CN114460232A - 基于车载测量***的多点源碳氮比监测方法及*** - Google Patents

基于车载测量***的多点源碳氮比监测方法及*** Download PDF

Info

Publication number
CN114460232A
CN114460232A CN202210109407.2A CN202210109407A CN114460232A CN 114460232 A CN114460232 A CN 114460232A CN 202210109407 A CN202210109407 A CN 202210109407A CN 114460232 A CN114460232 A CN 114460232A
Authority
CN
China
Prior art keywords
emission
carbon
source
target area
concentration
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202210109407.2A
Other languages
English (en)
Other versions
CN114460232B (zh
Inventor
毛慧琴
张建辉
陈翠红
孟斌
王飞
马春强
闫建福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Tiandi Communication Technology Co ltd
Satellite Application Center for Ecology and Environment of MEE
Original Assignee
Shenzhen Tiandi Communication Technology Co ltd
Satellite Application Center for Ecology and Environment of MEE
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shenzhen Tiandi Communication Technology Co ltd, Satellite Application Center for Ecology and Environment of MEE filed Critical Shenzhen Tiandi Communication Technology Co ltd
Priority to CN202210109407.2A priority Critical patent/CN114460232B/zh
Publication of CN114460232A publication Critical patent/CN114460232A/zh
Application granted granted Critical
Publication of CN114460232B publication Critical patent/CN114460232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C11/00—Photogrammetry or videogrammetry, e.g. stereogrammetry; Photographic surveying
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/0037—NOx
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
    • G01W1/04—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed giving only separate indications of the variables measured
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Combustion & Propulsion (AREA)
  • Food Science & Technology (AREA)
  • Medicinal Chemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Genetics & Genomics (AREA)
  • Mathematical Physics (AREA)
  • Remote Sensing (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Physiology (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Atmospheric Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例公开了一种基于车载测量***的多点源碳氮比监测方法和***，所述方法包括：获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据；建立排放扩散模型；根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置；基于levenberg‑marquardt算法计算各所述排放源排放的精准CO2强度和NO2强度；根据所述CO2强度和NO2强度计算各所述排放源的碳氮比。解决了现有技术中强点源碳排放、氮排放监测时效性差的技术问题。

