CN117556262A - 大气甲烷排放强度监测方法、装置、电子设备及存储介质 - Google Patents
大气甲烷排放强度监测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117556262A CN117556262A CN202410022370.9A CN202410022370A CN117556262A CN 117556262 A CN117556262 A CN 117556262A CN 202410022370 A CN202410022370 A CN 202410022370A CN 117556262 A CN117556262 A CN 117556262A
- Authority
- CN
- China
- Prior art keywords
- methane
- atmospheric
- emission intensity
- monitoring
- column
- 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
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 783
- 238000012544 monitoring process Methods 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 137
- 239000011159 matrix material Substances 0.000 claims description 33
- 230000006870 function Effects 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 16
- 230000004907 flux Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012806 monitoring device Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 14
- 238000013528 artificial neural network Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 6
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 229910002092 carbon dioxide Inorganic materials 0.000 description 3
- 239000001569 carbon dioxide Substances 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000010792 warming Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- 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
- G01N33/0047—Organic compounds
-
- 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
- G01N33/0062—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
- G01N33/0068—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 using a computer specifically programmed
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N2021/1793—Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Theoretical Computer Science (AREA)
- Combustion & Propulsion (AREA)
- Mathematical Physics (AREA)
- Medicinal Chemistry (AREA)
- Food Science & Technology (AREA)
- Environmental & Geological Engineering (AREA)
- Mathematical Optimization (AREA)
- General Engineering & Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种大气甲烷排放强度监测方法、装置、电子设备及存储介质,属于空气质量监测技术领域,所述方法包括:获取监测区域的大气甲烷柱浓度数据;将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。本发明可以输出高精度的甲烷排放强度监测结果,且无需运行大气化学传输模型,有效提升了甲烷排放强度的监测效率。
Description
技术领域
本发明涉及空气质量监测技术领域,尤其涉及一种大气甲烷排放强度监测方法、装置、电子设备及存储介质。
背景技术
