CN114487300B - 基于车载测量***的零散点源碳排放强度监测方法及*** - Google Patents
基于车载测量***的零散点源碳排放强度监测方法及*** Download PDFInfo
- Publication number
- CN114487300B CN114487300B CN202210119970.8A CN202210119970A CN114487300B CN 114487300 B CN114487300 B CN 114487300B CN 202210119970 A CN202210119970 A CN 202210119970A CN 114487300 B CN114487300 B CN 114487300B
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- data
- diffusion model
- parameter
- monitoring
- 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.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 157
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 157
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000012544 monitoring process Methods 0.000 title claims abstract description 62
- 238000009792 diffusion process Methods 0.000 claims abstract description 95
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 18
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 9
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 8
- 230000006870 function Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 5
- 238000010200 validation analysis Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 239000003245 coal Substances 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000002803 fossil fuel Substances 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
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
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
-
- 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
Landscapes
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Physics & Mathematics (AREA)
- Combustion & Propulsion (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明实施例公开了一种基于车载测量***的零散点源碳排放强度监测方法和***,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气象数据、监测位置信息和二氧化碳浓度数据;基于高斯扩散模型建立碳排放扩散模型;根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度。解决了现有技术中零散点源碳排放监测时效性差、精度低的技术问题。
Description
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***的零散点源碳排放强度监测方法及***。
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。各个企业集中生产所构成的工业园区现已成为我国区域经济发展中的特色。在工业园区中,每个碳排放企业均可以看做是一个碳排放的强点源,对于具有多个零散点源的工业园区来讲,目前无法针对每个点源进行碳排放量的监测,只能依赖于统计年鉴中煤炭燃烧量以及燃烧效率进行粗略的估算,无法实现碳排放量的实时监控,导致监控时效性较差,且仅可进行粗略评估,缺乏有效的定量算法,导致碳排放的精度较低。
发明内容
为此,本发明实施例提供一种基于车载测量***的零散点源碳排放强度监测方法及***,以至少部分解决现有技术中零散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***的零散点源碳排放强度监测方法,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气象数据、监测位置信息和二氧化碳浓度数据;
基于高斯扩散模型建立碳排放扩散模型;
根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度。
进一步地,所述方法还包括:
获取所述目标区域的平面图、车载测量***在平面图内的行走轨迹和各监测位置的经纬度坐标;
确定所述目标点源位置对应的经纬度坐标。
进一步地,所述气象数据包括风速、风向、大气温度、大气湿度和大气压强。
进一步地,基于高斯扩散模型建立碳排放扩散模型,具体包括:
基于所述车载测量***的位置和所述气象数据中的风向数据建立扩散坐标系:
基于所述扩散坐标系,建立以下碳排放扩散模型:
σi,y=a·(x-xi)b
σi,y=a·(x-xi)b
其中,(x,y,z)为测量点的空间位置坐标,C(x,y,z)为(x,y,z)坐标处的CO2浓度,qi为第i个强点源的排放强度,i=1,2,3……n,n为强点源数量;u为风速,Hi为碳排放的有效排放高度,σi,y和σi,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,B为测量区域CO2的背景浓度,α为地面反射系数,a,b为水平扩散系数,c,d为垂直扩散系数。
进一步地,根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度,具体包括:
将采集到的监控数据建立总数据集,并提取所述总数据集中的预设比例的数据量作为输入集;
基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值;
基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值。
进一步地,基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值,具体包括;
将所述输入集的监控数据带入所述碳排放扩散模型,基于所述最大期望算法对所述碳排放扩散模型中的各未知数进行求解,其中,求解得到的n,xi,yi,zi认为是准确值,求解得到的qi,a,b,c,d,Hi,α,B均存在误差,且存在误差的未知数的结果不确定性设置为50%。
进一步地,基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值,具体包括:
根据以下公式计算设置惩罚函数F:
当F达到最小值时,根据以下公式计算每个排放源的碳排放强度:
其中,u′,q′i,y′i,H′i,σ′i,y,σ′i,z,B′为内点罚函数求解过程中,每一组在定义域内迭代的参数值,C’(x,y,z)为使用迭代参数对输入集中不同位置CO2浓度的模拟值,m为输入集中CO2采集点的个数。
进一步地,所述方法还包括:
提取所述总数据集中除所述输入集以外的数据集作为验证集;
根据所述验证集评估计算碳排放结果的准确性。
本发明还提供一种基于车载测量***的零散点源碳排放强度监测***,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气象数据、监测位置信息和二氧化碳浓度数据;
扩散模型创建单元,用于基于高斯扩散模型建立碳排放扩散模型;
排放强度结果获取单元,用于根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度。
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,其特征在于,所述处理器执行所述程序时实现如上所述方法的步骤。
本发明所提供的基于车载测量***的零散点源碳排放强度监测方法及***,通获获取目标区域内的实测数据,所述实测数据至少包括气象数据、监测位置信息和二氧化碳浓度数据;基于高斯扩散模型建立碳排放扩散模型;根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度。
这样,该方法基于车载测量***的零散点源碳排放强度监测***方法,能够快速、高精度地获得例如产业园区等具有零散点源碳排放的结果,利用车载***较高的数据量可以保证碳排放反演模型的精度,结合碳排放模型获得工业园区的强点源碳排放数量、每个点源的位置以及碳排放强度,不仅能够根据采集值实时监控点源处碳排放量,从而提高监测时效性,且能够得到较为精准的监测结果和强排放点源的位置,解决了现有技术中碳排放监测时效性差、精度低的技术问题。
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为本发明所提供的零散点源碳排放强度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为本发明所提供的零散点源碳排放强度监测***一种具体实施方式的结构框图;
图4为本发明所提供的电子设备一种具体实施方式的结构框图。
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。
强点源碳排放占总人为排放的31%,且大多数使用的是煤炭等化石燃料,目前针对该类碳源的碳排放量只能通过统计年鉴对其进行粗略性的年际评估,其时效性以及精度都无法满足碳核算以及碳交易的要求基于卫星或者其他地基传感器所计算碳排放的方法中,都需要大量的先验知识以及复杂的气象模型,且无法实现将工业园区内的强点源进行剥离,只能实现对工业区的总体碳排放进行评估。这些缺点将不利于广泛地应用于实际的工业园区碳排放监测,且无法为政策制定中的每个企业的碳排放确责问题提供依据。如何基于实地实测数据对工业园区中每个强点源碳排放进行快速、准确地计算,成为目前我国工业碳核算中急需解决的技术难题。
鉴于此,本发明提供了一种基于车载测量***的零散点源碳排放强度监测方法,利用车载***较高的数据量可以保证碳排放反演模型的精度,碳排放模型具有自调节作用,可以降低对辅助数据的监测要求。同时该方法可获得工业园区的强点源碳排放数量、每个点源的位置以及碳排放强度。随着此方案的普及,将为工业园区碳排放提供高时效性、高精度的碳排放实测数据,实现企业级的碳核算尺度,为碳交易以及碳减排政策制定提供科学依据。
