CN115630870B - 地质碳封存区域大气co2时空分异特征及影响因子分析方法 - Google Patents
地质碳封存区域大气co2时空分异特征及影响因子分析方法 Download PDFInfo
- Publication number
- CN115630870B CN115630870B CN202211354344.3A CN202211354344A CN115630870B CN 115630870 B CN115630870 B CN 115630870B CN 202211354344 A CN202211354344 A CN 202211354344A CN 115630870 B CN115630870 B CN 115630870B
- Authority
- CN
- China
- Prior art keywords
- data
- atmospheric
- geological
- carbon sequestration
- value
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 66
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 66
- 230000009919 sequestration Effects 0.000 title claims abstract description 51
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000000556 factor analysis Methods 0.000 title claims abstract description 16
- 238000007789 sealing Methods 0.000 claims abstract description 16
- 230000001419 dependent effect Effects 0.000 claims abstract description 7
- 238000009826 distribution Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012876 topography Methods 0.000 claims description 9
- 238000000547 structure data Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 239000004215 Carbon black (E152) Substances 0.000 claims description 3
- 229930195733 hydrocarbon Natural products 0.000 claims description 3
- 150000002430 hydrocarbons Chemical class 0.000 claims description 3
- 238000002347 injection Methods 0.000 claims description 3
- 239000007924 injection Substances 0.000 claims description 3
- 238000004451 qualitative analysis Methods 0.000 claims description 3
- 239000003245 coal Substances 0.000 claims description 2
- 238000011835 investigation Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims 1
- 239000000523 sample Substances 0.000 description 9
- 238000011160 research Methods 0.000 description 5
- 230000007613 environmental effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000011158 quantitative evaluation Methods 0.000 description 2
- 238000010206 sensitivity analysis Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Physical Or Chemical Processes And Apparatus (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了地质碳封存区域大气CO2时空分异特征及影响因子分析方法,适用于生态环境领域。采集地质碳封存区域的大气CO2浓度数据及地质、气象、遥感数据,定性分析地质碳封存区域的大气CO2浓度数据影响因子,将各影响因子作为候选解释变量,探析各候选解释变量之间的空间相关关系,并对候选解释变量的可能变量组合进行测试评估,筛选最佳的解释变量组合为自变量,地质碳封存区域的大气CO2浓度作为因变量构建地理加权回归模型,定量分析地质碳封存区域大气CO2时空分异特征及影响因子的不同影响程度。其能够准确探明地质碳封存区域大气CO2浓度分异时空特征的关键影响因子及驱动作用,能够分析出地下封存CO2在影响因子的作用下对封存区域地表的影响。