甲烷(CH4)是全球第二大温室气体。相较于二氧化碳(CO2),甲烷在大气中存续时间较短,但由于其吸收热红外辐射的效率更高,在20年时间尺度内,甲烷的全球增温潜势是二氧化碳的 84倍。甲烷对目前人类感知的全球变暖的贡献率约为四分之一。为此,开展对甲烷排放强度的监测,减少人为造成的甲烷排放对于减缓气候变暖速度具有重要意义。
目前,流行一种基于大气化学传输模型结合卫星监测的大气甲烷浓度来估算甲烷排放通量的方法,但是,该方法使用的卫星监测数据单一,并且运行大气化学传输模型所需算力开销大,计算时间长,导致大气甲烷排放强度监测结果的精度不高且效率低下。
因此,如何更好地进行大气甲烷排放强度监测已经成为业界亟待解决的技术问题。
发明内容
本发明提供一种大气甲烷排放强度监测方法、装置、电子设备及存储介质,用以更好地进行大气甲烷排放强度监测。
本发明提供一种大气甲烷排放强度监测方法,包括:
获取监测区域的大气甲烷柱浓度数据;
将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
根据本发明提供的一种大气甲烷排放强度监测方法,在所述将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型之前,所述方法还包括:
将所述大气监测数据样本及对应的甲烷浓度增强信息标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,将所述训练样本输入至所述大气甲烷排放强度估算模型,输出所述训练样本对应的甲烷排放强度预测值;
利用预设损失函数,根据所述训练样本对应的甲烷排放强度预测值和所述训练样本对应的甲烷浓度增强信息标签,计算损失值;
基于所述损失值,对所述大气甲烷排放强度估算模型的模型参数进行调整,直至所述损失值小于预设阈值或训练次数达到预设次数;
将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数,作为训练好的大气甲烷排放强度估算模型的模型参数。
根据本发明提供的一种大气甲烷排放强度监测方法,所述利用预设损失函数,根据所述训练样本对应的甲烷排放强度预测值和所述训练样本对应的甲烷浓度增强信息标签,计算损失值,包括:
基于所述训练样本对应的甲烷排放强度预测值,确定所述训练样本对应的甲烷浓度增强预测信息;
将所述甲烷浓度增强预测信息和甲烷浓度增强信息标签代入所述预设损失函数,计算损失值;所述预设损失函数是基于所述甲烷浓度增强预测信息与甲烷浓度增强信息标签之间的平滑损失值,以及预设惩罚项确定的。
根据本发明提供的一种大气甲烷排放强度监测方法,所述大气柱监测数据样本包括大气柱质量数据样本和各风向方位上的大气柱质量通量数据样本;所述基于所述训练样本对应的甲烷排放强度预测值,确定所述训练样本对应的甲烷浓度增强预测信息,包括:
基于所述甲烷排放强度预测值、所述大气柱质量数据样本、所述各风向方位上的大气柱质量通量数据样本,以及所述各风向方位上的甲烷柱质量数据样本,计算所述训练样本对应的监测区域甲烷排放的灵敏度矩阵;
基于所述灵敏度矩阵、所述训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及所述训练样本对应的监测区域内气象数据,确定所述训练样本对应的甲烷浓度增强预测信息。
根据本发明提供的一种大气甲烷排放强度监测方法,所述气象数据包括地表压力数据和水蒸气柱总量数据;所述基于所述灵敏度矩阵、所述训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及所述训练样本对应的监测区域内气象数据,确定所述训练样本对应的甲烷浓度增强预测信息,包括:
对所述灵敏度矩阵和所述训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵进行乘积运算,得到所述训练样本对应的监测区域甲烷排放的增强矩阵;
基于所述增强矩阵、所述地表压力数据和所述水蒸气柱总量数据,确定所述甲烷浓度增强预测信息。
根据本发明提供的一种大气甲烷排放强度监测方法,所述预设损失函数是通过如下公式确定的:
;
其中:
;
式中,表示所述损失值,/>表示平滑损失值,/>表示所述甲烷浓度增强信息标签,/>表示所述甲烷浓度增强预测信息,/>表示预设惩罚项,/>、/>分别表示预设的上下边界阈值。
本发明还提供一种大气甲烷排放强度监测装置,包括:
获取模块,用于获取监测区域的大气甲烷柱浓度数据;
监测模块,用于将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在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述任一种所述大气甲烷排放强度监测方法。
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,该计算机程序被处理器执行时实现如上述任一种所述大气甲烷排放强度监测方法。
本发明还提供一种计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如上述任一种所述大气甲烷排放强度监测方法。
本发明提供的大气甲烷排放强度监测方法、装置、电子设备及存储介质,通过结合卫星观测的大气甲烷柱浓度数据与影响大气甲烷柱浓度的气象数据,利用包括各风向方位上甲烷柱质量数据样本的大气甲烷柱浓度数据样本、大气柱监测数据样本以及对应的甲烷浓度增强信息标签对深度神经网络进行训练,得到训练好的大气甲烷排放强度估算模型,并利用大气甲烷排放强度估算模型对监测区域的大气甲烷柱浓度数据进行识别,可以输出高精度的甲烷排放强度监测结果,且无需运行大气化学传输模型,有效提升了甲烷排放强度的监测效率。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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,还可以根据这些附图获得其他的附图。