Description

基于车载测量***的多点源碳氮比监测方法及***
技术领域
本发明涉及环境监测技术领域，具体涉及一种基于车载测量***的多点源碳氮比监测方法及***。
背景技术
本部分提供的仅仅是与本公开相关的背景信息，其并不必然是现有技术。
CO2作为最重要的痕量温室气体，其对地球的加热效应已经严重威胁了人类的居住环境。化工厂、钢铁厂等强CO2点源是主要的人为CO2排放来源，现有技术对强点源的监控基于预存的排放清单实现。但是，排放清单的低时效性无法实现快速的强点源、工业园区的碳排放实时监测。
发明内容
为此，本发明实施例提供一种基于车载测量***的多点源碳氮比监测方法及***，以至少部分解决现有技术中强点源碳排放监测时效性差、精度低的技术问题。
为了实现上述目的，本发明实施例提供如下技术方案：
一种基于车载测量***的多点源碳氮比监测方法，所述方法包括：
获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据；
建立排放扩散模型；
根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置；
基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度；
根据所述CO2强度和NO2强度计算各所述排放源的碳氮比。
进一步地，所述获取目标区域内的实测数据，之前还包括：
基于卫星遥感图像获得目标区域的平面图，并通过对所述平面图的目视解译，确定潜在排放源的数量和空间相对位置。
进一步地，基于卫星遥感图像获得目标区域的平面图，并通过对所述平面图的目视解译，确定潜在排放源的数量和空间相对位置，具体包括：
确定目标区域，获取所述目标区域的遥感图像，并将所述遥感图像生成平面图；
根据目视解译对所述目标区域内的潜在排放源进行统计，所述潜在排放源为所述目标区域内所有具有排放特征的点源；
在所述平面图中标注各所述潜在排放源的经纬度。
进一步地，建立排放扩散模型具体包括：
基于所述车载测量***的空间位置建立扩散坐标系；
基于所述扩散坐标系，建立以下排放扩散模型：
Figure BDA0003494639710000021
Figure BDA0003494639710000022
Figure BDA0003494639710000023
Figure BDA0003494639710000024
Figure BDA0003494639710000031
Figure BDA0003494639710000032
其中，(x,y,z)为车载设备测量点的空间位置坐标，Cc(x,y,z)为(x,y,z)坐标处的CO2浓度，q(c，i)为第i个强点源的碳排放强度，i＝1,2,3……n，n为目标区域内的强点源数量，u为风速，Hi为电厂碳排放的有效排放高度，σc,y和σc,z分别为测量位置相对于目标区域内的第i个强点源的水平扩散参数和垂直扩散参数，Bc为目标区域CO2的本地背景浓度，αc为CO2的地面反射系数，ac，bc为CO2的水平扩散系数，cc，dc为CO2的垂直扩散系数。q(N,i)为(x,y,z)坐标处的NO2浓度，q(N,i)为第i个强点源的NO2排放强度，i＝1,2,3……n，σN,y和σN,z分别为测量位置相对于目标区域内的第i个强点源的NO2水平扩散参数和垂直扩散参数，BN为目标区域NO2的本地背景浓度，αN为NO2的地面反射系数，aN，bN为NO2的水平扩散系数，cN，dN为NO2的垂直扩散系数。
进一步地，基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置，具体包括：
设定所述目标区域内的排放源数量为M，对M设置不同的排列组合方式选取不同的n，并将排放源对应的位置带入排放扩散模型；
基于所采集的CO2数据、选取的n、车载测量***所采集的CO2浓度、空间位置信息以及碳排放扩散模型通过遗传算法对qc,i,ac,bc,cc,dc,xi,yi,zi,Hi,αc,Bc进行初求解；
利用以下公式，根据相同位置下车载实测CO2浓度与模拟CO2浓度的相关系数R对待求解参数的准确性进行判断：
Figure BDA0003494639710000033
其中，Cc’为车载测量时不同位置下CO2浓度模拟值，根据遗传算法中每次迭代的qc,i,ac,bc,cc,dc,xi,yi，zi,Hi,αc,Bc参数带入排放扩散模型获得，Cc为车载测量***实测的CO2测量点浓度值，当R达到最大值时，基于当前的排放源组合确定排放源数量和各所述排放源所在的位置。
进一步地，基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度,具体包括：
根据排放源数量和各所述排放源所在的位置，基于实测的CO2浓度数据和气象数据以及levenberg-marquardt算法对碳排放扩散模型中的参数qc,i,ac,bc,cc,dc,Hi,αc,Bc进行求解；
基于设定的初始值和约束界限，以及预设评判系数，得到排放扩散模型的最优解，所述最优解作为所述排放源排放的CO2强度和NO2强度。
进一步地，根据所述CO2强度和NO2强度计算各所述排放源的碳氮比，具体包括：
利用以下公式计算所述碳氮比：
Figure BDA0003494639710000041
其中，
Figure BDA0003494639710000042
为第i个排放源的碳氮排放比例,qc,i为第i个排放源的CO2排放强度，qN,i为第i个排放源的NO2排放强度。
本发明还提供一种基于车载测量***的多点源碳氮比监测***，所述***包括：
实测数据获取单元，用于获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据；
扩散模型创建单元，用于建立排放扩散模型；
排放源参数计算单元，用于根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置；
排放强度结果输出单元，用于基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度；
碳氮比计算单元，用于根据所述CO2强度和NO2强度计算各所述排放源的碳氮比。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述方法的步骤。