Description
技术领域
本发明涉及的地质碳封存区域大气CO2时空分异特征及影响因子分析方法,尤其适用于生态环境领域。
背景技术
化石能源的大规模开采和消费产生了大量的CO2、CH4、N2O等温室气体,加剧了全球气温变暖的趋势。地质碳封存(Geological CO2 Storage,GCS)是一种将CO2注入并封存于地质体内的碳减排技术,能够大幅度避免化石能源发电和工业生产过程中CO2排放到大气中,然而废弃油气储层、矿井或地下含水层等地质碳封存区域的地质条件和人类开发活动,使得封存于储层的CO2可通过裂隙、断层或废弃矿井以及盖层等途径发生泄漏。
因此,综合采集地质碳封存区域的大气CO2浓度数据、地质构造数据以及其他驱动因子数据,在充分定性分析地质碳封存的大气CO2时空分异影响因子的基础上,采用最佳解释变量组合筛选进行地质碳封存大气CO2时空驱动因子定量分析,可为地质碳封存泄露预警提供重要的数据支撑和科学依据。同时,各影响因子并非独立驱动而是具有较强空间相关关系,而地理加权回归模型可以在兼顾驱动因子空间相关性的同时来探索研究对象在某一尺度下的空间变化和分异特征,这对研究地质封存区域的碳源汇格局具有重要价值。现有技术包括:
专利号为CN202111524281.7提供了一种任意时空位置CO2浓度预测影响因子分析方法,首先利用稀疏、不均匀的卫星CO2柱浓度观测数据,结合地表覆盖因子、气候气象因子与燃烧排放等环境因子,基于XGBoost算法构建模拟区域CO2时空分布的模型,提取出CO2时间和空间分布趋势变量;结合全局敏感性分析算法,根据敏感性分析的结果量化确定影响区域CO2时空分布的各种环境因子影响程度与大小的定量评价。该发明方法虽能够以较高精度模拟区域CO2浓度分布并实现环境变量重要性程度的定量评价,但并未能考虑地质碳封存区域特有的地质构造及开采或废弃矿井等影响因素,更未能兼顾多个影响因子之间的空间相关关系,难以支持地质碳封存区域大气CO2时空分异特征及影响因子分析需求。
发明内容
技术问题:为了克服现有技术存在的缺陷和不足,本发明公开了一种地质碳封存区域大气CO2时空分异特征及影响因子分析方法,该方法能够准确探明地质碳封存区域大气CO2浓度时空分异的关键影响因子及其驱动作用,兼顾了影响因子之间的空间相关关系,能够有效分析出通过筒井在地下封存CO2后对封存区域地表的影响,对于促进地质碳封存区域碳循环研究、环境管理研究具有重要的意义。
为了实现上述技术目的,本发明提供并公开了地质碳封存区域大气CO2时空分异特征及影响因子分析方法,将存在废弃或衰竭的油气藏、不可开采煤层能够进行碳封存的盆地作为CO2封存区域,通过井筒高压注入的方式封存CO2;通过考虑常规的地表因素和地质碳封存区域独有的碳泄露因素,分析地质碳封存区域近地面大气CO2时空分异特征,其步骤如下:
步骤1:采集地质碳封存区域的大气CO2浓度数据、地质构造数据、遥感数据产品、气象观测资料,其中地质构造数据包括地质勘查数据、矿井分布数据,遥感数据产品包括植被覆盖度数据、数字高程模型数据,气象观测资料为风速风向数据;
步骤2:基于数据定性分析地质碳封存区域大气CO2浓度数据的影响因子,影响因子包括地质碳封存区域的CO2泄露影响因子和其他影响因子;其中泄露影响因子包括地质碳封存区域的断层和裂缝分布、井筒分布数据,其他影响因子包括地表地形起伏度、风速风向、植被覆盖度数据;
步骤3:将泄露影响因子和其他影响因子作为候选解释变量,利用空间自相关Global Moran's I工具探析各候选解释变量之间的空间相关性,用Moran's I指数来表示变量之间的空间相关关系,并利用探索性回归工具对候选解释变量的所有可能的变量组合进行测试评估,筛选获得最佳的解释变量组合;
步骤4:将筛选出的最佳解释变量组合作为自变量,将地质碳封存区域的大气CO2浓度作为因变量构建地理加权回归模型,定量分析地质碳封存区域大气CO2的时空分异特征以及最佳解释变量对该区域内大气CO2时空分异的不同影响程度。
进一步,步骤1中的数据收集包括:获取OCO-2卫星数据作为近地面大气CO2浓度数据,利用ArcGIS软件将OCO-2卫星数据的原始点带数据重建为0.05°×0.05°空间分辨率的栅格数据作为地质碳封存区域的大气CO2浓度数据,地质构造数据包括地质勘查数据和矿井分布数据,并对其进行数字化和地理配准,其他驱动因子数据通过遥感数据产品和气象观测资料获取。
进一步,步骤2中地质碳封存区域泄露影响因子分析,基于OCO-2卫星数据进行分析,将地质碳封存区域划分成0.05°×0.05°的平面格网,根据断裂带和裂缝的数字化结果,将断裂带和裂缝对应的矢量线数据转为矢量点数据,对照格网填补断裂带和裂缝的点数据,保证断裂带和裂缝经过的格网都有点数据分布,再以OCO-2卫星数据重建的大气CO2浓度数据为基础数据,将对应的CO2浓度值赋给断裂带生成的点数据,得到断裂带和裂缝处的CO2浓度数据;统计每个与CO2封存有关井筒的地理坐标,包括所有的注入井、封存井,提取对应格网的CO2浓度数据,得到与CO2封存有关井筒处的CO2浓度数据,作为候选解释变量中的泄露影响因子。