请参考图1,图1为本发明所提供的零散点源碳排放强度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***的零散点源碳排放强度监测方法包括以下步骤:
S1:获取目标区域内的实测数据,所述实测数据至少包括气象数据、监测位置和二氧化碳浓度数据。其中,目标区域是指需要监测碳排放量的工业园区中的部分区域或全部区域,监测的数据是基于车载***测量的计算碳排强度所需的必要数据,例如CO2浓度、位置信息以及气象数据等。
所述气象数据包括风速、风向、大气温度、大气湿度和大气压强,该实施例中,为了提高测量准确性,车载***测量采集的气象数据包括上述所有数据类型。
在一个具体使用场景中,步骤S1中基于车载***测量所需的必要数据包括位置信息、CO2浓度以及气象数据。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,CO2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,气象实测数据由车载气象站所获取。
S2:基于高斯扩散模型建立碳排放扩散模型。
具体地,车载***测量的CO2浓度为多个强点源排放扩散的叠加,基于高斯扩散模型建立工业园区的碳排放扩散模型。
在建模时,首先需要在所述目标区域内选择目标点,基于所述目标点和所述气象数据中的风向数据扩散坐标系,在该实施例中,目标点为车在测量***所在的位置。在一个具体使用场景中,如图2所示,基于所述车载测量***的位置和所述气象数据中的风向数据建立扩散坐标系,以选取的车载测量点位为坐标原点,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,车载设备走航路径所对应的坐标根据GNSS设备采集的经纬度与坐标原点的经纬度进行计算。
坐标系建立完成后,基于所述扩散坐标系,建立以下碳排放扩散模型:
σi,y=a·(x-xi)b
σi,y=a·(x-xi)b
其中,(x,y,z)为测量点的空间位置坐标,C(x,y,z)为(x,y,z)坐标处的CO2浓度,qi为第i个强点源的排放强度,i=1,2,3……n,n为强点源数量;u为风速,Hi为碳排放的有效排放高度,σi,y和σi,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,B为测量区域CO2的背景浓度,α为地面反射系数,a,b为水平扩散系数,c,d为垂直扩散系数
S3:根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度。
为了提高计算准确性,可基于碳排放扩散模型,首先利用最大期望算法得到初步计算结果,再利用内点罚函数方法得到最终优化后的计算结果。
具体地,步骤S3包括以下步骤:
S31:将采集到的监控数据建立总数据集,并提取所述总数据集中的预设比例的数据量作为输入集;
S32:基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值;
S33:基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值。
其中,步骤S32具体包括;
将所述输入集的监控数据带入所述碳排放扩散模型,基于所述最大期望算法对所述碳排放扩散模型中的各未知数进行求解,其中,求解得到的n,xi,yi,zi认为是准确值,求解得到的qi,a,b,c,d,Hi,α,B均存在误差,且存在误差的未知数的结果不确定性设置为50%。
步骤S33具体包括:
根据以下公式计算设置惩罚函数F:
当F达到最小值时,根据以下公式计算每个排放源的碳排放强度:
其中u′,q′i,y′i,H′i,σ′i,y,σ′i,z,B′为内点罚函数求解过程中,每一组在定义域内迭代的参数值,C’(x,y,z)为使用迭代参数对输入集中不同位置CO2浓度的模拟值,m为输入集中CO2采集点的个数。
下面以一个具体使用场景为例,详述步骤S3中基于最大期望算法和内点罚函数方法对零散点源碳排放强度进行计算的过程。
车载监测***在下风口区域获得的大规模实测数据,根据步骤S2所建立的碳排放扩散模型,基于最大期望算法以及内点罚函数算法可对参数(n,qi,a,b,c,d,xi,yi,zi,Hi,α,B)进行求解,具体如下:
将所采集的总数据集进行分类,随机选取80%的观测数据量(测量点位置信息、CO2浓度以及气象数据)作为输入集,使用所设计的方法对待求解参数进行计算。
根据极大期望算法对n,qi,a,b,c,d,xi,yi,zi,Hi,α,B进行初求解。
根据输入包含的CO2浓度数据、位置信息以及气象数据,使用极大期望算法对步骤S2中所建立的碳排放扩散模型的参数进行解算。通过极大期望算法求解得到的n,xi,yi,zi认为是准确值,该过程所计算得到的qi,a,b,c,d,Hi,α,B均认为存在误差,不确定性设置为50%。
基于内点罚函数方法对qi,a,b,c,d,Hi,α,B参数进行精确计算;
根据输入集包含的CO2浓度数据、位置信息、气象参数以及上述步骤中求解的n,xi,yi,zi。基于内点罚函数方法对碳排放扩散模型进行求解,该方法可保证最终待求解参数均在设置的定义域范围内达到全局最优解。qi,a,b,c,d,Hi,α,B参数的定义域为计算所得对应参数值的上下50%浮动。风速和风向的定义域根据测量精度进行设定。设置惩罚函数F,当F达到最小值时,其对应的参数值作为最终的计算结果,即每个排放源的碳排放强度即可获得。
为了验证计算准确性,在一些实施例中,所述方法还包括:
提取所述总数据集中除所述输入集以外的数据集作为验证集;
根据所述验证集评估计算碳排放结果的准确性。
具体地,将S31中的剩余20%观测数据作为验证集,评估步骤S3解算参数的准确性。基于步骤S3中计算的排放源个数、排放源位置以及与扩散有关的参数,根据碳排放扩散模型对验证集对应位置的CO2浓度进行模拟。模拟浓度值与验证集采集的真实浓度值得相关系数高于90%的时候,即认为步骤S3所计算得到的结果符合工业园区碳排放的真实扩散特征。
