CN116630826A - 基于卫星遥感观测的甲烷排放重点区域识别定位方法 - Google Patents
基于卫星遥感观测的甲烷排放重点区域识别定位方法 Download PDFInfo
- Publication number
- CN116630826A CN116630826A CN202310911608.9A CN202310911608A CN116630826A CN 116630826 A CN116630826 A CN 116630826A CN 202310911608 A CN202310911608 A CN 202310911608A CN 116630826 A CN116630826 A CN 116630826A
- Authority
- CN
- China
- Prior art keywords
- methane
- area
- emission
- key
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 title claims abstract description 230
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000011160 research Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 150000001335 aliphatic alkanes Chemical class 0.000 claims 1
- 239000005431 greenhouse gas Substances 0.000 abstract description 3
- 239000006185 dispersion Substances 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000004138 cluster model Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011157 data evaluation Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004907 flux Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000004062 sedimentation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Remote Sensing (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Astronomy & Astrophysics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于甲烷排放区域识别定位技术领域,具体公开了一种基于卫星遥感观测的甲烷排放重点区域识别定位方法。包括以下步骤:(1)获取待选划地区的多源卫星监测甲烷浓度数据作为数据集;(2)利用分位数法和序列最小二乘规划算法确定甲烷浓度数据集的浓度阈值;(3)基于密度聚类模型,识别定位甲烷排放研究区域;(4)分析并确定甲烷排放研究区域的评价指标,计算甲烷排放研究区域的评价得分,建立评价指标体系;(5)根据甲烷排放研究区域的评价得分,利用自适应百分比法确定甲烷排放重点区域。本发明能普遍适用于大区域范围内的甲烷重点排放区域识别定位,为后期控制温室气体排放提供有效的决策支撑。
Description
技术领域
本发明属于甲烷排放区域识别定位技术领域,尤其涉及一种基于卫星遥感观测的甲烷排放重点区域识别定位方法。
背景技术
由于大范围区域内涉及广泛的排放源,完整地收集和整合甲烷排放数据可能存在困难。这种情况可能导致数据的不完整性和时效性的限制,使得数据无法及时反映当前的排放情况。因此,准确地识别和定位甲烷排放的重点区域对于制定针对性的减排措施和环境治理政策至关重要。
在以往的研究中,甲烷排放数据通常基于排放因子法计算,并根据人口密度、经济水平、温度等信息进行时空分布,但这不能准确反映区域内甲烷排放的实际情况。此外,一些专家采用数值模拟模型(如大气传输模型GEOS-Chem)来分析甲烷在大气中的传输、沉降和化学变化过程,并模拟区域大气中的甲烷浓度,以推断甲烷排放通量。然而,这种方法依赖于准确和及时的排放清单,而获得这样的排放清单往往困难重重。因此,需要一种新的方法,基于卫星遥感数据来识别和定位甲烷排放的重点区域。