图1是本发明提供的大气甲烷排放强度监测方法的流程示意图;
图2是本发明提供的大气甲烷排放强度估算模型的结构示意图;
图3是本发明提供的大气甲烷排放强度监测装置的结构示意图;
图4是本发明提供的电子设备的实体结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明中的附图,对本发明中的技术方案进行清楚、完整地描述,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。
在发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本发明中的具体含义。
下面结合图1-图4描述本发明的大气甲烷排放强度监测方法、装置、电子设备及存储介质。
图1是本发明提供的大气甲烷排放强度监测方法的流程示意图,如图1所示,包括:
步骤110,获取监测区域的大气甲烷柱浓度数据;
步骤120,将大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到大气甲烷排放强度估算模型输出的监测区域的甲烷排放强度;大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
具体地,本发明实施例所描述的大气监测数据样本指的是通过遥感卫星对监测区域的大气空气质量进行监测所获得的观测数据,其可以通过获取监测区域的历史卫星遥感监测数据得到,具体包括大气甲烷柱浓度数据样本和大气柱监测数据样本。
其中,大气甲烷柱浓度数据样本具体包括各风向方位上的甲烷柱质量数据样本,如东西风向上的甲烷柱质量数据样本和南北风向上的甲烷柱质量数据样本。
大气柱监测数据样本具体可以包括大气柱质量(Vertical integral of mass ofatmosphere)数据样本、各风向方位上的大气柱质量通量(Vertical integral of massflux)数据样本等。
本发明实施例所描述的甲烷浓度增强信息指的是监测区域在前后监测时刻间的甲烷浓度变化量信息,其可以通过遥感卫星观测数据反演技术直接得到。
本发明实施例所描述的大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签对深度神经网络进行模型训练得到的,用于学习不同甲烷柱浓度数据与监测区域内甲烷排放强度之间的内在关联关系,对监测区域中大气甲烷柱浓度数据进行识别,实时估算监测区域内的甲烷排放强度。
其中,深度神经网络可以采用卷积神经网络(Convolutional Neural Networks,CNN)、卷积层与全连接层相结合的神经网络等,还可以采用其他用于甲烷排放强度监测的神经网络,在本发明中不做具体限定。
其中,训练样本是由多组携带有甲烷浓度增强信息标签的大气监测数据样本组成的。
本发明实施例所描述的甲烷浓度增强信息标签是根据大气监测数据样本预先确定的,并与大气监测数据样本是一一对应的。也就是说,训练样本中的每一个大气监测数据样本,都预先设定好携带一个与之对应的甲烷浓度增强信息标签。
在本发明的实施例中,步骤110中,通过遥感卫星对监测区域进行大气环境数据观测,可以获取到监测区域的大气甲烷柱浓度数据,包括区域中各风向方位上的甲烷柱质量数据。
进一步地,步骤120中,通过将获取到的大气甲烷柱浓度数据输入至提前训练好的大气甲烷排放强度估算模型中,利用大气甲烷排放强度估算模型对该大气甲烷柱浓度数据进行数据特征提取及识别,输出监测区域的甲烷排放强度,实现高精度的甲烷排放强度监测。
图2是本发明提供的大气甲烷排放强度估算模型的结构示意图,如图2所示,在本发明的实施例中,大气甲烷排放强度估算模型(可以描述为深度甲烷排放估算模型)包括4层由二维卷积(CONV2D)模块和归一化(Normalization)层组成的卷积神经网络层以及4层由密集连接(DENSE)模块和Normalization层组成的全连接神经网络层。
其中,4层CONV2D模块中卷积核的大小(filter size)依次为16、32、16和32;4层DENSE模块中隐藏层输出特征的大小(hidden size)依次为16、16、8和1;模型损失函数使用平滑L1损失函数Huber损失函数。输入(Input)大气甲烷数据为大气甲烷柱浓度数据;输出(Output)为甲烷排放强度估算结果。
本发明实施例的大气甲烷排放强度监测方法,通过结合卫星观测的大气甲烷柱浓度数据与影响大气甲烷柱浓度的气象数据,利用包括各风向方位上甲烷柱质量数据样本的大气甲烷柱浓度数据样本、大气柱监测数据样本以及对应的甲烷浓度增强信息标签对深度神经网络进行训练,得到训练好的大气甲烷排放强度估算模型,并利用大气甲烷排放强度估算模型对监测区域的大气甲烷柱浓度数据进行识别,可以输出高精度的甲烷排放强度监测结果,且无需运行大气化学传输模型,有效提升了甲烷排放强度的监测效率。
基于上述实施例的内容,作为一种可选的实施例,在将大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型之前,该方法还包括:
将大气监测数据样本及对应的甲烷浓度增强信息标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,将训练样本输入至大气甲烷排放强度估算模型,输出训练样本对应的甲烷排放强度预测值;