为了提高点位确定精度,可以根据高分辨率遥感卫星图像以及计算结果确定对应企业的碳排放,具体为:
获取所述目标区域的平面图、车载测量***在平面图内的行走轨迹和各监测位置的经纬度坐标;
确定所述目标点源位置对应的经纬度坐标。
在一个具体使用场景中,根据高分辨率遥感卫星获得工业园区的平面图,基于车载设备在平面图内的轨迹以及GNSS定位设备所采集的经纬度,计算工业园区平面图对应的经纬度坐标。结合步骤S3计算得到各个排放源位置信息确定碳排放源的位置,其对应的q值即为企业强排放源的碳排放强度。
在上述具体实施方式中,本发明所提供的基于车载测量***的零散点源碳排放强度监测***方法,能够快速、高精度地获得例如产业园区等具有零散点源碳排放的结果,利用车载***较高的数据量可以保证碳排放反演模型的精度,结合碳排放模型获得工业园区的强点源碳排放数量、每个点源的位置以及碳排放强度,不仅能够根据采集值实时监控点源处碳排放量,从而提高监测时效性,且能够得到较为精准的监测结果和强排放点源的位置,解决了现有技术中碳排放监测时效性差、精度低的技术问题。
除了上述方法,本发明还提供一种基于车载测量***的零散点源碳排放强度监测***,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气象数据、监测位置信息和二氧化碳浓度数据;
扩散模型创建单元200,用于基于高斯扩散模型建立碳排放扩散模型;
排放强度结果获取单元300,用于根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度。
在上述具体实施方式中,本发明所提供的基于车载测量***的零散点源碳排放强度监测***,能够快速、高精度地获得例如产业园区等具有零散点源碳排放的结果,利用车载***较高的数据量可以保证碳排放反演模型的精度,结合碳排放模型获得工业园区的强点源碳排放数量、每个点源的位置以及碳排放强度,不仅能够根据采集值实时监控点源处碳排放量,从而提高监测时效性,且能够得到较为精准的监测结果和强排放点源的位置,解决了现有技术中碳排放监测时效性差、精度低的技术问题。
图4示例了一种电子设备的实体结构示意图,如图4所示,该电子设备可以包括:处理器(processor)310、通信接口(Communications Interface)320、存储器(memory)330和通信总线340,其中,处理器310,通信接口320,存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储器330中的逻辑指令,以执行上述方法。
此外,上述的存储器330中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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 (6)
1.一种基于车载测量***的零散点源碳排放强度监测方法,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气象数据、监测位置信息和二氧化碳浓度数据;
基于高斯扩散模型建立碳排放扩散模型;
根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度;
其中,基于高斯扩散模型建立碳排放扩散模型,具体包括:
基于所述车载测量***的位置和所述气象数据中的风向数据建立扩散坐标系;
基于所述扩散坐标系,建立以下碳排放扩散模型:
σi,y=a·(x-xi)b
σi,y=a·(x-xi)b
其中,(x,y,z)为测量点的空间位置坐标,C(x,y,z)为(x,y,z)坐标处的CO2浓度,qi为第i个强点源的排放强度,i=1,2,3……n,n为强点源数量;u为风速,Hi为碳排放的有效排放高度,σi,y和σi,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,B为测量区域CO2的背景浓度,α为地面反射系数,a,b为水平扩散系数,c,d为垂直扩散系数;
其中,根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度,具体包括:
将采集到的监控数据建立总数据集,并提取所述总数据集中的预设比例的数据量作为输入集;
基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值;
基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值;
其中,基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值,具体包括;
将所述输入集的监控数据带入所述碳排放扩散模型,基于所述最大期望算法对所述碳排放扩散模型中的各未知数进行求解,其中,求解得到的n,xi,yi,zi认为是准确值,求解得到的qi,a,b,c,d,Hi,α,B均存在误差,且存在误差的未知数的结果不确定性设置为50%;
其中,基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值,具体包括:
根据以下公式计算设置惩罚函数F:
当F达到最小值时,根据以下公式计算每个排放源的碳排放强度:
其中,u′,q′i,y′i,H′i,σ′i,y,σ′i,z,B′为内点罚函数求解过程中,每一组在定义域内迭代的参数值,C’(x,y,z)为使用迭代参数对输入集中不同位置CO2浓度的模拟值,m为输入集中CO2采集点的个数。
2.根据权利要求1所述的零散点源碳排放强度监测方法,其特征在于,所述方法还包括:
获取所述目标区域的平面图、车载测量***在平面图内的行走轨迹和各监测位置的经纬度坐标;