通常情况下,甲烷排放的重点区域会显示相对较高的甲烷浓度,并且这些排放源在空间上呈现出聚集性。这意味着甲烷排放可能在特定的地理区域集中,并且该区域的甲烷浓度较高。此外,甲烷排放也可能表现出季节性的变化,受到气候和环境条件的影响。
为了更全面地了解甲烷排放情况,利用卫星遥感数据监测甲烷浓度提供了一种有力的工具。卫星具有广泛的地理覆盖范围,并能提供高时空分辨率的甲烷浓度观测数据。通过分析这些遥感数据,可以识别和分析甲烷排放的重点区域,揭示区域的排放热点和空间特征。卫星数据具有时效性和广泛的覆盖范围,为研究甲烷排放提供了可靠且及时的数据基础。
发明内容
本发明的目的在于提供一种基于卫星遥感观测的甲烷排放重点区域识别定位方法,有效解决如何利用卫星遥感数据对大范围区域识别定位甲烷重点排放区域的问题。
为解决上述技术问题,本发明采用的技术方案是:
一种基于卫星遥感观测的甲烷排放重点区域识别定位方法,包括以下步骤:
S1、获取待选划地区的多源卫星监测甲烷浓度数据作为数据集;
S2、利用分位数法基于数据分布的百分位数来确定初始浓度阈值,使用序列最小二乘规划算法对所述初始浓度阈值进行优化,通过最小化目标函数来找到最优的浓度阈值,将甲烷浓度划分为低、中低、中、中高和高共五个等级;
S3、基于DBSCAN密度聚类模型,识别定位具有相似甲烷浓度的空间簇群作为甲烷排放研究区域,揭示排放源热点;
S4、根据所述数据集分析并确定所述甲烷排放研究区域的评价指标,利用熵值法确定每个评价指标对于综合评价的重要程度,得到评价指标的重要性和权重,计算甲烷排放研究区域的评价得分,建立评价指标体系;所述评价指标包括:高浓度面积占比、中高浓度面积占比、高浓度点数量、平均浓度值和浓度变化率;
S5、根据所述甲烷排放研究区域的评价得分,利用自适应百分比法,通过分析评价得分数据的分布特征,自动选择适应重点排放区域阈值,将评价得分超过所述重点排放区域阈值的甲烷排放研究区域作为甲烷排放重点区域。
进一步地,所述DBSCAN密度聚类模型通过定义样本的邻域密度来划分数据点的聚类,识别具有任意形状和大小的聚类。
进一步地,所述DBSCAN密度聚类模型的使用过程包括:(1)指定两个参数:eps和min_samples,其中,eps表示邻域半径的大小,min_samples表示邻域内最少的样本点数;(2)从所述数据集中选择一个样本点作为起始点,然后找出所述起始点的邻域内的所有样本点,包括起始点本身;(3)如果邻域内样本点的数量大于等于min_samples,则将该起始点及其邻域内的所有样本点划分为一个簇;如果邻域内样本点的数量小于min_samples,则将该起始点标记为噪声点,并继续寻找下一个未访问过的样本点作为新的起始点;(4)对于划分为簇的每个样本点,重复步骤(2)和(3),继续寻找它们的邻域内的所有样本点,并继续扩展簇的大小,直到所有样本点都被访问,并且每个样本点都被分配到一个簇或标记为噪声点。
进一步地,所述步骤S4具体包括:
S41、计算所述甲烷排放研究区域的面积占比时,采用克里金插值方法对数据缺失点进行填充,所述克里金插值方法通过空间上的相似性来估计未知位置上的数值;
S42、通过熵值法确定所述甲烷排放研究区域的熵值和权重,先将所述评价指标的原始数据进行标准化,再计算每个评价指标的熵值和权重Wi,最后计算每个甲烷排放研究区域的评价得分Sj:,其中,xij为第j个区域中第i个归一化评价指标值,n为评价指标的数量。
进一步地,所述步骤S5具体包括:指定一个重点排放区域阈值的搜索范围0-100,并在该范围内对不同的重点排放区域阈值进行遍历,对于每个重点排放区域阈值,首先选择高于该重点排放区域阈值的得分数据点,然后计算这些数据点的方差、标准差、偏度和峰度,使用评价指标函数得到一个评分,所述评价指标函数为:评分= 0.5*方差+ 0.5*标准差-0.1*偏度+ 0.1*峰度,通过比较每个重点排放区域阈值的评分,找到最优的重点排放区域阈值,将超过该最优的重点排放区域阈值的甲烷排放研究区域作为甲烷排放重点区域。
本发明的有益技术效果是:
(1)本发明不仅识别定位甲烷排放研究区域,揭示可能的排放源热点,还利用熵值法对五个评价指标进行评价评分,再根据评价得分利用自适应百分比法计算甲烷排放重点区域的阈值,选择高于该值的区域作为甲烷排放重点区域。本发明提供的方法具有较好的普适性,能普遍适用于大区域范围内的甲烷重点排放区域识别定位。
(2)本发明以卫星监测数据为研究数据,对甲烷排放重点区域进行识别定位,为后期控制温室气体排放提供有效的决策支撑。
附图说明
下面将结合附图和具体实施方式对本发明进一步详细说明。
图1是本发明的方法流程图;
图2是以A地区卫星监测甲烷数据散点图作为底图的A地区甲烷排放区域识别定位图;
图3是A地区甲烷排放研究区域的评价得分的分布直方图;
图4是以A地区卫星监测甲烷数据散点图作为底图的A地区甲烷重点排放区域识别定位图。
具体实施方式
一种基于卫星遥感观测的甲烷排放重点区域识别定位方法,参照图1,包括以下步骤:
S1、获取待选划地区的多源卫星监测甲烷浓度数据作为数据集。
S2、利用分位数法基于数据分布的百分位数来确定初始浓度阈值,使用序列最小二乘规划算法对所述初始浓度阈值进行优化,通过最小化目标函数来找到最优的浓度阈值,将甲烷浓度划分为低、中低、中、中高和高共五个等级。
采用分位数法和序列最小二乘规划结合的方法,将步骤S1选划地区的多源卫星监测甲烷浓度数据进行浓度阈值分析,能够综合考虑数据的分布特征和数据的动态性。
S3、基于DBSCAN密度聚类模型,识别定位具有相似甲烷浓度的空间簇群作为甲烷排放研究区域,揭示潜在的甲烷排放源热点。所述DBSCAN密度聚类模型是通过定义样本的邻域密度来划分数据点的聚类,能够有效的识别具有任意形状和大小的聚类。
此步骤有助于定位甲烷排放的重点区域,并为环境管理和减排措施提供重要依据。需要根据具体数据和研究目标进行参数调整和结果解释,以确保聚类结果的准确性和可靠性。
S4、根据所述数据集分析并确定所述甲烷排放研究区域的评价指标,利用熵值法确定每个评价指标对于综合评价的重要程度,得到评价指标的重要性和权重,计算甲烷排放研究区域的评价得分,建立评价指标体系。所述评价指标包括:高浓度面积占比、中高浓度面积占比、高浓度点数量、平均浓度值和浓度变化率。
所述步骤S4建立了一个基于熵值法确定权重的甲烷研究区域评价指标体系,该体系可以用于对不同研究区域的甲烷情况进行评估和比较,并为减排工作提供决策支持和优化措施。所述步骤S4具体包括:
S41、计算所述甲烷排放研究区域的面积占比时,采用克里金插值方法对数据缺失点进行填充,所述克里金插值方法是通过空间上的相似性来估计未知位置上的数值。插值结果不仅依赖于已知采样点的数值,还考虑了采样点之间的空间相关性和变异性,可以获得更完整的数据集。
S42、通过熵值法确定所述甲烷排放研究区域的熵值和权重,先将所述评价指标的原始数据进行标准化,再计算每个评价指标的熵值和权重Wi,最后计算每个甲烷排放研究区域的评价得分Sj:,其中,xij为第j个区域中第i个归一化评价指标值,n为评价指标的数量。
S5、根据所述甲烷排放研究区域的评价得分,利用自适应百分比法,分析评价得分数据的分布特征。指定一个重点排放区域阈值的搜索范围为0-100,并在该范围内对不同阈值进行遍历。对于每个重点排放区域阈值,首先选择高于该阈值的得分数据点,然后计算这些数据点的方差、标准差、偏度和峰度。使用评价指标函数(评分= 0.5 * 方差+ 0.5 * 标准差 - 0.1 * 偏度+ 0.1 * 峰度)得到一个评分。
方差和标准差都是衡量数据的离散程度的指标,它们越大,表示数据相对于均值的离散程度越大。通过给方差和标准差相同的权重0.5,平衡了它们对综合评价的影响,使得数据的离散程度在综合评价中有相同的贡献。偏度为正表示数据分布的尾部较长,数据集中在均值左侧;偏度为负表示数据分布的尾部较长,数据集中在均值右侧。峰度大于3表示数据分布的峰值较高且尖峭,峰度小于3表示数据分布的峰值较平坦。偏度权重为-0.1,峰度权重为0.1的原因是让评分在数据分布趋于对称、尖峭时更高,强调数据分布特征的一致性和集中度。通过比较每个重点排放区域阈值的评分,找到最优的重点排放区域阈值,将超过该重点排放区域阈值的甲烷排放研究区域作为甲烷排放重点区域。
所述步骤S5利用自适应百分比法确定甲烷排放重点区域,能够根据甲烷排放研究区域评价得分的实际分布情况自动确定重点排放区域阈值,不受固定阈值的限制。这样可以更准确地选择重点区域,并且具有一定的灵活性,可以根据不同研究区域和评价指标的特点进行调整。
