CN115032332B - 一种基于车载***测量强点源碳排放的方法 - Google Patents

Abstract

本发明提供一种基于车载***测量强点源碳排放的方法，首先利用车载***(包括原位测量仪、GNSS接收机、车载气象站)获取带有地理坐标的CO2浓度以及风速、风向信息，根据先验强点源排放信息，建立坐标系，转换CO2浓度坐标至强点源坐标系，根据测量信息分别以相关系数和均方根误差作为信息素，借助蚂蚁算法分别计算两种信息素标准下的可行域与初值，对可行域与初始值进行均值滤波，将滤波结果作为内点罚函数的初值与均值进行求解，获取使罚函数最小的最优解，得到兼具高精确度、高时效性性和高可用特征的强点源碳排放产品。

Description

一种基于车载***测量强点源碳排放的方法

技术领域

本发明涉及环境监测领域，根据车载测量***在强点源附近测量所获得的实测数据，结合高斯烟羽模型定量模拟CO2排放，实现对强点源碳排放进行高准确度的实时监测。

背景技术

全球温室效应已成为世界各国关心的重要议题，巴黎协定的签署意味着世界所有主要经济体在应对气候变化、实现碳中和这一全人类面临的重大问题上达成了共识。CO2作为主要的温室气体，其造成的全球变暖效应被越来越多人关注和研究，控制CO2排放成为有效改善气候变化的有力手段。作为命运共同体的提出者，我国十分重视环境治理问题。有关资料证明，强点源碳排放占人为总排放的31％，如何准确实时检测这一类碳排放成为碳中和首要面临的问题之一。

目前现有手段主要包括通过统计年鉴对其进行粗略性的年际评估方式和基于卫星遥感监测手段测算碳排放方式。其中，通过统计年鉴对其进行粗略性的年际评估方式其时效性与精度都难以满足碳排放监测目的，而基于卫星遥感监测手段测算碳排放方式虽然具有高时效性和高分辨率的特点，但由于卫星受限于轨道和大气情况影响，只能在特定飞行时间对同一地点在大气环境良好的情况下进行碳排放测算，并且在无法提供准确大气信息情况时，现有卫星反演手段会出现难以收敛现象，同时在云层覆盖情况下也难以进行碳排放反演工作，这些因素在很大程度上限制了通过卫星监测方式实现碳排放的检测。

发明内容

本发明针对现有碳排放监测手段不足，提供一种基于车载***测量强点源碳排放的方法，充分利用车载***高灵活性、气象数据的高时效性以及现有高斯烟羽模型，得到兼具高精确度、高时效性性和高可用特征的强点源碳排放产品。

本专利提出一种基于车载***测量强点源碳排放的方法，可以精确且实时地测算强点源碳排放。得益于车载***的灵活简便性，在实际测量过程中，可以通过合理的测量轨迹规划，从而获取大量CO2浓度信息。通过高精度的CO2浓度信息、气象参数等辅助数据以及高斯烟羽模型，本专利所提方法可以快速精确计算强点源碳排放数据，该方法的推广将为我国碳排放监测事业提供一种新的检测手段。

为了达到上述目的，本发明提供的技术方案是一种基于车载***测量强点源碳排放的方法，包括以下步骤：

步骤1，通过车载***测量必要观测信息，包括车载***实时GNSS定位信息、CO2浓度信息、大气观测信息；

步骤2，根据先验强点源排放信息，获取高斯烟羽模型所需信息，建立新坐标系，将步骤1输出的CO2浓度的坐标转换到新坐标系下；

步骤3，根据步骤2输出的新坐标系下的CO2浓度测量值及风速，分别以相关系数以及均方根误差作为适应函数，计算高斯烟羽模型未知参数对应的可行域1、可行域2以及初始值1和初始值2，所述可行域1表示通过相关性系数计算方式计算得到的未知参数的最小值与最大值，所述可行域2表示通过均方根误差计算方式计算得到的未知参数的最小值与最大值，初始值1和初始值2分别表示通过相关性系数和均方根误差计算方式计算得到的未知参数的均值；