进一步,采用0.05°×0.05°分辨率的数字高程模型DEM分析地形起伏度因子,计算地表地形起伏度的具体公式如下:
RFi=Hmax-Hmin
其中,RFi为地表地形起伏度,Hmax为0.05°×0.05°格网分析窗口内的最大高程值,Hmin为上述0.05°×0.05°格网分析窗口内的最小高程值;
植被覆盖度因子采用归一化植被指数NDVI反映区域植被覆盖情况,采用0.05°×0.05°分辨率的NDVI数据分析植被覆盖度因子,最终生成目标分辨率栅格数据,每个格网对应一个NDVI值;
风速风向因子分析采用的是各省市的气象站观测资料数据,风向划分为12方向:顺时针将0°和360°位置划分为北、0-45°为北东、45-90°为东北、90°为东、90-135°为东南、135-180°为南东、180°为南、180-225°为南西、225-270°西南、270°为西、270-315°为西北、315-360°为北西;计算每个气象站的月均风速和主要风向,并根据站点的地理坐标将值对应到每个格网。
进一步,步骤3中地形起伏度因子、风速风向因子、植被覆盖度因子与地质碳封存区域大气CO2的浓度为非线性关系,对地形起伏度因子、风速风向因子、植被覆盖度因子这三个候选解释变量进行对数变换,为避免数量级差异带来的回归参数较小的问题,对所有候选解释变量包括泄露影响因子和其他影响因子进行归一化的处理,具体公式为:
其中,为归一化处理后的值,χi为归一化处理前的值,χmax为待归一化处理数据中的最大值,χmin为待归一化处理数据中的最小值,n为待处理变量数据的个数。
进一步,步骤3中,使用ArcGIS软件中的空间自相关工具和探索性回归工具对候选解释变量进行分析处理,以筛选获得最佳的解释变量组合,具体处理步骤如下:
首先指定每个普通最小二乘法OLS模型包含的解释变量的最小数量和最大数量,以及Adjusted R2、系数p值、方差膨胀因子VIF值、Jarque-Berap值和空间自相关q值的阈值条件,当且仅当找到一个满足可接受的最小Adjusted R2、最大系数p值边界、最大VIF值边界和可接受的最小Jarque Berap值阈值条件的OLS模型时,探索性回归工具会对该模型的残差运行空间自相关Global Moran's I工具,以判断偏低/偏高预计值是否会产生聚集;如果空间自相关q值大于在探索性回归工具的搜索条件中指定的值,即可接受的最小空间自相关q值时,则该模型将被视为合格模型列出于结果输出表;最后选取结果输出表中具有最大Adjusted R2的合格OLS模型,将其所含解释变量组合作为最佳解释变量组合。
进一步,步骤4中,将最佳解释变量组合作为自变量,大气CO2浓度作为因变量构建地理加权回归模型,对气象站观测点的观测值进行计算,定量分析地质碳封存区域大气CO2的时空分异特征以及最佳解释变量对该区域内大气CO2时空分异的不同影响程度,具体步骤为:
a.确定带宽:采用交叉验证法CV来确定带宽,选取合适的带宽h,使CV(h)达到最小,如下构造CV:
其中,是取带宽h时,去掉观测点(yi;xi1,xi2,…,xin)算得的大气CO2观测值的拟合值,yi表示观测值,xi1,xi2,…,xin表示最佳解释变量,h表示所取带宽,m表示交叉验证数据的个数;
b.确定核函数:根据a所求得带宽确定核函数,采用高斯函数作为核函数,函数表示如下:
其中,h表示带宽,di0是(ui,vi)与(u0,v0)间的距离,(ui,vi)表示样本点坐标,(u0,v0)表示回归点坐标;
c.计算权重:采用高斯函数时,样本点(ui,vi)对回归点(u0,v0)的权重为:
其中,wi(u0,v0)是空间权重,(ui,vi)表示样本点坐标,(u0,v0)表示回归点坐标,h表示带宽;
d.构建回归方程:以其中一个观测点(yi;xi1,xi2,…,xin)为中心,以带宽h为半径确定计算范围,将计算范围里面的所有观测点纳入计算,同时根据核函数确定该观测点的权重;重复以上步骤直至完成所有观测点的权重计算,得到各观测点(yi;xi1,xi2,…,xin)在空间位置为(ui,vi)的大气CO2观测值yi与解释变量xi1,xi2,…,xin的回归方程为:
yi=βi(ui,vi)+β1(ui,vi)xi1+β2(ui,vi)xi2+…+βn(ui,vi)xin+εi
其中,i=1,2,…,m,εi独立同分布,εi~N(0,σ2),每个样本点(ui,vi)的回归系数为βk(ui,vi)(k=1,2,…,n)。
有益效果:
本方法考虑了地质碳封存区域泄露影响因子、地形起伏度因子、风速风向因子、植被覆盖度因子进行分析,并利用地理加权回归模型定量分析大气CO2的时空变化规律以及多因子对其驱动作用。准确探明了地质碳封存区域大气CO2浓度时空分异的关键影响因子及其驱动作用,兼顾了地质碳封存区域特有的泄露影响因子,能够有效分析出在地下封存的CO2对封存区域地表的影响,对于促进碳封存区域碳循环研究、环境管理研究具有重要的意义。
附图表说明
图1是本发明地质碳封存区域大气CO2时空分异特征及影响因子分析方法的流程示意图。
