CN116738232A - 一种基于ftir光谱的城市大气碳排放分布检测方法 - Google Patents
一种基于ftir光谱的城市大气碳排放分布检测方法 Download PDFInfo
- Publication number
- CN116738232A CN116738232A CN202310714438.5A CN202310714438A CN116738232A CN 116738232 A CN116738232 A CN 116738232A CN 202310714438 A CN202310714438 A CN 202310714438A CN 116738232 A CN116738232 A CN 116738232A
- Authority
- CN
- China
- Prior art keywords
- carbon emission
- concentration
- distribution
- ftir spectrum
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 93
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 90
- 238000009826 distribution Methods 0.000 title claims abstract description 42
- 238000001157 Fourier transform infrared spectrum Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 45
- 238000001228 spectrum Methods 0.000 claims abstract description 19
- 239000007789 gas Substances 0.000 claims abstract description 16
- 230000008859 change Effects 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 10
- 230000004907 flux Effects 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 239000005431 greenhouse gas Substances 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 4
- 238000005033 Fourier transform infrared spectroscopy Methods 0.000 claims description 3
- 150000001721 carbon Chemical class 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000002068 genetic effect Effects 0.000 claims description 3
- 230000014759 maintenance of location Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000012544 monitoring process Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 abstract description 2
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 18
- 238000003860 storage Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 11
- 229910002092 carbon dioxide Inorganic materials 0.000 description 9
- 239000010410 layer Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000001569 carbon dioxide Substances 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- GQPLMRYTRLFLPF-UHFFFAOYSA-N Nitrous Oxide Chemical compound [O-][N+]#N GQPLMRYTRLFLPF-UHFFFAOYSA-N 0.000 description 2
- 238000012625 in-situ measurement Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000004868 gas analysis Methods 0.000 description 1
- 238000004817 gas chromatography Methods 0.000 description 1
- 235000019534 high fructose corn syrup Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000001272 nitrous oxide Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000002356 single layer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- TXEYQDLBPFQVAA-UHFFFAOYSA-N tetrafluoromethane Chemical compound FC(F)(F)F TXEYQDLBPFQVAA-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3504—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing gases, e.g. multi-gas analysis