步骤4，将步骤3解算的可行域1、可行域2和初始值1、初始值2分别进行均值滤波，获取高斯烟羽模型中未知参数的可行域以及初始值，通过内点罚函数求解未知参数，输出所测强点源排放处的碳排放量。

进一步的，所述车载***包括原位测量仪、GNSS接收机、车载气象站。

进一步的，步骤1中测量必要观测信息的具体实现方式如下；

首先根据强排放点源长久的累积气象资料，充分利用车载***灵活性高的优势，规划车载***测量路径以及车载***行驶速度，车载***在规划路径上按照规定速度行驶，通过车载GNSS***获取实时定位信息，通过车载原位测量仪获取CO2浓度信息，通过车载气象仪获取风速、风向信息，最终输出带有地理信息的CO2测量浓度、风速以及风向。

进一步的，步骤2中，根据先验强点源排放信息，以强点源排放点地理坐标作为坐标轴原点，以测量风向为X轴，水平方向上垂直于X轴的方向为Y轴，以垂直于XOY轴方向为Z轴方向，输出新的XYZ坐标；根据以先验强点源排放信息建立的XYZ坐标系与原始GNSS坐标系关系转换GNSS地理坐标到新的 XYZ坐标系下，输出新的XYZ坐标系下的CO2浓度测量值和风速信息。

进一步的，步骤3中所述高斯烟羽模型由公式1给出：

其中C(x,y,z)为(x,y,z)坐标处的CO2浓度，(x,y,z)为步骤2所建立的新坐标系下的坐标值，C(x,y,z)为该坐标系下测量的CO2浓度，q为强点源的排放强度，u为风速，H为强点源处的碳排放的有效排放高度，σ_y和σ_z分别为水平扩散参数和垂直扩散参数，其中σ_y＝a·x^b、σ_z＝c·x^d，a和b为水平扩散系数，c和d为垂直扩散系数，α为地面反射系数，B为背景CO2浓度，在本式中， C(x,y,z)和u为已知值，待求解量为(q,H,a,b,c,d,B,α,z)。

进一步的，步骤3中通过蚁群算法计算高斯烟羽模型未知参数的最优估计值，蚁群算法是一种在给定信息素条件下存在求解全局最优解(q,H,a,b,c,d,B,α,z)的智能算法，其原理为：

首先随机产生若干个起始点初始化未知数参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]，根据每个未知数参量计算该参量的信息素τ；

根据相关性计算的第i个参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]的信息素τ_1i由公式2给出；

其中C_i(x_j,y_j,z_j)′为第i个参量在高斯烟羽模型下所计算出在(x_j,y_j,z_j)处的CO2浓度，n为测量值的总数量，Var为方差；

根据均方根误差所计算出的第i个参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]的信息素τ_2i由公式3给出；

之后，根据两种不同计算方式的信息素分别计算两种不同计算方式下的状态转移概率；

其中P_i ¹为以相关性作为信息素计算方式下第i个参量的转移概率，P_i ²为以均方根误差作为信息素计算方式下第i个参量的转移概率，τ₁为τ_1i的集合，τ₂为τ_2i的集合；

根据转移概率与信息素的比较，可以计算出第i个参量在iter+1迭代数下的数值，当第i个参量的信息素小于其转移概率时，第i个参量在iter+1迭代数下的数值由公式6给出，否则以公式7给出；

[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+1＝[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+r₁·step·λ (6)

[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+1＝[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+r₂·range (7)

其中，r₁为介于[-1,1]的随机数，step为局部搜索步长，λ为当前迭代次数iter 的倒数，r₂为[-0.5,0.5]的随机数，range为自变量[q,H,a,b,c,d,B,α,z]的区间大小；

计算更新后参量的信息素τ^(iter+1)′，若其小于τ^iter，则参量不进行更改；其中 Rho为挥发因子，可根据先验知识设置；

τ^(iter+1)′＝(1-Rho)·τ^iter+τ^iter+1 (8)