图2是本发明中地理加权回归模型的构建过程示意图。
具体实施方法
下面结合附图和实例对本发明方法作进一步描述:
如图1所示,本发明一种地质碳封存区域大气CO2时空分异特征及影响因子分析方法,其步骤为:首先采集地质碳封存区域的大气CO2浓度数据、地质构造数据以及遥感数据产品、气象观测资料,其次定性分析地质碳封存区域的大气CO2浓度数据影响因子,包括断层和裂缝分布、井筒分布等泄露影响因子,以及地形起伏度、风速风向、植被覆盖度等其他影响因子;然后将各影响因子作为候选解释变量,利用空间自相关工具探析各候选解释变量之间的空间相关关系,并利用探索性回归分析工具对候选解释变量的所有可能的变量组合进行测试评估,筛选获得最佳的解释变量组合;最后选取最佳解释变量组合为自变量,地质碳封存区域的大气CO2浓度作为因变量构建地理加权回归模型,定量分析大气CO2的时空分异特征以及最佳多因子解释变量对其的不同影响程度。
如图2所示,是本发明中地理加权回归模型的构建过程,选取前面所得的最佳解释变量组合作为自变量,因变量选取大气CO2浓度构建地理加权回归模型,具体步骤为:
a.确定带宽:采用交叉验证法CV来确定带宽,选取合适的带宽h,使CV(h)达到最小,如下构造CV:
其中,是取带宽h时,去掉观测点(yi;xi1,xi2,…,xin)算得的大气CO2观测值的拟合值,yi表示观测值,xi1,xi2,…,xin表示最佳解释变量,h表示所取带宽,m表示交叉验证数据的个数;
b.确定核函数:根据a所求得带宽确定核函数,采用高斯函数作为核函数,函数表示如下:
其中,h表示带宽,di0是(ui,vi)与(u0,v0)间的距离,(ui,vi)表示样本点坐标,(u0,v0)表示回归点坐标;
c.计算权重:采用高斯函数时,样本点(ui,vi)对回归点(u0,v0)的权重为:
其中,wi(u0,v0)是空间权重,(ui,vi)表示样本点坐标,(u0,v0)表示回归点坐标,h表示带宽;
d.构建回归方程:以其中一个观测点(yi;xi1,xi2,…,xin)为中心,以带宽h为半径确定计算范围,将计算范围里面的所有观测点纳入计算,同时根据核函数确定该观测点的权重;重复以上步骤直至完成所有观测点的权重计算,得到各观测点(yi;xi1,xi2,…,xin)在空间位置为(ui,vi)的大气CO2观测值yi与解释变量xi1,xi2,…,xin的回归方程为:
yi=βi(ui,vi)+β1(ui,vi)xi1+β2(ui,vi)xi2+…+βn(ui,vi)xin+εi
其中,i=1,2,…,m,εi独立同分布,εi~N(0,σ2),每个样本点(ui,vi)的回归系数为βk(ui,vi)(k=1,2,…,n)。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (4)
1.地质碳封存区域大气CO2时空分异特征及影响因子分析方法,其特征在于:将存在废弃或衰竭的油气藏、不可开采煤层并作为CO2的地质碳封存区域,通过考虑常规的地表因素和地质碳封存区域独有的碳泄露因素,分析地质碳封存区域近地面大气CO2时空分异特征和影响因素,其步骤如下:
步骤1:采集地质碳封存区域的大气CO2浓度数据、地质构造数据、遥感数据产品、气象观测资料,其中地质构造数据包括地质勘查数据、矿井分布数据,遥感数据产品包括植被覆盖度数据、数字高程模型数据,气象观测资料为风速风向数据;
获取OCO-2卫星数据作为近地面大气CO2浓度数据,利用ArcGIS软件将OCO-2卫星数据的原始点带数据重建为0.05°×0.05°空间分辨率的栅格数据作为地质碳封存区域的大气CO2浓度数据,地质构造数据包括地质勘查数据和矿井分布数据,并对其进行数字化和地理配准,其他驱动因子数据通过遥感数据产品和气象观测资料获取;
步骤2:基于数据定性分析地质碳封存区域大气CO2浓度数据的影响因子,影响因子包括地质碳封存区域的CO2泄露影响因子和其他影响因子;其中泄露影响因子包括地质碳封存区域的断层和裂缝分布、井筒分布数据,其他影响因子包括地表地形起伏度、风速风向、植被覆盖度数据;
步骤3:将泄露影响因子和其他影响因子作为候选解释变量,利用空间自相关GlobalMoran's I工具探析各候选解释变量之间的空间相关性,用Moran's I指数来表示变量之间的空间相关关系,并利用探索性回归工具对候选解释变量的所有可能的变量组合进行测试评估,筛选获得最佳的解释变量组合;
使用ArcGIS软件中的空间自相关工具和探索性回归工具对候选解释变量进行分析处理,以筛选获得最佳的解释变量组合,具体处理步骤如下:
首先指定每个普通最小二乘法OLS模型包含的解释变量的最小数量和最大数量,以及Adjusted R2、系数p值、方差膨胀因子VIF值、Jarque-Berap值和空间自相关q值的阈值条件,当且仅当找到一个满足可接受的最小Adjusted R2、最大系数p值边界、最大VIF值边界和可接受的最小Jarque Berap值阈值条件的OLS模型时,探索性回归工具会对该模型的残差运行空间自相关Global Moran's I工具,以判断偏低/偏高预计值是否会产生聚集;如果空间自相关q值大于在探索性回归工具的搜索条件中指定的值,即可接受的最小空间自相关q值时,则该模型将被视为合格模型列出于结果输出表;最后选取结果输出表中具有最大Adjusted R2的合格OLS模型,将其所含解释变量组合作为最佳解释变量组合;