本发明以卫星监测数据为研究数据,对甲烷排放重点区域进行识别定位,为后期控制温室气体排放提供有效的决策支撑。
下面以A地区为例介绍该甲烷排放重点区域的识别定位方法。
首先,对Sentinel-5P、GOSAT卫星数据中的2022年A地区区域内的甲烷浓度数据进行下载和预处理,得到A地区的多源卫星监测甲烷浓度数据作为数据集。
然后,从给定的甲烷浓度数据中加载数据并定义目标值范围,需要划分五个等级的浓度阈值。于是目标值定义为0.2、0.4、0.6、0.8和0.9,使用分位数法根据目标值确定初始浓度阈值,即找到数据中20%、40%、60%、80%和90%的数作为初始浓度阈值,将甲烷浓度数据根据所述初始浓度阈值划分为不同的范围,定义了一个目标函数,在这个函数中,计算了每个范围内实际平均值与目标值之间的绝对差值,并将这些差值累加作为整体误差。使用序列最小二乘规划优化算法,优化的目标就是最小化整体误差,并且定义了约束函数,确保甲烷浓度数据满足从低到高的顺序排列,这样可以正确地将甲烷浓度数据划分为低浓度、中低浓度、中浓度、中高浓度和高浓度五个区间。利用目标函数和约束条件对初始浓度阈值进行优化,以获得最优的浓度阈值,如表1所示。
表1 数据集的浓度阈值划分。
。
由于甲烷重点排放区域有相对较高的甲烷浓度、相对聚集的甲烷浓度数据以及季节性变化,基于DBSCAN密度聚类模型,在聚类时不需要预先指定聚类数量,能够自动识别不同形状和大小的聚类。在使用DBSCAN聚类模型时,首先需要指定两个参数:eps和min_samples。其中,eps表示邻域半径的大小,即定义一个样本点的邻域范围,而min_samples用来判断一个样本点是否是核心点,它指定了邻域内最少的样本点数。
具体的聚类过程如下:首先从数据集中选择一个样本点作为起始点,然后找出起始点的邻域内的所有样本点,包括起始点本身。如果邻域内样本点的数量大于等于min_samples,则将该起始点及其邻域内的所有样本点划分为一个簇。如果邻域内样本点的数量小于min_samples,则将该起始点标记为噪声点,并继续寻找下一个未访问过的样本点作为新的起始点。对于划分为簇的每个样本点,重复以上步骤,继续寻找它们的邻域内的所有样本点,并继续扩展簇的大小。直到所有样本点都被访问,并且每个样本点都被分配到一个簇或标记为噪声点。
通过DBSCAN算法,可以将具有相似甲烷浓度的样本点划分为同一个簇,而未被分配到任何簇的样本点被视为噪声点。这样可以划出具有相似甲烷浓度的矩形区域作为甲烷排放研究区域,揭示潜在的甲烷排放源热点。
A地区卫星监测甲烷数据散点图作为底图,共546个矩形研究区域,如图2所示。考虑重点甲烷排放区域的特征,确定了五个评价指标:高浓度面积占比、中高浓度面积占比、高浓度点数量、平均浓度值、浓度变化率。
利用熵值法计算出五个评价指标的权重分别为0.2122、0.2162、0.1374、0.2175、0.2168。对识别定位的甲烷排放研究区域计算评价得分,采用自适应百分比法来选择高评价得分区域。自适应百分比法基于数据评价得分的分布特点,选择合适的百分位数作为最优的重点排放区域阈值。
A地区甲烷排放研究区域的评价得分数据分布特点如图3所示,通过自适应百分比法选择超过最优的重点排放区域阈值0.3630的区域作为高评价得分区域。根据该最优的重点排放区域阈值,选出了306个高评价得分区域作为重点排放区域,如图4所示。这意味着这些区域在综合评价中得分较高,与整体数据分布相比具有较高的评价得分,因此被认为是甲烷排放的重点区域,需要重点关注和采取相应的措施来减少排放。
当然,上述说明并非是对本发明的限制,本发明也并不仅限于上述举例,本技术领域的技术人员在本发明的实质范围内所做出的变化、改型、添加或替换,也应属于本发明的保护范围。
Claims (5)
1.一种基于卫星遥感观测的甲烷排放重点区域识别定位方法,其特征在于,包括以下步骤:
S1、获取待选划地区的多源卫星监测甲烷浓度数据作为数据集;
S2、利用分位数法基于数据分布的百分位数来确定初始浓度阈值,使用序列最小二乘规划算法对所述初始浓度阈值进行优化,通过最小化目标函数来找到最优的浓度阈值,将甲烷浓度划分为低、中低、中、中高和高共五个等级;
S3、基于DBSCAN密度聚类模型,识别定位具有相似甲烷浓度的空间簇群作为甲烷排放研究区域,揭示排放源热点;