本发明所提供的基于车载测量***的多点源碳氮比监测方法和***，使用车载设备测量目标区域附近的CO2浓度、NO2浓度、位置信息、气象数据，并建立多点源排放扩散模型，从而定量化各个排放源碳排放以及氮排放的强度，进而确定碳氮比。本发明实现基于车载采集的遥感数据，对工业园区内各个强排放源所排放的碳氮比进行高时效、高精度地监测，解决了现有技术中强点源碳排放监测时效性差的技术问题。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是示例性的，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明所提供的基于车载测量***的多点源碳氮比监测方法一种具体实施方式的流程图；
图2为一个场景下的坐标图；
图3为本发明所提供的基于车载测量***的多点源碳氮比监测***一种具体实施方式的结构框图；
图4为本发明所提供的一种计算机设备的结构框图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供了基于车载测量***的多点源碳氮比监测方法，以实时评估发电厂生产过程中的碳、氮排放比，根据车载***获得高精度、不同空间位置的采集数据，基于所建立的多源高斯扩散模型以及自适应算法，实现对电厂的碳排放强度、氮排放强度进行定量化计算。
请参考图1，图1为本发明所提供的多点源碳氮比监测方法一种具体实施方式的流程图。
在一种具体实施方式中，如图1所示，本发明所提供的基于车载测量***的多点源碳氮比监测方法包括以下步骤：
S1：基于卫星遥感图像获得目标区域的平面图，并通过对所述平面图的目视解译，确定潜在排放源的数量和空间相对位置。以一个工业园区为例，本实施例中的目标区域可以为工业园区的一部分区域或全部区域。
为了提高信息和位置的准确性，步骤S1包括以下步骤：
S11：确定目标区域，获取所述目标区域的遥感图像，并将所述遥感图像生成平面图；
S12：根据目视解译对所述目标区域内的潜在排放源进行统计，所述潜在排放源为所述目标区域内所有具有排放特征的点源；
S13：在所述平面图中标注各所述潜在排放源的经纬度。
在一个使用场景中，确定待测量的目标区域后，在获取高分辨率遥感图像时，包括但不局限于使用高分2号卫星图像以及高分6号卫星图像实现图像获取。根据目视解译对工业园区内排放源进行统计，所有具有排放特征的源都统计为潜在排放源，并根据其遥感图像平面图，记录每个潜在排放源的经纬度。
S2：获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据。
具体地，基于车载测量***在下风口方向，通过往返走航进行大量的实测数据采集，以得到上述实测数据，该实测数据包括位置信息、CO2浓度数据、NO2浓度数据以及气象数据。
在一个使用场景中，根据监测时期的风场信息以及实际的道路信息，在下风口区域进行高频率、高精度的CO2浓度采样，实时记录车载***的位置信息以及气象参数，包括风速、风向、大气温度、大气湿度、大气压强。
其中采集CO2浓度数据、NO2浓度数据的监测仪器包括但不限于光腔衰荡仪器技术(CRDS)、离轴积分腔输出光谱技术(OA-ICOS)移动温室气体分析仪。位置信息由GNSS仪器所记录，气象参数由车载***所配备的移动气象站进行采集。
S3：建立排放扩散模型，工业园区内的企业排放均认为强点源排放，车载***所测量的CO2、NO2浓度值为多个强点源排放扩散的叠加效果，因此选取高斯扩散模型对整个工业园区每个排放源的碳、氮排放进行建模。
具体地，步骤S3包括以下步骤：
S31：基于所述车载测量***的空间位置建立扩散坐标系；
根据采集数据的浓度值，如图2所示，任意选取到达工业园区前的测量点作为初始点，将其设置为坐标原点，以风向为X轴，以水平方向上垂直于风向的方向为Y轴，以垂直于XOY平面的方向为Z轴建立坐标系，车载设备在欧式三维坐标系的坐标值由其对应的经纬度值与设置的坐标原点经纬度值进行确定。
S32：基于所述扩散坐标系，建立以下排放扩散模型：
Figure BDA0003494639710000081
Figure BDA0003494639710000082
Figure BDA0003494639710000091
Figure BDA0003494639710000092
Figure BDA0003494639710000093
Figure BDA0003494639710000094
其中，(x,y,z)为车载设备测量点的空间位置坐标，Cc(x,y,z)为(x,y,z)坐标处的CO2浓度，q(c，i)为第i个强点源的碳排放强度，i＝1,2,3……n，n为目标区域内的强点源数量，u为风速，Hi为电厂碳排放的有效排放高度，σc,y和σc,z分别为测量位置相对于目标区域内的第i个强点源的水平扩散参数和垂直扩散参数，Bc为目标区域CO2的本地背景浓度，αc为CO2的地面反射系数，ac，bc为CO2的水平扩散系数，cc，dc为CO2的垂直扩散系数。q(N,i)为(x,y,z)坐标处的NO2浓度，q(N,i)为第i个强点源的NO2排放强度，i＝1,2,3……n，σN,y和σN,z分别为测量位置相对于目标区域内的第i个强点源的NO2水平扩散参数和垂直扩散参数，BN为目标区域NO2的本地背景浓度，αN为NO2的地面反射系数，aN，bN为NO2的水平扩散系数，cN，dN为NO2的垂直扩散系数。
S4：根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置。
其中，基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置，具体包括：
S41：设定所述目标区域内的排放源数量为M，对M设置不同的排列组合方式选取不同的n，并将排放源对应的位置带入排放扩散模型，更具体的，带入上述公式(1)；
S42：基于所采集的CO2数据、选取的n、车载测量***所采集的CO2浓度、空间位置信息以及碳排放扩散模型中的公式(1)通过遗传算法对qc,i,ac,bc,cc,dc,xi,yi,zi,Hi,αc,Bc进行初求解；
S43：利用以下公式，根据相同位置下车载实测CO2浓度与模拟CO2浓度的相关系数R对待求解参数的准确性进行判断，如公式(7)：
Figure BDA0003494639710000101
其中，Cc’为车载测量时不同位置下CO2浓度模拟值，根据遗传算法中每次迭代的qc,i,ac,bc,cc,dc,xi,yi，zi,Hi,αc,Bc参数带入碳排放扩散模型获得，Cc为车载测量***实测的CO2测量点浓度值，当R达到最大值时，即认为当前的排放源组合方式为真实值，则可基于当前的排放源组合确定排放源数量和各所述排放源所在的位置。
进一步地，为了提高计算准确性，步骤S4还包括以下步骤：
