CN111896680A - 基于卫星遥感数据的温室气体排放分析方法及系统 - Google Patents
基于卫星遥感数据的温室气体排放分析方法及系统 Download PDFInfo
- Publication number
- CN111896680A CN111896680A CN202010651029.1A CN202010651029A CN111896680A CN 111896680 A CN111896680 A CN 111896680A CN 202010651029 A CN202010651029 A CN 202010651029A CN 111896680 A CN111896680 A CN 111896680A
- Authority
- CN
- China
- Prior art keywords
- resolution
- space
- data
- emission
- time
- 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
- 239000005431 greenhouse gas Substances 0.000 title claims abstract description 55
- 238000004458 analytical method Methods 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 238000012545 processing Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims description 71
- 238000000034 method Methods 0.000 claims description 41
- 238000005516 engineering process Methods 0.000 claims description 29
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 5
- 230000005484 gravity Effects 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 3
- 238000013459 approach Methods 0.000 claims description 2
- 239000000203 mixture Substances 0.000 claims description 2
- 230000017105 transposition Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 24
- 229910002092 carbon dioxide Inorganic materials 0.000 description 12
- 238000010276 construction Methods 0.000 description 8
- 239000001569 carbon dioxide Substances 0.000 description 7
- 238000005265 energy consumption Methods 0.000 description 7
- 238000010438 heat treatment Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 239000007789 gas Substances 0.000 description 4
- 238000012952 Resampling Methods 0.000 description 3
- 239000003344 environmental pollutant Substances 0.000 description 3
- 239000000446 fuel Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 231100000719 pollutant Toxicity 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013475 authorization Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000002485 combustion reaction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 230000000873 masking effect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- DFPOZTRSOAQFIK-UHFFFAOYSA-N S,S-dimethyl-beta-propiothetin Chemical compound C[S+](C)CCC([O-])=O DFPOZTRSOAQFIK-UHFFFAOYSA-N 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000010420 art technique Methods 0.000 description 1
- 239000005441 aurora Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000003550 marker Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000010813 municipal solid waste Substances 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000009270 solid waste treatment Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000012800 visualization 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Chemical & Material Sciences (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Food Science & Technology (AREA)
- Combustion & Propulsion (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Medicinal Chemistry (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
Abstract
本发明提供一种基于卫星遥感数据的温室气体排放分析方法及系统,包括低分辨率排放清单构建,所述低分辨率排放清单包括多个低分辨率的地理空间单元分别在不同时间段内的温室气体排放量;多源气象数据及遥感数据的提取与处理,低分辨率排放清单与多源气象、遥感数据的时空异质性关系建模,包括将各时空位置的多个气象因素变量和夜间灯光数值作为空间分配因子,根据低分辨率排放清单对应构成拟合数据集,在每个时空位置进行建模;然后进行高分辨率排放清单构建,排放清单时空异质性演变规律分析。本发明在提高排放清单空间分辨率的同时,将有效提高温室气体排放清单模拟和空间分配的优度和精度,真实反映温室气体排放水平及其时空演变规律。
Description
技术领域
本发明属于温室气体排放反演监测技术领域,具体涉及一种基于卫星遥感数据的温室气体排放分析方法及系统。
背景技术
高分辨率温室气体排放清单降尺度技术,指的是提高生产活动中直接或间接排放的温室气体和大气污染物排放量空间分辨率,即低分辨率的排放清单降尺度技术,通过将低分辨率排放清单空间分配到规则栅格尺度的技术,从而可以提供更加精细化、栅格化的温室气体排放清单。其中,低分辨率排放清单通常指的是省/市/自治区/直辖市等行政边界为单元,其内部的温室气体排放总量。高分辨率排放清单指的是对低分辨率排放清单进行降尺度处理分配到规则的网格内,从而得到栅格化/网格化的排放清单。现有技术中对排放水平的评估方法可分为观测数据法和排放清单生成方法。目前我国区域空气质量监测系统并未包括二氧化碳气体排放监测。一些基于监测数据的技术方法只能局限于某个具体项目或者某个排放点源,缺乏对某个区域内所有排放源的排放测算技术和分析技术,具有“以点代面”的缺点(参见专利发明《一种城镇生活垃圾处理系统温室气体排放监测方法》,授权公告号CN 102494722 B)和《一种温室气体排放量检测装置》,授权公告号CN110044420B)。二氧化碳排放清单生成技术主要包括基于能源消耗和排放因子等信息进行计算。然而,由于目前统计部门仅公开了省域和少数发达城市的能源消费平衡表,学界已有温室气体排放研究的分辨率多为低分辨率排放清单,即局限在省/市/自治区/直辖市等行政边界层面,其分辨率较低。为了满足实际应用中环境污染水平精细化分析的迫切需求,构建长时间序列、高空间分辨率的高分辨率温室气体排放清单,并形成其时间、空间上的演变分析系统,对于提高目前温室气体排放水平分析技术的精确性和准确性具有重要意义,是环境监控技术领域的关键性基础性问题。因此迫切需要开发针对温室气体排放清单降尺度的新技术。
随着遥感技术的发展,多源遥感数据,包括高分辨率夜间灯光数据、气象数据等,被广泛应用于污染物水平模拟、反演和预测等相关技术应用中。其中,2012年新一代由Suomi国家极轨道伙伴关系卫星(Suomi National Polar-orbiting Partnership,SNPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite,VIIRS)对比1992—2013年间由美国军事气象卫星(DefenseMeteorologicalSatelliteProgram,DMSP)搭载的线性扫描业务系统(OLS),具有更高的空间分辨率、避免“天花板效应”等方面的优势。近年来,国内外学者开始研究利用气象数据、夜间灯光数据结合多源遥感土地利用数据,对省级行政边界的排放清单进行空间化和降尺度处理(或称之为提高分辨率),是高分辨率排放清单构建方法中的前沿技术。然而,由于温室气体和大气污染物的排放水平具有时空异质性,而使用传统的最小二乘法或面板数据回归模型,均基于“时间、空间均质性假设”,忽略了空间单元之间的空间效应,将造成模型估计的不准确,利用传统方法对高空间分辨率的排放清单反演存在较大误差。再者,由于传统的分析方法均基于“时空均质性假设”,因此,传统方法无法在较高空间分辨率尺度分析各类影响因素对二氧化碳排放影响的时间异质性和空间异质性,严重影响了排放水平分析的精准性及排放清单的可视化效果。因此,本领域尚未出现有效技术方案能够实现高空间分辨率、长时间周期的温室气体排放清单反演及其时空异质化演变分析。
发明内容
本发明的目的在于克服传统排放清单降尺度技术(或称之为提高分辨率)均基于“空间均质性假设”,缺乏在排放清单构建时体现其时间和空间异质性的技术缺陷,提供一种基于卫星遥感数据的温室气体排放分析方法及系统。
本发明解决其技术问题所采用的技术方案是一种基于卫星遥感数据的温室气体排放分析方法,包括以下步骤:
步骤一、低分辨率排放清单构建,所述低分辨率排放清单包括多个低分辨率的地理空间单元分别在不同时间段内的温室气体排放量,记低分辨率的地理空间单元c第t个时间段为一个时空位置,相应的排放量为Yc,t;
步骤二、多源气象数据及遥感数据的提取与处理,包括进行高分辨率气象数据的提取与处理,得到重采样到高空间分辨率标准栅格的多个气象因素变量,并生成各时空位置的多个气象因素变量;进行高分辨率夜间灯光数据的提取和处理,得到重采样到高空间分辨率标准栅格的夜间灯光数据,并生成各时空位置的夜间灯光数值;
步骤三、低分辨率排放清单与多源气象、遥感数据的时空异质性关系建模,包括将步骤二所得各时空位置的多个气象因素变量和夜间灯光数值作为空间分配因子,根据步骤一所得低分辨率排放清单,对应构成拟合数据集,进一步在每个时空位置进行建模;建模方式实现如下,
设空间分配因子包括h种数据,在时间维度和空间维度形成变量矩阵X,变量矩阵X的转置记为空间分配因子矩阵XT,第i个时空位置相应的排放量记为Yi,
则构建Yi与空间分配因子矩阵XT关系的GTWR模型如下,
Yi=β0(ui,vi,ti)+∑hβh(ui,vi,ti)XT+εi
式中,时空点(ui,vi,ti)的信息包括第i个时空位置的经度ui、纬度vi及时间坐标ti,β0(ui,vi,ti)为模型的空间截距,是待求解系数;εi为模型估计的误差项,系数矩阵βh(ui,vi,ti)为空间分配因子矩阵XT的待估计系数矩阵;
该模型的求解如下,
Y=[Y1,Y2,Y3,…,Yi,…,Yn]T
步骤四、高分辨率排放清单构建,包括以下步骤,
1)将所得系数矩阵βh(ui,vi,ti)和空间分配因子数据矩阵XT,使用克里金法采样至高空间分辨率标准栅格,形成系数时空矩阵β′h′(ui′,vi′,ti′)和空间分配因子数据矩阵(X′)T;
2)根据系数时空矩阵β′h′(ui′,vi′,ti′)和空间分配因子数据矩阵(X′)T,得到栅格层面的GTWR模型;
3)将步骤二所得高空间分辨率标准栅格的多个气象因素变量和夜间灯光数据,作为输入数据,根据步骤2)所得栅格层面的GTWR模型计算估计高空间分辨率标准栅格的排放数据;最后使用低分辨的排放数据对高分辨率的估计结果进行校正,得到校正后的高分辨率格尺度排放清单;
步骤五、排放清单时空异质性分析,包括根据步骤四所得校正后的高分辨率格尺度排放清单,得到每个高空间分辨率标准栅格的排放量的逐年变化率。
而且,步骤一中,低分辨率的空间单元分别在不同时间段内的温室气体排放量,是不同能源技术类型的分类排放量,或者多种能源技术类型的排放量总和。
而且,步骤一中,所述低分辨率的地理空间单元是按行政边界划分的空间单元。
而且,步骤二中,所述气象因素变量包括温度、降水和风速。
而且,步骤二中,高分辨率夜间灯光数据的提取和处理,包括通过掩膜提取去除平均夜间灯光数据中的异常值,
对夜间灯光数据中超出合理阈值的数据进行标准化处理,对于异常值采用周围邻居栅格的平均值进行替代。
而且,步骤三中,权重矩阵W(ui,vi,ti)的计算方法如下,
W(ui,vi,ti)=diag(wi1,wi2,…,wij,…,win)
式中,权重矩阵W(ui,vi,ti)为一对角矩阵;矩阵对角线上的每一项wij为第i个时空位置的观测数据与第j个时空位置的观测数据之间的权重,为两观测数据所在空间位置之间的距离;p为一个固定的带宽值,n为观测数据的个数;
第i个时空位置、第j个时空位置的相应地理空间单元重心点分别表示为(ui,vi)、(uj,vj),代表对应观测数据的空间位置;μ为时空距离间的缩放系数。
而且,步骤3)中,校正实现如下,
式中,g为栅格标记,用于标识为地理位置位于地理空间单元c的第g个栅格;GE′g,c,t为校正后得到的第t年栅格g的排放量;GEg,c,t为未经校正的计算所得第t年栅格g的排放量;Yc,t是步骤一所得地理空间单元c第t个时间段的排放量。
本发明还提供一种基于卫星遥感数据的温室气体排放分析系统,用于如上所述基于卫星遥感数据的温室气体排放分析方法。
与现有技术相比,本发明包括以下优点和有益效果:
1.本发明充分利用了夜间灯光数据的时间异质性和空间异质性,使用“加权时空回归建模技术”对低分辨率温室气体排放清单进行降尺度(或称为提高分辨率),提高了排放清单反演的精确度和准确性。
2.本发明考察了一种新颖的基于高空间分辨率遥感数据的高分辨率温室气体排放清单构建方法,难点在于生成一种能够在不同时间、空间维度,能够利用夜间灯光遥感数据及气象数据实现低分辨率温室气体排放清单的降尺度,即提高分辨率的方法,用于提高排放清单构建模型的拟合优度和精度方面的应用。
3.本发明的关键创新点在于利用“时空异质性理论”,改进现有技术中使用的基于“空间均质性假设”构建的最小二乘法或面板数据模型,创建了能够反映时空异质性的,高分辨率的温室气体排放清单及其演变分析方案,将在提高排放清单空间分辨率的同时,提高模型拟合的优度和精度,对于分析提取真实的反应温室气体排放水平及其时空演变过程具有重要意义。
综上所述,本发明在提高排放清单空间分辨率的同时,将有效提高温室气体排放清单模拟和空间分配的优度和精度,对于反映真实的反应温室气体排放水平及其时空演变规律,对构建可视化、网格化、精细化的温室气体排放水平排放分析系统具有重要意义。
附图说明
图1是本发明实施例流程图。
图2是本发明实施例精度对比示意图,其中,(a)为燃煤锅炉和热电联产CO2排放量的拟合优度检验图,(b)为燃气锅炉CO2排放量的拟合优度检验图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实例仅仅用于解释本发明,并不用于限定本发明。
参见图1,本发明提供基于卫星遥感数据的温室气体排放分析方法,包括以下步骤:
步骤一、低分辨率排放清单构建:
低分辨率排放清单指的是与高排放清单相对应的,空间分辨率较低,通常以省/地级市/自治区/直辖市等行政边界为空间单元,甚至可能为更低空间尺度,如国家尺度的排放清单。即所述低分辨率排放清单包括多个低分辨率的空间单元分别在不同时间段内的温室气体排放量,例如低分辨率的地理空间单元c第t个时间段为一个时空位置,低分辨率排放清单包括多个时空位置的温室气体排放量。后文中,地理空间单元简称空间单元。
目前由于能源消耗数据的限制,无法获取高分辨率的能源消耗数据,因此,目前对于区域排放总量的估计只能停留在统计数据可获取的低分辨率尺度,即省/市/自治区尺度。本发明目的在于发明一种将低分辨率的排放清单降尺度技术,因此,步骤一首先需要构建区域内低分辨率的排放清单,该步骤的目的是作为后续步骤中降尺度技术的数据基础。
具体实施时,排放清单中的排放量可以是针对不同能源技术类型的分类排放量,例如燃煤和燃(天然)气锅炉两种供热燃料类型,也可以是多种能源技术类型的加总。
当考虑多种能源技术类型时,可以从《中国统计年鉴》、《中国能源统计年鉴》等公开数据中提取中国北方地区地级市层面集中供热产业的能源类型、能源消耗量、技术类别等信息。从中查找并选取不同燃料和技术燃烧时温室气体排放系数(EFf),其中f为能源技术类型标识,根据公式(1)可计算得低分辨率的空间单元c第t个时间段的排放量Yc,t,按此方式依次迭代所有的时间(可包括多个时间段,实施例以一年为一个时间段)与地域(可包括多个低分辨率的空间单元)后即可得整理后的排放量数据;
Yc,t,f=∑Ef,t·EFf (1)
式中,Ef,t为低分辨率的空间单元c第t个时间段的能源技术类型为f的能源消耗量。
针对不同能源技术类型的分类排放量时,针对相应能源技术类型计算低分辨率的空间单元c第t个时间段的排放量即可。
步骤二、多源气象数据及遥感数据的提取与处理
为了将步骤一构建的低分辨率排放清单进一步降低到栅格尺度(即提高分辨率),本发明的核心技术是构建若干潜在的空间分配因子和排放量之间的时空异质性函数关系。其中空间分配因子是关键的数据输入。空间分配因子指的是一系列气象变量和夜间灯光数据构成的输入变量集合。因此,步骤二可理解为排放清单降尺度(或称为空间分配到规则栅格尺度)的分配因子的数据提取和处理步骤,从而形成多尺度(栅格尺度、省/市/自治区行政边界尺度)空间分配因子数据,将作为排放清单估测模块的分配因子数据输入。
实施例中,本步骤的具体实现包括以下子步骤:
(1)高分辨率气象数据的提取和处理
利用ArcGIS软件,提取目标区域内:地表高度2m年平均温度(TEM)、年总降水量(P),年平均风速(WS)等气象数据产品的栅格数据(原始数据的空间分辨率为0.0625°×0.0625°,约6.9×6.9km2。统一重采样至预设尺寸的高空间分辨率标准栅格,具体实施时本领域技术人员可根据需要设定标准栅格尺寸,本发明实施例后文所述的栅格,均为1×1km2的标准栅格),参见表1。
利用ArcGIS等地图计算和处理软件计算低分辨率排放清单对应的行政边界尺度(如省/市/自治区)上述气象因素变量的平均值,可以逐一提取各时空位置的多个气象因素变量。
表1:
(2)高分辨率夜间灯光数据的提取和处理。
(2.1)高分辨率夜间灯光数据的提取:
除了上述气象因素变量以外,本发明创新性的引入了夜间灯光数据,结合气象因素变量作为排放清单估测模块的输入变量。实施例利用由Suomi国家极轨道伙伴关系卫星(Suomi National Polar-orbiting Partnership,SNPP)搭载的可见光红外成像辐射仪(Visible Infrared Imaging Radiometer Suite,VIIRS)提供的夜间灯光数据产品(NPP-VIIRS NTL data),经重采样提取空间分辨率为1×1km2的夜间灯光数据。
可参见:https://earthdata.nasa.gov/earth-observation-data/near-real-time/download-nrt-data/viirs-nrt
(2.2)夜间灯光数据的清洗:
1)通过掩膜提取技术(Masking)去除月平均夜间灯光数据中的异常值。异常值是指,包括负值和山火,气体燃烧,火山爆发及极光等所带来的异常值。掩膜提取技术(Masking)为现有技术,本发明不予赘述。
2)对夜间灯光数据中超出合理阈值的数据进行标准化处理。实施例中合理阈值采用的是:目标区域内特大、较大城市(例如:北京)的夜间灯光强度最大值。该最大值可从2015-2016的NPP-VIIRS NTL产品及2012-2013的DMSP-OLS数据中获取,因该数据集已经通过官方校验并已经将异常值进行了移除,故其最大值可近似视作合理夜间灯光强度的上限。标准化处理指对于夜间灯光数据集中超过该阈值的栅格,使用该异常栅格周围点的平均值对其进行替代。
(2.3)最后,根据在前述步骤一中提取排放量数据集的空间单元及时间段(即时空位置),逐一提取各时空位置的夜间灯光数值。
设Lg为原始的第g个栅格的夜间灯光数据,Le为处理后的夜间灯光数据。如第g栅格属于掩膜(mask,即非异常栅格的集合),则直接将原值Lg赋予处理后值Le,其他情况则使用其周围k个邻居栅格Lng的平均值进行替代。其中k一般取值区间在9-24。随后,对于每个处理后的栅格,使用m个月(实际为12个月)的Le算术平均值构建年平均值Ly。
Ly=∑m Le/m (3)
式中,g代表栅格,Lg为第g个栅格对应的夜间灯光强度,单位为:毫微瓦每平方厘米每立方米(nano-Wcm-2sr-1);Le为经掩膜处理后的夜间灯光强度;Ly为掩膜处理后的第g个栅格的夜间灯光强度年均值(单位:nano-Wcm-2sr-1)。
根据各栅格的夜间灯光强度年均值,通过通过将某空间位置对应空间范围(行政区划)内的栅格加和,提取各时空位置的夜间灯光数值。
步骤三、低分辨率排放清单与多源气象、遥感数据的时空异质性关系建模,,其过程为:
传统的时空均质性假设认为,对于一组给定的自变量及解释变量,其在时空中的不同位置符合同样的关系。而时空异质性则假设此种关系在不同的时空位置是不同的,在邻近的时空位置是近似不变或逐渐变化。本发明将步骤二所得各时空位置的多个气象因素变量和夜间灯光数值作为分配因子,通过将步骤一计算的低分辨率排放清单和步骤二提取的分配因子,对应构成拟合数据集,进一步在每个时空观测位置进行建模。根据上述原理,构建温室气体排放量与夜间灯光数据的时空加权回归模型(GTWR),目的是为了下一步骤(步骤四)的高分辨率排放清单估测提供技术基础。
本发明利用步骤二提取和处理的气象和遥感数据,构建可以对低分辨率的排放清单进行降尺度处理(即提高分辨率处理)的时空加权回归(Spatio-Temporal WeightedRegression,GTWR)排放分配技术,可以理解为将低分辨率温室气体排放量分配到高分辨率的规则空间网格内。传统建模使用的时空同质性(spatiotemporal/spatial-temporalhomogeneity)假设为,对于一组给定的自变量及解释变量其在时空中的不同位置符合同样的关系(例如线性或广义线性)。而时空异质性理论(spatiotemporal/spatial-temporalheterogeneity)认为此种关系在不同的时空位置是不同的,特别是在邻近的时空位置是近似不变或是逐渐变化。因此,本发明提出可以通过将整个数据集分隔为一系列的时空邻域并逐个对其建模,从而反映每个邻域中所蕴含的时空关系(由系数矩阵表达)。具体过程如下:
对在不同的时空位置(也即为观测位置)求解加权回归。
本实施例中,构建了2012年至2017年期间,时空异质性的相同空间尺度二氧化碳排放(参见步骤一所得Yc,t)与气象和夜间灯光数据(统称为空间分配因子矩阵XT)的函数关系。其中,空间分配因子矩阵XT指的是由多个气象变量(例如:地表温度,年降水量,风速等)和夜间灯光数据(共h种),在时间维度(t)和空间维度(c)形成的变量矩阵X的转置,记为XT。变量矩阵X由n(n=C×M)行,h+1列组成,其矩阵形式示意如下:
式中,c表示城市等空间单元,假设共C个城市,c=1,2,…,C;t表示个时间段,实施例中假设共M年t=1,2,…,M。NTL、TEM、WS为之前定义过的城市空间尺度的夜间灯光、温度、降水、风速等变量数据。
相同空间尺度指的是为步骤一构建的低分辨率排放清单所采用的低分辨率的空间单元。气象和夜间灯光数据也有在步骤2相应的处理成同样空间尺度,需要具体对应到同样的第t年第c个空间单元,即低分辨率的空间单元相应尺度的平均值。
将步骤1所得低分辨率的空间单元c第t年的排放量Yc,t与变量矩阵X的相应变量数据NTLc,t、TEMc,t、Pc,t、WSc,t组合构成一个观测数据,共同构成一套观测数据集合。该观测数据集合由n个观测数据组成,n=C×M。假设将观测数据集合中第i个观测数据(即第i个时空位置的相应数据)的相应排放量Yc,t记为排放量Yi,i=1,2,…,n。在上述观测数据集合的第i个观测数据,是由第i个观测数据的排放量Yi与公式(4)所示的变量矩阵X的第i行组成的。
则构建Yi与空间分配因子矩阵XT(XT为变量矩阵X的转置矩阵)关系的GTWR模型可以表达为:
Yi=β0(ui,vi,ti)+∑hβh(ui,vi,ti)XT+εi (5)
式中,时空点(ui,vi,ti)的信息包括观测数据i的经度ui、纬度vi及时间坐标ti,β0(ui,vi,ti)为模型的空间截距,是待求解系数;εi为模型估计的误差项,系数矩阵βh(ui,vi,ti)为空间分配因子矩阵XT的待估计系数矩阵。
公式(4)的求解计算方法如下:
Y=[Y1,Y2,Y3,…,Yi,…,Yn]T (7)
式中,系数矩阵βh(ui,vi,ti)的估计值记作W(ui,vi,ti)为时空点(ui,vi,ti)的权重矩阵。XT为空间分配因子矩阵。矩阵Y为由n个观测数据的排放量Yi组成的矩阵,其矩阵形式如公式(7)所示。
权重矩阵W(ui,vi,ti)的计算方法为:
W(ui,vi,ti)=diag(wi1,wi2,…,wij,…,win) (8)
式中,权重矩阵W(ui,vi,ti)为一对角矩阵。对于其矩阵对角线上的每一项wij为计算各个观测数据之间的距离,并使用核函数(kernel function)将距离转化所得的权重。其中wij为两个观测数据之间的权重(此处两个观测数据可以理解为第i个和第j个排放量,即公式(1)计算得到的排放量),为两观测数据所在空间位置之间的距离;p为一个固定的带宽值,通常取任意两观测数据所在空间位置最大距离值的5%至30%。win为第n个,即最后一个观测数据与第i个观测数据之间的权重。n为观测数据的个数。
本实施例中第i,j个观测数据所对应的空间位置(本实施例为低分辨率的空间单元相应地理位置)的重心点分别表示为(ui,vi)与(uj,vj),其代表对应的第i,j个观测数据的空间位置。μ为时空距离间的缩放系数,通常可取0到2之间的一个数,本发明建议优选取值为1。
步骤四、高分辨率排放清单构建
本步骤可以理解为是低分辨率排放清单降尺度,即高分辨率排放清单构建的具体技术,换而言之,即如何将省/市/自治区等行政边界低分辨率尺度的排放量空间分配到高分辨率的标准栅格层面。其具体过程为:
1)首先,将所得系数矩阵βh(ui,vi,ti)和空间分配因子数据矩阵XT,使用克里金法采样至1×1km2的高分辨率,形成1×1km2的系数时空矩阵β′h(ui′,vi′,ti′)和1×1km2的空间分配因子数据矩阵(X′)T。其中,i′是插值后形成的新的数据集合中第i′个数据点,(ui′,vi′,ti′)为第i′个数据点的时间和空间位置。
2)第二,设插值后的第i′个数据点所在栅格是在步骤三所得第i个观测数据的时空位置范围内,以β′h(ui′,vi′,ti′)替代公式(5)中的βh(ui,vi,ti),进而公式(5)可以改写成栅格层面的GTWR模型:
Yi′=β′0(ui,vi,ti)+∑hβ′h(ui′,vi′,ti′)(X′)T+εi (11)
式中,Yi′为计算得到的第i′个数据点的CO2排放量,β′0(ui,vi,ti)和εi为公式(5)求解得到,在第i个时空位置分割的相应栅格中都可以直接使用。
3)第三,将步骤二得到的高分辨率的气象标准栅格数据和夜间灯光标准栅格数据,作为输入数据带入公式(11),从而可以输出高分辨率的不同时空点位置的排放数据Yi′。最后将低分辨率与高分辨率网格对齐,并使用低分辨的排放数据对高分辨率的估计结果进行校正,从而得到校正后的高分辨率格尺度排放清单。具体的校正方法为:
式中,g为栅格标记,用于标识为地理位置位于空间单元c的第g个栅格;GE′g,c,t为校正后得到的第t年栅格g的排放量;GEg,c,t为未经校正的,将步骤二得到的高分辨率的气象标准栅格数据和夜间灯光标准栅格数据作为输入数据带入公式(11)计算得到的第t年栅格g的排放量;∑g GEg,c,t为将计算得到的未经校正的GEg,c,t加总到低分辨率空间尺度时(需要具体对应到同样的第t年第c个空间单元(城市))的排放量;Yc,t是步骤一计算得到的第t年第c个空间单元的排放量。
步骤五、排放清单时空异质性演变规律分析
对不同时间段及空间单元的系数的演变规律进行分析,目的是比较不同地区温室气体排放与气象数据、夜间灯光水平等影响因素的时空异质性。
步骤五输出的校正后的栅格g排放量的逐年变化率(SGE′)可以理解为气象变量、夜间灯光数据对排放量分配贡献和作用的变化规律,可以表示为:
SGE′=(GE′g,c,t-GE′g,i,t-1)/GE′g,c,t-1 (13)
式中,GE′g,c,t为校正后得到的第t年栅格g的排放量。GE′g,c,t-1的中文含义是校正后得到的第t-1年栅格g的排放量。
具体实施时,利用ArcGIS等地图计算和处理软件对SGE′的计算结果进行结果输出和可视化展示,最终可构建”排放清单网格化——数据可视化——结果分析“一体化的排放水平评估系统”。
具体实施时,本发明技术方案提出的方法可由本领域技术人员采用计算机软件技术实现自动运行流程,运行方法的系统装置也应当在本发明的保护范围内。
为便于说明本发明的技术效果,提供采用实施例的方案实现基于时空异质性理论的中国北方地区集中供热高分辨率二氧化碳排放清单构建及时空演变分析系统,结果如下:
本发明以中国北方地区15省的集中供热部门燃煤锅炉和燃气(天然气)锅炉的高分辨率二氧化碳排放清单为例,共计132个地级市,时间范围从2012年到2018年,共计7年。集中供热的燃料类别包括燃煤和燃(天然)气锅炉两种供热燃料类型。
步骤一,首先从《中国统计年鉴》、《中国城市统计年鉴》等公开数据中提取中国北方地区地级市层面集中供热产业的能源类型、能源消耗量、技术类别等信息。根据公式(1)计算地级市尺度燃煤锅炉和燃气锅炉的二氧化碳排放量。并根据所提取行政单元的重心的经纬度坐标及提取年份构建时空观测
步骤二,提取中国北方15省2012-2018年逐月夜间灯光数据(NPP-VIIRS NTL)、地面高度2m温度、降水量、湿度等气象数据,进行数据清洗。根据2015-2016的NPP-VIIRS NTL年间北京,天津及秦皇岛地区的最高夜间灯光强度提取出其他异常值栅格。对上述栅格作平滑处理。将清洗后的夜间灯光数据重采样至地级市级别行政边界。
步骤三,将上述步骤一和步骤二中的所得数据按照时空位置进行匹配。构建模型如公式(5)。随后将所得系数的时空矩阵连同空间分配因子数据矩阵,使用克里金法插值采样至高分辨率。最后在每个高分辨率格点上使用插值后的自变量及时空系数矩阵构建高分辨率栅格尺度排放清单。
在不同的模型,根据排放清单对应的行业类型,空间分配因子可以选择不同的气象变量和夜间灯光变量。在本实施例中,以年均夜间灯光强度(NTL)、年均地表温度(T)、年均降水量(P)为空间分配因子,利用公式(5)进行计算,目的是可以分别拟合出供热部门燃煤锅炉排放估测模型和燃气排放估测模型。
由于GTWR模型的时空异质性特征,每个空间单元(在本例中空间单元为地级市)在每一年都可计算出一个与其他空间单元不同的系数。表1给出了本发明实施例中高分辨率排放清单按公式(11)所得参数估计结果的统计性描述,包括系数矩阵的最小值、中位数、平均值、Q1(25%分位数的系数)、Q3(75%分位数的系数)、最大值的计算结果。
表1.模型系数的统计性描述
下面结合模拟和反演结果分析本发明的性能。
图2为加总本实施例估算出的两类集中供热产生的栅格尺度排放量(1×1km2空间分辨率栅格排放数据的加总),与低分辨率城市尺度CO2排放量的拟合优度检验图。其中,(a)图为燃煤锅炉和热电联产CO2排放量的拟合优度检验图,(b)图为燃气锅炉CO2排放量的拟合优度检验图。图中可见,本实施例发明的两类供热锅炉类型排放清单降尺度技术的标准化平均偏差(NMB)为46.9%和69.4%;标准化平均误差(NME)分别分别为56.7%和69.2%,拟合优度良好。
表2给出了本发明创建的时空异质性模型(GTWR)与传统方法使用的线性回归(OLS)、只考虑空间异质性的地理加权回归(GWR)、只考虑时间异质性的时间加权回归(TWR)三类其他方法的模型拟合优度比较。其中,决定系数R2(R2 adjusted)反映了回归贡献的相对程度,即回归关系能解释的应变量(实例中为排放量)变化的百分比,是衡量回归模型拟合优度的重要指标。R2越大,即表示该模型能够更好地解释排放量随夜间灯光强度的变化关系。校正的赤池信息准则(AICc)可用于检验模型性能并比较回归模型,考虑到模型复杂性,具有较低AICc值的模型将更好地拟合观测数据。
对比传统方法使用的线性回归(OLS)、只考虑空间异质性的地理加权回归(GWR)、只考虑时间异质性的时间加权回归(TWR),及利用本发明展示的时空加权回归技术(GTWR)对低分辨率排放清单进行了降尺度(提高分辨率)处理结果,本发明的实施例所得结果的决定系数(R2)最高,可达到71-74%。对比使用传统方法(OLS算法),本发明将模型的整体拟合优度提高了85-154%。说明本发明使用的时空异质性模型可以更好地构建排放数据与气象数据和夜间灯光数据等空间分配因子之间的函数关系,有效的提高了高分辨率排放清单构建的准确性。
表2.本发明创建的时空异质性模型(GTWR)与传统OLS模型、GWR模型、TWR模型的模型拟合优度比较
在详细说明的较佳实施例之后,熟悉该项技术人士可清楚地了解,在不脱离上述申请专利范围与精神下可进行各种变化与修改,凡依据本发明的技术实质对以上实施例所作任何简单修改、等同变化与修饰,均属于本发明技术方案的范围。且本发明亦不受说明书中所举实例实施方式的限制。
Claims (8)
1.一种基于卫星遥感数据的温室气体排放分析方法,其特征在于,包括以下步骤:
步骤一、低分辨率排放清单构建,所述低分辨率排放清单包括多个低分辨率的地理空间单元分别在不同时间段内的温室气体排放量,记低分辨率的地理空间单元c第t个时间段为一个时空位置,相应的排放量为Yc,t;
步骤二、多源气象数据及遥感数据的提取与处理,包括进行高分辨率气象数据的提取与处理,得到重采样到高空间分辨率标准栅格的多个气象因素变量,并生成各时空位置的多个气象因素变量;进行高分辨率夜间灯光数据的提取和处理,得到重采样到高空间分辨率标准栅格的夜间灯光数据,并生成各时空位置的夜间灯光数值;
步骤三、低分辨率排放清单与多源气象、遥感数据的时空异质性关系建模,包括将步骤二所得各时空位置的多个气象因素变量和夜间灯光数值作为空间分配因子,根据步骤一所得低分辨率排放清单,对应构成拟合数据集,进一步在每个时空位置进行建模;建模方式实现如下,
设空间分配因子包括h种数据,在时间维度和空间维度形成变量矩阵X,变量矩阵X的转置记为空间分配因子矩阵XT,第i个时空位置相应的排放量记为Yi,
则构建Yi与空间分配因子矩阵XT关系的GTWR模型如下,
Yi=β0(ui,vi,ti)+∑hβh(ui,vi,ti)XT+εi
式中,时空点(ui,vi,ti)的信息包括第i个时空位置的经度ui、纬度vi及时间坐标ti,β0(ui,vi,ti)为模型的空间截距,是待求解系数;εi为模型估计的误差项,系数矩阵βh(ui,vi,ti)为空间分配因子矩阵XT的待估计系数矩阵;
该模型的求解如下,
Y=[Y1,Y2,Y3,...,Yi,...,Yn]T
步骤四、高分辨率排放清单构建,包括以下步骤,
1)将所得系数矩阵βh(ui,vi,ti)和空间分配因子数据矩阵XT,使用克里金法采样至高空间分辨率标准栅格,形成系数时空矩阵β′h′(ui′,vi′,ti′)和空间分配因子数据矩阵(X′)T;
2)根据系数时空矩阵β′h′(ui′,vi′,ti′)和空间分配因子数据矩阵(X′)T,得到栅格层面的GTWR模型;
3)将步骤二所得高空间分辨率标准栅格的多个气象因素变量和夜间灯光数据,作为输入数据,根据步骤2)所得栅格层面的GTWR模型计算估计高空间分辨率标准栅格的排放数据;最后使用低分辨的排放数据对高分辨率的估计结果进行校正,得到校正后的高分辨率格尺度排放清单;
步骤五、排放清单时空异质性分析,包括根据步骤四所得校正后的高分辨率格尺度排放清单,得到每个高空间分辨率标准栅格的排放量的逐年变化率。
2.根据权利要求1所述基于卫星遥感数据的温室气体排放分析方法,其特征在于:步骤一中,低分辨率的空间单元分别在不同时间段内的温室气体排放量,是不同能源技术类型的分类排放量,或者多种能源技术类型的排放量总和。
3.根据权利要求1所述基于卫星遥感数据的温室气体排放分析方法,其特征在于:步骤一中,所述低分辨率的地理空间单元是按行政边界划分的空间单元。
4.根据权利要求1所述基于卫星遥感数据的温室气体排放分析方法,其特征在于:步骤二中,所述气象因素变量包括温度、降水和风速。
5.根据权利要求1所述基于卫星遥感数据的温室气体排放分析方法,其特征在于:步骤二中,高分辨率夜间灯光数据的提取和处理,包括通过掩膜提取去除平均夜间灯光数据中的异常值,对夜间灯光数据中超出合理阈值的数据进行标准化处理,对于异常值采用周围邻居栅格的平均值进行替代。
8.一种基于卫星遥感数据的温室气体排放分析系统,其特征在于:用于如权利要求1至7所述基于卫星遥感数据的温室气体排放分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651029.1A CN111896680B (zh) | 2020-07-08 | 2020-07-08 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010651029.1A CN111896680B (zh) | 2020-07-08 | 2020-07-08 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111896680A true CN111896680A (zh) | 2020-11-06 |
CN111896680B CN111896680B (zh) | 2022-07-05 |
Family
ID=73191989
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010651029.1A Active CN111896680B (zh) | 2020-07-08 | 2020-07-08 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111896680B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819218A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、系统及存储介质 |
CN112926030A (zh) * | 2021-02-25 | 2021-06-08 | 南京信息工程大学 | 30m分辨率插值的气象要素确定方法 |
CN112990609A (zh) * | 2021-04-30 | 2021-06-18 | 中国测绘科学研究院 | 基于时空带宽自适应地理加权回归的空气质量预测方法 |
CN113155498A (zh) * | 2021-03-26 | 2021-07-23 | 中国科学院城市环境研究所 | 一种高分辨率建筑运行能耗碳排放测定方法、系统及设备 |
CN115293945A (zh) * | 2022-10-08 | 2022-11-04 | 北京英视睿达科技股份有限公司 | 温室气体排放量的确定方法、装置、设备及存储介质 |
CN115436570A (zh) * | 2022-08-25 | 2022-12-06 | 二十一世纪空间技术应用股份有限公司 | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 |
WO2023056801A1 (en) * | 2021-10-06 | 2023-04-13 | International Business Machines Corporation | Enhancing spatial and temporal resolution of greenhouse gas emission estimates for agricultural fields using cohort analysis techniques |
CN117745089A (zh) * | 2023-12-08 | 2024-03-22 | 北京工业大学 | 一种基于多卫星数据的秸秆露天焚烧污染物排放估算方法 |
US12031964B2 (en) | 2021-10-06 | 2024-07-09 | International Business Machines Corporation | Enhancing spatial and temporal resolution of greenhouse gas emission estimates for agricultural fields using cohort analysis techniques |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0895038A1 (en) * | 1997-07-29 | 1999-02-03 | LANDIS & STAEFA, INC. | A digital controller for a cooling and heating plant having near-optimal global set point control strategy |
AU2011203027A1 (en) * | 2010-08-18 | 2012-03-08 | Northwest Carbon Pty Ltd | Methods and systems for obtaining and estimating emission reduction benefits from management of savanna and agricultural fires |
CN103034717A (zh) * | 2012-12-13 | 2013-04-10 | 天津师范大学 | 基于it2 fs的区间ii-型模糊地理区域拓扑关系确定方法 |
CN105205466A (zh) * | 2015-09-21 | 2015-12-30 | 广州地理研究所 | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 |
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
US20170236891A1 (en) * | 2016-02-15 | 2017-08-17 | Seiko Epson Corporation | Electro-optical device and electronic apparatus |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
US20170350795A1 (en) * | 2014-10-22 | 2017-12-07 | Tecticom Environmental Technology Limited | Traceable emission remote monitoring system and method |
CN108256015A (zh) * | 2018-01-08 | 2018-07-06 | 中国科学院遥感与数字地球研究所 | 一种基于夜间灯光数据的中国人口空间格网化方法 |
US20190041081A1 (en) * | 2016-08-19 | 2019-02-07 | Fraunhofer Usa, Inc. | System and method for characterization of air leakage in building using data from communicating thermostats and/or interval meters |
CN109460445A (zh) * | 2018-11-14 | 2019-03-12 | 许昌学院 | 基于夜光遥感数据的城镇空间特征指数构建及城镇体系评价方法 |
CN110046771A (zh) * | 2019-04-25 | 2019-07-23 | 河南工业大学 | 一种pm2.5浓度预测方法与装置 |
CN110263299A (zh) * | 2019-05-31 | 2019-09-20 | 西南大学 | 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法 |
CN110727916A (zh) * | 2019-08-20 | 2020-01-24 | 广州地理研究所 | 一种大规模海域风能长期预测方法及系统 |
-
2020
- 2020-07-08 CN CN202010651029.1A patent/CN111896680B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0895038A1 (en) * | 1997-07-29 | 1999-02-03 | LANDIS & STAEFA, INC. | A digital controller for a cooling and heating plant having near-optimal global set point control strategy |
AU2011203027A1 (en) * | 2010-08-18 | 2012-03-08 | Northwest Carbon Pty Ltd | Methods and systems for obtaining and estimating emission reduction benefits from management of savanna and agricultural fires |
CN103034717A (zh) * | 2012-12-13 | 2013-04-10 | 天津师范大学 | 基于it2 fs的区间ii-型模糊地理区域拓扑关系确定方法 |
US20170350795A1 (en) * | 2014-10-22 | 2017-12-07 | Tecticom Environmental Technology Limited | Traceable emission remote monitoring system and method |
WO2016132161A1 (en) * | 2015-02-16 | 2016-08-25 | Kontoes Charalampos | Method that detects areas of active fire hotspots in real-time, calculates the most probable ignition point and assesses fire probability indicators, using satellite images and fuel data. |
CN105205466A (zh) * | 2015-09-21 | 2015-12-30 | 广州地理研究所 | 一种基于夜间灯光影像的能源碳排放量遥感估算方法 |
US20170236891A1 (en) * | 2016-02-15 | 2017-08-17 | Seiko Epson Corporation | Electro-optical device and electronic apparatus |
US20190041081A1 (en) * | 2016-08-19 | 2019-02-07 | Fraunhofer Usa, Inc. | System and method for characterization of air leakage in building using data from communicating thermostats and/or interval meters |
CN107103392A (zh) * | 2017-05-24 | 2017-08-29 | 北京航空航天大学 | 一种基于时空地理加权回归的公交客流影响因素识别与预测方法 |
CN108256015A (zh) * | 2018-01-08 | 2018-07-06 | 中国科学院遥感与数字地球研究所 | 一种基于夜间灯光数据的中国人口空间格网化方法 |
CN109460445A (zh) * | 2018-11-14 | 2019-03-12 | 许昌学院 | 基于夜光遥感数据的城镇空间特征指数构建及城镇体系评价方法 |
CN110046771A (zh) * | 2019-04-25 | 2019-07-23 | 河南工业大学 | 一种pm2.5浓度预测方法与装置 |
CN110263299A (zh) * | 2019-05-31 | 2019-09-20 | 西南大学 | 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法 |
CN110727916A (zh) * | 2019-08-20 | 2020-01-24 | 广州地理研究所 | 一种大规模海域风能长期预测方法及系统 |
Non-Patent Citations (6)
Title |
---|
HONGWEI XIAO等: "Spatio-temporal simulation of energy consumption in China"s provinces based on satellite night-time light data", 《APPLIED ENERGY》 * |
WEISHI ZHANG等: "Effects of urbanization on airport CO2 emissions: A geographically weighted approach using nighttime light data in China", 《RESOURCES, CONSERVATION AND RECYCLING》 * |
WEISHI ZHANG等: "How does urbanization affect CO2 emissions of central heating systems in China? An assessment of natural gas transition policy based on nighttime light data", 《JOURNAL OF CLEANER PRODUCTION》 * |
杨文涛等: "大气污染联合治理分区视角下的中国PM_(2.5)关联关系时空变异特征分析", 《环境科学》 * |
马忠玉等: "基于卫星夜间灯光数据的中国分省碳排放时空模拟", 《中国人口•资源与环境》 * |
鲍艳磊等: "基于混合效应模型的京津冀地区PM_(2.5)数值模拟", 《环境污染与防治》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819218B (zh) * | 2021-01-27 | 2022-05-06 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、系统及存储介质 |
CN112819218A (zh) * | 2021-01-27 | 2021-05-18 | 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) | 高分辨率城市移动源污染时空预测方法、系统及存储介质 |
CN112926030A (zh) * | 2021-02-25 | 2021-06-08 | 南京信息工程大学 | 30m分辨率插值的气象要素确定方法 |
CN112926030B (zh) * | 2021-02-25 | 2024-01-23 | 南京信息工程大学 | 30m分辨率插值的气象要素确定方法 |
CN113155498A (zh) * | 2021-03-26 | 2021-07-23 | 中国科学院城市环境研究所 | 一种高分辨率建筑运行能耗碳排放测定方法、系统及设备 |
CN113155498B (zh) * | 2021-03-26 | 2024-02-13 | 中国科学院城市环境研究所 | 一种高分辨率建筑运行能耗碳排放测定方法、系统及设备 |
CN112990609A (zh) * | 2021-04-30 | 2021-06-18 | 中国测绘科学研究院 | 基于时空带宽自适应地理加权回归的空气质量预测方法 |
WO2023056801A1 (en) * | 2021-10-06 | 2023-04-13 | International Business Machines Corporation | Enhancing spatial and temporal resolution of greenhouse gas emission estimates for agricultural fields using cohort analysis techniques |
US12031964B2 (en) | 2021-10-06 | 2024-07-09 | International Business Machines Corporation | Enhancing spatial and temporal resolution of greenhouse gas emission estimates for agricultural fields using cohort analysis techniques |
CN115436570A (zh) * | 2022-08-25 | 2022-12-06 | 二十一世纪空间技术应用股份有限公司 | 一种基于多元数据的二氧化碳浓度遥感监测方法及装置 |
CN115293945A (zh) * | 2022-10-08 | 2022-11-04 | 北京英视睿达科技股份有限公司 | 温室气体排放量的确定方法、装置、设备及存储介质 |
CN115293945B (zh) * | 2022-10-08 | 2023-02-24 | 北京英视睿达科技股份有限公司 | 温室气体排放量的确定方法、装置、设备及存储介质 |
CN117745089A (zh) * | 2023-12-08 | 2024-03-22 | 北京工业大学 | 一种基于多卫星数据的秸秆露天焚烧污染物排放估算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111896680B (zh) | 2022-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111896680B (zh) | 基于卫星遥感数据的温室气体排放分析方法及系统 | |
Ren et al. | Exploring thermal comfort of urban buildings based on local climate zones | |
Zhong et al. | A city-scale estimation of rooftop solar photovoltaic potential based on deep learning | |
Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
Zhou et al. | Spatio-temporal evolution and the influencing factors of PM 2.5 in China between 2000 and 2015 | |
Li et al. | Energy performance simulation for planning a low carbon neighborhood urban district: A case study in the city of Macau | |
Li et al. | A review of operational energy consumption calculation method for urban buildings | |
Wu et al. | Seasonal variation in the effects of urban environmental factors on land surface temperature in a winter city | |
Wang et al. | From simulation to data-driven approach: A framework of integrating urban morphology to low-energy urban design | |
Liu et al. | Characterizing three dimensional (3-D) morphology of residential buildings by landscape metrics | |
WO2021248335A1 (zh) | 一种基于街景图片及机器学习的城市内部贫困空间测度方法及系统 | |
Wang et al. | Modeling the electricity consumption by combining land use types and landscape patterns with nighttime light imagery | |
Han et al. | Seasonal effects of urban morphology on land surface temperature in a three-dimensional perspective: A case study in Hangzhou, China | |
Ali et al. | GIS-based residential building energy modeling at district scale | |
Chen et al. | Quantitative analysis of the building-level relationship between building form and land surface temperature using airborne LiDAR and thermal infrared data | |
Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
Hou et al. | Prioritizing environmental determinants of urban heat islands: A machine learning study for major cities in China | |
Wang et al. | Evaluation of the impact of urban morphology on commercial building carbon emissions at the block scale–A study of commercial buildings in Beijing | |
Wang et al. | The cooling effect of hybrid land-use patterns and their marginal effects at the neighborhood scale | |
Li et al. | A spatial finer electric load estimation method based on night-light satellite image | |
CN116109191A (zh) | 基于卫星观测和gis的城市部门碳排放估算方法及系统 | |
Ren et al. | Analysis of the spatial characteristics of inhalable particulate matter concentrations under the influence of a three-dimensional landscape pattern in Xi'an, China | |
Wu et al. | A Review on the Use of Landscape Indices to Study the Effects of Three-Dimensional Urban Landscape Patterns on Haze Pollution in China. | |
Han et al. | Spatiotemporal changes in the urban heat island intensity of distinct local climate zones: Case study of Zhongshan District, Dalian, China | |
Yuan et al. | Effects of 2D/3D urban morphology on land surface temperature: Contribution, response, and interaction |
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 |