CN117761261B - 一种基于大数据的碳排放监测系统及方法 - Google Patents

Abstract

本发明涉及智能监管技术领域，具体涉及一种基于大数据的碳排放监测系统及方法包括通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；获取各气体传感器的位置坐标，并根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；根据气体遥感图像的变化调整碳排放气体移动的速率；根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重，根据影响权重输出最终的碳排放气体；本发明具有实时性、全面性、精准性和灵活性，能够有效地进行空气质量监测与环境保护工作。

Description

一种基于大数据的碳排放监测系统及方法

技术领域

本发明涉及智能监管技术领域，具体涉及一种基于大数据的碳排放监测系统及方法。

背景技术

我国环境监测起步较晚，经过30年的发展，现已发展到物理监测、生物监测、生态监测、遥感、卫星监测，从间断性监测逐步过渡到自动连续监测。监测范围从一个断面发展到一个城市、一个区域乃至全国。一个以环境分析为基础，以物理测定主导，以生物监测、生态监测为补充的环境监测技术体系已初步形成。同时，初步形成了环境监测技术规范、环境监测分析方法、环境质量标准体系和环境质量报告制度，并逐步迈向标到较大改善。为了确保空气、饮用水、地表水、海水、土壤、生物多样性、放射性、电磁辐射等的环境安全，必须进一步加强工农业生产和生活污染的环境监测以及治理力度。

现有的碳排放监测一般采用定点监测设备监测固定区域中的空气质量情况，如中国专利公开号为：CN116908380A中提出了一种利用北斗基站进行环境监测和碳排放方法及装置，该方法包括：接收针对待监测区域的卫星定位信号，并确定待监测区域的位置信息；基于位置信息，利用搭载气体数据采集器的卫星在预设时间范围内获取待监测区域的气体浓度数据；获取待监测区域的风向、风力等级和二氧化碳气体的排放量；将气体浓度数据、风向、风力等级和二氧化碳气体的排放量输入气体和碳排放监测系统软件平台中的三维有限元流体仿真模型，输出气体的平均浓度；将气体的平均浓度与预设阈值进行对比；若气体的平均浓度大于预设阈值，则根据预设报警级别进行报警；在现有技术的监测设备常常覆盖同一区域，在天气风向的作用下，会出现同一区域中不同的监测设备出现的监测数据不同的情况，现有技术还缺乏将监测设备联网共同分析同一区域的空气质量的方法，为此，本发明提出一种基于大数据的碳排放监测系统及方法。

发明内容

本发明针对现有技术中存在的技术问题，提供一种基于大数据的碳排放监测系统及方法。

本发明解决上述技术问题的技术方案如下：一种基于大数据的碳排放监测方法，包括以下步骤：

S1、通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；

S2、获取各气体传感器的位置坐标，并根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；

S3、在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；

S4、根据气体遥感图像的变化调整碳排放气体移动的速率；

S5、根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重，根据影响权重输出最终的碳排放气体。

进一步的，所述的一种基于大数据的碳排放监测方法，所述S1中包括气体传感器以及GPS设备，通过获取气体传感器的相关数据来收集碳排放气体相关的数据，在气体传感器上安装GPS定位设备，获取所述气体传感器的位置坐标，将碳排放气体排放情况以及位置信息发送到监控系统中进行处理，对收集到的数据进行清洗和整理，使用箱线图的方法，计算上下四分位数和内限确定异常值的范围，超出该范围的数据被认定为异常值，具体计算步骤如下：

，

，

其中，S是碳排放气体的上四分位数数据，X是碳排放气体的下四分位数数据，Q1表示下四分位数，Q3表示上四分位数，IQR表示四分位距，K1位常数，用于确定异常值的范围，若S和X超出异常值的范围则进行污染报警。

进一步的，所述的一种基于大数据的碳排放监测方法，所述S2中包括，根据各气体传感器的位置坐标和监测区域的流体模型利用kriging插值进行空间插值，根据空间插值后得到的平面数据对重复监测区进行定位。