S4、根据所述数据集分析并确定所述甲烷排放研究区域的评价指标,利用熵值法确定每个评价指标对于综合评价的重要程度,得到评价指标的重要性和权重,计算甲烷排放研究区域的评价得分,建立评价指标体系;所述评价指标包括:高浓度面积占比、中高浓度面积占比、高浓度点数量、平均浓度值和浓度变化率;
S5、根据所述甲烷排放研究区域的评价得分,利用自适应百分比法,通过分析评价得分数据的分布特征,自动选择适应重点排放区域阈值,将评价得分超过所述重点排放区域阈值的甲烷排放研究区域作为甲烷排放重点区域。
2.根据权利要求1所述的基于卫星遥感观测的甲烷排放重点区域识别定位方法,其特征在于,所述DBSCAN密度聚类模型通过定义样本的邻域密度来划分数据点的聚类,识别具有任意形状和大小的聚类。
3.根据权利要求2所述的基于卫星遥感观测的甲烷排放重点区域识别定位方法,其特征在于,所述DBSCAN密度聚类模型的使用过程包括:(1)指定两个参数:eps和min_samples,其中,eps表示邻域半径的大小,min_samples表示邻域内最少的样本点数;(2)从所述数据集中选择一个样本点作为起始点,然后找出所述起始点的邻域内的所有样本点,包括起始点本身;(3)如果邻域内样本点的数量大于等于min_samples,则将该起始点及其邻域内的所有样本点划分为一个簇;如果邻域内样本点的数量小于min_samples,则将该起始点标记为噪声点,并继续寻找下一个未访问过的样本点作为新的起始点;(4)对于划分为簇的每个样本点,重复步骤(2)和(3),继续寻找它们的邻域内的所有样本点,并继续扩展簇的大小,直到所有样本点都被访问,并且每个样本点都被分配到一个簇或标记为噪声点。
4.根据权利要求3所述的基于卫星遥感观测的甲烷排放重点区域识别定位方法,其特征在于,所述步骤S4具体包括:
S41、计算所述甲烷排放研究区域的面积占比时,采用克里金插值方法对数据缺失点进行填充,所述克里金插值方法通过空间上的相似性来估计未知位置上的数值;
S42、通过熵值法确定所述甲烷排放研究区域的熵值和权重,先将所述评价指标的原始数据进行标准化,再计算每个评价指标的熵值和权重Wi,最后计算每个甲烷排放研究区域的评价得分Sj: ,其中,xij为第j个区域中第i个归一化评价指标值,n为评价指标的数量。
5.根据权利要求4所述的基于卫星遥感观测的甲烷排放重点区域识别定位方法,其特征在于,所述步骤S5具体包括:指定一个重点排放区域阈值的搜索范围0-100,并在该范围内对不同的重点排放区域阈值进行遍历,对于每个重点排放区域阈值,首先选择高于该重点排放区域阈值的得分数据点,然后计算这些数据点的方差、标准差、偏度和峰度,使用评价指标函数得到一个评分,所述评价指标函数为:评分= 0.5*方差+ 0.5*标准差-0.1*偏度+ 0.1*峰度,通过比较每个重点排放区域阈值的评分,找到最优的重点排放区域阈值,将超过该最优的重点排放区域阈值的甲烷排放研究区域作为甲烷排放重点区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911608.9A CN116630826B (zh) | 2023-07-25 | 2023-07-25 | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310911608.9A CN116630826B (zh) | 2023-07-25 | 2023-07-25 | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116630826A true CN116630826A (zh) | 2023-08-22 |
CN116630826B CN116630826B (zh) | 2023-10-03 |
Family
ID=87603059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310911608.9A Active CN116630826B (zh) | 2023-07-25 | 2023-07-25 | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116630826B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2670059A1 (en) * | 2009-07-03 | 2011-01-03 | Gary A. Brown | The improved method of optimized educational delivery in science, engineering and technology |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN108009694A (zh) * | 2016-10-27 | 2018-05-08 | 中国科学院遥感与数字地球研究所 | 空心村整治潜力分级评估系统 |
