms短暫關閉間隙測量光照條件下單周期和弛豫熒光動力學曲線，獲得光適應條件下熒光動力學參數(shù)，以激光二極管陣列為誘導激發(fā)光源、以光電倍增管為熒光探測器，用于測量藻類葉綠素熒光動力學曲線；利用冠形光學收集器、多波段光探測器陣列，設計水下光合有效輻射測量單元，測量與藻類吸收特征對應的自然環(huán)境光譜。這種方法在光照充足的白晝條件下，數(shù)據(jù)獲取較為便捷且具有較高的空間覆蓋率。但是，極地冬季由于太陽高度角極低，海表反射信號微弱，被動遙感產品的有效數(shù)據(jù)覆蓋率通常低于20%，甚至不足以提供連續(xù)時空數(shù)據(jù)序列，從而無法真實反映極地海域的生態(tài)動態(tài)變化。

3、另一方面，船載觀測和浮標原位觀測雖然能夠在極地海域提供精細的局部數(shù)據(jù)，但受限于極端惡劣的氣候和冰情分布，這些方法在廣闊極地區(qū)域內的空間覆蓋率十分有限，且數(shù)據(jù)采集受天氣等因素制約，時間分辨率較低。此外，利用原位設備采集的光學和生物化學參數(shù)，往往只能提供局部代表性信息，難以反映整個極地海域的真實情況。因此，如何在極地冬季實現(xiàn)大范圍、連續(xù)、高時間分辨率的浮游植物npp監(jiān)測，已成為海洋科學和大氣環(huán)境研究領域亟待解決的技術難題。

4、基于以上背景，近年來，科學界開始探索利用星載激光雷達技術開展海洋觀測的可行性。星載激光雷達具有主動光探測的特點，不依賴于太陽輻射，因此在極夜或低光照條件下仍能有效獲取目標信息。以caliop（cloud-aerosol?lidar?with?orthogonalpolarization）為代表的星載激光雷達系統(tǒng)，能夠在晝夜均連續(xù)工作，通過激光發(fā)射和回波接收技術探測海面及其下部的散射信號。這一技術的引入為填補極地冬季數(shù)據(jù)空白提供了新的可能性，并引起了國內外研究者的廣泛關注。

技術實現(xiàn)思路

1、針對上述問題，本發(fā)明提供了一種新穎的基于星載激光雷達的極地冬季浮游植物凈初級生產力動態(tài)監(jiān)測方法，本方法包括一個二分支兩步深度學習模型，可以從星載激光雷達信號中準確反演多個海洋水體光學以及葉綠素參數(shù)，繼而重構高緯度海域浮游植物凈初級生產力，實現(xiàn)極地冬季浮游植物凈初級生產力的動態(tài)監(jiān)測。從而為海洋科學研究和極地碳匯評估提供更可靠的數(shù)據(jù)支持。

2、為了實現(xiàn)上述的目的，本發(fā)明采用了以下的技術方案：

3、一種基于星載激光雷達的極地冬季浮游植物凈初級生產力監(jiān)測方法，包括如下步驟：

4、s1：多源遙感數(shù)據(jù)采集與時空匹配，通過設定的時間窗口和空間窗口對星載激光雷達數(shù)據(jù)與海洋水色遙感數(shù)據(jù)進行配準，確?？臻g覆蓋與時間一致性；

5、s2：對星載激光雷達原始回波數(shù)據(jù)進行信號校正，包括瞬態(tài)響應校正及偏振串擾校正；

6、s3：基于水體退偏比、海冰濃度與風速數(shù)據(jù)進行激光雷達數(shù)據(jù)質量控制，排除海冰干擾及鏡面反射異常；

7、s4：構建包含多種物理-生物光學特征的參數(shù)數(shù)據(jù)庫，并對數(shù)據(jù)庫中的特征變量進行歸一化處理，所述多種物理-生物光學特征包括了星載激光雷達校正后的回波信號，水體退偏比，水體后向散射系數(shù)以及海洋水色遙感產品；

8、s5：基于所述數(shù)據(jù)庫訓練雙分支深度神經網(wǎng)絡模型，第一分支基于卷積神經網(wǎng)絡提取回波波形特征，第二分支融合光學參數(shù)進行物理特征學習，拼接后輸出光學葉綠素濃度；