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computing Systems (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于FTIR光谱的城市大气碳排放分布检测方法，采集城市大气中FTIR光谱数据，对采集到的光谱数据进行预处理；通过对所述光谱数据采用极限学习算法进行光谱反演，获得光谱数据中碳排放的时间序列；对获得的碳排放的柱浓度进行误差分析；对所述时间序列的分布变化提取碳排放气体浓度分布，进行温室气体的碳排放通量计算，分析通量计算误差。本发明本发明通过FTIR光谱对碳排放分布检测能全面充分的反映监测区域的碳排放的现状和发展趋势，从而保证监测结果的准确性，对所述时间序列的分布变化提取碳排放气体浓度分布处理和分析，可以直接应用于基于FTIR光谱技术的城市大气CO2碳排放分布的检测系统中。
Description
技术领域
本发明涉及CO2碳排放技术领域，尤其涉及一种基于FTIR光谱的城市大气碳排放分布检测方法。
背景技术
大气中的温室气体主要包括二氧化碳(CO2)、甲烷(CH4)、全氟碳化物(PFCS)、氢氟烃(HFCS)、氧化亚氮(N2O)等，这些气体大量吸收地表受热后向外发射的长波辐射，进而对地球大气产生温室效应。自工业化时代以来，人类生产活动导致全球温室气体浓度急剧升高，进而引起全球气候发生改变，二氧化碳排放主要来自人为的工业活动、交通和居民生活，由于城市的碳排放总量由多个功能分区排放累加得到，因此需要获得城市内部不同功能分区的二氧化碳排放详细状况。
一般来说，不同城市功能分区的二氧化碳排放量主要来自统计数据，原位测量技术最早是采用化学检测技术来测量大气中的碳排放，地基遥感和卫星遥感主要是利用光学方法和技术对碳排放进行监测。对大气中温室气体的监测主要是原位测量，具体有气相色谱法、奥氏气体分析法等，但是这些监测技术受人为因素的干扰，精度较差，且时效性差，然而，由于缺乏城市内部的空间信息，使得对于估算高空间分辨率尺度的功能分区二氧化碳排放带来一定困难，因此需要一种基于FTIR光谱的城市大气碳排放分布检测方法。
发明内容
本发明的目的是要提供一种基于FTIR光谱技术的城市大气CO2碳排放分布的检测系统。
为达到上述目的，本发明是按照以下技术方案实施的：
本发明包括以下步骤：
A采集城市大气中FTIR光谱数据，对采集到的光谱数据进行预处理；
B通过对所述光谱数据采用极限学习算法进行光谱反演，获得光谱数据中碳排放的时间序列；
C对获得的碳排放的柱浓度进行误差分析，使用雅可比矩阵可以评估不同高度的碳排放浓度变化；
D对所述时间序列的分布变化提取碳排放气体浓度分布，进行温室气体的碳排放通量计算，分析通量计算误差。
进一步地，所述光谱数据的预处理包括校正,去噪处理和归一化处理。
进一步地，在步骤B中所述获得光谱数据中碳排放的时间序列的方法包括：
a加权欧式距离作为碳排放预测区间评估指标，筛选历史样本单元并优化极限学习机训练集；
b提出极限学习机参数混合寻优算法，通过精英保留策略遗传算法与分位数回归优化极限学习机模型隐层输入及输出权重与偏置参数，并采用训练后的模型预测碳排放区间；
c基于时间序列变化的历史数据进行碳排放区间预测。
进一步地，在步骤D中所述提取碳排放气体浓度分布的方法包括
1)设定时间序列的长度为N，将时间序列分成M个时间段，每个时间段的长度为L(L<N)；
2)对于每个时间段，根据不同时间点的碳排放浓度值进行设定权重因子；
3)计算碳排放浓度平均值,将每个时间段的碳排放浓度平均值作为该时间段内碳排放气体浓度分布的代表值,假设第i个时间段的碳排放浓度平均值为Mi，则有：
Mi＝(∑(C1i*Wi1)+∑(C2i*Wi2)+...+∑(Cnii*Win))/∑(Wi1+Wi2+...+Win)
其中，C1i，C2i，...，Cnii是第i个时间段内每个时间点的碳排放浓度值，Wi1，Wi2，...，Win是对应的权重因子。
进一步地，所述权重因子的计算方法包括
a计算该时间段内所有时间点的碳排放浓度值与该时间段平均碳排放浓度值的差值的绝对值之和：
S＝∑(|C1i-M1|+|C2i-M2|+...+|C12i-M12|)
b设定权重因子：
c如果S<10，则该时间段的权重因子为1；
如果10<＝S<20，则该时间段的权重因子为S/10；
如果S>＝20，则该时间段的权重因子为0。
进一步地，在步骤C中所述雅可比矩阵由最优估计方法来确定状态向量的变化值(Δx)，具体关系式为：
其中J是雅可比矩阵，S∈是测量误差矩阵，假定是由光谱噪声值组成的对角矩阵，S0是先验协方差矩阵，其包含估计的先验误差值，r是光谱拟合残差，u表示当前状态向量最优估计值，u0表示先验状态向量。
一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～6之任一所述方法。
本发明的有益效果是：
本发明是一种基于FTIR光谱的城市大气碳排放分布检测方法，与现有技术相比，本发明具有以下技术效果：
1本发明通过FTIR光谱对碳排放分布检测能全面充分的反映监测区域的碳排放的现状和发展趋势，从而保证监测结果的准确性，为节能减排、生态环境保护等规划提供科学依据，对所述时间序列的分布变化提取碳排放气体浓度分布处理和分析，极大的缩短了数据处理时间，提高了碳监测工作效率，该方法不仅可以提高分析精度，同时具有较好的可解释性，可以直接应用于基于FTIR光谱技术的城市大气CO2碳排放分布的检测系统中。
附图说明
图1为本发明一种基于FTIR光谱的城市大气碳排放分布检测方法的步骤流程图；
图2为本发明一种基于FTIR光谱的城市大气碳排放分布检测方法的电子设备图；
具体实施方式
下面以及具体实施例对本发明作进一步描述，在此发明的示意性实施例以及说明用来解释本发明，但并不作为对本发明的限定。
本发明基于FTIR光谱的城市大气碳排放分布检测方法包括以下步骤：
如图1所示，在本实施例中，包括以下步骤：
本发明包括以下步骤：
A采集城市大气中FTIR光谱数据，对采集到的光谱数据进行预处理；
B通过对所述光谱数据采用极限学习算法进行光谱反演，获得光谱数据中碳排放的时间序列；
在反演计算过程中，反演多采用缩放先验廓线的方法，垂直柱浓度和气体柱平均DMFs的关系是分别为：
其中：Pgr是地表气压，mH2O是水汽分子质量，mdryair是干燥空气分子质量，CH2O是水汽柱浓度。以大气中CO2的柱浓度作为基底来计算目标气体柱平均干空气混合比浓度可以达到降低反演系统误差的作用，气体的柱平均干空气混合比(column-averageddry-airmolefraction，DMFs)由反演的气体的柱浓度计算，其关系式如下
C对获得的碳排放的柱浓度进行误差分析，使用雅可比矩阵可以评估不同高度的碳排放浓度变化；
柱浓度是采用从地面到高空垂直柱中的碳排放、在0℃和1个标准大气压下的总层厚度来反映大气中碳排放二氧化碳的含量.