等待蚁群算法在设定迭代次数中迭代完毕之后，可获得蚁群算法在本次迭代中的最优估计值[q,H,a,b,c,d,B,α,z]；分别获取两种不同信息素计算方式下的各组最优估计值，分别对其求均值、最小值和最大值，便可输出可行域1的下界 X_l1＝[q_l1,H_l1,a_l1,b_l1,c_l1,d_l1,B_l1,α_l1,z_l1]，即通过相关性计算方式计算得到的最优估计值的最小值，上界X_u1＝[q_u1,H_u1,a_u1,b_u1,c_u1,d_u1,B_u1,α_u1,z_u1]，即通过相关性计算方式计算得到的最优估计值的最大值，可行域2的下界 X_l2＝[q_l2,H_l2,a_l2,b_l2,c_l2,d_l2,B_l2,α_l2,z_l2]，即通过均方根误差计算方式计算得到的最优估计值的最小值，上界X_u2＝[q_u2,H_u2,a_u2,b_u2,c_u2,d_u2,B_u2,α_u2,z_u2]，即通过均方根误差计算方式计算得到的最优估计值的最大值，初始解1

X₁₀＝[q₁₀,H₁₀,a₁₀,b₁₀,c₁₀,d₁₀,B₁₀,α₁₀,z₁₀]，即通过相关性计算方式计算得到的最优估计值的均值，初始解2X₂₀＝[q₂₀,H₂₀,a₂₀,b₂₀,c₂₀,d₂₀,B₂₀,α₂₀,z₂₀]，即通过均方根误差计算方式计算得到的最优估计值的均值。

进一步的，步骤4中是将步骤3输出的可行域1的下界与可行域2的下界作均值滤波，可行域1的上界与可行域2的上届作均值滤波，初始值1与初始值2 作均值滤波后，分别获得可行域的下界x_l＝[_ql,H_l,a_l,b_l,c_l,d_l,B_l,α_l,z_l]，可行域上界 x_u＝[q_u,H_u,a_u,b_u,c_u,d_u,B_u,α_u,z_u]以及初始值x₀＝[q₀,H₀,a₀,b₀,c₀,d₀,B₀,α₀,z₀]，根据可行域可设置惩罚函数c；

c＝f(X)+σ_mp(X) (9)

其中，

 p(X)＝-ln(X-X_l)-ln(X_u-X)，C_X(x_j,y_j,z_j)为高斯烟羽模型在参数X情况下模拟位于(x_j,y_j,z_j)处的CO2浓度，σ_m为第m次迭代中的罚参数，为大于0的数；

通过最小化惩罚函数c，可获得第m+1次迭代中的X^(m+1)；

其中H_c(X^(m))和

可分别由公式11和公式12给出，H_c(X^(m))^-1为 H_c(X^(m))的逆矩阵；

其中，X＝[q,H,a,b,c,d,B,α,z]，X₁＝q，X₂＝H，X₃＝a，X₄＝b，X₅＝c， X₆＝d，X₇＝B，X₈＝α，X₉＝z，将公式10求解出的X^(m+1)带入σ_mp(X^(m+1))，若σ_mp(X^(m+1))＜ε，则停止迭代输出最优解

否则更新σ_m+1＝βσ_m继续迭代，其中ε和β为预设常数。

与现有技术相比，本发明具有如下优点：1)充分利用车载***高灵活度特点，合理规划探测路线，实现智能探测CO2排放；2)创新提出一种基于车载***测量强点源碳排放的方法，结合蚁群算法全局最优搜索和内点罚函数精确搜索特性，实现具有更高精度潜力的碳排放检测。

附图说明

图1为本发明实施例的流程图。

图2为本发明实施例坐标系建立图。

具体实施方式

本发明提供一种基于车载***测量强点源碳排放的方法，首先利用车载***(包括原位测量仪、GNSS接收机、车载气象站)获取带有地理坐标的CO2浓度以及风速、风向信息，根据先验强点源排放信息，建立坐标系，转换CO2浓度坐标至强点源坐标系，根据测量信息分别以相关系数和均方根误差作为信息素，借助蚂蚁算法分别计算两种信息素标准下的可行域与初值，对可行域与初始值进行均值滤波，将滤波结果作为内点罚函数的初值与均值进行求解，获取使罚函数最小的最优解，得到兼具高精确度、高时效性性和高可用特征的强点源碳排放产品。