CN111429027A (zh) * | 2020-04-15 | 2020-07-17 | 国网福建省电力有限公司经济技术研究院 | 一种基于大数据的地区输电网运行多维度分析方法 |
CN113793023A (zh) * | 2021-09-13 | 2021-12-14 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种基于卫星遥感的区域绿色发展指标评价方法 |
CN113836808A (zh) * | 2021-09-26 | 2021-12-24 | 苏州蓝掌科技有限公司 | 一种基于重污染特征约束的pm2.5深度学习预测方法 |
CN114088633A (zh) * | 2021-11-19 | 2022-02-25 | 生态环境部卫星环境应用中心 | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 |
CN115033809A (zh) * | 2022-05-20 | 2022-09-09 | 浙江工业大学 | 一种城市颗粒物时空管控方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107609292B (zh) * | 2017-09-19 | 2020-04-10 | 中国地质大学(武汉) | 一种基于指标评价的遥感卫星星座优化方法 |
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 |
CN112966954B (zh) * | 2021-03-15 | 2022-10-18 | 河海大学 | 一种基于时间卷积网络的防洪调度方案优选方法 |
CN114384015A (zh) * | 2022-01-12 | 2022-04-22 | 中国环境科学研究院 | 一种基于多源遥感和机器学习的水环境监测方法 |
-
2023
- 2023-07-25 CN CN202310911608.9A patent/CN116630826B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2670059A1 (en) * | 2009-07-03 | 2011-01-03 | Gary A. Brown | The improved method of optimized educational delivery in science, engineering and technology |
KR101728137B1 (ko) * | 2016-02-04 | 2017-04-19 | (주)한라지리정보 | 위성 영상과 gis를 사용한 토지피복 항목별 영상분류 방법 |
CN108009694A (zh) * | 2016-10-27 | 2018-05-08 | 中国科学院遥感与数字地球研究所 | 空心村整治潜力分级评估系统 |
CN111429027A (zh) * | 2020-04-15 | 2020-07-17 | 国网福建省电力有限公司经济技术研究院 | 一种基于大数据的地区输电网运行多维度分析方法 |
CN113793023A (zh) * | 2021-09-13 | 2021-12-14 | 中国地质调查局西安地质调查中心(西北地质科技创新中心) | 一种基于卫星遥感的区域绿色发展指标评价方法 |
CN113836808A (zh) * | 2021-09-26 | 2021-12-24 | 苏州蓝掌科技有限公司 | 一种基于重污染特征约束的pm2.5深度学习预测方法 |
CN114088633A (zh) * | 2021-11-19 | 2022-02-25 | 生态环境部卫星环境应用中心 | 一种星地协同监测的煤矿区甲烷排放异常识别和核算方法 |