D对所述时间序列的分布变化提取碳排放气体浓度分布，进行温室气体的碳排放通量计算，分析通量计算误差。
在本实施例子中，所述光谱数据的预处理包括校正,去噪处理和归一化处理。
在本实施例子中，在步骤B中所述获得光谱数据中碳排放的时间序列的方法包括：
a加权欧式距离作为碳排放预测区间评估指标，筛选历史样本单元并优化极限学习机训练集；
b提出极限学习机参数混合寻优算法，通过精英保留策略遗传算法与分位数回归优化极限学习机模型隐层输入及输出权重与偏置参数，并采用训练后的模型预测碳排放区间；
极限学习机是一种单层前馈神经网络随机生成隐层输入权重和偏置，确定隐层输出权重具有n个输入层神经元、L个隐层神经元、m个输出层神经元的ELM结构,对于N个离散训练样本输入数据为xxi＝[xi1，xi2，…，xin]T目标输出数据为ti＝[ti1，ti2，…，tim]T.
c基于时间序列变化的历史数据进行碳排放区间预测。
在本实施例子中，在步骤D中所述提取碳排放气体浓度分布的方法包括
1)设定时间序列的长度为N，将时间序列分成M个时间段，每个时间段的长度为L(L<N)；
2)对于每个时间段，根据不同时间点的碳排放浓度值进行设定权重因子；
3)计算碳排放浓度平均值,将每个时间段的碳排放浓度平均值作为该时间段内碳排放气体浓度分布的代表值,假设第i个时间段的碳排放浓度平均值为Mi，则有：
Mi＝(∑(C1i*Wi1)+∑(C2i*Wi2)+...+∑(Cnii*Win))/∑(Wi1+Wi2+...+Win)
其中，C1i，C2i，...，Cnii是第i个时间段内每个时间点的碳排放浓度值，Wi1，Wi2，...，Win是对应的权重因子。
在本实施例子中，所述权重因子的计算方法包括
a计算该时间段内所有时间点的碳排放浓度值与该时间段平均碳排放浓度值的差值的绝对值之和：
S＝∑(|C1i-M1|+|C2i-M2|+...+|C12i-M12|)
b设定权重因子：
c如果S<10，则该时间段的权重因子为1；
如果10<＝S<20，则该时间段的权重因子为S/10；
如果S>＝20，则该时间段的权重因子为0。
在本实施例子中，在步骤C中所述雅可比矩阵由最优估计方法来确定
在本实施例子中，雅可比矩阵用于确定假定状态向量的最佳变化并计算柱浓度反演的平均核，平均核表示不同高度处浓度变化对反演结果扰动的影响。雅可比矩阵由最优估计方法来确定状态向量的变化值(Δx)，具体关系式为：
其中J是雅可比矩阵，S∈是测量误差矩阵，假定是由光谱噪声值组成的对角矩阵，S0是先验协方差矩阵，其包含估计的先验误差值，r是光谱拟合残差，u表示当前状态向量最优估计值，u0表示先验状态向量。
图2是本申请的一个实施例电子设备的结构示意图。请参考图2，在硬件层面，该电子设备包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-AccessMemory，RAM)，也可能还包括非易失性存储器(non-volatilememory)，例如至少1个磁盘存储器等。当然，该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(IndustryStandardArchitecture，工业标准体系结构)总线、PCI(PeripheralComponentInterconnect，外设部件互连标准)总线或EISA(ExtendedIndustryStandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图2中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成一种基于基于FTIR光谱的城市大气碳排放分布检测装置。处理器，执行存储器所存放的程序，并具体用于执行前述任意一种基于基于FTIR光谱的城市大气碳排放分布检测方法。
上述如本申请图1所示实施例揭示的一种基于基于FTIR光谱的城市大气碳排放分布检测方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(CentralProcessingUnit，CPU)、网络处理器(NetworkProcessor，NP)等；还可以是数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现场可编程门阵列(Field－ProgrammableGateArray，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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。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。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于基于FTIR光谱的城市大气碳排放分布检测方法，并实现图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电子设备执行时，执行前述的任意一种基于基于FTIR光谱的城市大气碳排放分布检测方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于FTIR光谱的城市大气碳排放分布检测方法，其特征在于，包括：
A采集城市大气中FTIR光谱数据，对采集到的光谱数据进行预处理；
B通过对所述光谱数据采用极限学习算法进行光谱反演，获得光谱数据中碳排放的时间序列；
C对获得的碳排放的柱浓度进行误差分析，使用雅可比矩阵可以评估不同高度的碳排放浓度变化；
D对所述时间序列的分布变化提取碳排放气体浓度分布，进行温室气体的碳排放通量计算，分析通量计算误差。
2.根据权利要求1所述基于FTIR光谱的城市大气碳排放分布检测方法，其特征在于，所述光谱数据的预处理包括校正,去噪处理和归一化处理。
3.根据权利要求1所述基于FTIR光谱的城市大气碳排放分布检测方法，其特征在于，在步骤B中所述获得光谱数据中碳排放的时间序列的方法包括：
a加权欧式距离作为碳排放预测区间评估指标，筛选历史样本单元并优化极限学习机训练集；
