CN114878748B - 一种co2排放量的监测方法及监测系统 - Google Patents

一种co2排放量的监测方法及监测系统 Download PDF

Info

Publication number
CN114878748B
CN114878748B CN202210490954.XA CN202210490954A CN114878748B CN 114878748 B CN114878748 B CN 114878748B CN 202210490954 A CN202210490954 A CN 202210490954A CN 114878748 B CN114878748 B CN 114878748B
Authority
CN
China
Prior art keywords
data
emission
adopting
time
average
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
CN202210490954.XA
Other languages
English (en)
Other versions
CN114878748A (zh
Inventor
陈玉敏
唐伟
张凌浩
徐厚东
魏阳
刘洪利
李赋欣
刘雪原
庞博
赵瑞祥
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.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power 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 Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202210490954.XA priority Critical patent/CN114878748B/zh
Publication of CN114878748A publication Critical patent/CN114878748A/zh
Application granted granted Critical
Publication of CN114878748B publication Critical patent/CN114878748B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0036—General constructional details of gas analysers, e.g. portable test equipment concerning the detector specially adapted to detect a particular component
    • G01N33/004—CO or CO2
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/38—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system
    • G01S19/39—Determining a navigation solution using signals transmitted by a satellite radio beacon positioning system the satellite radio beacon positioning system transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • 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
    • 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
    • Y02P90/845—Inventory and reporting systems for greenhouse gases [GHG]

Landscapes

  • Engineering & Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Remote Sensing (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Health & Medical Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Analytical Chemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Medicinal Chemistry (AREA)
  • Atmospheric Sciences (AREA)
  • Biochemistry (AREA)
  • Ecology (AREA)
  • Environmental Sciences (AREA)
  • Food Science & Technology (AREA)
  • Combustion & Propulsion (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种CO2排放量的监测方法及监测系统，获取第一数据与第二数据；采用面积加权平均法对第一数据进行处理，获得第三数据；采用时间插值、空间卷积方法，对第二数据进行处理，获得第四数据；将第三数据与第四数据根据所在1km网格和时间匹配，形成训练数据集，采用机器学习方法建模填补目标区域的全面域NO2柱浓度时空分布；将填补后的NO2柱浓度时空分布与风速风向相匹配，采用线密度拟合方法计算获得各个风向下的平均NOx排放量；将NOx排放量，结合CO2‑NOx比例因子，获得CO2的排放量；本发明的有益效果为提高了对CO2排放量计算的准确性及动态更新的频率，为减排降碳工作提供了实时数据支撑。