S44：根据S43所确定的排放源个数以及对应的位置，基于所采集的CO2浓度数据，以及遗传算法对公式(1)中qc,i,ac,bc,cc,dc,Hi,αc,Bc参数进行求解，重复计算1000次，记录对应的结果；
S45：根据S43所确定的排放源个数以及对应的位置，基于所采集的NO2浓度数据，以及遗传算法对公式(3)中qN,i,aN,bN,cN,dN,αN,BN进行求解，重复计算1000次，记录对应的结果。
S5：基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度。也就是说，根据排放源数量和各所述排放源所在的位置，基于实测的CO2浓度数据和气象数据以及levenberg-marquardt算法对碳排放扩散模型中的参数qc,i,ac,bc,cc,dc,Hi,αc,Bc进行求解；基于设定的初始值和约束界限，以及预设评判系数，得到排放扩散模型的最优解，所述最优解作为所述排放源排放的CO2强度和NO2强度。
在一个具体使用场景中，根据S43中所确定的碳排放源数量和位置，基于实测的CO2浓度数据和气象数据以及levenberg-marquardt算法对公式(1)中qc,i,ac,bc,cc,dc,Hi,αc,Bc参数进行解算。将S43中计算得到的1000组参数值的平均值作为初始值，每个参数的上下约束界线设置为平均值的20％，设置评判系数F，见公式(8)。当F值达到最小时，其对应的参数组合即为公式(1)的最优解，即每个排放源的碳排放强度(qc,i,)以及其他与扩散有关的参数(ac,bc,cc,dc,Hi,αc,Bc)即可获得。
Figure BDA0003494639710000111
其中，Cc,k(x,y,z)为车载测量点的实测CO2浓度；C′c,k(x,y,z)为使用levenberg-marquardt算法每一次迭代参数组根据公式(1)对测量点CO2浓度的模拟值，m1为车载***测量CO2浓度数据的总个数。
根据S43中所确定的碳排放源数量和位置，基于实测的NO2浓度数据和气象数据以及levenberg-marquardt算法对公式(3)中qN,i,aN,bN,cN,dN,αN,BN参数进行解算。将S44中计算得到的1000组参数值的平均值作为初始值，每个参数的上下约束界线设置为平均值的20％。设置评判系数F，见公式9。当F值达到最小时，其对应的参数组合即为方程1的最优解，即每个排放源的氮排放强度(qN,i,)以及其他与扩散有关的参数(qN,i,aN,bN,cN,dN,αN,BN)即可获得。
Figure BDA0003494639710000112
CN,k(x,y,z)为车载测量点的实测NO2浓度；C′N,k(x,y,z)为使用levenberg-marquardt算法每一次迭代参数组根据方程1对测量点NO2浓度的模拟值。m2为车载***测量NO2浓度数据的总个数。
S6：根据所述CO2强度和NO2强度计算各所述排放源的碳氮比，具体包括：
利用以下公式计算所述碳氮比：
Figure BDA0003494639710000121
其中，
Figure BDA0003494639710000122
为第i个排放源的碳氮排放比例,qc,i为第i个排放源的CO2排放强度，qN,i为第i个排放源的NO2排放强度。
在上述具体实施方式中，本发明所提供的基于车载测量***的多点源碳氮比监测方法，使用车载设备测量目标区域附近的CO2、NO2浓度、位置信息、气象数据，并建立多点源排放扩散模型，从而定量化各个排放源碳排放以及氮排放的强度，进而确定碳氮比。本发明实现基于车载采集的遥感数据，对工业园区内各个强排放源所排放的碳氮比进行高时效、高精度地监测，解决了现有技术中强点源碳排放监测时效性差的技术问题。
除了上述方法，本发明还提供一种基于车载测量***的多点源碳氮比监测***，如图3所示，所述***包括：
实测数据获取单元100，用于获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据；
扩散模型创建单元200，用于建立排放扩散模型；
排放源参数计算单元300，用于根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置；
排放强度结果输出单元400，用于基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度；
碳氮比计算单元500，用于根据所述CO2强度和NO2强度计算各所述排放源的碳氮比。
在一种具体实施方式中，本发明所提供的基于车载测量***的多点源碳氮比监测***，使用车载设备测量目标区域附近的CO2、NO2浓度、位置信息、气象数据，并建立多点源排放扩散模型，从而定量化各个排放源碳排放以及氮排放的强度，进而确定碳氮比。本发明实现基于车载采集的遥感数据，对工业园区内各个强排放源所排放的碳氮比进行高时效、高精度地监测，解决了现有技术中强点源碳排放监测时效性差的技术问题。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和模型预测。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的模型预测用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
与上述实施例相对应的，本发明实施例还提供了一种计算机存储介质，该计算机存储介质中包含一个或多个程序指令。其中，所述一个或多个程序指令用于被一种砝码检定***执行如上所述的方法。
在本发明实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific工ntegrated Circuit，简称ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
本领域技术人员应该可以意识到，在上述一个或多个示例中，本发明所描述的功能可以用硬件与软件组合来实现。当应用软件时，可以将相应功能存储在计算机可读介质中或者作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质，其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是通用或专用计算机能够存取的任何可用介质。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的技术方案的基础之上，所做的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种基于车载测量***的多点源碳氮比监测方法，其特征在于，所述方法包括：