9、s6：基于雙步建模策略實現(xiàn)參數(shù)重構，先輸出月均氣候態(tài)，再通過差值重構異常值，提高極地反演準確性；

10、s7：基于重構參數(shù)進行垂直剖面光適應建模，獲得深度方向的光合有效輻射分布；

11、s8：利用重構的光學參數(shù)和光照分布，基于碳基模型計算浮游植物的凈初級生產力；

12、s9：采用浮標數(shù)據(jù)及被動遙感數(shù)據(jù)進行多源交叉驗證，評估并優(yōu)化所述生產力反演精度。

13、作為優(yōu)選，所述步驟s2中的瞬態(tài)響應校正包括利用探測器響應函數(shù)f對原始回波信號β(z)進行反卷積，得到校正后信號：

14、β′(z)=f-1β(z)

15、其中，β′(z)為探測器瞬態(tài)響應校正后的信號，β(z)為激光雷達測量信號，f為探測器的瞬態(tài)響應函數(shù)；

16、偏振串擾校正通過以下公式實現(xiàn)：

17、?，

18、，

19、其中ct為串擾系數(shù)，和分別為偏振串擾校正后平行通道和垂直通道的信號，和分別為經過瞬態(tài)響應校正后的平行通道和垂直通道的信號。

20、作為優(yōu)選，所述步驟s3中水體總退偏比δt按如下方式計算：

21、，

22、其中，δt為水體總退偏比，p為峰值所在位置。

23、作為優(yōu)選，所述步驟s4中水體后向散射系數(shù)γ按如下公式計算：

24、,

25、其中，γ為水體后向散射系數(shù)， β s為海表后向散射系數(shù)：

26、?,

27、其中，θ為激光束天底角，σ2為海浪坡度均方差：

28、,

29、其中，w為海表風速；

30、歸一化處理為：

31、?,

32、其中，xnorm為歸一化后的參數(shù)變量，x為原始變量，為變量均值，sd(x)為變量標準差。

33、作為優(yōu)選，所述步驟s7中垂直方向的光合有效輻射par(z)按如下模型估算：

34、par(z)?=?par(0)?×?exp(-2kdz)，

35、par(z)為深度z處的光合有效輻射，par(0)為海表處的光合有效輻射kd為反演所得的漫衰減系數(shù)。

36、作為優(yōu)選，所述步驟s8中浮游植物凈初級生產力npp按如下公式計算：

37、npp?=?c?×?μ?×?zeu，

38、其中npp為浮游植物凈初級生產力，c為浮游植物碳生物量，μ為生長速率，zeu為真光層深度；

39、所述碳生物量c按如下公式計算：

40、c?=?13000?×?(bbp-?0.00035)，

41、其中bbp為顆粒物后向散射系數(shù)；

42、所述生長速率μ按如下公式計算：

43、，

44、其中chl為葉綠素濃度，par(z)為光合有效輻射。

45、進一步，本發(fā)明還提供了一種極地冬季浮游植物凈初級生產力監(jiān)測系統(tǒng)，該系統(tǒng)實現(xiàn)所述的方法，包括：

46、多源遙感數(shù)據(jù)采集模塊，用于接收星載激光雷達數(shù)據(jù)以及海洋水色遙感數(shù)據(jù)；

47、時空匹配模塊，用于依據(jù)預設的空間距離窗口和時間窗口對多源遙感數(shù)據(jù)進行精確配準，保證數(shù)據(jù)在空間覆蓋與時間序列上的一致性；

48、信號校正模塊，用于對所述星載激光雷達數(shù)據(jù)實施以下兩項校正：

49、瞬態(tài)響應校正，通過對原始回波信號β(z)利用探測器瞬態(tài)響應函數(shù)f進行反卷積，獲得校正后信號；

50、偏振串擾校正，通過將校正后平行通道與垂直通道信號轉換；

51、數(shù)據(jù)質量控制模塊，用于基于水體總退偏比、海冰濃度和風速信息檢測并過濾異常數(shù)據(jù)；

52、物理生物光學參數(shù)數(shù)據(jù)庫構建模塊，用于整合校正后的激光雷達回波信號、退偏比、海水后向散射系數(shù)以及遙感產品，并對整合參數(shù)進行歸一化處理；

53、雙分支深度學習模型模塊，包括：

54、第一分支，采用卷積神經網(wǎng)絡（cnn）從激光雷達回波波形中提取特征；

55、第二分支，融合由數(shù)據(jù)質量控制模塊和參數(shù)數(shù)據(jù)庫構建模塊輸出的水體退偏比與后向散射系數(shù)等物理參數(shù)，

56、雙分支特征經全連接回歸網(wǎng)絡拼接后輸出水體光學葉綠素參數(shù)，實現(xiàn)物理約束下的波形-環(huán)境協(xié)同建模；

57、參數(shù)重構模塊，用于以兩步優(yōu)化策略實現(xiàn)反演參數(shù)的進一步重構：首先輸出月均氣候態(tài)參數(shù)，再基于觀測值與氣候態(tài)之間的差異重構異常值，從而提升參數(shù)反演精度；

58、垂直剖面光適應建模模塊，用于依據(jù)重構后的水體光學參數(shù)計算深度方向的光合有效輻射（par）；

59、碳基生產力計算模塊，用于根據(jù)光適應建模結果及水體參數(shù)計算浮游植物凈初級生產力（npp），多源數(shù)據(jù)驗證模塊，用于利用浮標數(shù)據(jù)、海洋水色遙感產品及其他實測數(shù)據(jù)對上述各模塊輸出的光學參數(shù)和npp結果進行驗證，從而確保整個系統(tǒng)運行的準確性和穩(wěn)定性。

60、作為優(yōu)選，所述信號校正模塊所用的瞬態(tài)響應校正和偏振串擾校正公式在系統(tǒng)硬件或軟件中以預設模塊實現(xiàn)，用以自動校正星載激光雷達回波數(shù)據(jù)；和/或所述數(shù)據(jù)質量控制模塊依據(jù)水體退偏比δt和輔助的海冰濃度、風速數(shù)據(jù)，能夠自動識別并過濾受海冰、鏡面反射及泡沫干擾影響的異常數(shù)據(jù)。

61、進一步，本發(fā)明還提供了一種計算機設備，包括：

62、處理器；

63、存儲器；以及

64、存儲在所述存儲器中的計算機程序，所述計算機程序在所述處理器的控制下執(zhí)行，實施所述的方法。

65、進一步，本發(fā)明還提供了一種計算機可讀存儲介質，其上存儲有程序指令，所述指令被計算機執(zhí)行時，用于實現(xiàn)所述的方法。

66、本發(fā)明由于采用了上述的技術方案，通過集成星載激光雷達的主動探測技術與多源數(shù)據(jù)融合、深度學習算法及物理模型約束，實現(xiàn)了極地冬季浮游植物凈初級生產力（npp）監(jiān)測的全流程自動化、精確化和連續(xù)化，并取得了以下顯著的技術效果：

67、1、極大提高數(shù)據(jù)覆蓋率與時空連續(xù)性：傳統(tǒng)被動遙感方法在極地冬季因低光照、極晝/極夜等原因導致有效數(shù)據(jù)覆蓋率極低，僅能覆蓋極小區(qū)域或間斷采樣；而本發(fā)明利用星載激光雷達的主動激光探測能力，不受太陽輻射限制，即便在極夜條件下也能實時獲取海域回波數(shù)據(jù)，通過設定嚴格的時空匹配機制，實現(xiàn)多源數(shù)據(jù)在時間、空間上的精確配準，從而大幅提升極地數(shù)據(jù)采集的覆蓋率和時空連續(xù)性，有效填補極地冬季觀測盲區(qū)。

68、2、精準校正與可靠信號恢復：針對激光雷達信號中常見的探測器瞬態(tài)響應效應及偏振串擾問題，本發(fā)明提出了基于反卷積與串擾校正公式的校正方案，有效恢復原始回波信號的真實物理特性。通過去除探測器非理想響應和偏振信號的干擾，提高了數(shù)據(jù)的準確性和穩(wěn)定性，為后續(xù)參數(shù)反演提供了可靠依據(jù)，進而提高了海洋光學參數(shù)及npp估算的精度。

69、3、增強數(shù)據(jù)質量與智能化參數(shù)反演：本發(fā)明針對極地環(huán)境中存在的海冰、鏡面反射、泡沫等多種干擾因素，設計了基于水體總退偏比、海冰濃度以及風速數(shù)據(jù)的多維數(shù)據(jù)質量控制模塊，有效識別并剔除異常數(shù)據(jù)，確保數(shù)據(jù)輸入的高質量。同時，利用物理-生物光學參數(shù)數(shù)據(jù)庫構建模塊，對融合的多源數(shù)據(jù)進行歸一化處理，改善了數(shù)據(jù)在神經網(wǎng)絡模型中的分布狀態(tài)，為后續(xù)深度學習參數(shù)反演提供了堅實的數(shù)據(jù)支撐。

70、4、突破性深度學習模型實現(xiàn)多參數(shù)協(xié)同反演：采用雙分支深度學習模型結構，本發(fā)明充分利用卷積神經網(wǎng)絡提取激光雷達回波波形的時空特征，同時融合水體退偏比與后向散射系數(shù)等物理參數(shù)，建立了物理約束下的波形-環(huán)境協(xié)同反演模型。該模型通過特征拼接與全連接回歸，有效提高了反演葉綠素濃度和其他水體光學參數(shù)的精度，為準確計算浮游植物npp奠定了基礎。此外，通過分步參數(shù)重構策略，先以氣候態(tài)輸出作為初始估值，再對異常值進行校正，進一步克服了極地數(shù)據(jù)稀疏帶來的季節(jié)性偏差問題。

71、5、構建科學嚴謹且通用的npp計算模型：在反演出水體光學參數(shù)的基礎上，本發(fā)明構建了以碳基模型為核心的npp估算方案，通過精確計算浮游植物碳生物量、葉綠素生長速率及真光層深度，確保在極地低光照條件下仍能準確評估浮游植物凈初級生產力。該方案充分利用激光雷達數(shù)據(jù)與輔助水色遙感數(shù)據(jù)的互補優(yōu)勢，彌補了傳統(tǒng)模型在極地環(huán)境下產能低估的問題，為全球碳循環(huán)研究、氣候變化預測提供了更為全面和準確的數(shù)據(jù)支持。

72、6、多源驗證確保系統(tǒng)穩(wěn)定可靠：本發(fā)明通過引入多源數(shù)據(jù)驗證模塊，利用浮標觀測、被動水色遙感產品以及其他實測數(shù)據(jù)，對激光雷達反演的光學參數(shù)和npp結果進行交叉對比和驗證，從而全面評估和優(yōu)化監(jiān)測系統(tǒng)的整體性能。該多源驗證方法不僅增強了系統(tǒng)運行的穩(wěn)定性和可靠性，也為實際應用提供了充分的實驗和數(shù)據(jù)依據(jù)，使得系統(tǒng)適應于極地復雜環(huán)境下的長期連續(xù)監(jiān)測。

73、7、推動極地海洋遙感技術及碳循環(huán)科學的進步：本發(fā)明技術方案不僅突破了極地冬季低光照條件下被動遙感數(shù)據(jù)采集的局限，還通過深度融合激光雷達技術與先進的數(shù)據(jù)處理與深度學習方法，實現(xiàn)了極地環(huán)境下多參數(shù)協(xié)同反演。這一技術進步大大提升了極地海洋浮游植物npp監(jiān)測的精度和時間分辨率，對加強全球碳匯研究、準確評估氣候變化影響具有重大理論和實踐意義，同時也為后續(xù)相關技術的發(fā)展與應用提供了新思路和新平臺。

74、綜上所述，本發(fā)明通過多模塊協(xié)同工作和創(chuàng)新性的數(shù)據(jù)處理、深度學習模型以及物理約束機制，形成了一套系統(tǒng)完整、結構合理、性能穩(wěn)定的極地冬季浮游植物凈初級生產力監(jiān)測系統(tǒng)。該系統(tǒng)不僅在技術上實現(xiàn)了主動傳感與多源數(shù)據(jù)融合的突破，而且在實際應用中顯著提升了極地生態(tài)監(jiān)測的數(shù)據(jù)質量和空間覆蓋率，為全球碳循環(huán)建模、氣候變化預測以及極地生態(tài)環(huán)境保護提供了可靠、先進的技術支持，具有廣泛的應用前景和深遠的科學意義。