步骤4:将筛选出的最佳解释变量组合作为自变量,将地质碳封存区域的大气CO2浓度作为因变量构建地理加权回归模型,定量分析地质碳封存区域大气CO2的时空分异特征以及最佳解释变量对该区域内大气CO2时空分异的不同影响程度;
将最佳解释变量组合作为自变量,大气CO2浓度作为因变量构建地理加权回归模型,对气象站观测点的观测值进行计算,定量分析地质碳封存区域大气CO2的时空分异特征以及最佳解释变量对该区域内大气CO2时空分异的不同影响程度,具体步骤为:
a.确定带宽:采用交叉验证法CV来确定带宽,选取合适的带宽h,使CV(h)达到最小,如下构造CV:
其中,是取带宽h时,去掉观测点(yi;xi1,xi2,…,xin)算得的大气CO2观测值的拟合值,yi表示观测值,xi1,xi2,…,xin表示最佳解释变量,h表示所取带宽,m表示交叉验证数据的个数;
b.确定核函数:根据a所求得带宽确定核函数,采用高斯函数作为核函数,函数表示如下:
其中,h表示带宽,di0是(ui,vi)与(u0,v0)间的距离,(ui,vi)表示样本点坐标,(u0,v0)表示回归点坐标;
c.计算权重:采用高斯函数时,样本点(ui,vi)对回归点(u0,v0)的权重为:
其中,wi(u0,v0)是空间权重,(ui,vi)表示样本点坐标,(u0,v0)表示回归点坐标,h表示带宽;
d.构建回归方程:以其中一个观测点(yi;xi1,xi2,…,xin)为中心,以带宽h为半径确定计算范围,将计算范围里面的所有观测点纳入计算,同时根据核函数确定该观测点的权重;重复以上步骤直至完成所有观测点的权重计算,得到各观测点(yi;xi1,xi2,…,xin)在空间位置为(ui,vi)的大气CO2观测值yi与解释变量xi1,xi2,…,xin的回归方程为:
yi=βi(ui,vi)+β1(ui,vi)xi1+β2(ui,vi)xi2+…+βn(ui,vi)xin+εi
其中,i=1,2,…,m,εi独立同分布,εi~N(0,σ2),每个样本点(ui,vi)的回归系数为βk(ui,vi)(k=1,2,…,n)。
2.根据权利要求1所述的地质碳封存区域大气CO2时空分异特征及影响因子分析方法,其特征在于步骤2中地质碳封存区域泄露影响因子分析,基于OCO-2卫星数据进行分析,将地质碳封存区域划分成0.05°×0.05°的平面格网,根据断裂带和裂缝的数字化结果,将断裂带和裂缝对应的矢量线数据转为矢量点数据,对照格网填补断裂带和裂缝的点数据,保证断裂带和裂缝经过的格网都有点数据分布,再以OCO-2卫星数据重建的大气CO2浓度数据为基础数据,将对应的CO2浓度值赋给断裂带生成的点数据,得到断裂带和裂缝处的CO2浓度数据;统计每个与CO2封存有关井筒的地理坐标,包括所有的注入井、封存井,提取对应格网的CO2浓度数据,得到与CO2封存有关井筒处的CO2浓度数据,作为候选解释变量中的泄露影响因子。
3.根据权利要求1所述的地质碳封存区域大气CO2时空分异特征及影响因子分析方法,其特征在于,采用0.05°×0.05°分辨率的数字高程模型DEM分析地形起伏度因子,计算地表地形起伏度的具体公式如下:
RFi=Hmax-Hmin
其中,RFi为地表地形起伏度,Hmax为0.05°×0.05°格网分析窗口内的最大高程值,Hmin为上述0.05°×0.05°格网分析窗口内的最小高程值;
植被覆盖度因子采用归一化植被指数NDVI反映区域植被覆盖情况,采用0.05°×0.05°分辨率的NDVI数据分析植被覆盖度因子,最终生成目标分辨率栅格数据,每个格网对应一个NDVI值;
风速风向因子分析采用的是各省市的气象站观测资料数据,风向划分为12方向:顺时针将0°和360°位置划分为北、0-45°为北东、45-90°为东北、90°为东、90-135°为东南、135-180°为南东、180°为南、180-225°为南西、225-270°西南、270°为西、270-315°为西北、315-360°为北西;计算每个气象站的月均风速和主要风向,并根据站点的地理坐标将值对应到每个格网。
4.根据权利要求1所述的地质碳封存区域大气CO2时空分异特征及影响因子分析方法,其特征在于步骤3中地形起伏度因子、风速风向因子、植被覆盖度因子与地质碳封存区域大气CO2的浓度为非线性关系,对地形起伏度因子、风速风向因子、植被覆盖度因子这三个候选解释变量进行对数变换,为避免数量级差异带来的回归参数较小的问题,对所有候选解释变量包括泄露影响因子和其他影响因子进行归一化的处理,具体公式为:
其中,为归一化处理后的值,χi为归一化处理前的值,χmax为待归一化处理数据中的最大值,χmin为待归一化处理数据中的最小值,n为待处理变量数据的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354344.3A CN115630870B (zh) | 2022-11-01 | 2022-11-01 | 地质碳封存区域大气co2时空分异特征及影响因子分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211354344.3A CN115630870B (zh) | 2022-11-01 | 2022-11-01 | 地质碳封存区域大气co2时空分异特征及影响因子分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115630870A CN115630870A (zh) | 2023-01-20 |