Description

一种CO2排放量的监测方法及监测系统
技术领域
本发明涉及CO2排放量技术领域，具体而言，涉及一种CO2排放量的监测方法及监测系统。
背景技术
控制温室气体排放、应对气候变化是二十一世纪人类可持续发展面临的重大挑战，准确的计算CO2排放量是推进减碳工作的基础，可以为碳排放统计核算提供依据。目前对于CO2排放量的计算多通过自下而上基于统计和调查的方法，即通过工业生产、经济发展和能源消耗等相关数据对各个排放源的排放量进行统计核算。
《中国高空间分辨率排放网格数据库》参考国际主流自下而上的空间化方法，基于点、面排放源自下而上进行空间分配，主要有工业源、城镇生活源、移动源、废弃物处置及农业/ 农村源等。具体而言，将工业源排放直接通过经纬度分配至网格，将城镇生活源转化为区/县排放，将移动源排放分配至机场、道路、港口，将废弃物处置排放分配至垃圾焚烧厂所在网格，将农业源排放分配至农村所在地区，最后统一进行空间汇总、核对和分析计算，得到网格化CO2排放量数据。
然而，自下而上的方法虽然已经实现了对全国范围的CO2排放量进行核算以及持续动态更新，但这种方法仍然存在很大的弊端；首先，自下而上的方法需要大量的统计调查或监测数据作为支撑，这就要求基础数据采集与统计工作具有科学性和全面性，由于人为因素干预使得数据采集的过程中存在诸多不确定性，很多情况下无法保障数据的真实性，尤其CO2的排放源种类丰富且复杂，对数据采集精细度的要求更高，由于排放量的计算涉及到燃料消耗量、排放系数、低位发热量、排放因子等一系列参数，而这些参数大多都具有不确定性，导致计算过程中存在误差传递，最终使得CO2排放量的计算结果存在较大的偏差和不确定性。其次，自下而上进行CO2排放量的动态更新工作量较大，更新周期较长，通常每年更新一次，无法为减排工作提供实时数据支持。
有鉴于此，特提出本申请。
发明内容
本发明所要解决的技术问题是现有技术中，采用自上而下的方法推断CO2的排放量，无法保证其统计数据精确性，导致最终计算得到的CO2排放量不确定性较大，且基于此方法的 CO2排放量动态更新周期较长，无法实时为减排工作提供数据支持。本发明目的在于提供一种CO2排放量的监测方法及监测系统，简化了计算CO2排放量所需数据来源种类，一定程度克服了传统统计调研方法产生的诸多不确定性，提高了对CO2排放量推断的精确性以及动态更新的频率。
本发明通过下述技术方案实现：
一种CO2排放量的监测方法，方法步骤包括：
S1：获取第一数据与第二数据，所述第一数据为卫星遥感的NO2柱浓度数据，所述第二数据为环境因素数据以及气象数据；
S2：采用面积加权平均法对所述第一数据进行处理，获得第三数据；
S3：采用时间插值、空间卷积方法，对所述第二数据进行处理，获得第四数据；
S4：将所述第三数据与所述第四数据根据所在1km网格和时间匹配，形成训练数据集，采用机器学习方法，基于交叉验证结果调整模型超参数，建模填补目标区域的全面域NO2柱浓度时空分布；
S5：将填补后的NO2柱浓度时空分布与风速以及风向相匹配，采用线密度拟合方法计算获得各个风向下的平均NOx排放量；
S6：基于S5计算得到的NOx排放量，结合CO2-NOx比例因子，计算获得CO2的平均排放量。
传统计算CO2排放量都是采用的自下而上的空间化方法，但这种方法通常会对不同CO2排放源数据进行调查统计，但在对大量数据进行采集的过程中，无法保证所采集的数据的准确性，从而会造成计算得到的CO2排放量不确定性较大，本发明提供了一种CO2排放量的推断方法，采用机器学习模型，结合线密度拟合方法和CO2-NOx比例因子对CO2排放量进行计算，提高了对CO2排放量计算的准确性。
优选地，所述第三数据获得的具体子步骤为：
在所述第一数据的处理过程中，采用4d检验法标记并剔除离群值，过滤数据噪音；
采用面积加权平均法，将剔除处理后的数据处理至1km×1km网格，获得第三数据。
优选地，所述第四数据获得的具体子步骤为：
采用时间插值法填补所述第二数据时间维度的缺失值，并通过正态变换结合协同克里金插值方法将数据处理至1km网格，获得第二子数据；
对所述第二子数据进行空间卷积处理，获得第四数据。
优选地，所述步骤S4的子步骤包括：
将所述第三数据作为因变量，所述第四数据作为自变量，并根据所述第三数据与所述第四所在1km网格和时间匹配形成训练数据集；
通过机器学习模型进行训练，采用交叉验证法对训练后的机器学习模型进行性能评估，获得最优超参数组合，模型在此参数下进行NO2柱浓度的填补，得到目标区域的全面域NO2柱浓度时空分布。
优选地，所述环境因素数据包括边界层高度、海拔数据、人口密度、道路密度、土地利用类型数据、以及归一化植被指数。
优选地，所述气象数据包括气压数据、温度数据、东西向风速、南北向风速、湿度数据以及蒸发量数据。
优选地，所述步骤S5中，线密度拟合的具体表达式为：
Figure SMS_1
Figure SMS_2
Figure SMS_3
其中，E代表排放总量；B是常数项，代表一个恒定的背景浓度；M(x)为线密度拟合模型方程，e(x)为指数方程，G(x)为高斯方程，X是源排放中心相对于前置城市中心位置的位移， x0是e折距离，NO2浓度衰减为原来的1/e所经历的距离，σ是高斯方程G(x)的标准偏差。
优选地，所述CO2的平均排放量的具体表达式为：
Figure SMS_4
其中，
Figure SMS_5
是CO2单位时间排放量，/>
Figure SMS_6
是t时间内CO2的平均排放因子，/>
Figure SMS_7
是t 时间内NOx的平均排放因子，/>
Figure SMS_8
是t时间内NOx的减排比例，/>
Figure SMS_9
是NOx的平均排放强度。
优选地，所述NOx的平均排放强度
Figure SMS_10
的具体表达式为：
Figure SMS_11
Figure SMS_12
t＝x0/w
其中，
Figure SMS_13
为单位时间NO2排放强度，t是e折距离x0和投影到目标风向下的区域平均风速w的商。
本发明还提供了一种CO2排放量的监测系统，包括数据获取模块、第一数据处理模块、第二数据处理模块、模型构建模块、匹配模块以及排放量计算模块；
所述数据获取模块，用于获取第一数据与第二数据，所述第一数据为卫星遥感的NO2柱浓度数据，所述第二数据为环境因素数据以及气象数据；
所述第一数据处理模块，用于采用面积加权平均法对所述第一数据进行处理，获得第三数据；
所述第二数据处理模块，用于采用时间插值、空间卷积方法，对所述第二数据进行处理，获得第四数据；
所述模型构建模块，用于将所述第三数据与所述第四数据根据所在1km网格和时间匹配形成训练数据集，采用机器学习方法建模填补目标区域的全面域NO2柱浓度时空分布；
所述匹配模块，用于将填补后的NO2柱浓度时空分布与风速以及风向相匹配，采用线密度拟合方法，计算获得各个风向下的平均NOx排放量；
所述排放量计算模块，用于将平均NOx排放量通过CO2-NOx比例因子转化计算获得CO2的平均排放量。
本发明与现有技术相比，具有如下的优点和有益效果：
1、本发明利用了NOx与CO2排放的同源性，将基于卫星遥感数据的NOx排放量计算方法融入CO2排放量的计算。与以往自下而上基于统计和调研的方法相比，此方法仅采用卫星遥感对流层柱浓度数据和风场数据，不需要对大量且复杂的CO2排放源进行统计和调研，简化数据种类的同时也一定程度克服了统计和调研中由于人为因素产生的数据不确定性。
2、本发明利用机器学习方法对NO2柱浓度进行了填补，得到目标区域完整的逐时1km 网格NO2柱浓度时空分布，实现了时空维度的数据扩增，克服了卫星遥感数据的非随机缺失问题，为线密度拟合模型提供了可靠的输入数据，提升了模型的拟合优度，从而使得排放量的计算更为准确。
3、本发明利用卫星遥感数据更新周期短、易获取的优势，提升了CO2排放量动态更新的频率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
图1为监测方法示意图
图2为监测系统示意图
图3为机器学习模型构建流程图
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明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本本发明。在其他实施例中，为了避免混淆本本发明，未具体描述公知的结构、电路、材料或方法。
在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。
在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。
实施例一
本实施例公开了一种CO2排放量的监测方法，如图1所示，方法步骤包括：
S1：获取第一数据与第二数据，所述第一数据为卫星遥感NO2柱浓度数据，所述第二数据为环境因素数据以及气象数据；从公开数据源获取搭载于“哨兵5号”(Sentinel-5P)的对流层监测仪(TROPOMI)-NO2对流层柱浓度数据，边界层高度、海拔、人口密度、道路密度、土地利用类型、归一化植被指数和气象数据(气压、温度、东西向风速、南北向风速、湿度、蒸发量)，构建环境大数据集。
本实施例中，所述环境因素数据包括边界层高度、海拔数据、人口密度、道路密度、土地利用类型数据、以及归一化植被指数。所述气象数据包括气压数据、温度数据、东西向风速、南北向风速、湿度数据以及蒸发量数据。具体的各个变量详细信息表如表一所示：
表一
变量 单位 时间精度 空间精度
TROPOMI-NO2对流层柱浓度 mol/m2 天 5.5km×3.5km
温度 ℃ 小时 点
湿度 ％ 小时 点
降水量 Mm 小时 点
气压 hPa 小时 点
风速 m/s 小时 点
蒸发量 Mm 小时 点
海拔 M / 30m
人口密度 people/km2 每年 30"
土地利用类型 ％ 每年 300m
道路密度 °/grid 每年 线
归一化植被指数 / 每8天 250m
边界层高度 M 小时 0.625°×0.5°
S2：采用面积加权平均法对所述第一数据进行处理，获得第三数据；
所述第三数据获得的具体子步骤为：
在所述第一数据的处理过程中，采用4d检验法标记并剔除离群值，过滤数据噪音；
采用面积加权平均法，将剔除处理后的数据处理至1km×1km网格(简称1km网格)，获得第三数据。
对于原始TROPOMI-NO2对流层柱浓度数据，首先通过设置质量筛选阈值过滤噪音较大的数据，采用4d检验法标记离群值xout并去除。采用面积加权平均法处理至1km网格。
|xout-xmean|＞4d
其中，xmean和d分别表示去掉离群值之后其余数据的平均值和平均偏差。当所要检验的浓度值满足上述条件时，判定为离群值，否则未发现离群值。
S3：采用时间插值、空间卷积等方法，对所述第二数据进行处理，获得第四数据；
所述第四数据获得的具体子步骤为：
采用时间插值法填补所述第二数据时间维度的缺失值，并通过正态变换结合协同克里金插值方法将数据处理至1km网格，获得第二子数据；
对所述第二子数据进行空间卷积处理，获得第四数据。
对于边界层高度、海拔、人口密度、道路密度、土地利用类型、归一化植被指数和气象数据，使用时间插值填补气象数据时间维度的缺失值，使用正态变换和结合海拔的协同克里金法处理所有数据至1km网格。协同克里金法是指对多个具有空间相关性的空间变量进行估计的克里金插值方法。借助这类方法，可以利用几个空间变量之间的相关性，对其中的一个变量或多个变量进行空间预测，以提高预测的精度和合理性。结合以往研究，此处认为海拔和使用到的地理、气象数据具有一定的相关性，故选择结合海拔进行协同克里金插值。
对处理后的海拔、人口密度、道路密度、土地利用类型、归一化植被指数进行空间卷积，得到相应的空间卷积变量，作为模型的训练新增特征。所有变量预处理完成后，根据所在的 1km网格和时间进行匹配，形成训练数据集。
S4：将所述第三数据与所述第四数据根据所在1km网格和时间匹配，形成训练数据集，采用机器学习方法，基于交叉验证结果调整模型超参数，建模填补获得目标区域的全面域NO2柱浓度时空分布；
所述步骤S4的子步骤包括：
将所述第三数据作为因变量，所述第四数据作为自变量，并根据所述第三数据与所述第四数据所在1km网格和时间匹配形成训练数据集；
通过机器学习模型进行训练，采用交叉验证法对训练后的机器学习模型进行性能评估，获得最优超参数组合，模型在此参数下进行NO2柱浓度的填补；
将训练数据集中的TROPOMI-NO2对流层柱浓度数据作为因变量，其他环境协变量作为自变量，使用PyCaret开源机器学习库进行模型的训练和筛选，如图3所示，PyCaret是一个开源机器学习库，用于训练和部署有监督和无监督的机器学习模型低码环境。
以均方根误差(RMSE)为目标函数，挑选出预测性能最好的模型与相应的超参数组合进行最终的模型训练。计算出研究区域1km网格逐时NO2柱浓度时空分布，并从基于样本、基于时间、基于空间的角度，结合决定系数(R2)，均方根误差(RMSE)等指标对模型的预测性能进行评估。评估采用交叉验证的方式。例如，基于样本的角度是指将训练集中所有样本随机分为数量相同的十份，轮流以其中九份作为训练集，剩余一份作为测试数据，取十次验证结果的均值作为对算法准确性的估计，R2是表征回归模型在多大程度上解释了因变量的变化，或者说方程对观测值的预测精度如何，R2越大则模型预测性能越好，若R2>0.80，则认为预测性能优秀。同时，绘制计算结果空间分布图，检查NO2柱浓度空间分布有无异常。
S5：将填补后的NO2柱浓度时空分布排放量与风速以及风向相匹配，采用线密度拟合方法，计算获得各个风向下的平均NOx排放量；
将NO2柱浓度填补结果的每小时数据作为一个样本，并根据所在1km网格和时间匹配风速，计算区域内平均风速，小于2m/s视为静风天气，大于2m/s视为有风天气，将所有结果按照风速风向(东、西、南、北、东北、西北、东南、西南)进行分类。对各个风向下的时空分布结果按照1km网格求平均，并在与风向垂直的方向上对NO2柱浓度进行积分，得到线密度分布曲线。使用线密度数据以及距离拟合线密度方程，得到关键参数NO2排放负荷、e 折距离(NO2浓度衰减为原来的1/e所经历的距离)，通过比例折算得到NOx平均排放强度。线密度拟合方程如下：
Figure SMS_14
其中，E代表排放总量；B是常数项，代表一个恒定的背景浓度；M(x)为线密度拟合模型方程，e(x)为指数方程，G(x)为高斯方程。
e(x)描述了在理想条件下，孤立城市四周的NO2浓度与排放源点间距离的关系：在下风向地区，即当x>X时，假设污染物按照风的方向线性传播并且其衰减为一级化学反应，城市四周的NO2浓度随距离的增加呈现指数衰减，而在上风向地区e(x)＝0。
Figure SMS_15
其中，X是源排放中心相对于前置城市中心位置的位移，x0是e折距离。
Figure SMS_16
其中，σ是高斯方程G(x)的标准偏差。
S6：基于参数平均NOx排放量、CO2-NOx比例因子，计算获得CO2的平均排放量，排放因子和减排比例可从相关文献或MEIC中获取。
所述CO2的平均排放量的具体表达式为：
Figure SMS_17
其中，
Figure SMS_18
是CO2单位时间排放量，/>
Figure SMS_19
是t时间内CO2的平均排放因子，/>
Figure SMS_20
是t 时间内NOx的平均排放因子，/>
Figure SMS_21
是t时间内NOx的减排比例，/>
Figure SMS_22
是NOx的平均排放强度。
在典型城市大气条件下，正午时间NO和NO2的浓度比值大约为0.32(即NOx与NO的比值约为1.32)，接近TROPOMI的过境时间，故采用此经验参数进行NO2与NOx间的换算。最后由单位时间NO2排放强度
Figure SMS_23
计算得到单位时间平均排放强度/>
Figure SMS_24
所述NOx的平均排放强度
Figure SMS_25
的具体表达式为：
Figure SMS_26
Figure SMS_27
t＝x0/w
其中，
Figure SMS_28
为单位时间NO2排放强度，t是e折距离x0和投影到目标风向下的区域平均风速w的商。
本实施例公开的一种CO2排放量的推断方法，通过将NO2柱浓度数据与CO2-NOx比例因子相结合的方式，计算CO2的排放量，借助机器学习模型对研究区域的NO2柱浓度进行填补，提高了卫星空间覆盖率，提升了数据质量，解决了卫星遥感数据的非随机缺失问题，为线密度模型提供了可靠的输入数据，利用CO2和NOx排放的共源性，将NOx排放量作为中间变量，引入了比例因子对CO2排放量进行准确推断，为排放清单数据的评估提供了依据，为减排降碳工作提供了实时数据支撑。
实施例二
本实施例公开了一种CO2排放量的推断系统，本实施例是为了实现如实施例一中的CO2排放量的推断方法，如图2所示，包括数据获取模块、第一数据处理模块、第二数据处理模块、模型构建模块、匹配模块以及排放量计算模块；
所述数据获取模块，用于获取第一数据与第二数据，所述第一数据为卫星遥感二氧化氮对流层柱浓度(简称NO2柱浓度)数据，所述第二数据为环境因素数据以及气象数据；
所述第一数据处理模块，用于采用面积加权平均法对所述第一数据进行处理，获得第三数据；
所述第二数据处理模块，用于采用时间插值、空间卷积等方法，对所述第二数据进行处理，获得第四数据；
所述模型构建模块，用于将所述第三数据与所述第四数据根据所在网格和时间匹配形成训练数据集，采用机器学习方法建模填补目标区域的全面域NO2柱浓度时空分布；
所述匹配模块，用于将填补后的NO2柱浓度时空分布与风速以及风向相匹配，采用线密度拟合方法，计算获得各个风向下的平均NOx排放量；
所述排放量计算模块，用于将平均NOx排放量通过CO2-NOx比例因子转化计算获得CO2的平均排放量。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种CO2排放量的监测方法，其特征在于，方法步骤包括：
S1：获取第一数据与第二数据，所述第一数据为卫星遥感的NO2柱浓度数据，所述第二数据为环境因素数据以及气象数据；
S2：采用面积加权平均法对所述第一数据进行处理，获得第三数据；
S3：采用时间插值、空间卷积方法，对所述第二数据进行处理，获得第四数据；
S4：将所述第三数据与所述第四数据根据所在1km网格和时间匹配，形成训练数据集，采用机器学习方法，基于交叉验证结果调整模型超参数，建模填补目标区域的全面域NO2柱浓度时空分布；
S5：将填补后的NO2柱浓度时空分布与风速以及风向相匹配，采用线密度拟合方法计算获得各个风向下的平均NOx排放量；
S6：基于S5计算得到的NOx排放量，结合CO2-NOx比例因子，计算获得CO2的平均排放量；
所述步骤S5中，线密度拟合的具体表达式为：
Figure FDA0004176219530000011
Figure FDA0004176219530000012
Figure FDA0004176219530000013
其中，E代表排放总量；B是常数项；代表一个恒定的背景浓度；M(x)为线密度拟合模型方程，e(x)为指数方程；G(x)为高斯方程；X是源排放中心相对于前置城市中心位置的位移；x0是e折距离，具体为NO2浓度衰减为原来的1/e所经历的距离；σ是高斯方程G(x)的标准偏差。
2.根据权利要求1所述的一种CO2排放量的监测方法，其特征在于，所述第三数据获得的具体子步骤为：
在所述第一数据的处理过程中，采用4d检验法标记并剔除离群值，过滤数据噪音；
采用面积加权平均法，将剔除处理后的数据处理至1km×1km网格，获得第三数据。
3.根据权利要求1所述的一种CO2排放量的监测方法，其特征在于，所述第四数据获得的具体子步骤为：
采用时间插值法填补所述第二数据时间维度的缺失值，并通过正态变换结合协同克里金插值方法将数据处理至1km网格，获得第二子数据；
对所述第二子数据进行空间卷积处理，获得第四数据。
4.根据权利要求1所述的一种CO2排放量的监测方法，其特征在于，所述步骤S4的子步骤包括：
将所述第三数据作为因变量，所述第四数据作为自变量，并根据所述第三数据与所述第四数据所在1km网格和时间匹配形成训练数据集；
通过机器学习模型进行训练，采用交叉验证法对训练后的机器学习模型进行性能评估，获得最优超参数组合，模型在此参数下进行NO2柱浓度的填补，得到目标区域的全面域NO2柱浓度时空分布。
5.根据权利要求1～4任一所述的一种CO2排放量的监测方法，其特征在于，所述环境因素数据包括边界层高度、海拔数据、人口密度、道路密度、土地利用类型数据、以及归一化植被指数。
6.根据权利要求5所述的一种CO2排放量的监测方法，其特征在于，所述气象数据包括气压数据、温度数据、东西向风速、南北向风速、湿度数据以及蒸发量数据。
7.根据权利要求1所述的一种CO2排放量的监测方法，其特征在于，所述CO2的平均排放量的具体表达式为：
Figure FDA0004176219530000021
其中，
Figure FDA0004176219530000022
是CO2单位时间排放量，/>
Figure FDA0004176219530000023
是t时间内CO2的平均排放因子，/>
Figure FDA0004176219530000024
是t时间内NOx的平均排放因子，/>
Figure FDA0004176219530000025
是t时间内NOx的减排比例，/>
Figure FDA0004176219530000026
是NOx的平均排放强度。
8.根据权利要求7所述的一种CO2排放量的监测方法，其特征在于，所述NOx的平均排放强度
Figure FDA00041762195300000210
的具体表达式为：
Figure FDA0004176219530000027
Figure FDA0004176219530000028
t＝x0/w
其中，
Figure FDA0004176219530000029
为单位时间NO2排放强度，t是e折距离x0和投影到目标风向下的区域平均风速w的商。
9.一种CO2排放量的监测系统，其特征在于，包括数据获取模块、第一数据处理模块、第二数据处理模块、模型构建模块、匹配模块以及排放量计算模块；
所述数据获取模块，用于获取第一数据与第二数据，所述第一数据为卫星遥感的NO2柱浓度数据，所述第二数据为环境因素数据以及气象数据；
所述第一数据处理模块，用于采用面积加权平均法对所述第一数据进行处理，获得第三数据；
所述第二数据处理模块，用于采用时间插值、空间卷积方法，对所述第二数据进行处理，获得第四数据；
所述模型构建模块，用于将所述第三数据与所述第四数据根据所在1km网格和时间匹配，形成训练数据集，采用机器学习方法，基于交叉验证结果调整模型超参数，建模填补目标区域的全面域NO2柱浓度时空分布；
所述匹配模块，用于将填补后的NO2柱浓度时空分布与风速以及风向相匹配，采用线密度拟合方法，计算获得各个风向下的平均NOx排放量；
所述排放量计算模块，用于将平均NOx排放量通过CO2-NOx比例因子转化计算获得CO2的平均排放量；
线密度拟合的具体表达式为：
Figure FDA0004176219530000031
Figure FDA0004176219530000032
Figure FDA0004176219530000033
其中，E代表排放总量；B是常数项，代表一个恒定的背景浓度；M(x)为线密度拟合模型方程，e(x)为指数方程，G(x)为高斯方程，X是源排放中心相对于前置城市中心位置的位移，x0是e折距离，NO2浓度衰减为原来的1/e所经历的距离，σ是高斯方程G(x)的标准偏差。
CN202210490954.XA 2022-05-07 2022-05-07 一种co2排放量的监测方法及监测系统 Active CN114878748B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210490954.XA CN114878748B (zh) 2022-05-07 2022-05-07 一种co2排放量的监测方法及监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210490954.XA CN114878748B (zh) 2022-05-07 2022-05-07 一种co2排放量的监测方法及监测系统

Publications (2)

Publication Number Publication Date
CN114878748A CN114878748A (zh) 2022-08-09
CN114878748B true CN114878748B (zh) 2023-07-04

Family

ID=82673225

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210490954.XA Active CN114878748B (zh) 2022-05-07 2022-05-07 一种co2排放量的监测方法及监测系统

Country Status (1)

Country Link
CN (1) CN114878748B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115391724B (zh) * 2022-10-31 2023-01-13 北京唯思德科技有限公司 无人机温室气体排放量测量方法及装置
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
CN118707056A (zh) * 2024-08-30 2024-09-27 山东元通监测有限公司 一种园区的空气质量监测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5520530B2 (ja) * 2009-06-30 2014-06-11 株式会社日立製作所 Ｃｏ２排出量削減支援システム，ｃｏ２排出量削減社会支援システム及び支援方法
CN112884079A (zh) * 2021-03-30 2021-06-01 河南大学 一种基于Stacking集成模型的近地面二氧化氮浓度估算方法
CN113204543A (zh) * 2021-04-26 2021-08-03 武汉大学 基于机器学习的二氧化碳柱浓度时空序列调整方法
CN113297528B (zh) * 2021-06-10 2022-07-01 四川大学 一种基于多源大数据的no2高分辨率时空分布计算方法
CN113919448B (zh) * 2021-12-14 2022-04-01 武汉大学 一种任意时空位置二氧化碳浓度预测影响因素分析方法

Also Published As

Publication number Publication date
CN114878748A (zh) 2022-08-09

Similar Documents

Publication Publication Date Title
CN114878748B (zh) 一种co2排放量的监测方法及监测系统
CN111523717B (zh) 一种大气污染物排放清单的反演估算方法
US11600363B2 (en) PTF-based method for predicting target soil property and content
CN112765808B (zh) 一种生态干旱的监测与评估方法
Mwangi et al. Forecasting droughts in East Africa
Schulze Transcending scales of space and time in impact studies of climate and climate change on agrohydrological responses
CN113297528B (zh) 一种基于多源大数据的no2高分辨率时空分布计算方法
CN108280789B (zh) 一种精细时空尺度二氧化碳排放要素间影响的空间分析方法
CN108536908B (zh) 基于非点源氮磷流失风险对流域水环境安全评估的方法
CN105184423B (zh) 一种风电场集群风速预测方法
CN112785024A (zh) 一种基于流域水文模型的径流计算和预测方法
CN114254802B (zh) 气候变化驱动下植被覆盖时空变化的预测方法
Hamdi et al. Evaluating the performance of SURFEXv5 as a new land surface scheme for the ALADINcy36 and ALARO-0 models
CN116050163B (zh) 一种基于气象站的生态系统碳水通量计算方法及系统
CN118070619B (zh) 一种利用机器学习的城市内涝模型敏感参数识别优化方法
Wang et al. The cooling effect of hybrid land-use patterns and their marginal effects at the neighborhood scale
CN116205136A (zh) 基于径流滞后信息的大尺度流域深度学习洪水预报方法
Chu et al. Atmospheric effects on winter SO2 pollution in Lanzhou, China
Duulatov et al. Current and future trends of rainfall erosivity and soil erosion in Central Asia
Li et al. A systematic review of studies involving canopy layer urban heat island: Monitoring and associated factors
Xu et al. Evaluation method and empirical application of human activity suitability of land resources in Qinghai-Tibet Plateau
Zhang et al. Simulation of daily precipitation from CMIP5 in the Qinghai-Tibet Plateau
Zhan et al. Impact mechanism and improvement strategy on urban ventilation, urban heat island and urban pollution island: A case study in Xiangyang, China
CN116543528A (zh) 一种基于降雨阈值的区域滑坡危险性预警方法
CN115267066A (zh) 基于卫星观测污染气体浓度的化石燃料二氧化碳排放计算方法

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