下面结合附图和实施例对本发明的技术方案作进一步说明。

如图1所示，本发明实施例的流程包括以下步骤：

步骤1，通过车载***测量必要观测信息，包括(车载***实时GNSS定位信息、CO2浓度信息、大气观测信息)。

首先根据强排放点源长久的累积气象资料，充分利用车载***灵活性高的优势，规划车载***测量路径以及车载***行驶速度。车载***在规划路径上按照规定速度行驶，通过车载GNSS***获取实时定位信息，通过车载原位测量仪获取CO2浓度信息，通过车载气象仪获取风速、风向信息。最终输出带有地理信息的CO2测量浓度、风速以及风向。

步骤2，根据先验强点源排放信息，获取高斯烟羽模型所需信息，建立坐标系。

根据先验强点源排放信息，以强点源排放点地理坐标作为坐标轴原点，以测量风向为X轴，水平方向上垂直于X轴的方向为Y轴，以垂直于XOY轴方向为Z轴方向，输出新的XYZ坐标。根据以先验强点源排放信息建立的XYZ坐标系与原始GNSS坐标系关系转换GNSS地理坐标到新的XYZ坐标系下，输出新的XYZ坐标系下的CO2浓度测量值和风速信息。

步骤3，根据步骤2输出的现有坐标系下的CO2浓度测量值及风速，分别以相关系数以及均方根误差作为适应函数，计算高斯烟羽模型未知参数的可行域 1、可行域2以及初始值1和初始值2。

步骤3中所述高斯烟羽模型可由公式1给出：

其中C(x,y,z)为(x,y,z)坐标处的CO2浓度，在本专利中，(x,y,z)为步骤2 所建立的新坐标系下的坐标值，C(x,y,z)为该坐标系下测量的CO2浓度，q为强点源的排放强度，u为风速，H为强点源处的碳排放的有效排放高度，σ_y和σ_z分别为水平扩散参数和垂直扩散参数，其中σ_y＝a·x^b、σ_z＝c·x^d，a和b为水平扩散系数，c和d为垂直扩散系数，α为地面反射系数，B为背景CO2浓度。在本式中，C(x,y,z)和u为已知值，待求解量为[q,H,a,b,c,d,B,α,z]。

蚁群算法是一种在给定信息素条件下存在求解全局最优解(q,H,a,b,c,d,B,α,z)的智能算法，其原理为：

首先随机产生300个起始点初始化未知数参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i](i∈(1,300))，根据每个未知数参量计算该参量的信息素τ。

根据相关性计算的第i个参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i](i∈(1,300))的信息素τ_1i由公式2给出。

其中C_i(x_j,y_j,z_j)'为第i个参量在高斯烟羽模型下所计算出在(x_j,y_j,z_j)处的CO2浓度，n为测量值的总数量，Var为方差

根据均方根误差所计算出的第i个参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i](i∈(1,300))的信息素τ_2i由公式3给出。

之后，根据两种不同计算方式的信息素分别计算两种不同计算方式下的状态转移概率。

其中P_i ¹为以相关性作为信息素计算方式下第i个参量的转移概率，P_i ²为以均方根误差作为信息素计算方式下第i个参量的转移概率，τ₁＝[τ₁₁,τ₁₂,τ₁₃......τ₁₃₀₀]，τ₂＝[τ₂₁,τ₂₂,τ₂₃......τ₂₃₀₀]。

根据转移概率与信息素的比较，可以计算出第i个参量在iter+1迭代数下的数值。当第i个参量的信息素小于其转移概率时，第i个参量在iter+1迭代数下的数值由公式6给出，否则以公式7给出。

[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+1＝[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+r₁·step·λ (6)

[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+1＝[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+r₂·range (7)

其中，r₁为介于[-1,1]的随机数，step为局部搜索步长，λ为当前迭代次数iter 的倒数，r₂为[-0.5,0.5]的随机数，range为自变量[q,H,a,b,c,d,B,α,z]的区间大小。

计算更新后参量的信息素τ^(iter+1)'，若其小于τ^iter，则参量不进行更改。其中 Rho为挥发因子，可根据先验知识设置。

τ^(iter+1)'＝(1-Rho)·τ^iter+τ^iter+1 (8)