利用预设损失函数,根据训练样本对应的甲烷排放强度预测值和训练样本对应的甲烷浓度增强信息标签,计算损失值;
基于损失值,对大气甲烷排放强度估算模型的模型参数进行调整,直至损失值小于预设阈值或训练次数达到预设次数;
将损失值小于预设阈值或训练次数达到预设次数时所得到的模型参数,作为训练好的大气甲烷排放强度估算模型的模型参数。
具体地,在本发明的实施例中,在将大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型之前,还需对大气甲烷排放强度估算模型进行训练,以得到训练好的大气甲烷排放强度估算模型。
在本发明的实施例中,对大气甲烷排放强度估算模型进行模型训练的具体实施方式如下:
将大气监测数据样本及对应的甲烷浓度增强信息标签作为一组训练样本,针对不同的大气监测数据样本,则可以获取到多组训练样本。利用多组训练样本,对大气甲烷排放强度估算模型进行训练。
在本发明的实施例中,大气监测数据样本与其携带的甲烷浓度增强信息标签是一一对应的。
然后,在获得多组训练样本之后,再将多组训练样本依次输入至大气甲烷排放强度估算模型中,利用多组训练样本对大气甲烷排放强度估算模型进行训练,即:
将每组训练样本中的大气监测数据样本及对应的甲烷浓度增强信息标签同时输入至大气甲烷排放强度估算模型中,根据大气甲烷排放强度估算模型中的每一次输出结果,通过计算损失函数值,对大气甲烷排放强度估算模型中的模型参数进行调整,在满足预设训练终止条件的情况下,最终完成大气甲烷排放强度估算模型的整个训练过程,得到训练好的大气甲烷排放强度估算模型。
本发明实施例的方法,通过将大气监测数据样本及对应的甲烷浓度增强信息标签作为一组训练样本,利用多组训练样本对大气甲烷排放强度估算模型进行训练,有利于提升训练好的大气甲烷排放强度估算模型的模型精度。
进一步地,本发明实施例所描述的预设损失函数指的是预先设置在大气甲烷排放强度估算模型里的损失函数,用于进行模型评估;预设阈值指的是模型预先设置的阈值,用于获得最小损失值,完成模型训练;预设次数指的是预先设置的模型迭代训练的最大次数。
在获得多组训练样本之后,对于任意一组训练样本,将每组训练样本中的大气监测数据样本及对应的甲烷浓度增强信息标签同时输入至大气甲烷排放强度估算模型,输出该训练样本对应的甲烷排放强度预测值。
在此基础上,利用预设损失函数,根据该训练样本对应的甲烷排放强度预测值和该训练样本对应的甲烷浓度增强信息标签,计算损失值。
进一步地,在计算获得损失值之后,本次训练过程结束。再利用如反向传播(BackPropagation,BP)算法,基于该损失值对大气甲烷排放强度估算模型的模型参数进行调整,来更新大气甲烷排放强度估算模型中的模型的各层权重参数,之后再进行下一次训练,如此反复迭代进行模型训练。
在训练的过程中,若针对某组训练样本的训练结果满足预设训练终止条件,如对应计算获得的损失值小于预设阈值,或着当前的迭代次数达到预设次数时,模型的损失值可以控制在收敛范围内,则模型训练结束。此时,可以将所得到的模型参数作为训练好的大气甲烷排放强度估算模型的模型参数,则大气甲烷排放强度估算模型训练完成,由此得到训练好的大气甲烷排放强度估算模型。
本发明实施例的方法,通过利用多组训练样本对大气甲烷排放强度估算模型进行反复迭代训练,将大气甲烷排放强度估算模型的损失值控制在收敛范围内,从而有利于提高模型识别甲烷排放强度的准确性,提升大气甲烷排放强度估算模型的精度。
基于上述实施例的内容,作为一种可选的实施例,利用预设损失函数,根据训练样本对应的甲烷排放强度预测值和训练样本对应的甲烷浓度增强信息标签,计算损失值,包括:
基于训练样本对应的甲烷排放强度预测值,确定训练样本对应的甲烷浓度增强预测信息;
将甲烷浓度增强预测信息和甲烷浓度增强信息标签代入预设损失函数,计算损失值;预设损失函数是基于甲烷浓度增强预测信息与甲烷浓度增强信息标签之间的平滑损失值,以及预设惩罚项确定的。
需要说明的是,由于大气甲烷是长寿命气体,因此气象条件对大气甲烷的影响主要是大气传输作用,就此,本发明实施例中,利用风场数据,并利用预设的二维格网模型对大气传输的影响进行模拟。
具体地,在本发明的实施例中,预先对训练样本所对应的监测区域进行二维网格划分,并将样本观测数据匹配至各个网格中,由此构建出二维格网模型。
在模型训练的每一次样本训练过程中,将训练样本中的大气监测数据样本及对应的甲烷浓度增强信息标签输入至大气甲烷排放强度估算模型得到训练样本对应的甲烷排放强度预测值之后,可以确定出监测区域中各个网格所对应的甲烷排放强度预测值。
进一步地,通过结合考虑风场影响因素的大气空气质量数据,利用二维格网模型进行模拟计算,得到各个网格所对应的甲烷浓度增强预测信息,并将得到各个网格所对应的甲烷浓度增强预测信息组合起来,以此确定出整个训练样本对应的甲烷浓度增强预测信息。
基于上述实施例的内容,作为一种可选的实施例,大气柱监测数据样本包括大气柱质量数据样本和各风向方位上的大气柱质量通量数据样本;基于训练样本对应的甲烷排放强度预测值,确定训练样本对应的甲烷浓度增强预测信息,包括:
基于甲烷排放强度预测值、大气柱质量数据样本、各风向方位上的大气柱质量通量数据样本,以及各风向方位上的甲烷柱质量数据样本,计算训练样本对应的监测区域甲烷排放的灵敏度矩阵;
基于灵敏度矩阵、训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及训练样本对应的监测区域内气象数据,确定训练样本对应的甲烷浓度增强预测信息。