CN115033809A (zh) * | 2022-05-20 | 2022-09-09 | 浙江工业大学 | 一种城市颗粒物时空管控方法 |
Non-Patent Citations (1)
Title |
---|
逄淑娜;朱渭宁;陈江;孙楠;黄李童;张昱森;张泽亮;: "Landsat-8的舟山近岸海域总悬浮物遥感反演与时空变异研究", 光谱学与光谱分析, no. 12 * |
Also Published As
Publication number | Publication date |
---|---|
CN116630826B (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111651545A (zh) | 一种基于多源数据融合的城市边缘区提取方法 | |
WO2023168781A1 (zh) | 一种基于时空交互关系的土壤镉风险预测方法 | |
Henttonen et al. | Optimal plot design in a multipurpose forest inventory | |
CN113360587B (zh) | 一种基于gis技术的土地测绘设备及测绘方法 | |
CN108334988A (zh) | 一种基于svm的短期电网负荷预测方法 | |
US20230004903A1 (en) | Methods of greening management in smart cities, system, and storage mediums thereof | |
CN116187543A (zh) | 基于机器学习的土壤重金属含量预测方法及其应用 | |
CN117538503A (zh) | 一种实时智能的土壤污染监测系统及方法 | |
CN115856961A (zh) | 一种卫星林火伪热源确定方法 | |
CN103177189A (zh) | 一种众源位置签到数据质量分析方法 | |
CN116630826B (zh) | 基于卫星遥感观测的甲烷排放重点区域识别定位方法 | |
Sansom et al. | Improved objective identification of meteorological fronts: a case study with ERA-Interim | |
Scheuber | Potentials and limits of the k-nearest-neighbour method for regionalising sample-based data in forestry | |
CN115062859B (zh) | 一种对长爪沙鼠的密度进行预测的方法和装置 | |
Aydın | Classification of the fire station requirement with using machine learning algorithms | |
CN108647189B (zh) | 一种识别用户人群属性的方法及装置 | |
CN112243193B (zh) | 室内定位方法、装置、计算机设备和可读存储介质 | |
CN115526330A (zh) | 有机物走航数据校准方法、装置、计算机设备和存储介质 | |
Hoxha | Comparative analysis of machine learning models in predicting housing prices: a case study of Prishtina's real estate market | |
CN110097126B (zh) | 基于dbscan聚类算法的核查重点人员、房屋漏登记的方法 | |
CN112365563A (zh) | 降雨频率图集数字化和暴雨高风险区划可视化分析系统 | |
CN115719196B (zh) | 一种基于大数据的物流仓储仓库选址分析评判方法 | |
WO2021245925A1 (ja) | 劣化推定装置及び劣化推定方法 | |
CN117251755B (zh) | 地震属性的聚类方法 | |
CN117421985B (zh) | 一种植物扩散能力评估及预警方法 |
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 |