等待蚁群算法在设定迭代次数中迭代完毕之后，可获得蚁群算法在本次迭代中的最优估计值[q,H,a,b,c,d,B,α,z]，两种不同信息素计算方式下可分别获得两种不同计算方式的最优估计值。在本专利中，进行10000次蚁群算法的迭代，可分别获取两种不同信息素计算方式下的各10000组最优估计值，分别对其求均值、最小值和最大值，便可输出可行域1的下界 X_l1＝[q_l1,H_l1,a_l1,b_l1,c_l1,d_l1,B_l1,α_l1,z_l1]，即通过相关性计算方式计算得到的最优估计值的最小值，上界X_u1＝[q_u1,H_u1,a_u1,b_u1,c_u1,d_u1,B_u1,α_u1,z_u1]，即通过相关性计算方式计算得到的最优估计值的最大值，可行域2的下界 X_l2＝[q_l2,H_l2,a_l2,b_l2,c_l2,d_l2,B_l2,α_l2,z_l2]，即通过均方根误差计算方式计算得到的最优估计值的最小值，上界X_u2＝[q_u2,H_u2,a_u2,b_u2,c_u2,d_u2,B_u2,α_u2,z_u2]，即通过均方根误差计算方式计算得到的最优估计值的最大值，初始解1 X₁₀＝[q₁₀,H₁₀,a₁₀,b₁₀,c₁₀,d₁₀,B₁₀,α₁₀,z₁₀]，即通过相关性计算方式计算得到的最优估计值的均值，初始解2X₂₀＝[q₂₀,H₂₀,a₂₀,b₂₀,c₂₀,d₂₀,B₂₀,α₂₀,z₂₀]，即通过均方根误差计算方式计算得到的最优估计值的均值。

步骤4，将步骤3解算的可行域1、可行域2和初始值1、初始值2分别进行均值滤波，获取高斯烟羽模型中未知参数的可行域以及初始值，通过内点罚函数求解未知参数，输出所测强点源排放处的碳排放量。

步骤4中所述通过均值滤波获取可行域与初始值是将步骤3输出的可行域1 的下界与可行域2的下界作均值滤波，可行域1的上界与可行域2的上界作均值滤波，初始值1与初始值2作均值滤波后，分别可以获得可行域的下界 X_l＝[q_l,H_l,a_l,b_l,c_l,d_l,B_l,α_l,z_l]，可行域上界X_u＝[q_u,H_u,a_u,b_u,c_u,d_u,B_u,α_u,z_u]以及初始值 X₀＝[q₀,H₀,a₀,b₀,c₀,d₀,B₀,α₀,z₀]，根据可行域可设置惩罚函数c。

c＝f(X)+σ_mp(X) (9)

其中，

 p(X)＝-ln(X-X_l)-ln(X_u-X)，C_X(x_j,y_j,z_j)为高斯烟羽模型在参数X情况下模拟位于(x_j,y_j,z_j)处的CO2浓度，σ_m为第m次迭代中的罚参数，一般设为大于0的数。

通过最小化惩罚函数c，可获得第m+1次迭代中的X^(m+1)。

其中H_c(X^(m))和

可分别由公式11和公式12给出，H_c(X^(m))^-1为 H_c(X^(m))的逆矩阵。

其中，X＝[q,H,a,b,c,d,B,α,z]，X₁＝q，X₂＝H，X₃＝a，X₄＝b，X₅＝c， X₆＝d，X₇＝B，X₈＝α，X₉＝z，将公式10求解出的X^(m+1)带入σ_mp(X^(m+1))，若σ_mp(X^(m+1))＜ε，则停止迭代输出最优解

否则更新σ_m+1＝βσ_m继续迭代。其中ε和β为预设常数。

具体实施时，以上流程可采用计算机软件技术实现自动运行流程。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (5)