具体地,在本发明的实施例中,在获取训练样本对应的甲烷排放强度预测值,以及训练样本中的大气柱质量数据样本、各风向方位上的大气柱质量通量数据样本以及各风向方位上的甲烷柱质量数据样本后,可以利用前述监测区域网格划分,确定出监测区域中各个网格对应的甲烷排放强度预测值、大气柱质量数据样本、各风向方位上的大气柱质量通量数据样本以及各风向方位上的甲烷柱质量数据样本。
需要说明的是,本发明实施例中,各风向方位包括东西向和南北向方位。
在本发明的实施例中,利用二维格网模型模拟计算出监测区域甲烷排放的灵敏度矩阵的模型公式如下:
;
式中,表示/>时刻(/>)网格所处空间位置的甲烷柱质量,单位是(kg/m2);/>表示/>时刻(/>)网格所处空间位置的甲烷排放强度,单位是(kg/m2/s);/> 和 />分别表示在/>时刻(/>)网格所处空间位置在南北向、东西向上的大气柱质量通量,单位是(kg/m/s);/>、/>分别表示/>时刻东西向、南北向风向上网格的甲烷柱质量,单位是(kg/m2);/>,/>分别表示网格东西向、南北向的长度,单位为m;am表示大气柱质量,单位是(kg/m2);/>表示模型模拟的单位时间步长,单位为s。
进一步地,在本实施例中,可以将监测区域中各个网格对应的甲烷排放强度预测值、大气柱质量数据样本、各风向方位上的大气柱质量通量数据样本以及各风向方位上的甲烷柱质量数据样本代入上述公式中,可以计算各个网格所处空间位置的甲烷柱质量变化信息,进而对各个网格所处空间位置的甲烷柱质量变化信息进行空间组合,得到训练样本对应的监测区域甲烷排放的灵敏度矩阵。
进一步地,在本实施例中,利用上述计算得到的灵敏度矩阵,结合训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及考虑监测区域内气象数据的影响,计算训练样本对应的甲烷浓度增强预测信息。
本发明实施例的方法,通过构建监测区域内的二维格网模型,并结合气象数据和排放源的甲烷排放强度进行大气传输模拟,可以更加精确地估算监测区域甲烷排放的变化情况,为后续模型迭代训练提供可靠的损失值计算数据源,有利于提升模型训练的精度。基于上述实施例的内容,作为一种可选的实施例,气象数据包括地表压力数据和水蒸气柱总量数据;基于所述灵敏度矩阵、训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及训练样本对应的监测区域内气象数据,确定训练样本对应的甲烷浓度增强预测信息,包括:
对灵敏度矩阵和训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵进行乘积运算,得到训练样本对应的监测区域甲烷排放的增强矩阵;
基于增强矩阵、地表压力数据和所述水蒸气柱总量数据,确定甲烷浓度增强预测信息。
具体地,在本发明的实施例中,通过卫星遥感检测获取监测区域内所有排放源的排放强度矩阵,对前述灵敏度矩阵/>和该甲烷排放强度矩阵/>进行乘积运算,可以获得训练样本对应的监测区域甲烷排放的增强矩阵/>。
进一步地,在本实施例中,利用气象数据产品ERA5,获取监测区域内的10m东西风速(m/s)、10m南北风速(m/s)、地表压力(Pa)和水蒸气柱总量等数据,利用下述公式,计算出训练样本对应的甲烷浓度增强预测信息。
上述计算流程可以通过下述公式来表示:
;
;
式中,和/>分别表示空气和甲烷的摩尔质量,单位是g·mol -1;g表示重力加速度,单位是m·s -2;/>和/>分别表示地表压力,单位是Pa和水蒸气柱总量,单位是kg·m -2。
本发明实施例的方法,通过利用监测区域内的地表压力和水蒸气柱总量等气象数据模拟计算甲烷浓度增强预测信息,考虑了气象数据对大气甲烷柱浓度数据的影响,可以有效提升甲烷浓度增强预测信息计算结果的准确性,有利于提升后续模型训练的精度和性能。
进一步地,在本发明的实施例中,将上述计算得到的甲烷浓度增强预测信息和对应的甲烷浓度增强信息标签代入预设损失函数,计算损失值。
基于上述实施例的内容,作为一种可选的实施例,预设损失函数是通过如下公式确定的:
;
其中:
;
式中,表示损失值;/>表示平滑损失值;/>表示甲烷浓度增强信息标签;/>表示甲烷浓度增强预测信息/>;/>表示预设惩罚项,为限制模型排放估算结果的正则惩罚项;/>、/>分别表示预设的上下边界阈值,其具体可以分别为0,/>,其中Edgar表示排放清单数据库(Emissions Database for Global Atmospheric Research,EDGAR)提供的监测区域内对应格网的甲烷排放清单数据。
在本发明的实施例中,平滑L1损失函数可以表示为:
;
其中,表示/>的阈值参数,可以取值为0.1。
本发明实施例的方法,通过利用平滑L1损失函数,结合引入的惩罚项,可以更加准确地评估模型预测结果与标签之间的误差程度,从而更好地指导模型的训练过程及拟合训练数据,提升大气甲烷排放强度估算模型的精度和性能。
进一步地,在本实施例中,根据前述每一次训练计算得到的损失值,对大气甲烷排放强度估算模型的模型参数进行调整,直至损失值小于预设阈值或训练次数达到预设次数,得到训练好的大气甲烷排放强度估算模型的模型参数,完成大气甲烷排放强度估算模型的训练。
与当前流行的基于大气化学传输模型同化卫星监测的大气甲烷浓度估算甲烷排放通量的方法相比,本发明实施例的方法不需要运行大气化学传输模型,且可以通过图形处理器GPU加速神经网络计算,不仅节省计算费用、计算时间、减少大规模计算带来的温室气体排放,而且操作简单,不需要具有大气专业背景运行大气化学传输模型及其同化技术,是一种快速估算甲烷通量的方法,而且估算精度可靠。