获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据；
建立排放扩散模型；
根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置；基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度；
根据所述CO2强度和NO2强度计算各所述排放源的碳氮比。
2.根据权利要求1所述的多点源碳氮比监测方法，其特征在于，所述获取目标区域内的实测数据，之前还包括：
基于卫星遥感图像获得目标区域的平面图，并通过对所述平面图的目视解译，确定潜在排放源的数量和空间相对位置。
3.根据权利要求2所述的多点源碳氮比监测方法，其特征在于，基于卫星遥感图像获得目标区域的平面图，并通过对所述平面图的目视解译，确定潜在排放源的数量和空间相对位置，具体包括：
确定目标区域，获取所述目标区域的遥感图像，并将所述遥感图像生成平面图；
根据目视解译对所述目标区域内的潜在排放源进行统计，所述潜在排放源为所述目标区域内所有具有排放特征的点源；
在所述平面图中标注各所述潜在排放源的经纬度。
4.根据权利要求3所述的多点源碳氮比监测方法，其特征在于，建立排放扩散模型具体包括：
基于所述车载测量***的空间位置建立扩散坐标系；
基于所述扩散坐标系，建立以下排放扩散模型：
Figure FDA0003494639700000021
Figure FDA0003494639700000022
Figure FDA0003494639700000023
Figure FDA0003494639700000024
Figure FDA0003494639700000025
Figure FDA0003494639700000026
其中，(x,y,z)为车载设备测量点的空间位置坐标，Cc(x,y,z)为(x,y,z)坐标处的CO2浓度，q(c，i)为第i个强点源的碳排放强度，i＝1,2,3……n，n为目标区域内的强点源数量，u为风速，Hi为电厂碳排放的有效排放高度，σc,y和σc,z分别为测量位置相对于目标区域内的第i个强点源的水平扩散参数和垂直扩散参数，Bc为目标区域CO2的本地背景浓度，αc为CO2的地面反射系数，ac，bc为CO2的水平扩散系数，cc，dc为CO2的垂直扩散系数，q(N,i)为(x,y,z)坐标处的NO2浓度，q(N,i)为第i个强点源的NO2排放强度，i＝1,2,3……n，σN,y和σN,z分别为测量位置相对于目标区域内的第i个强点源的NO2水平扩散参数和垂直扩散参数，BN为目标区域NO2的本地背景浓度，αN为NO2的地面反射系数，aN，bN为NO2的水平扩散系数，cN，dN为NO2的垂直扩散系数。
5.根据权利要求4所述的多点源碳氮比监测方法，其特征在于，基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置，具体包括：
设定所述目标区域内的排放源数量为M，对M设置不同的排列组合方式选取不同的n，并将排放源对应的位置带入排放扩散模型；
基于所采集的CO2数据、选取的n、车载测量***所采集的CO2浓度、空间位置信息以及碳排放扩散模型通过遗传算法对qc,i,ac,bc,cc,dc,xi,yi,zi,Hi,αc,Bc进行初求解；
利用以下公式，根据相同位置下车载实测CO2浓度与模拟CO2浓度的相关系数R对待求解参数的准确性进行判断：
Figure FDA0003494639700000031
其中，Cc’为车载测量时不同位置下CO2浓度模拟值，根据遗传算法中每次迭代的qc,i,ac,bc,cc,dc,xi,yi，zi,Hi,αc,Bc参数带入碳排放扩散模型获得，Cc为车载测量***实测的CO2测量点浓度值，当R达到最大值时，基于当前的排放源组合确定排放源数量和各所述排放源所在的位置。
6.根据权利要求5所述的多点源碳氮比监测方法，其特征在于，基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度,具体包括：
根据排放源数量和各所述排放源所在的位置，基于实测的CO2浓度数据和气象数据以及levenberg-marquardt算法对碳排放扩散模型中的参数qc,i,ac,bc,cc,dc,Hi,αc,Bc进行求解；
基于设定的初始值和约束界限，以及预设评判系数，得到排放扩散模型的最优解，所述最优解作为所述排放源排放的CO2强度和NO2强度。
7.根据权利要求6所述的多点源碳氮比监测方法，其特征在于，根据所述CO2强度和NO2强度计算各所述排放源的碳氮比，具体包括：
利用以下公式计算所述碳氮比：
Figure FDA0003494639700000041
其中，
Figure FDA0003494639700000042
为第i个排放源的碳氮排放比例,qc,i为第i个排放源的CO2排放强度，qN,i为第i个排放源的NO2排放强度。
8.一种基于车载测量***的多点源碳氮比监测***，其特征在于，所述***包括：
实测数据获取单元，用于获取目标区域内的实测数据，所述实测数据至少包括位置信息、CO2浓度数据、NO2浓度数据和气象数据；
扩散模型创建单元，用于建立排放扩散模型；
排放源参数计算单元，用于根据所述实测数据和所述排放扩散模型，并基于遗传算法计算所述目标区域内的排放源数量和各所述排放源所在的位置；
排放强度结果输出单元，用于基于levenberg-marquardt算法计算各所述排放源排放的CO2强度和NO2强度；
碳氮比计算单元，用于根据所述CO2强度和NO2强度计算各所述排放源的碳氮比。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
CN202210109407.2A 2022-01-28 2022-01-28 基于车载测量***的多点源碳氮比监测方法及*** Active CN114460232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210109407.2A CN114460232B (zh) 2022-01-28 2022-01-28 基于车载测量***的多点源碳氮比监测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210109407.2A CN114460232B (zh) 2022-01-28 2022-01-28 基于车载测量***的多点源碳氮比监测方法及***