确定所述目标点源位置对应的经纬度坐标。
3.根据权利要求2所述的零散点源碳排放强度监测方法,其特征在于,所述气象数据包括风速、风向、大气温度、大气湿度和大气压强。
4.根据权利要求1所述的零散点源碳排放强度监测方法,其特征在于,所述方法还包括:
提取所述总数据集中除所述输入集以外的数据集作为验证集;
根据所述验证集评估计算碳排放结果的准确性。
5.一种基于车载测量***的零散点源碳排放强度监测***,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气象数据、监测位置信息和二氧化碳浓度数据;
扩散模型创建单元,用于基于高斯扩散模型建立碳排放扩散模型;
排放强度结果获取单元,用于根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度;
其中,基于高斯扩散模型建立碳排放扩散模型,具体包括:
基于所述车载测量***的位置和所述气象数据中的风向数据建立扩散坐标系;
基于所述扩散坐标系,建立以下碳排放扩散模型:
σi,y=a·(x-xi)b
σi,y=a·(x-xi)b
其中,(x,y,z)为测量点的空间位置坐标,C(x,y,z)为(x,y,z)坐标处的CO2浓度,qi为第i个强点源的排放强度,i=1,2,3……n,n为强点源数量;u为风速,Hi为碳排放的有效排放高度,σi,y和σi,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,B为测量区域CO2的背景浓度,α为地面反射系数,a,b为水平扩散系数,c,d为垂直扩散系数;
其中,根据所述实测数据和所述碳排放扩散模型,并基于最大期望算法和内点罚函数方法计算所述目标区域内的目标点源数量、目标点源位置和目标点源的碳排放强度,具体包括:
将采集到的监控数据建立总数据集,并提取所述总数据集中的预设比例的数据量作为输入集;
基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值;
基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值;
其中,基于所述输入集和最大期望算法对所述碳排放扩散模型中的待求解参数进行初步计算,并得到各所述待求解参数的初步参数求解值,具体包括;
将所述输入集的监控数据带入所述碳排放扩散模型,基于所述最大期望算法对所述碳排放扩散模型中的各未知数进行求解,其中,求解得到的n,xi,yi,zi认为是准确值,求解得到的qi,a,b,c,d,Hi,α,B均存在误差,且存在误差的未知数的结果不确定性设置为50%;
其中,基于所述初步参数求解值、所述输入集和内点罚函数方法对所述碳排放扩散模型中的待求解参数进行二次计算,并将得到的二次计算结果作为参数求解值,具体包括:
根据以下公式计算设置惩罚函数F:
当F达到最小值时,根据以下公式计算每个排放源的碳排放强度:
其中,u′,q′i,y′i,H′i,σ′i,y,σ′i,z,B′为内点罚函数求解过程中,每一组在定义域内迭代的参数值,C’(x,y,z)为使用迭代参数对输入集中不同位置CO2浓度的模拟值,m为输入集中CO2采集点的个数。
6.一种电子设备,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4任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119970.8A CN114487300B (zh) | 2022-01-28 | 2022-01-28 | 基于车载测量***的零散点源碳排放强度监测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210119970.8A CN114487300B (zh) | 2022-01-28 | 2022-01-28 | 基于车载测量***的零散点源碳排放强度监测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114487300A CN114487300A (zh) | 2022-05-13 |
CN114487300B true CN114487300B (zh) | 2022-12-09 |
Family
ID=81478796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210119970.8A Active CN114487300B (zh) | 2022-01-28 | 2022-01-28 | 基于车载测量***的零散点源碳排放强度监测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114487300B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116859001B (zh) * | 2023-07-18 | 2024-03-19 | 安徽碧水环业生态科技有限公司 | 一种碳排放在线监测平台及分析方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005043135A (ja) * | 2003-07-25 | 2005-02-17 | Hitachi Eng Co Ltd | 大気拡散シミュレーション装置の建物データ設定方法および装置 |
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 |
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 |
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 |