b提出极限学习机参数混合寻优算法，通过精英保留策略遗传算法与分位数回归优化极限学习机模型隐层输入及输出权重与偏置参数，并采用训练后的模型预测碳排放区间；
c基于时间序列变化的历史数据进行碳排放区间预测。
4.根据权利要求1所述基于FTIR光谱的城市大气碳排放分布检测方法，其特征在于，在步骤D中所述提取碳排放气体浓度分布的方法包括
1)设定时间序列的长度为N，将时间序列分成M个时间段，每个时间段的长度为L(L<N)；
2)对于每个时间段，根据不同时间点的碳排放浓度值进行设定权重因子；
3)计算碳排放浓度平均值,将每个时间段的碳排放浓度平均值作为该时间段内碳排放气体浓度分布的代表值,假设第i个时间段的碳排放浓度平均值为Mi，则有：
Mi＝(∑(C1i*Wi1)+∑(C2i*Wi2)+...+∑(Cnii*Win))/∑(Wi1+Wi2+...+Win)
其中，C1i，C2i，...，Cnii是第i个时间段内每个时间点的碳排放浓度值，Wi1，Wi2，...，Win是对应的权重因子。
5.根据权利要求4所述基于FTIR光谱的城市大气碳排放分布检测方法，其特征在于，所述权重因子的计算方法包括
a计算该时间段内所有时间点的碳排放浓度值与该时间段平均碳排放浓度值的差值的绝对值之和：
S＝∑(|C1i-M1|+|C2i-M2|+...+|C12i-M12|)
b设定权重因子：
c如果S<10，则该时间段的权重因子为1；
如果10<＝S<20，则该时间段的权重因子为S/10；
如果S>＝20，则该时间段的权重因子为0。
6.根据权利要求1所述基于FTIR光谱的城市大气碳排放分布检测方法，其特征在于，在步骤C中所述雅可比矩阵由最优估计方法来确定状态向量的变化值(Δx)，具体关系式为：
其中J是雅可比矩阵，S∈是测量误差矩阵，假定是由光谱噪声值组成的对角矩阵，S0是先验协方差矩阵，其包含估计的先验误差值，r是光谱拟合残差，u表示当前状态向量最优估计值，u0表示先验状态向量。
7.一种电子设备，包括：
处理器；以及
被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～6之任一所述方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714438.5A CN116738232B (zh) | 2023-06-16 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310714438.5A CN116738232B (zh) | 2023-06-16 | 一种基于ftir光谱的城市大气碳排放分布检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116738232A true CN116738232A (zh) | 2023-09-12 |
| CN116738232B CN116738232B (zh) | 2024-05-31 |
Family
ID=
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004177247A (ja) * | 2002-11-27 | 2004-06-24 | Oita Univ | 二酸化炭素測定方法 |
| CN102735631A (zh) * | 2012-06-25 | 2012-10-17 | 中国科学院上海技术物理研究所 | 一种大气二氧化碳浓度监测系统 |
| CN104504256A (zh) * | 2014-12-12 | 2015-04-08 | 中国电子科技集团公司第二十二研究所 | 一种边界层温度廓线精确反演的估计算法 |
| CN108664542A (zh) * | 2018-03-09 | 2018-10-16 | 北京市劳动保护科学研究所 | 一种大气污染物排放清单排放量分配方法及系统 |
| US20180364262A1 (en) * | 2015-12-15 | 2018-12-20 | The General Hospital Corporation | Methods of estimating blood glucose and related systems |
| KR20190067398A (ko) * | 2017-12-07 | 2019-06-17 | 연세대학교 산학협력단 | 항공 관측 자료 동화를 수반한 지표면 이산화탄소 플럭스의 추정 장치 및 방법 |
| CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
| CN110689269A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于自回归分布滞后模型及Kaya公式的碳排放评估方法 |
| CN111257241A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院地理科学与资源研究所 | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 |
| CN111881569A (zh) * | 2020-07-24 | 2020-11-03 | 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 |
| CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
| CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 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 |
| CN114739949A (zh) * | 2022-04-08 | 2022-07-12 | 中国科学院合肥物质科学研究院 | 基于移动ftir遥感的点源碳排放通量测算方法 |
| CN114943184A (zh) * | 2022-06-27 | 2022-08-26 | 贵州电网有限责任公司 | 一种sf6中co2浓度反演验证方法 |
| CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
| CN115269675A (zh) * | 2022-06-15 | 2022-11-01 | 浙江工业大学 | 工业园区大气污染时空解析方法 |
| CN115455248A (zh) * | 2022-07-15 | 2022-12-09 | 安徽辉采科技有限公司 | 一种基于数据分析的城市碳排放监测方法 |
| CN115630434A (zh) * | 2022-12-25 | 2023-01-20 | 国网上海能源互联网研究院有限公司 | 一种基于多智能体模拟的建筑碳排放预测方法和装置 |
Patent Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2004177247A (ja) * | 2002-11-27 | 2004-06-24 | Oita Univ | 二酸化炭素測定方法 |
| CN102735631A (zh) * | 2012-06-25 | 2012-10-17 | 中国科学院上海技术物理研究所 | 一种大气二氧化碳浓度监测系统 |
| CN104504256A (zh) * | 2014-12-12 | 2015-04-08 | 中国电子科技集团公司第二十二研究所 | 一种边界层温度廓线精确反演的估计算法 |
| US20180364262A1 (en) * | 2015-12-15 | 2018-12-20 | The General Hospital Corporation | Methods of estimating blood glucose and related systems |
| KR20190067398A (ko) * | 2017-12-07 | 2019-06-17 | 연세대학교 산학협력단 | 항공 관측 자료 동화를 수반한 지표면 이산화탄소 플럭스의 추정 장치 및 방법 |
| CN108664542A (zh) * | 2018-03-09 | 2018-10-16 | 北京市劳动保护科学研究所 | 一种大气污染物排放清单排放量分配方法及系统 |
| CN110263479A (zh) * | 2019-06-28 | 2019-09-20 | 浙江航天恒嘉数据科技有限公司 | 一种大气污染因子浓度时空分布预测方法及系统 |
| CN110689269A (zh) * | 2019-09-30 | 2020-01-14 | 天津大学 | 基于自回归分布滞后模型及Kaya公式的碳排放评估方法 |
| CN111257241A (zh) * | 2020-01-20 | 2020-06-09 | 中国科学院地理科学与资源研究所 | 一种deei的基于卫星观测的大气二氧化碳浓度反演算法 |
| CN111881569A (zh) * | 2020-07-24 | 2020-11-03 | 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 |
| CN113624694A (zh) * | 2021-10-11 | 2021-11-09 | 航天宏图信息技术股份有限公司 | 一种大气甲烷浓度的反演方法和装置 |
| CN114324780A (zh) * | 2022-03-03 | 2022-04-12 | 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 |
| CN114739949A (zh) * | 2022-04-08 | 2022-07-12 | 中国科学院合肥物质科学研究院 | 基于移动ftir遥感的点源碳排放通量测算方法 |
| CN115130831A (zh) * | 2022-06-08 | 2022-09-30 | 北京工业大学 | 一种小尺度精细化大气污染溯源方法 |
| CN115269675A (zh) * | 2022-06-15 | 2022-11-01 | 浙江工业大学 | 工业园区大气污染时空解析方法 |
| CN114943184A (zh) * | 2022-06-27 | 2022-08-26 | 贵州电网有限责任公司 | 一种sf6中co2浓度反演验证方法 |
| CN115455248A (zh) * | 2022-07-15 | 2022-12-09 | 安徽辉采科技有限公司 | 一种基于数据分析的城市碳排放监测方法 |
| CN115630434A (zh) * | 2022-12-25 | 2023-01-20 | 国网上海能源互联网研究院有限公司 | 一种基于多智能体模拟的建筑碳排放预测方法和装置 |
Non-Patent Citations (6)
| Title |
|---|
| HONGYAN LI 等: "Spatial-Temporal Distribution and Variation of NO2 and Its Sources and Chemical Sinks in Shanxi Province, China", ATMOSPHERE, vol. 13, no. 7, pages 1 - 24 * |
| PRABHUNATH PRASAD 等: "Spectral modelling near the 1.6 μm window for satellite based estimation of CO2", SPECTROCHIMICA ACTA PART A: MOLECULAR AND BIOMOLECULAR SPECTROSCOPY, vol. 117, pages 330 - 339 * |
| VITO ROMANIELLO 等: "Analysis of Volcanic Carbon Dioxide Emissions by Means of Prisma Hyperspectral Data and in Situ Measurements", IGARSS 2022 - 2022 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM, pages 7268 - 7271 * |