下面对本发明提供的大气甲烷排放强度监测装置进行描述,下文描述的大气甲烷排放强度监测装置与上文描述的大气甲烷排放强度监测方法可相互对应参照。
图3是本发明提供的大气甲烷排放强度监测装置的结构示意图,如图3所示,包括:依次连接的获取模块310和监测模块320;
获取模块310,用于获取监测区域的大气甲烷柱浓度数据;
监测模块320,用于将大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到大气甲烷排放强度估算模型输出的监测区域的甲烷排放强度;大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
本实施例所述的大气甲烷排放强度监测装置可以用于执行上述大气甲烷排放强度监测方法实施例,其原理和技术效果类似,此处不再赘述。
本发明实施例的大气甲烷排放强度监测装置,通过结合卫星观测的大气甲烷柱浓度数据与影响大气甲烷柱浓度的气象数据,利用包括各风向方位上甲烷柱质量数据样本的大气甲烷柱浓度数据样本、大气柱监测数据样本以及对应的甲烷浓度增强信息标签对深度神经网络进行训练,得到训练好的大气甲烷排放强度估算模型,并利用大气甲烷排放强度估算模型对监测区域的大气甲烷柱浓度数据进行识别,可以输出高精度的甲烷排放强度监测结果,且无需运行大气化学传输模型,有效提升了甲烷排放强度的监测效率。
图4是本发明提供的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)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行上述各方法所提供的大气甲烷排放强度监测方法,该方法包括:获取监测区域的大气甲烷柱浓度数据;将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
此外,上述的存储器430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。
另一方面,本发明还提供一种计算机程序产品,所述计算机程序产品包括计算机程序,计算机程序可存储在非暂态计算机可读存储介质上,所述计算机程序被处理器执行时,计算机能够执行上述各方法所提供的大气甲烷排放强度监测方法,该方法包括:获取监测区域的大气甲烷柱浓度数据;将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
又一方面,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,该计算机程序被处理器执行时实现以执行上述各方法提供的大气甲烷排放强度监测方法,该方法包括:获取监测区域的大气甲烷柱浓度数据;将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种大气甲烷排放强度监测方法,其特征在于,包括:
获取监测区域的大气甲烷柱浓度数据;
将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
2.根据权利要求1所述的大气甲烷排放强度监测方法,其特征在于,在所述将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型之前,所述方法还包括:
将所述大气监测数据样本及对应的甲烷浓度增强信息标签作为一组训练样本,获取多组训练样本;
对于任意一组训练样本,将所述训练样本输入至所述大气甲烷排放强度估算模型,输出所述训练样本对应的甲烷排放强度预测值;
利用预设损失函数,根据所述训练样本对应的甲烷排放强度预测值和所述训练样本对应的甲烷浓度增强信息标签,计算损失值;
基于所述损失值,对所述大气甲烷排放强度估算模型的模型参数进行调整,直至所述损失值小于预设阈值或训练次数达到预设次数;
将所述损失值小于所述预设阈值或训练次数达到所述预设次数时所得到的模型参数,作为训练好的大气甲烷排放强度估算模型的模型参数。
3.根据权利要求2所述的大气甲烷排放强度监测方法,其特征在于,所述利用预设损失函数,根据所述训练样本对应的甲烷排放强度预测值和所述训练样本对应的甲烷浓度增强信息标签,计算损失值,包括:
基于所述训练样本对应的甲烷排放强度预测值,确定所述训练样本对应的甲烷浓度增强预测信息;
将所述甲烷浓度增强预测信息和甲烷浓度增强信息标签代入所述预设损失函数,计算损失值;所述预设损失函数是基于所述甲烷浓度增强预测信息与甲烷浓度增强信息标签之间的平滑损失值,以及预设惩罚项确定的。
4.根据权利要求3所述的大气甲烷排放强度监测方法,其特征在于,所述大气柱监测数据样本包括大气柱质量数据样本和各风向方位上的大气柱质量通量数据样本;所述基于所述训练样本对应的甲烷排放强度预测值,确定所述训练样本对应的甲烷浓度增强预测信息,包括:
基于所述甲烷排放强度预测值、所述大气柱质量数据样本、所述各风向方位上的大气柱质量通量数据样本,以及所述各风向方位上的甲烷柱质量数据样本,计算所述训练样本对应的监测区域甲烷排放的灵敏度矩阵;
基于所述灵敏度矩阵、所述训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及所述训练样本对应的监测区域内气象数据,确定所述训练样本对应的甲烷浓度增强预测信息。
5.根据权利要求4所述的大气甲烷排放强度监测方法,其特征在于,所述气象数据包括地表压力数据和水蒸气柱总量数据;所述基于所述灵敏度矩阵、所述训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵以及所述训练样本对应的监测区域内气象数据,确定所述训练样本对应的甲烷浓度增强预测信息,包括:
对所述灵敏度矩阵和所述训练样本对应的监测区域内所有排放源的甲烷排放强度矩阵进行乘积运算,得到所述训练样本对应的监测区域甲烷排放的增强矩阵;
基于所述增强矩阵、所述地表压力数据和所述水蒸气柱总量数据,确定所述甲烷浓度增强预测信息。
6.根据权利要求3-5任一项所述的大气甲烷排放强度监测方法,其特征在于,所述预设损失函数是通过如下公式确定的:
;
其中:
;
式中,表示所述损失值,/>表示平滑损失值,/>表示所述甲烷浓度增强信息标签,/>表示所述甲烷浓度增强预测信息,/>表示预设惩罚项,/>、/>分别表示预设的上下边界阈值。
7.一种大气甲烷排放强度监测装置,其特征在于,包括:
获取模块,用于获取监测区域的大气甲烷柱浓度数据;
监测模块,用于将所述大气甲烷柱浓度数据输入至大气甲烷排放强度估算模型,得到所述大气甲烷排放强度估算模型输出的所述监测区域的甲烷排放强度;所述大气甲烷排放强度估算模型是根据监测区域内的大气监测数据样本及对应的甲烷浓度增强信息标签训练得到的;大气监测数据样本包括大气甲烷柱浓度数据样本和大气柱监测数据样本,所述大气甲烷柱浓度数据样本包括各风向方位上的甲烷柱质量数据样本。
8.一种电子设备,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6任一项所述大气甲烷排放强度监测方法。
9.一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6任一项所述大气甲烷排放强度监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022370.9A CN117556262B (zh) | 2024-01-08 | 2024-01-08 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410022370.9A CN117556262B (zh) | 2024-01-08 | 2024-01-08 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117556262A true CN117556262A (zh) | 2024-02-13 |
CN117556262B CN117556262B (zh) | 2024-05-14 |
Family
ID=89813111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410022370.9A Active CN117556262B (zh) | 2024-01-08 | 2024-01-08 | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117556262B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102136843B1 (ko) * | 2019-04-19 | 2020-07-23 | 서울대학교산학협력단 | 무인항공기를 이용한 대기 중 메탄가스 배출량 측정방법 |
CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
CN114088633A (zh) * | 2021-11-19 | 2022-02-25 | 生态环境部卫星环境应用中心 | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 |
CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
US20220357273A1 (en) * | 2020-12-12 | 2022-11-10 | Blue Sky Measurements, Inc. | Methane monitoring and detection apparatus and methods |
CN115618718A (zh) * | 2022-09-21 | 2023-01-17 | 浙江大学 | 一种基于表面监测和遗传算法优化的垃圾填埋场甲烷排放估算方法 |
CN116486931A (zh) * | 2023-06-21 | 2023-07-25 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及*** |
CN116559902A (zh) * | 2023-04-24 | 2023-08-08 | 上海航天空间技术有限公司 | 近地表甲烷异常排放的快速遥感识别与通量估算方法及*** |
US20230304982A1 (en) * | 2022-03-25 | 2023-09-28 | Project Canary, Pbc | Emissions detection system and methods |
-
2024
- 2024-01-08 CN CN202410022370.9A patent/CN117556262B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102136843B1 (ko) * | 2019-04-19 | 2020-07-23 | 서울대학교산학협력단 | 무인항공기를 이용한 대기 중 메탄가스 배출량 측정방법 |