CN115630870B true CN115630870B (zh) | 2024-03-22 |
Family
ID=84908585
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211354344.3A Active CN115630870B (zh) | 2022-11-01 | 2022-11-01 | 地质碳封存区域大气co2时空分异特征及影响因子分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115630870B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107172626A (zh) * | 2017-04-18 | 2017-09-15 | 中国矿业大学 | 一种co2地质封存区域的传感网络节点定位优化方法 |
KR101998778B1 (ko) * | 2018-01-03 | 2019-10-01 | 경북대학교 산학협력단 | 온실가스 분포 데이터 생성 장치 및 온실가스 분포 데이터 생성 방법 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN112800592A (zh) * | 2021-01-08 | 2021-05-14 | 中国石油大学(华东) | 一种二氧化碳地质封存体中泄漏风险的评价方法 |
CN113901384A (zh) * | 2021-09-24 | 2022-01-07 | 武汉大学 | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 |
CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 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 |
-
2022
- 2022-11-01 CN CN202211354344.3A patent/CN115630870B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107172626A (zh) * | 2017-04-18 | 2017-09-15 | 中国矿业大学 | 一种co2地质封存区域的传感网络节点定位优化方法 |
KR101998778B1 (ko) * | 2018-01-03 | 2019-10-01 | 경북대학교 산학협력단 | 온실가스 분포 데이터 생성 장치 및 온실가스 분포 데이터 생성 방법 |
CN111489008A (zh) * | 2019-08-24 | 2020-08-04 | 天津职业技术师范大学(中国职业培训指导教师进修中心) | 一种交通事故影响因素空间效应分析方法及其应用 |
CN112800592A (zh) * | 2021-01-08 | 2021-05-14 | 中国石油大学(华东) | 一种二氧化碳地质封存体中泄漏风险的评价方法 |
CN113901384A (zh) * | 2021-09-24 | 2022-01-07 | 武汉大学 | 顾及全局空间自相关性和局部异质性的地面pm2.5浓度建模方法 |
CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 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 |
Non-Patent Citations (1)
Title |
---|
泄漏情景下碳封存项目的风险强度评估方法初探;胡丽莎;张徽;蔡博峰;金晓琳;张成龙;马鑫;曹丽斌;周颖;;环境工程;20180222(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115630870A (zh) | 2023-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111858803B (zh) | 一种滑坡地灾风险区划图生成方法 | |
CN113283802B (zh) | 一种复杂艰险山区滑坡危险性评估方法 | |
Li et al. | Spatiotemporal distribution and national measurement of the global carbonate carbon sink | |
Nadiri et al. | Introducing a new framework for mapping subsidence vulnerability indices (SVIs): ALPRIFT | |