-
2022
- 2022-01-28 CN CN202210119970.8A patent/CN114487300B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005043135A (ja) * | 2003-07-25 | 2005-02-17 | Hitachi Eng Co Ltd | 大気拡散シミュレーション装置の建物データ設定方法および装置 |
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 |
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 |
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)
Title |
---|
《基于粒子***的污染气流扩散仿真》;刘焕等;《计算机工程》;20090630;第35卷(第12期);第254-258页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114487300A (zh) | 2022-05-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wu et al. | A Lagrangian approach towards extracting signals of urban CO 2 emissions from satellite observations of atmospheric column CO 2 (XCO 2): X-Stochastic Time-Inverted Lagrangian Transport model (“X-STILT v1”) | |
Paatero et al. | Methods for estimating uncertainty in factor analytic solutions | |
CN110426493B (zh) | 空气质量监测数据校准方法、装置、设备和存储介质 | |
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 | |
CN107909192B (zh) | 土壤重金属含量的估测方法及装置 | |
CN114487300B (zh) | 基于车载测量***的零散点源碳排放强度监测方法及*** | |
CN115690632A (zh) | 一种内陆河流水体的水环境监测方法 | |
CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
Van Der Graaf et al. | How are NH 3 dry deposition estimates affected by combining the LOTOS-EUROS model with IASI-NH 3 satellite observations? | |
CN114441714B (zh) | 基于车载测量***的电厂碳排放强度监测方法及*** | |
CN110991087A (zh) | 一种基于多入射角组网sar卫星数据的风场反演方法及*** | |
CN114236480A (zh) | 一种机载平台传感器***误差配准算法 | |
Neitzel et al. | On the consideration of combined measurement uncertainties in relation to GUM concepts in adjustment computations | |
CN111650128B (zh) | 一种基于地表反射率库的高分辨率大气气溶胶反演方法 | |
Baxevani et al. | A new method for modelling the space variability of significant wave height | |
CN111125937B (zh) | 基于时空加权回归模型近地面大气细颗粒物浓度估算方法 | |
CN117035174A (zh) | 一种木麻黄单木地上生物量的估算方法与*** | |
CN116824410A (zh) | 针对高光谱遥感影像数据的植被覆盖度的反演方法和装置 | |
Li et al. | A variational Bayesian blind calibration approach for air quality sensor deployments | |
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 | |
Reinhardt | On the retrieval of circumsolar radiation from satellite observations and weather model output | |
CN114460232B (zh) | 基于车载测量***的多点源碳氮比监测方法及*** | |
Barnett et al. | The potential effect of GCM uncertainties and internal atmospheric variability on anthropogenic signal detection | |
Sofiev | Validation of model results on different scales | |
CN110907977B (zh) | 一种信息处理方法、装置和计算机存储介质 |
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 |