US20220357273A1 (en) * | 2020-12-12 | 2022-11-10 | Blue Sky Measurements, Inc. | Methane monitoring and detection apparatus and methods |
CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
CN114088633A (zh) * | 2021-11-19 | 2022-02-25 | 生态环境部卫星环境应用中心 | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 |
CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
US20230304982A1 (en) * | 2022-03-25 | 2023-09-28 | Project Canary, Pbc | Emissions detection system and methods |
CN115618718A (zh) * | 2022-09-21 | 2023-01-17 | 浙江大学 | 一种基于表面监测和遗传算法优化的垃圾填埋场甲烷排放估算方法 |
CN116559902A (zh) * | 2023-04-24 | 2023-08-08 | 上海航天空间技术有限公司 | 近地表甲烷异常排放的快速遥感识别与通量估算方法及*** |
CN116486931A (zh) * | 2023-06-21 | 2023-07-25 | 上海航天空间技术有限公司 | 耦合物理机制的全覆盖大气甲烷浓度数据生产方法及*** |
Non-Patent Citations (2)
Title |
---|
耿飞;孟庆岩;魏鸣;卢显;: "2013年芦山M_S7.0地震前后甲烷排放时空演化分析", 地震学报, no. 03, 15 May 2017 (2017-05-15) * |
苏芳, 邵敏, 蔡旭辉, 曾立民, 朱彤: "利用逆向轨迹反演模式估算北京地区甲烷源强", 环境科学学报, no. 05, 26 September 2002 (2002-09-26) * |
Also Published As
Publication number | Publication date |
---|---|
CN117556262B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784041B (zh) | 一种基于图卷积神经网络的风电功率预测方法及*** | |
CN106611090B (zh) | 一种基于重构深度学习的道边空气污染物浓度预测方法 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN113962433A (zh) | 一种融合因果卷积与可分离时间卷积的风电预测方法及*** | |
CN105224738A (zh) | Lssvm非高斯脉动风速预测方法 | |
CN114330100A (zh) | 一种短期光伏功率概率区间预测方法 | |
CN110988263B (zh) | 一种基于改进的Stacking模型的车辆尾气浓度估计方法 | |
CN116577464A (zh) | 用于大气污染的智能监测***及其方法 | |
CN104270640A (zh) | 基于支持向量回归的光谱图像无损压缩方法 | |
CN117556262B (zh) | 大气甲烷排放强度监测方法、装置、电子设备及存储介质 | |
CN113673788A (zh) | 基于分解误差修正和深度学习的光伏发电功率预测方法 | |
CN116699731B (zh) | 一种热带气旋路径短期预报方法、***及存储介质 | |
CN112418684A (zh) | 空中水资源时空分布规律的评估方法、装置、设备和介质 | |
CN115952924B (zh) | 一种基于优化vmd与特征热力图的短期风电功率预测方法 | |
CN116722545A (zh) | 基于多源数据的光伏发电预测方法和相关设备 | |
CN116629142A (zh) | 基于transformer机制的雷电定位轨迹预测方法、***和存储介质 | |
CN116827685A (zh) | 基于深度强化学习的微服务***动态防御策略方法 | |
CN111488974A (zh) | 基于深度学习神经网络的海洋风能降尺度方法 | |
CN116108960A (zh) | 多类型能源需求预测模型训练方法及装置 | |
CN115758137A (zh) | 一种基于差分演化算法的光伏功率预测方法及检测方法 | |
CN115034432A (zh) | 一种风电场风力发电机组风速预测方法 | |
CN109685242B (zh) | 基于Adaboost算法的光伏超短期组合预测方法 | |
CN113096746A (zh) | 一种基于LightGBM的盐湖锂浓度反演方法及*** | |
Wang et al. | The prediction method of tropical cyclone intensity change based on deep learning | |
CN109409226A (zh) | 一种基于级联优化cnn的手指静脉图质量评估方法及其装置 |
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 |