1.一种基于车载***测量强点源碳排放的方法，其特征在于，包括如下步骤：

步骤1，通过车载***测量必要观测信息，包括车载***实时GNSS定位信息、CO2浓度信息、大气观测信息；

步骤2，根据先验强点源排放信息，获取高斯烟羽模型所需信息，建立新坐标系，将步骤1输出的CO2浓度的坐标转换到新坐标系下；

步骤2中所述高斯烟羽模型由公式1给出：

其中C(x,y,z)为(x,y,z)坐标处的CO2浓度，(x,y,z)为步骤2所建立的新坐标系下的坐标值，C(x,y,z)为该坐标系下测量的CO2浓度，q为强点源的排放强度，u为风速，H为强点源处的碳排放的有效排放高度，σ_y和σ_z分别为水平扩散参数和垂直扩散参数，其中σ_y＝a·x^b、σ_z＝c·x^d，a和b为水平扩散系数，c和d为垂直扩散系数，α为地面反射系数，B为背景CO2浓度，在本式中，C(x,y,z)和u为已知值，待求解量为(q,H,a,b,c,d,B,α,z)；

步骤3，根据步骤2输出的新坐标系下的CO2浓度测量值及风速，分别以相关系数以及均方根误差作为适应函数，计算高斯烟羽模型未知参数对应的可行域1、可行域2以及初始值1和初始值2，所述可行域1表示通过相关性系数计算方式计算得到的未知参数的最小值与最大值，所述可行域2表示通过均方根误差计算方式计算得到的未知参数的最小值与最大值，初始值1和初始值2分别表示通过相关性系数和均方根误差计算方式计算得到的未知参数的均值；

步骤3中通过蚁群算法计算高斯烟羽模型未知参数的最优估计值，蚁群算法是一种在给定信息素条件下存在求解全局最优解(q,H,a,b,c,d,B,α,z)的智能算法，其原理为：

首先随机产生若干个起始点初始化未知数参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]，根据每个未知数参量计算该参量的信息素τ；

根据相关性计算的第i个参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]的信息素τ_1i由公式2给出；

其中C_i(x_j,y_j,z_j)'为第i个参量在高斯烟羽模型下所计算出在(x_j,y_j,z_j)处的CO2浓度，n为测量值的总数量，Var为方差；

根据均方根误差所计算出的第i个参量[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]的信息素τ_2i由公式3给出；

之后，根据两种不同计算方式的信息素分别计算两种不同计算方式下的状态转移概率；

其中P_i ¹为以相关性作为信息素计算方式下第i个参量的转移概率，P_i ²为以均方根误差作为信息素计算方式下第i个参量的转移概率，τ₁为τ_1i的集合，τ₂为τ_2i的集合；

根据转移概率与信息素的比较，可以计算出第i个参量在iter+1迭代数下的数值，当第i个参量的信息素小于其转移概率时，第i个参量在iter+1迭代数下的数值由公式6给出，否则以公式7给出；

[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+1＝[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+r₁·step·λ (6)

[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+1＝[q_i,H_i,a_i,b_i,c_i,d_i,B_i,α_i,z_i]^iter+r₂·range (7)

其中，r₁为介于[-1,1]的随机数，step为局部搜索步长，λ为当前迭代次数iter的倒数，r₂为[-0.5,0.5]的随机数，range为自变量[q,H,a,b,c,d,B,α,z]的区间大小；

计算更新后参量的信息素τ^(iter+1)'，若其小于τ^iter，则参量不进行更改；其中Rho为挥发因子，可根据先验知识设置；

τ^(iter+1)'＝(1-Rho)·τ^iter+τ^iter+1 (8)