进一步的，所述的一种基于大数据的碳排放监测方法，所述kriging插值包括：

，

d是各气体传感器之间的距离，t是由d分开的样本点的数量，z是样本点的属性值，是第t个样本点。

进一步的，所述的一种基于大数据的碳排放监测方法，所述S4中包括根据实时帧的图像变化计算碳排放气体的移动速率：

，

是下一帧遥感图像，/>是当前帧遥感图像的在/>处的像素值，/>是下一帧图像在/>的像素值，M和N分别是图像的长和宽，/>是当前帧遥感图像在/>处的像素值，/>是下一帧图像在/>的像素值，/>和/>均为像素点坐标，v是碳排放气体的移动速度。

进一步的，所述的一种基于大数据的碳排放监测方法，根据不同方向风向和风力等级对下一帧遥感图像的对应的权重系数的公式如下：

，

是实际风向和风力等级对下一帧遥感图像的对应的权重系数，a是实际风向速度的平衡系数，/>是实际风力速度，b是风向平衡系数，/>是实际风向，c是控制常数。

进一步的，所述的一种基于大数据的碳排放监测方法，所述S5中，根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重：

，

，

其中，yi为碳排放气体的实际值，表示碳排放气体的预测值，h表示样本数量，R是重复监测区的碳排放气体,使用最小二乘法，使得实际值与预测值之间的残差平方和最小，定义残差，将残差表示为：/>，通过最小化残差平方和，求解模型参数。

进一步的，所述的一种基于大数据的碳排放监测方法，所述求解模型参数，对每个模型参数wj=(j=0,1,2,...,h）对残差平方和进行偏导数计算，具体计算方式如下：

，

其中，S表示残差平方和，表示模型预测值与实际值之间的误差平方和，wj表示线性回归模型中第j个参数，表示模型对第i个数据样本的输出值第j个参数的偏导数；

所述偏导数的计算步骤如下：

令所有偏导数为0，得到一组线性方程组：

，

，

，

解线性方程组，得到模型参数的估计值，对于新的输入数据，使用训练好的模型进行预测。

一种基于大数据的碳排放监测系统，所述碳排放监测系统应用于任一项所述的一种基于大数据的碳排放监测方法，所述碳排放监测系统包括：

采集模块、通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；

标定模块、根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；

获取模块、在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；

调整模块、根据气体遥感图像的变化调整碳排放气体移动的速率；

计算模块、根据重复监测区和碳排放气体移动速率计算气体传感器的影响权重，根据影响权重输出最终的碳排放气体。

本发明的有益效果是：实时性和精准性：通过实时获取气体传感器数据并结合风向、风力等因素的监测，可以实现对碳排放气体的实时监测和精准定位，及时采取相应的环保措施。

空间分布全面性：利用多个气体传感器覆盖监测区域，并结合重复监测区的方法，实现对监测区域内碳排放气体的全面、多角度的监测，使监测结果更加全面准确。

实时调整监测策略：通过实时获取气体遥感图像，并根据其变化调整碳排放气体移动速率，提高了监测策略的智能性和灵活性。

数据融合与分析：结合了多种数据源，包括气体传感器数据、风向风力数据、气体遥感图像等，通过数据融合和分析，可以更全面地理解和评估碳排放气体的分布情况和影响因素。

高效预警与应对措施：根据监测结果输出最终的碳排放气体数据，可用于进行污染等级的评估和预警，实施相应的环境保护措施。

附图说明

图1为一种基于大数据的碳排放监测方法的流程图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本申请的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个所述特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

在本申请的描述中，术语“例如”一词用来表示“用作例子、例证或说明”。本申请中被描述为“例如”的任何实施例不一定被解释为比其它实施例更优选或更具优势。为了使本领域任何技术人员能够实现和使用本发明，给出了以下描述。在以下描述中，为了解释的目的而列出了细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本发明。在其它实例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本发明的描述变得晦涩。因此，本发明并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

如图1，本实施例提供一种基于大数据的碳排放监测方法包括以下步骤：

S1、通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；

S2、获取各气体传感器的位置坐标，并根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；

S3、在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；

S4、根据气体遥感图像的变化调整碳排放气体移动的速率；

S5、根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重，根据影响权重输出最终的碳排放气体。

具体的：假设将这种基于大数据的碳排放监测方法应用于城市环境中，以监测工厂排放所产生的碳排放气体为例：监测该工厂的气体传感器覆盖工厂的范围的同时，另一工厂的气体传感器同样覆盖了此工厂的部分区域，在监测的过程中，由于风向的不同，可能将该工厂的碳排放气体传入另一工厂，导致其监测数据出现异常，出现排放过多碳排放气体的可能；在此，首先通过该工厂和另一工厂的气体传感器实时采集气体数据，经过预处理，提取出与碳排放气体相关的数据；通过获取各气体传感器的位置坐标，确定监测区域的覆盖范围，然后根据流体模型分析，确定各监测区域的重复监测区；实时获取监测区域的风向和风力等级，同时使用气体遥感图像监测该工厂排放产生的碳排放气体分布情况，根据气体遥感图像的变化，动态调整碳排放气体的移动速率，以确保监测结果反映实际的气体扩散情况，若出现该工厂的碳排放气体转移至另一工厂，则结合重复监测区和碳排放气体移动速率，计算该工厂输出的碳排放气体对另一工厂记录的碳排放气体的影响权重，并输出最终的碳排放气体数据。

在一个实施例中，所述S1中包括气体传感器以及GPS设备，通过获取气体传感器的相关数据来收集碳排放气体相关的数据，在气体传感器上安装GPS定位设备，获取所述气体传感器的位置坐标，将碳排放气体排放情况以及位置信息发送到监控系统中进行处理，对收集到的数据进行清洗和整理，使用箱线图的方法，计算上下四分位数和内限确定异常值的范围，超出该范围的数据被认定为异常值，具体计算步骤如下：

，

，

其中，S是碳排放气体的上四分位数数据，X是碳排放气体的下四分位数数据，Q1表示下四分位数，Q3表示上四分位数，IQR表示四分位距，K1位常数，用于确定异常值的范围，若S和X超出异常值的范围则进行污染报警。

在本实施例中，在收集碳排放气体相关数据的过程中，安装在不同位置的气体传感器配备了GPS定位设备，以便获取气体传感器的位置坐标。这样可以确保每个传感器采集到的数据都能够与其对应的具体位置关联起来，收集到的碳排放气体排放情况以及位置信息通过网络或其他通信方式发送到监控系统中进行处理。在监控系统中，对收集到的数据进行清洗和整理，剔除因传感器故障或其他原因导致的异常数据，当计算得到的碳排放气体数据超出异常值的范围时，系统进行污染报警，以提醒相关工作人员进行进一步的监测和处理；通过这样的数据处理流程，可以实现对碳排放气体数据的有效监测和异常情况的及时预警，进一步提高了监测系统的精准性和及时性。

在一个实施例中，所述S2中包括，根据各气体传感器的位置坐标和监测区域的流体模型利用kriging插值进行空间插值，根据空间插值后得到的平面数据对重复监测区进行定位。

所述kriging插值包括：

，

d是各气体传感器之间的距离，t是由d分开的样本点的数量，z是样本点的属性值，是第t个样本点；通过使用kriging插值方法，可以在监测区域内对碳排放气体的分布情况进行预测和估计，为环境监测和评估提供了更丰富的数据基础。

在一个实施例中，所述S4中包括根据实时帧的图像变化计算碳排放气体的移动速率：

，

是下一帧遥感图像，/>是当前帧遥感图像的在/>处的像素值，/>是下一帧图像在/>的像素值，M和N分别是图像的长和宽，/>是当前帧遥感图像在/>处的像素值，/>是下一帧图像在/>的像素值，/>和/>均为像素点坐标，v是碳排放气体的移动速度。

根据不同方向风向和风力等级对下一帧遥感图像的对应的权重系数的公式如下：

，

是实际风向和风力等级对下一帧遥感图像的对应的权重系数，a是实际风向速度的平衡系数，/>是实际风力速度，b是风向平衡系数，/>是实际风向，c是控制常数。

具体的：假设某个工厂附近有一排气体传感器用于监测工厂排放的碳排放气体；这些传感器提供了实时的监测数据，而一台基于相机的遥感系统也用于捕捉空气中的气体浓度的图像；在这个案例中，S4中的方法可以通过比较连续帧的图像以计算气体移动的速率。假设有两帧连续的图像，每一帧都包含气体浓度的像素值；通过比较两帧图像中相同位置的像素值变化，可以估计气体在空气中的移动速率；当两帧图像中的像素值差异越大，表示气体的移动速率越快；另外，根据风向和风力等级的信息，可以计算出对应的权重系数；这样可以在分析气体移动速率时考虑到风向和风力对气体扩散的影响，以提供更准确的移动速率预测；举例来说，如果相机捕捉的图像显示气体浓度的变化明显，结合实时的风向和风力等级信息，就可以利用S4中描述的方法计算出气体的移动速率；这种信息可以帮助工厂和环境管理部门更好地理解排放气体在空气中的传播情况，以及重复监测区域对其中一个气体传感器的影响。

在一个实施例中，所述S5中，根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重：

，

，

其中，yi为碳排放气体的实际值，表示碳排放气体的预测值，h表示样本数量，R是重复监测区的碳排放气体,使用最小二乘法，使得实际值与预测值之间的残差平方和最小，定义残差，将残差表示为：/>，通过最小化残差平方和，求解模型参数。

所述求解模型参数，对每个模型参数wj=(j=0,1,2,...,h）对残差平方和进行偏导数计算，具体计算方式如下：

，

其中，S表示残差平方和，表示模型预测值与实际值之间的误差平方和，wj表示线性回归模型中第j个参数，表示模型对第i个数据样本的输出值第j个参数的偏导数；

所述偏导数的计算步骤如下：

令所有偏导数为0，得到一组线性方程组：

，

，

，

解线性方程组，得到模型参数的估计值，对于新的输入数据，使用训练好的模型进行预测。

在一个具体的实施例中：假设我们有一个城市中心的工业区，其中有几家工厂定期排放一氧化碳（CO）和二氧化碳（CO2）等碳排放气体；为了监测和预测这些碳排放气体的扩散情况，使用S4和S5中描述的方法和模型：

安装遥感系统和传感器：首先，在工业区周围安装遥感系统，该系统可以实时捕捉工业区周围空气中的气体浓度情况；另外，在工业区周围设置碳排放气体传感器，用于实时监测碳排放气体的浓度数据。

计算碳排放气体的移动速率：遥感系统可以捕捉空气中的气体浓度图像，然后利用S4中的方法计算碳排放气体的移动速率；通过比较连续帧图像中的像素值变化，可以估计气体在空气中的移动速率。

计算气体传感器的影响权重：利用S5中描述的方法，可以根据重复监测区和碳排放气体移动速率计算出对气体传感器的影响权重；可以使用传感器监测到的实际值与预测值之间的残差平方和最小化的方法来计算权重，并根据最小二乘法来训练模型，以提高对碳排放气体的监测和预测准确性；

通过上述整个方案的实施，可以及时了解工业区排放的碳排放气体在空气中的传播情况，同时减少相邻区域对监测区域的碳排放气体监测数据的影响。

一种基于大数据的碳排放监测系统，所述碳排放监测系统应用于任一项所述的一种基于大数据的碳排放监测方法，所述碳排放监测系统包括：

采集模块、通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；

标定模块、根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；

获取模块、在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；

调整模块、根据气体遥感图像的变化调整碳排放气体移动的速率；

计算模块、根据重复监测区和碳排放气体移动速率计算气体传感器的影响权重，根据影响权重输出最终的碳排放气体。

需要说明的是，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细描述的部分，可以参见其它实施例的相关描述。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (3)

1.一种基于大数据的碳排放监测方法，其特征在于，包括以下步骤：

S1、通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；

S2、获取各气体传感器的位置坐标，并根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；

S3、在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；

S4、根据气体遥感图像的变化调整碳排放气体移动的速率；

S5、根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重，根据影响权重输出最终的碳排放气体；

所述S2中包括，根据各气体传感器的位置坐标和监测区域的流体模型利用kriging插值进行空间插值，根据空间插值后得到的平面数据对重复监测区进行定位；

所述kriging插值包括：

，

d是各气体传感器之间的距离，t是由d分开的样本点的数量，z是样本点的属性值，是第t个样本点；

所述S4中包括根据实时帧的图像变化计算碳排放气体的移动速率：

，

是下一帧遥感图像，/>是当前帧遥感图像的在/>处的像素值，/>是下一帧图像在/>的像素值，M和N分别是图像的长和宽，/>是当前帧遥感图像在/>处的像素值，/>是下一帧图像在/>的像素值，/>和/>均为像素点坐标，v是碳排放气体的移动速度；

所述S5中，根据重复监测区和碳排放气体移动速率计算对气体传感器的影响权重：

，

，

其中，yi为碳排放气体的实际值，表示碳排放气体的预测值，h表示样本数量，R是重复监测区的碳排放气体,使用最小二乘法，使得实际值与预测值之间的残差平方和最小，定义残差，将残差表示为：/>，通过最小化残差平方和，求解模型参数；

所述求解模型参数，对每个模型参数wj=(j=0,1,2,...,h）对残差平方和进行偏导数计算，具体计算方式如下：

，

其中，S表示残差平方和，表示模型预测值与实际值之间的误差平方和，wj表示线性回归模型中第j个参数，表示模型对第i个数据样本的输出值第j个参数的偏导数；

所述偏导数的计算步骤如下：

令所有偏导数为0，得到一组线性方程组：

，

，

，

解线性方程组，得到模型参数的估计值，对于新的输入数据，使用训练好的模型进行预测。

2.根据权利要求1所述的一种基于大数据的碳排放监测方法，其特征在于，所述S1中包括气体传感器以及GPS设备，通过获取气体传感器的相关数据来收集碳排放气体相关的数据，在气体传感器上安装GPS定位设备，获取所述气体传感器的位置坐标，将碳排放气体排放情况以及位置信息发送到监控系统中进行处理，对收集到的数据进行清洗和整理，使用箱线图的方法，计算上下四分位数和内限确定异常值的范围，超出该范围的数据被认定为异常值，具体计算步骤如下：

，

，

其中，S是碳排放气体的上四分位数数据，X是碳排放气体的下四分位数数据，Q1表示下四分位数，Q3表示上四分位数，IQR表示四分位距，K1位常数，用于确定异常值的范围，若S和X超出异常值的范围则进行污染报警。

3.一种基于大数据的碳排放监测系统，其特征在于，所述碳排放监测系统应用于权利要求1-2任一项所述的一种基于大数据的碳排放监测方法，所述碳排放监测系统包括：

采集模块、通过区域内的各气体传感器对气体数据进行采集，获取各气体传感器采集的气体数据，对气体数据进行预处理得到碳排放气体；

标定模块、根据各传感器的监测区域的流体模型得到各监测区域的重复监测区；

获取模块、在各气体传感器监测过程中实时获取该区域的风向和风力等级，同时获取该区域的气体遥感图像；

调整模块、根据气体遥感图像的变化调整碳排放气体移动的速率；

计算模块、根据重复监测区和碳排放气体移动速率计算气体传感器的影响权重，根据影响权重输出最终的碳排放气体。