CN104331745B (zh) | 油气藏内天然裂缝的分期、分成因预测评价方法 | |
Wang et al. | Coalbed methane system potential evaluation and favourable area prediction of Gujiao blocks, Xishan coalfield, based on multi-level fuzzy mathematical analysis | |
CN111831968B (zh) | 一种天然气水合物地球化学综合异常图的绘制方法 | |
CN106646609A (zh) | 多次扫描的微地震多参数联合快速反演方法 | |
Chen et al. | Dissolution feature differences of carbonate rock within hydro-fluctuation belt located in the Three Gorges Reservoir Area | |
Shuo et al. | Identifying the density of grassland fire points with kernel density estimation based on spatial distribution characteristics | |
Ferhat et al. | A geoelectric approach for karst groundwater analysis | |
CN115630870B (zh) | 地质碳封存区域大气co2时空分异特征及影响因子分析方法 | |
CN110362867B (zh) | 基于多元影响因子的地面沉降分区方法 | |
CN116500697A (zh) | 一种水文地质勘察方法 | |
Tao et al. | Rock mass quality prediction of open-pit gold mine slope based on the kriging interpolation method | |
Zhang et al. | A best practice in static modeling of a coalbed-methane field: an example from the Bowen basin in Australia | |
Ward et al. | Environmental monitoring: phase 4 final report (April 2018-March 2019) | |
Zhao et al. | Fracture propagation induced by hydraulic fracturing using microseismic monitoring technology: Field test in CBM wells in Zhengzhuang region, Southern Qinshui Basin, China | |
Zhang et al. | Spatial patterns and controlling factors of the evolution process of karst depressions in Guizhou province, China | |
Tang et al. | Space-time dynamics and potential drivers of soil moisture and soil nutrients variation in a coal mining area of semi-arid, China | |
Jones et al. | Baseline variability in onshore near surface gases and implications for monitoring at CO2 storage sites | |
Xu et al. | Analysis of geothermal potential in Hangjiahu area based on remote sensing and geographic information system | |
Brantley et al. | Designing a suite of measurements to understand the critical zone. | |
Chen et al. | Detection of oasis soil composition and analysis of environmental parameters based on hyperspectral image and GIS | |
AU2022203535B2 (en) | Method for identifying stratigraphic structures in red soil area based on shallow seismic refraction wave method |
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 |