Publications (2)

Publication Number Publication Date
CN114460232A true CN114460232A (zh) 2022-05-10
CN114460232B CN114460232B (zh) 2023-02-28

Family

ID=81411767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210109407.2A Active CN114460232B (zh) 2022-01-28 2022-01-28 基于车载测量***的多点源碳氮比监测方法及***

Country Status (1)

Country Link
CN (1) CN114460232B (zh)

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258116A (zh) * 2013-04-18 2013-08-21 国家电网公司 一种大气污染物扩散模型的构建方法
CN107436343A (zh) * 2017-07-31 2017-12-05 南京南瑞集团公司 一种模拟计算敏感区域污染物浓度的方法
US20190331652A1 (en) * 2018-04-27 2019-10-31 International Business Machines Corporation Air-pollution emission source monitoring
CN111461405A (zh) * 2020-03-09 2020-07-28 平安国际智慧城市科技股份有限公司 污染物的扩散预测方法、装置、设备及存储介质
CN111537023A (zh) * 2020-05-13 2020-08-14 浙江大学 一种工业园区大气污染物扩散模拟与溯源方法
CN112257551A (zh) * 2020-10-19 2021-01-22 北京市劳动保护科学研究所 一种氮氧化物污染源识别及排放量确定的方法及***
CN112686531A (zh) * 2020-12-29 2021-04-20 生态环境部卫星环境应用中心 一种结合卫星遥感与车载观测的大气污染企业识别方法
CN112749478A (zh) * 2020-12-11 2021-05-04 江苏汇环环保科技有限公司 一种基于高斯扩散模型大气污染溯源扩散分析***及方法
CN112784392A (zh) * 2019-11-07 2021-05-11 中国石油化工股份有限公司 待测区域内污染物动态分布模拟方法及模拟***