| 何之倬 等: "基于极限学习机模型参数优化的光伏功率区间预测技术", 上海交通大学学报 * |
| 孙春艳 等: "基于高分辨率激光外差光谱反演大气CO_2柱浓度及系统测量误差评估方法", 物理学报, vol. 69, no. 14, pages 87 - 95 * |
| 查玲玲: "基于便携式 FTIR 光谱技术的城市大气 CO2和 CH4时空分布的研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑, vol. 2022, no. 10, pages 2 - 3 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Predicting ground-level PM2. 5 concentrations in the Beijing-Tianjin-Hebei region: A hybrid remote sensing and machine learning approach | |
| Mishra et al. | Development of artificial intelligence based NO2 forecasting models at Taj Mahal, Agra | |
| Lin et al. | Calibrating low-cost sensors by a two-phase learning approach for urban air quality measurement | |
| Meddage et al. | Explainable Machine Learning (XML) to predict external wind pressure of a low-rise building in urban-like settings | |
| CN114021436A (zh) | 一种基于近地面紫外辐射的近地面臭氧反演方法 | |
| CN112362816A (zh) | 一种基于观测数据的臭氧来源分析方法及装置 | |
| CN112214913A (zh) | 臭氧的主导前体物识别方法、装置、电子设备及存储介质 | |
| Zhang et al. | An automatic and effective parameter optimization method for model tuning | |
| CN110610209A (zh) | 一种基于数据挖掘的空气质量预测方法及系统 | |
| CN112348388A (zh) | 基于排放数据的臭氧主导前体物识别方法及装置 | |
| He et al. | Deep learning to evaluate US NOx emissions using surface ozone predictions | |
| CN110070220A (zh) | 一种基于神经网络算法的氨氮指标软测量方法 | |
| CN112364940A (zh) | 基于多源数据的大气污染物源解析方法、存储介质及设备 | |
| Li et al. | Estimating urban ultrafine particle distributions with gaussian process models | |
| Wang et al. | Comparison of boosted regression trees vs WA-PLS regression on diatom-inferred glacial-interglacial climate reconstruction in Lake Tiancai (southwest China) | |
| CN116738232B (zh) | 一种基于ftir光谱的城市大气碳排放分布检测方法 | |
| Kaloop et al. | Predicting lake wave height based on regression classification and multi input–single output soft computing models | |
| CN116738232A (zh) | 一种基于ftir光谱的城市大气碳排放分布检测方法 | |
| CN114487284B (zh) | 一种测量空气中重金属浓度的方法及系统 | |
| Janković et al. | Time series prediction of air pollutants: a case study for Serbia, Bosnia and Herzegovina and Italy | |
| WO2022008681A1 (en) | Automated detection and quantification of gas emissions | |
| Yang et al. | A new method to identify the source vent location of tephra fall deposits: development, testing, and application to key Quaternary eruptions of Western North America | |
| Fung et al. | Constructing transferable and interpretable machine learning models for black carbon concentrations | |
| Kalantari et al. | Evaluating traditional versus ensemble machine learning methods for predicting missing data of daily PM10 concentration | |
| CN111524558B (zh) | 臭氧生成敏感性指示剂、其确定方法及装置 |
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 |