等待蚁群算法在设定迭代次数中迭代完毕之后，可获得蚁群算法在本次迭代中的最优估计值[q,H,a,b,c,d,B,α,z]；分别获取两种不同信息素计算方式下的各组最优估计值，分别对其求均值、最小值和最大值，便可输出可行域1的下界X_l1＝[q_l1,H_l1,a_l1,b_l1,c_l1,d_l1,B_l1,α_l1,z_l1]，即通过相关性计算方式计算得到的最优估计值的最小值，上界X_u1＝[q_u1,H_u1,a_u1,b_u1,c_u1,d_u1,B_u1,α_u1,z_u1]，即通过相关性计算方式计算得到的最优估计值的最大值，可行域2的下界X_l2＝[q_l2,H_l2,a_l2,b_l2,c_l2,d_l2,B_l2,α_l2,z_l2]，即通过均方根误差计算方式计算得到的最优估计值的最小值，上界X_u2＝[q_u2,H_u2,a_u2,b_u2,c_u2,d_u2,B_u2,α_u2,z_u2]，即通过均方根误差计算方式计算得到的最优估计值的最大值，初始解1X₁₀＝[q₁₀,H₁₀,a₁₀,b₁₀,c₁₀,d₁₀,B₁₀,α₁₀,z₁₀]，即通过相关性计算方式计算得到的最优估计值的均值，初始解2X₂₀＝[q₂₀,H₂₀,a₂₀,b₂₀,c₂₀,d₂₀,B₂₀,α₂₀,z₂₀]，即通过均方根误差计算方式计算得到的最优估计值的均值；

步骤4，将步骤3解算的可行域1、可行域2和初始值1、初始值2分别进行均值滤波，获取高斯烟羽模型中未知参数的可行域以及初始值，通过内点罚函数求解未知参数，输出所测强点源排放处的碳排放量。

2.如权利要求1所述的一种基于车载***测量强点源碳排放的方法，其特征在于：所述车载***包括原位测量仪、GNSS接收机、车载气象站。

3.如权利要求1所述的一种基于车载***测量强点源碳排放的方法，其特征在于：步骤1中测量必要观测信息的具体实现方式如下；

首先根据强排放点源长久的累积气象资料，充分利用车载***灵活性高的优势，规划车载***测量路径以及车载***行驶速度，车载***在规划路径上按照规定速度行驶，通过车载GNSS***获取实时定位信息，通过车载原位测量仪获取CO2浓度信息，通过车载气象仪获取风速、风向信息，最终输出带有地理信息的CO2测量浓度、风速以及风向。

4.如权利要求1所述的一种基于车载***测量强点源碳排放的方法，其特征在于：步骤2中，根据先验强点源排放信息，以强点源排放点地理坐标作为坐标轴原点，以测量风向为X轴，水平方向上垂直于X轴的方向为Y轴，以垂直于XOY轴方向为Z轴方向，输出新的XYZ坐标；根据以先验强点源排放信息建立的XYZ坐标系与原始GNSS坐标系关系转换GNSS地理坐标到新的XYZ坐标系下，输出新的XYZ坐标系下的CO2浓度测量值和风速信息。

5.如权利要求1所述的一种基于车载***测量强点源碳排放的方法，其特征在于：步骤4中是将步骤3输出的可行域1的下界与可行域2的下界作均值滤波，可行域1的上界与可行域2的上界作均值滤波，初始值1与初始值2作均值滤波后，分别获得可行域的下界x_l＝[q_l,H_l,a_l,b_l,c_l,d_l,B_l,α_l,z_l]，可行域上界x_u＝[q_u,H_u,a_u,b_u,c_u,d_u,B_u,α_u,z_u]以及初始值x₀＝[q₀,H₀,a₀,b₀,c₀,d₀,B₀,α₀,z₀]，根据可行域可设置惩罚函数c；

c＝f(X)+σ_mp(X) (9)

其中，

p(X)＝-ln(X-X_l)-ln(X_u-X)，C_X(x_j,y_j,z_j)为高斯烟羽模型在参数X情况下模拟位于(x_j,y_j,z_j)处的CO2浓度，σ_m为第m次迭代中的罚参数，为大于0的数；

通过最小化惩罚函数c，可获得第m+1次迭代中的X^(m+1)；

其中H_c(X^(m))和

可分别由公式11和公式12给出，H_c(X^(m))^-1为H_c(X^(m))的逆矩阵；

其中，X＝[q,H,a,b,c,d,B,α,z]，X₁＝q，X₂＝H，X₃＝a，X₄＝b，X₅＝c，X₆＝d，X₇＝B，X₈＝α，X₉＝z，将公式10求解出的X^(m+1)带入σ_mp(X^(m+1))，若σ_mp(X^(m+1))<ε，则停止迭代输出最优解

否则更新σ_m+1＝βσ_m继续迭代，其中ε和β为预设常数。

Images