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103258116A (zh) * 2013-04-18 2013-08-21 国家电网公司 一种大气污染物扩散模型的构建方法
CN107436343A (zh) * 2017-07-31 2017-12-05 南京南瑞集团公司 一种模拟计算敏感区域污染物浓度的方法
US20190331652A1 (en) * 2018-04-27 2019-10-31 International Business Machines Corporation Air-pollution emission source monitoring
CN112784392A (zh) * 2019-11-07 2021-05-11 中国石油化工股份有限公司 待测区域内污染物动态分布模拟方法及模拟***
CN111461405A (zh) * 2020-03-09 2020-07-28 平安国际智慧城市科技股份有限公司 污染物的扩散预测方法、装置、设备及存储介质
CN111537023A (zh) * 2020-05-13 2020-08-14 浙江大学 一种工业园区大气污染物扩散模拟与溯源方法
CN112257551A (zh) * 2020-10-19 2021-01-22 北京市劳动保护科学研究所 一种氮氧化物污染源识别及排放量确定的方法及***
CN112749478A (zh) * 2020-12-11 2021-05-04 江苏汇环环保科技有限公司 一种基于高斯扩散模型大气污染溯源扩散分析***及方法
CN112686531A (zh) * 2020-12-29 2021-04-20 生态环境部卫星环境应用中心 一种结合卫星遥感与车载观测的大气污染企业识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘焕等: "《基于粒子***的污染气流扩散仿真》", 《计算机工程》 *

Also Published As

Publication number Publication date
CN114460232B (zh) 2023-02-28

Similar Documents

Publication Publication Date Title
US20220043182A1 (en) Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data
US10871593B2 (en) Method for increasing the spatial resolution of a weather forecast
CN113769519B (zh) 一种建筑工地的智能降尘控制方法及***
Carouge et al. What can we learn from European continuous atmospheric CO 2 measurements to quantify regional fluxes–Part 2: Sensitivity of flux accuracy to inverse setup
Collenteur et al. Estimation of groundwater recharge from groundwater levels using nonlinear transfer function noise models and comparison to lysimeter data
CN114547553B (zh) 二氧化碳排放量的反演方法、装置、设备及存储介质
CN114049570B (zh) 基于神经网络的星载遥感水汽空间反演方法及***
CN114112995B (zh) 基于三维变分技术的气溶胶光学特性资料同化方法和装置
RU2503042C1 (ru) Способ пространственной количественной оценки уровня загрязнения атмосферного воздуха
CN114077798B (zh) 估算小尺度区域大气污染物网格浓度的方法
CN110110276B (zh) 基于变步长递推轨迹的泄漏源定位方法和装置
CN114863294A (zh) 一种适用于微咸水湖泊的水质参数监测方法和装置
CN114487300B (zh) 基于车载测量***的零散点源碳排放强度监测方法及***
CN114441714B (zh) 基于车载测量***的电厂碳排放强度监测方法及***
CN114460232B (zh) 基于车载测量***的多点源碳氮比监测方法及***
Alcamo et al. The uncertainty of atmospheric source-receptor relationships in Europe
CN109948175B (zh) 基于气象数据的卫星遥感反照率缺失值反演方法
Berchet et al. Objectified quantification of uncertainties in Bayesian atmospheric inversions
CN109598064B (zh) 一种基于OpenFOAM的风资源计算区域寻优方法
CN116609859A (zh) 一种气象灾害高分辨率区域模式预报***及方法
CN116485174A (zh) 一种臭氧污染对作物减产风险评估方法和装置
CN115436570A (zh) 一种基于多元数据的二氧化碳浓度遥感监测方法及装置
KR102365071B1 (ko) 대기모델 바람예측 자료의 검보정 고도화를 통한 모델 예측정확도 개선을 위한 장치 및 방법
Sofiev Validation of model results on different scales
Turco et al. Daily precipitation statistics over the Po Basin: observation and post-processed RCM results

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant