CN114547553B - 二氧化碳排放量的反演方法、装置、设备及存储介质 - Google Patents

二氧化碳排放量的反演方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN114547553B
CN114547553B CN202210447490.4A CN202210447490A CN114547553B CN 114547553 B CN114547553 B CN 114547553B CN 202210447490 A CN202210447490 A CN 202210447490A CN 114547553 B CN114547553 B CN 114547553B
Authority
CN
China
Prior art keywords
prior
emission
covariance
inversion
error covariance
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
Application number
CN202210447490.4A
Other languages
English (en)
Other versions
CN114547553A (zh
Inventor
刘孟雄
谢志辉
杨娜
田晓蕾
任云婷
程博文
王建国
王玮
潘本峰
王春迎
崔馨予
谢试错
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hebei Advanced Environmental Protection Industry Innovation Center Co ltd
Hebei Sailhero Environmental Protection High Tech Co ltd
Original Assignee
Hebei Advanced Environmental Protection Industry Innovation Center Co ltd
Hebei Sailhero Environmental Protection High Tech Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Hebei Advanced Environmental Protection Industry Innovation Center Co ltd, Hebei Sailhero Environmental Protection High Tech Co ltd filed Critical Hebei Advanced Environmental Protection Industry Innovation Center Co ltd
Priority to CN202210447490.4A priority Critical patent/CN114547553B/zh
Publication of CN114547553A publication Critical patent/CN114547553A/zh
Application granted granted Critical
Publication of CN114547553B publication Critical patent/CN114547553B/zh
Priority to PCT/CN2022/125582 priority patent/WO2023206984A1/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Algebra (AREA)
  • Operations Research (AREA)
  • Evolutionary Biology (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Probability & Statistics with Applications (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Treating Waste Gases (AREA)

Abstract

本发明提供二氧化碳排放量的反演方法、装置、设备及存储介质，该方法包括：获取目标区域在指定时段内的CO2模拟浓度；基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量；分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；最终反演得到目标区域在指定时段内的二氧化碳排放量。本发明通过减少了先验排放量误差协方差的影响，使得反演结果更加准确。

Description

二氧化碳排放量的反演方法、装置、设备及存储介质
技术领域
本发明涉及大气技术领域，尤其涉及一种二氧化碳排放量的反演方法、装置、设备及存储介质。
背景技术
人类活动引起的大气二氧化碳浓度升高导致全球气候变化，给人类社会的生存和发展带来了巨大的威胁，必须采取额外的措施，限制二氧化碳的排放。
近年来随着“巴黎气候协议”达成，世界正向着碳中和的目标加速前进，目前，国际上已有一系列直接或间接的估算方法，均是通过资料同化技术结合大气传输模型和CO2地面站点观测资料，反演得到地表CO2排放量。
然而，在大气二氧化碳反演的过程中存在着诸多不确定因素，这些不确定因素均影响最终的二氧化碳排放量的准确性。因此亟需一种估算精度较高的二氧化碳反演方法。
发明内容
本发明实施例提供了一种二氧化碳排放量的反演方法、装置、设备及存储介质，以解决目前二氧化碳反演精度较低的问题。
第一方面，本发明实施例提供了一种二氧化碳排放量的反演方法，包括：
获取目标区域在指定时段内的CO2模拟浓度；
基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量；
分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；其中，第一先验排放量误差协方差为对初始的先验排放量误差协方差中的参数进行修改后得到的先验排放量误差协方差；
将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；
将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
在一种可能的实现方式中，基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量，包括：
基于目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定缩放因子；
基于缩放因子和先验CO2排放量，确定CO2模拟排放量。
在一种可能的实现方式中，缩放因子为CO2模拟浓度与CO2增强数据的比值，CO2增强数据为目标区域在指定时段内的CO2监测数据与CO2背景数据的差值；
CO2模拟排放量为缩放因子与先验CO2排放量的乘积。
在一种可能的实现方式中，获取目标区域在指定时段内的CO2模拟浓度，包括：
基于现有的人为CO2排放清单，在目标区域上构建先验CO2排放量；
将目标区域在指定时段内的可再分析气象数据输入至预设大气传输模型，得到目标区域在指定时段内的足迹；其中，预设大气传输模型为WRF-STILT模型；
对先验CO2排放量和足迹进行卷积处理，得到目标区域在指定时段内的CO2模拟浓度。
在一种可能的实现方式中，先验排放量误差协方差包括空间协方差、时间协方差和先验误差协方差；
先验排放量误差协方差Q为：
Figure DEST_PATH_IMAGE001
其中，
Figure 868752DEST_PATH_IMAGE002
E为空间协方差，D为时间协方差，Iδ为先验排放量与真实排放量之间的先验误差协方差，Xs为网格单元分离距离，Xτ为时间步长之间的滞后时间，l s为空间协方差的范围参数，l τ为时间协方差的范围参数。
在一种可能的实现方式中，分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量，包括：
循环依次改变先验排放量误差协方差中的先验误差协方差、空间协方差的范围参数和时间协方差的范围参数，得到多个第一先验排放量误差协方差；
将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量。
在一种可能的实现方式中，贝叶斯反演模型为：
Figure DEST_PATH_IMAGE003
其中，s p为先验CO2排放量，Q为先验排放量误差协方差，H为足迹，R为预设大气传输模型的误差协方差，z为CO2监测数据与CO2背景数据的差值。
第二方面，本发明实施例提供了一种二氧化碳排放量的反演装置，包括：
获取模拟浓度模块，用于获取目标区域在指定时段内的CO2模拟浓度；
确定模拟排放量模块，用于基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量；
第一反演模块，用于分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；其中，第一先验排放量误差协方差为对初始的先验排放量误差协方差中的参数进行修改后得到的先验排放量误差协方差；
确定协方差模块，用于将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；
第二反演模块，用于将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
在一种可能的实现方式中，确定模拟排放量模块，具体用于基于目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定缩放因子；
基于缩放因子和先验CO2排放量，确定CO2模拟排放量。
在一种可能的实现方式中，缩放因子为CO2模拟浓度与CO2增强数据的比值，CO2增强数据为目标区域在指定时段内的CO2监测数据与CO2背景数据的差值；
CO2模拟排放量为缩放因子与先验CO2排放量的乘积。
在一种可能的实现方式中，获取模拟浓度模块，具体用于基于现有的人为CO2排放清单，在目标区域上构建先验CO2排放量；
将目标区域在指定时段内的可再分析气象数据输入至预设大气传输模型，得到目标区域在指定时段内的足迹；其中，预设大气传输模型为WRF-STILT模型；
对先验CO2排放量和足迹进行卷积处理，得到目标区域在指定时段内的CO2模拟浓度。
在一种可能的实现方式中，先验排放量误差协方差包括空间协方差、时间协方差和先验误差协方差；
先验排放量误差协方差Q为：
Figure 981065DEST_PATH_IMAGE004
其中，
Figure 50652DEST_PATH_IMAGE005
E为空间协方差，D为时间协方差，Iδ为先验排放量与真实排放量之间的先验误差协方差，Xs为网格单元分离距离，Xτ为时间步长之间的滞后时间，l s为空间协方差的范围参数，l τ为时间协方差的范围参数。
在一种可能的实现方式中，第一反演模块，具体用于循环依次改变先验排放量误差协方差中的先验误差协方差、空间协方差的范围参数和时间协方差的范围参数，得到多个第一先验排放量误差协方差；
将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量。
在一种可能的实现方式中，贝叶斯反演模型
Figure 497683DEST_PATH_IMAGE006
为：
Figure 576497DEST_PATH_IMAGE007
其中，s p为先验CO2排放量，Q为先验排放量误差协方差，H为足迹，R为预设大气传输模型的误差协方差，z为CO2监测数据与CO2背景数据的差值。
第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本发明实施例提供一种二氧化碳排放量的反演方法、装置、设备及存储介质，首先获取目标区域在指定时段内的CO2模拟浓度，接着，基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量；然后，分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；次之，将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；最后，将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
通过不断改变先验排放量误差协方差中的参数，并将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差，从而减少了由于空间和时间因素对先验排放量误差协方差的影响，使得反演结果更加准确。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种二氧化碳排放量的反演方法的实现流程图；
图2是本发明实施例提供的一种二氧化碳排放量的反演装置的结构示意图；
图3是本发明实施例提供的电子设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
温室气体特别是二氧化碳CO2是全球平均地表温度上升的驱动力，如果不加以控制，会给人类社会的生存和发展带来了巨大的威胁。
为了实现碳中和，即使得CO2的通量为零，独立的评估在一段时间内CO2的排放量是非常有必要的。然而，正如背景技术中所描述的，目前在大气二氧化碳反演的过程中存在着诸多不确定因素，影响着反演的准确性。
为了解决现有技术问题，本发明实施例提供了一种二氧化碳排放量的反演方法、装置、设备及存储介质。下面首先对本发明实施例所提供的二氧化碳排放量的反演方法进行介绍。
二氧化碳排放量的反演方法的执行主体，可以是二氧化碳排放量的反演装置，该二氧化碳排放量的反演装置可以是具有处理器和存储器的电子设备，例如移动电子设备或者非移动电子设备。本发明实施例不作具体限定。
参见图1，其示出了本发明实施例提供的二氧化碳排放量的反演方法的实现流程图，详述如下：
步骤S110、获取目标区域在指定时段内的CO2模拟浓度。
其中，目标区域在指定时段包括经度、纬度、日期和时间。在冬季，由于生物的CO2通量较小，可以忽略，因此，本发明中的指定时段选择为北方冬季的某个时间段。具体的，可以选择为下午的某个时间段，如下午12:00-17:00，因为冬季下午边界层比较高，大气中容纳的待反演目标排放的CO2比较多，不易受到其他区域大气运动传输过来的CO2的不确定性的影响。
在一些实施例中，可以通过对先验CO2排放量和足迹进行卷积处理，得到目标区域在指定时段内的CO2模拟浓度，具体为：
步骤S1110、基于现有的人为CO2排放清单，在目标区域上构建先验CO2排放量。
首先，根据待反演的目标区域范围设计需要反演的网格大小与网格分辨率。例如，可以设计为东西方向50个网格，南北方向30个网格，网格分辨率为0.01°。
然后，从全国排放清单ODIAC中裁剪出待反演区域的CO2排放清单。ODIAC数据为一种开源的CO2排放清单，其空间分辨率为1km×1km。
最后，将设计的待反演区域的网格对获取到的待反演区域的ODIAC数据进行网格的重新划分，生成目标区域的先验CO2排放量。需要说明的是，网格的重新划分为CO2排放的加和，而不能进行重采样，需要根据设计的网格的面积和排放清单重新对网格进行划分，然后将单位从ton/year（吨/每年）转换成μmol/(m2·s)，形成目标区域的先验CO2排放量。
步骤S1120、将目标区域在指定时段内的可再分析气象数据输入至预设大气传输模型，得到目标区域在指定时段内的足迹。
其中，预设大气传输模型为WRF-STILT模型，WRF可以用于模拟目标区域的气象数据。
首先，获取目标区域在指定时段的可再分析气象数据（Final OperationalGlobal Analysis，FNL）数据，是美国国家环境预报中心（NECP）/美国国家大气研究中心（NCAR）提供的全球气象再分析资料，空间精度为1 ×1 ，通过FNL数据可以了解真实的全球区域气象状况。
然后，将获取到的FNL数据输入至WRF中，WRF（Weather Research andForecasting）是由美国环境预测中心（NCEP），美国国家大气研究中心（NCAR）等美国科研机构着手开发的一种统一的天气预报模式的嵌套方式，以获取待反演区域的精细化气象数据，WRF最内层的网格分辨率应该与反演网格的网格分辨率接近。将模拟得到的WRF数据转化为arl格式的数据。其中，arl格式为一种压缩的气象数据格式，由一系列固定长度的记录组成，每个气象变量对应一条记录。
最后，将arl格式的气象数据和目标区域的经度和纬度输入至STILT模型中，得到足迹，即footprint文件。其中，STILT模型为一种开源的拉格朗日粒子扩散模型，广泛用于模拟污染和温室气体在大气中的传输。STILT扩展了NOAA的HYSPLIT模型，以简化大气建模工作流并提高模拟精度。
步骤S1130、对先验CO2排放量和足迹进行卷积处理，得到目标区域在指定时段内的CO2模拟浓度。
将上面步骤中得到的先验CO2排放量和足迹进行卷积处理，即可生成目标区域在指定时段内的逐小时的CO2模拟浓度。
步骤S120、基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量。
其中，目标区域在指定时段内的CO2监测数据可以从国家监测站点中获取目标区域在指定时段内的CO2数据，或者也可以是自己进行试验的数据。
CO2背景数据为作为指定时段内的CO2模拟浓度的最小值。
在一些实施例中，可以基于目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定缩放因子。
具体的，缩放因子为CO2模拟浓度与CO2增强数据的比值，CO2增强数据为目标区域在指定时段内的CO2监测数据与CO2背景数据的差值。即缩放因子R=CO2模拟浓度/（CO2监测数据-CO2背景数据）。
基于缩放因子和先验CO2排放量，确定CO2模拟排放量。CO2模拟排放量等于缩放因子与先验CO2排放量的乘积。
步骤S130、分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量。
其中，贝叶斯反演模型为：
Figure 808896DEST_PATH_IMAGE003
其中，s p为先验CO2排放量，Q为先验排放量误差协方差，H为足迹，R为预设大气传输模型的误差协方差，z为CO2监测数据与CO2背景数据的差值。
在一些实施例中，先验排放量误差协方差包括空间协方差、时间协方差和先验误差协方差。
具体的，先验排放量误差协方差Q为：
Figure 314963DEST_PATH_IMAGE004
其中，
Figure 22DEST_PATH_IMAGE005
，
E为空间协方差，D为时间协方差，Iδ为先验排放量与真实排放量之间的先验误差协方差，Xs为网格单元分离距离，Xτ为时间步长之间的滞后时间，l s为空间协方差的范围参数，l τ为时间协方差的范围参数。
Iδ为一个对角线矩阵，其描述了先验排放的不确定性。D和E为分别使用指数衰减方程定义的空间和时间协方差矩阵。需要说明的是，这里的Xτ为时间步长之间的滞后时间，表示不同时间点之间的时间间隔，这里的时间间隔为求绝对值，不存在负值。
z（n×1）是CO2监测数据与CO2背景数据的差值向量，H（n×m）是足迹footprint的雅可比矩阵，足迹footprint将测量值与未知量的状态向量
Figure 616949DEST_PATH_IMAGE008
联系起来，R（n×n）是描述预设大气传输模型的误差协方差的平方对称矩阵，sp是先验CO2排放量的状态向量，Q（m×m）是一个平方对称矩阵，描述真实场
Figure 703853DEST_PATH_IMAGE010
和先验场sp之间偏差的先验排放量误差协方差。
R为WRF-STILT模型的误差协方差，
Figure 380822DEST_PATH_IMAGE011
Rpart是由轨迹集合中有限数量的粒子释放产生的误差，RtransWIND为WRF-STILT中的传输模型误差被分解为描述水平风误差，RtransPBL为垂直混合层高度误差，Reddy为涡流湍流误差的分量，Rinstr为物理仪器误差，Rbkgd为流动边界误差，Rbio为生物通量误差。
由于不同的区域，不同的气象条件所对应的Iδ、l s和l τ的值是不同的，这些值会影响先验排放量误差协方差，从而影响得到的CO2排放量的准确度。
因此，本发明通过循环依次改变先验排放量误差协方差中的先验误差协方差、空间协方差的范围参数和时间协方差的范围参数，得到多个第一先验排放量误差协方差。具体的，一般情况下Iδ、l s和l Τ的值一般均小于10，此处即可以设置Iδ= 1,2...10，l s= 1,2...10，l τ=1,2...10。当然，也可以根据实际使用情况，设置不同的范围，此处不做限定。通过穷举法，将先验排放量误差协方差Q中的Iδ、l s和l τ的值进行改变，以三个参数都是从1-10为例进行说明，先验排放量误差协方差Q就有1000种。
然后，将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，即可反演得到多个第一CO2排放量。
步骤S140、将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差。
由于，只是为了找到最优的先验排放量误差协方差，因此准确的计算，在此处由于H和R为确定的值，因此，在进行反演时可以简要进行。具体过程如下：
为了便于描述，此处将先验CO2排放量设为s 1，令s p=s 1，
Figure 553178DEST_PATH_IMAGE012
分别设置Iδ= 1,2...10，l s= 1,2...10，l Τ=1,2...10。
Figure 972131DEST_PATH_IMAGE013
Figure 179122DEST_PATH_IMAGE014
Figure 26992DEST_PATH_IMAGE015
....
Figure 686644DEST_PATH_IMAGE016
找到
Figure 645372DEST_PATH_IMAGE017
中与CO2模拟排放量最接近的数据，即可确定其对应的第一先验排放量误差协方差为最优的先验排放量误差协方差。
步骤S150、将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
将上面步骤中得到的最优的先验排放量误差协方差、先验CO2排放量、预设大气传输模型的误差协方差R、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
本发明提供的反演方法，首先获取目标区域在指定时段内的CO2模拟浓度，接着，基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量；然后，分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；次之，将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；最后，将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
通过不断改变先验排放量误差协方差中的参数，并将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差，从而减少了由于空间和时间因素对先验排放量误差协方差的影响，使得反演结果更加准确。
下面以一个具体实施例，对二氧化碳排放量的反演方法进行详细描述：
确定先验CO2排放量，首先需要确定目标区域及指定时段，本实施例中反演的为石家庄范围内冬季下午的CO2排放量，可以选为12月1日-12月10日下午12:00-17:00这个时段的CO2排放量。然后，确定石家庄范围内需要进行反演的网格范围及网格大小。接着，从ODIAC全国排放清单中裁剪出石家庄范围的全年的CO2排放量，对网格距进行重新网格化，然后进行数据单位的转换，单位从ton/year转换成μmol/(m2·s) ，从而获得先验CO2排放量s 1。
下载石家庄范围内12月1日-12月10日下午12:00-17:00这个时段的FNL数据，将FNL数据输入到WRF中。WRF为采用四重嵌套方式18km、9km、3km、1km。WRF采用逐日重启的方式，SPIN-UP的时间为12小时。需要模拟12月1日-12月10日的气象，WRF从11月30日12时开始，运行时间为36小时，前12小时的数据为模型自适应时间，不参与后面反演。运行完1次以后，运行12月1日12时-12月3日00时，依次往复。然后将WRF生成的netCDF格式的数据，通过WRF2ARL程序将此格式转换成STILT模型可用的ARL格式数据。将得到的ARL格式数据输入至STILT模型生成足迹footprint。其中，STILT的释放的例子个数为每小时1000个，模型倒置时间设置为24小时，最后生成footprint。
对先验CO2排放量和足迹进行卷积处理，即可得到石家庄范围内12月1日-12月10日下午12:00-17:00这个时段内的CO2模拟浓度。
将12月1日-12月10日下午12:00-17:00这个时段内的CO2模拟浓度的最小值作为CO2背景数据，从国家监测站点中获取石家庄范围内12月1日-12月10日下午12:00-17:00这个时段内的CO2监测数据，则缩放因子R=CO2模拟浓度/（CO2监测数据-CO2背景数据）。进而可以得到CO2模拟排放量，CO2模拟排放量等于缩放因子与先验CO2排放量的乘积。
设置Iδ= 1,2...10，l s= 1,2...10，l τ=1,2...10，采用遍历法，改变先验排放量误差协方差中的先验误差协方差、空间协方差的范围参数和时间协方差的范围参数，得到多个第一先验排放量误差协方差。将得到的多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，即可反演得到多个第一CO2排放量。
将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差。最后，将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、石家庄范围内12月1日-12月10日下午12:00-17:00这个时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到石家庄范围内12月1日-12月10日下午12:00-17:00这个时段内的二氧化碳排放量。
通过多次调整先验排放量误差协方差中的不确定因素，并通过将得到的多个第一CO2排放量与CO2模拟排放量比较，从而找到最优的先验排放量误差协方差，进行再次反演得到CO2排放量，且得到的CO2排放量更加准确。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
基于上述实施例提供的二氧化碳排放量的反演方法，相应地，本发明还提供了应用于该二氧化碳排放量的反演方法的二氧化碳排放量的反演装置的具体实现方式。请参见以下实施例。
如图2所示，提供了一种二氧化碳排放量的反演装置200，该装置包括：
获取模拟浓度模块210，用于获取目标区域在指定时段内的CO2模拟浓度；
确定模拟排放量模块220，用于基于目标区域的先验CO2排放量、目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定CO2模拟排放量；
第一反演模块230，用于分别将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；其中，第一先验排放量误差协方差为对初始的先验排放量误差协方差中的参数进行修改后得到的先验排放量误差协方差；
确定协方差模块240，用于将与CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；
第二反演模块250，用于将先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、目标区域在指定时段内的CO2监测数据和CO2背景数据输入至贝叶斯反演模型中，反演得到目标区域在指定时段内的二氧化碳排放量。
在一种可能的实现方式中，确定模拟排放量模块220，具体用于基于目标区域在指定时段内的CO2监测数据、CO2背景数据和CO2模拟浓度，确定缩放因子；
基于缩放因子和先验CO2排放量，确定CO2模拟排放量。
在一种可能的实现方式中，缩放因子为CO2模拟浓度与CO2增强数据的比值，CO2增强数据为目标区域在指定时段内的CO2监测数据与CO2背景数据的差值；
CO2模拟排放量为缩放因子与先验CO2排放量的乘积。
在一种可能的实现方式中，获取模拟浓度模块210，具体用于基于现有的人为CO2排放清单，在目标区域上构建先验CO2排放量；
将目标区域在指定时段内的可再分析气象数据输入至预设大气传输模型，得到目标区域在指定时段内的足迹；其中，预设大气传输模型为WRF-STILT模型；
对先验CO2排放量和足迹进行卷积处理，得到目标区域在指定时段内的CO2模拟浓度。
在一种可能的实现方式中，先验排放量误差协方差包括空间协方差、时间协方差和先验误差协方差；
先验排放量误差协方差Q为：
Figure 441290DEST_PATH_IMAGE018
其中，
Figure 460062DEST_PATH_IMAGE019
E为空间协方差，D为时间协方差，Iδ为先验排放量与真实排放量之间的先验误差协方差，Xs为网格单元分离距离，Xτ为时间步长之间的滞后时间，l s为空间协方差的范围参数，l τ为时间协方差的范围参数。
在一种可能的实现方式中，第一反演模块230，具体用于循环依次改变先验排放量误差协方差中的先验误差协方差、空间协方差的范围参数和时间协方差的范围参数，得到多个第一先验排放量误差协方差；
将多个第一先验排放量误差协方差、先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量。
在一种可能的实现方式中，贝叶斯反演模型为：
Figure 607009DEST_PATH_IMAGE020
其中，s p为先验CO2排放量，Q为先验排放量误差协方差，H为足迹，R为预设大气传输模型的误差协方差，z为CO2监测数据与CO2背景数据的差值。
图3是本发明实施例提供的电子设备的示意图。如图3所示，该实施例的电子设备3包括：处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个变压器升高座及套管的监测方法实施例中的步骤，例如图1所示的步骤110至步骤150。或者，所述处理器30执行所述计算机程序32时实现上述各装置实施例中各模块的功能，例如图2所示模块210至250的功能。
示例性的，所述计算机程序32可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器31中，并由所述处理器30执行，以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序32在所述电子设备3中的执行过程。例如，所述计算机程序32可以被分割成图2所示的模块210至250。
所述电子设备3可包括，但不仅限于，处理器30、存储器31。本领域技术人员可以理解，图3仅仅是电子设备3的示例，并不构成对电子设备3的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器 (Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列 (Field-Programmable Gate Array，FPGA) 或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。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。
所述存储器31可以是所述电子设备3的内部存储单元，例如电子设备3的硬盘或内存。所述存储器31也可以是所述电子设备3的外部存储设备，例如所述电子设备3上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器31还可以既包括所述电子设备3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个二氧化碳排放量的反演方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（Read-Only Memory，ROM）、随机存取存储器（Random Access Memory，RAM）、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述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，均应包含在本发明的保护范围之内。

Claims (9)

1.一种二氧化碳排放量的反演方法，其特征在于，包括：
获取目标区域在指定时段内的CO2模拟浓度；
基于所述目标区域的先验CO2排放量、所述目标区域在指定时段内的CO2监测数据、CO2背景数据和所述CO2模拟浓度，确定CO2模拟排放量；具体包括：基于所述目标区域在指定时段内的CO2监测数据、CO2背景数据和所述CO2模拟浓度，确定缩放因子；基于所述缩放因子和所述先验CO2排放量，确定所述CO2模拟排放量；
分别将多个第一先验排放量误差协方差、所述先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；其中，所述第一先验排放量误差协方差为对初始的先验排放量误差协方差中的参数进行修改后得到的先验排放量误差协方差；
将与所述CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；
将所述先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、所述目标区域在指定时段内的CO2监测数据和CO2背景数据输入至所述贝叶斯反演模型中，反演得到所述目标区域在指定时段内的二氧化碳排放量。
2.如权利要求1所述的反演方法，其特征在于，所述缩放因子为所述CO2模拟浓度与CO2增强数据的比值，所述CO2增强数据为所述目标区域在指定时段内的CO2监测数据与CO2背景数据的差值；
所述CO2模拟排放量为所述缩放因子与所述先验CO2排放量的乘积。
3.如权利要求1所述的反演方法，其特征在于，所述获取目标区域在指定时段内的CO2模拟浓度，包括：
基于现有的人为CO2排放清单，在目标区域上构建所述先验CO2排放量；
将目标区域在指定时段内的可再分析气象数据输入至所述预设大气传输模型，得到所述目标区域在指定时段内的足迹；其中，所述预设大气传输模型为WRF-STILT模型；
对所述先验CO2排放量和所述足迹进行卷积处理，得到所述目标区域在指定时段内的CO2模拟浓度。
4.如权利要求1所述的反演方法，其特征在于，所述先验排放量误差协方差包括空间协方差、时间协方差和先验误差协方差；
所述先验排放量误差协方差Q为：
Figure 938942DEST_PATH_IMAGE001
其中，
Figure 453100DEST_PATH_IMAGE002
，
E为空间协方差，D为时间协方差，Iδ为先验排放量与真实排放量之间的先验误差协方差，Xs为网格单元分离距离，Xτ为时间步长之间的滞后时间，l s为空间协方差的范围参数，l τ为时间协方差的范围参数。
5.如权利要求4所述的反演方法，其特征在于，所述分别将多个第一先验排放量误差协方差、所述先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量，包括：
循环依次改变所述先验排放量误差协方差中的所述先验误差协方差、所述空间协方差的范围参数和所述时间协方差的范围参数，得到多个第一先验排放量误差协方差；
将多个第一先验排放量误差协方差、所述先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量。
6.如权利要求1至5任一项所述的反演方法，其特征在于，所述贝叶斯反演模型为：
Figure 582730DEST_PATH_IMAGE003
其中，s p为先验CO2排放量，Q为先验排放量误差协方差，H为足迹，R为预设大气传输模型的误差协方差，z为CO2监测数据与CO2背景数据的差值。
7.一种二氧化碳排放量的反演装置，其特征在于，包括：
获取模拟浓度模块，用于获取目标区域在指定时段内的CO2模拟浓度；
确定模拟排放量模块，用于基于所述目标区域的先验CO2排放量、所述目标区域在指定时段内的CO2监测数据、CO2背景数据和所述CO2模拟浓度，确定CO2模拟排放量；具体用于：基于所述目标区域在指定时段内的CO2监测数据、CO2背景数据和所述CO2模拟浓度，确定缩放因子；基于所述缩放因子和所述先验CO2排放量，确定所述CO2模拟排放量；
第一反演模块，用于分别将多个第一先验排放量误差协方差、所述先验CO2排放量和预设大气传输模型的误差协方差输入至贝叶斯反演模型中，反演得到多个第一CO2排放量；其中，所述第一先验排放量误差协方差为对初始的先验排放量误差协方差中的参数进行修改后得到的先验排放量误差协方差；
确定协方差模块，用于将与所述CO2模拟排放量之差最小的第一CO2排放量所对应的第一先验排放量误差协方差，确定为最优的先验排放量误差协方差；
第二反演模块，用于将所述先验CO2排放量、最优的先验排放量误差协方差、预设大气传输模型的误差协方差、所述目标区域在指定时段内的CO2监测数据和CO2背景数据输入至所述贝叶斯反演模型中，反演得到所述目标区域在指定时段内的二氧化碳排放量。
8.一种电子设备，包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至6任一项所述方法的步骤。
9.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，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任一项所述方法的步骤。
CN202210447490.4A 2022-04-27 2022-04-27 二氧化碳排放量的反演方法、装置、设备及存储介质 Active CN114547553B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202210447490.4A CN114547553B (zh) 2022-04-27 2022-04-27 二氧化碳排放量的反演方法、装置、设备及存储介质
PCT/CN2022/125582 WO2023206984A1 (zh) 2022-04-27 2022-10-17 二氧化碳排放量的反演方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210447490.4A CN114547553B (zh) 2022-04-27 2022-04-27 二氧化碳排放量的反演方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN114547553A CN114547553A (zh) 2022-05-27
CN114547553B true CN114547553B (zh) 2022-08-02

Family

ID=81667158

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210447490.4A Active CN114547553B (zh) 2022-04-27 2022-04-27 二氧化碳排放量的反演方法、装置、设备及存储介质

Country Status (2)

Country Link
CN (1) CN114547553B (zh)
WO (1) WO2023206984A1 (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114547553B (zh) * 2022-04-27 2022-08-02 河北先河环保科技股份有限公司 二氧化碳排放量的反演方法、装置、设备及存储介质
CN115186437B (zh) * 2022-06-07 2024-04-05 中国科学院地理科学与资源研究所 碳同位素联合同化模型及甄别人为碳排放与自然碳通量区域同化系统的构建方法
CN114970184B (zh) * 2022-06-07 2024-04-02 中国科学院地理科学与资源研究所 同步反演高分辨率人为co2排放与自然co2通量的同化方法及系统
CN115808501B (zh) * 2022-11-23 2024-06-21 武汉大学 一种基于oco-2卫星反演发电厂碳排放强度的方法
CN116312871B (zh) * 2023-03-03 2023-10-27 中国科学院地理科学与资源研究所 一种co2浓度反演数据的降尺度方法和系统
CN117591619B (zh) * 2023-11-23 2024-10-01 北京英视宇辰科技有限公司 污碳双高热点网格识别方法、系统、设备及介质
CN118425425B (zh) * 2024-04-29 2024-10-11 江苏省星霖工程咨询有限公司 一种基于大数据的智能化碳排放检测系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651873A (zh) * 2020-05-22 2020-09-11 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN112597651A (zh) * 2020-12-22 2021-04-02 武汉大学 基于oco-2数据和wrf-stilt模型反演co2背景场浓度的方法及系统

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR2953021B1 (fr) * 2009-11-26 2011-12-09 Tanguy Griffon Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee
US20130325498A1 (en) * 2012-06-05 2013-12-05 United States Of America, As Represented By The Secretary Of The Army Health Outcome Prediction and Management System and Method
CN104834823B (zh) * 2015-05-18 2018-08-21 中国科学院地理科学与资源研究所 基于卫星-地基co2数据联合同化的碳源汇估测方法
CN111523717B (zh) * 2020-04-15 2023-05-16 北京工业大学 一种大气污染物排放清单的反演估算方法
CN111723482B (zh) * 2020-06-17 2023-11-21 南京大学 一种基于卫星co2柱浓度观测反演地表碳通量的方法
CN111881569B (zh) * 2020-07-24 2021-02-05 中国科学院大气物理研究所 二氧化碳柱浓度的反演方法、装置、存储介质及电子设备
CN113406667B (zh) * 2021-07-07 2022-04-29 武汉大学 基于星载激光雷达获取城市co2格网化通量的方法及系统
CN114324780B (zh) * 2022-03-03 2022-08-02 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
CN114547553B (zh) * 2022-04-27 2022-08-02 河北先河环保科技股份有限公司 二氧化碳排放量的反演方法、装置、设备及存储介质

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111651873A (zh) * 2020-05-22 2020-09-11 上海市环境科学研究院 城市大气VOCs排放清单反演方法、系统、终端以及储存介质
CN112597651A (zh) * 2020-12-22 2021-04-02 武汉大学 基于oco-2数据和wrf-stilt模型反演co2背景场浓度的方法及系统

Also Published As

Publication number Publication date
CN114547553A (zh) 2022-05-27
WO2023206984A1 (zh) 2023-11-02

Similar Documents

Publication Publication Date Title
CN114547553B (zh) 二氧化碳排放量的反演方法、装置、设备及存储介质
Bhend et al. An ensemble-based approach to climate reconstructions
CN110428104A (zh) 一种污染贡献率确定方法、装置、电子设备及存储介质
CN112800603B (zh) 一种基于集合最优插值算法的大气环境数据同化方法
CN104573393B (zh) 一种基于贝叶斯理论的土壤水分站点数据升尺度方法
CN113297528A (zh) 一种基于多源大数据的no2高分辨率时空分布计算方法
CN110031412A (zh) 基于移动ahsa观测的大气污染物排放通量获取方法
CN110472782A (zh) 一种数据确定方法、装置、设备及存储介质
CN110261547B (zh) 一种空气质量预报方法和设备
CN109858686A (zh) 一种基于EnKF的地面排放清单反演优化方法
Galperin et al. The long-range transport of ammonia and ammonium in the Northern Hemisphere
CN115879630A (zh) 基于土地利用的碳排放即时表征与预测的方法及装置
CN117332906B (zh) 基于机器学习的三维时空网格空气质量预测方法及系统
CN112100922A (zh) 一种基于wrf和cnn卷积神经网络的风资源预测方法
CN113125635A (zh) 一种大气污染预警方法、装置及可读存储介质
Mijling High-resolution mapping of urban air quality with heterogeneous observations: a new methodology and its application to Amsterdam
CN115481558A (zh) 一种基于机器学习的大气污染排放反演方法、系统和设备
CN116822141A (zh) 利用卫星微光遥感反演夜间大气气溶胶光学厚度的方法
CN117933095B (zh) 一种基于机器学习的地表发射率实时反演及同化方法
CN118050329A (zh) 一种基于国控断面和哨兵影像的流域水质反演方法及设备
Santana-Falcón et al. Assimilation of chlorophyll data into a stochastic ensemble simulation for the North Atlantic Ocean
CN109799549B (zh) 气态污染物浓度柱转换方法及装置
Zhang et al. Sensitivity of simulated CO 2 concentration to sub-annual variations in fossil fuel CO 2 emissions
CN115239027B (zh) 空气质量格点化集合预报的方法及装置
Li et al. Knowledge discovery for geographical cellular automata

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