基于天空地立体时空碳监测选点与融合碳核查的监测方法

1.本发明属于工业环境监测领域，具体为基于碳监测卫星-无人机空中碳监测-地面碳监测三种维度，实时地面监测-短时间尺度空中监测-长时间尺度卫星监测构成的空间、时间立体化碳排放监测体系。


背景技术：

2.二氧化碳排放是人类生活生产中经常产生的温室气体，随着全球变暖的加剧，人类对自然界排放的二氧化碳已间接的危害生态的平衡。对于区域内二氧化碳排放的监测有助于人们清晰直观的了解碳排放总量，同时为下一步的减少碳排放进行准确的度量与检测。
3.现有技术中，针对二氧化碳的监测大多侧重于监测设备层面的研究，多集中于改进二氧化碳传感器监测精度的硬件角度的提升。少数研究考虑到部署角度，如中国专利201220243181.7公开的一种二氧化碳检测节点，考虑到对区域中的二氧化碳进行多传感器部署的方式形成节点，来达到监测区域二氧化碳的目的。但是该方法主要关注林业中的二氧化碳监测，并且只考虑了地面单一维度的测量，同时没有针对测量精度与结果置信度的考虑。因此，急需一种多时空角度，考虑结果可信度，提高测量精度的二氧化碳监测方法。


技术实现要素：

4.本发明针对上述缺陷，提供一种基于多时空尺度的天-空-地立体化区域碳排放方法，可为碳监测传感器的地面部署、空中监测航迹的确定、碳卫星监测中心提供理论依据，提高最终数据结果的准确度与可信度。
5.为达到上述目的，本发明提出的基于天空地立体时空碳监测选点与融合碳核查的监测方法，包含以下步骤：
6.方法依据如下步骤进行：
7.(1)针对所选区域进行地面传感器预部署，得到均匀分布的n个点位下的地面碳排放数据，所述点位为各个地面碳测量点位；
8.(2)针对所选区域，综合考察其碳排放特点和网络传输效益，对地面传感器预部署位置采用粒子群优化算法进行选取，标定n个地面碳测量点位，各个地面碳测量点位分别以g1、g2、g3…gn
表示，无人机飞行路线参照区域碳排放特点进行选取，选取碳卫星监测中心位置，得到无人机短时间尺度ts下的空中碳浓度数据，以及天上碳卫星长时间t
l
尺度采集的碳数据；
9.(2.1)基于步骤(1)得到的地面碳排放数据，确定监测区域界线，地面传感器预部署方位依照粒子群优化算法进行地面传感器预部署方位的优化，同时进行碳卫星监测中心位置的确定，得到无人机短时间尺度ts下的空中碳浓度数据；
10.(2.2)基于步骤(1)得到的初步测量地面碳排放数据，进行无人机空中监测航迹的确定，得到天上碳卫星长时间t
l
尺度采集的碳数据；
11.(3)依据步骤(1)获得的实时地面碳排放数据、步骤(2)获得的无人机短时间尺度ts下的空中碳浓度数据与天上碳卫星长时间t
l
尺度采集的碳数据进行清洗和融合；
12.(4)对步骤(3)得到的三个测量数据进行多元异构数据的清洗与融合，得到多时空尺度的区域碳监测数据；
13.(5)基于步骤(4)清理与融合的结果，使用排放因子法对监测区域进行碳排放间接核查比较，判定碳排放数据处理结果是否可信。
14.本发明中，所述步骤(2.1)中针对采集到的地面碳排放数据，利用改进的高斯模型的感知质量模型以及重点区域权重模型，进行地面传感器预部署位置的确定，同时进行碳卫星监测中心的确定，模型表达式如下：
[0015][0016]
其中：f(a)为感知模型，xa和xv分别是表示与a和v位置相关的传感器读数的随机变量，通过在a处部署传感器目标时用xa尽可能准确地观测表示出xv；(2.1.1)设位置p∈s处的每个变量x
p
服从高斯分布，利用高斯过程在地面传感器预部署位置的地面碳监测点位，估计非监测位置均值和协方差分布；对于非高斯现象，将时间轴拆分为更小的帧，并将每帧的分布分别视为高斯分布，由n个高斯分布变量组成的高斯过程由均值向量m∈rn和协方差矩阵∑∈r
n*n
表示；径向基函数(rbf)通过两个未部署位置之间的距离估计它们之间的协方差；假定在给定地面传感器地面碳监测点位xa的情况下，xv的值分布符合高斯分布，其条件均值和协方差由下式给出：
[0017][0018][0019]
其中：是a处的平均传感器读数，考虑到传感器读数在实际环境受到漂移或干扰，(2)和(3)式中在感知上加入方差σ
n2
；
[0020]
(2.1.2)将被监测各区域i∈s(区域集)的监测重要性ii定义为谈浓度分布条件下加权和，碳浓度分布以一个月为周期所得统计数据的加权和：
[0021][0022]
其中：为i区域所在时间阶段，c为统计时刻，t为总统计周期；
[0023]
碳监测传感器部署目标定义为获得部署方案ⅰ，该方案提供确保感知质量和网络的连通性；结合式(4)，优化问题可定义如下：
[0024]
fit(a)＝ω1max(q-f(a)，0)+ω2max(i(a))
ꢀꢀ
(a)
[0025]
f(a)≥q
ꢀꢀ
(b)
[0026]
∑
q∈γ(p)gpq-∑
q∈γ(p)gqp
＝r，p∈s
ꢀꢀꢀ
(c)
[0027]
∑
q∈γ(c)gqc
＝mr，q∈s
ꢀꢀ
(d)
[0028][0029]
其中：式(a)为优化问题适应度值fit(a)，由感知质量和重点区域监测权重组成，ω1和ω2分别为相应模型的优化权重，且ω1+ω2＝1；式(b)约束传感质量f(a)大于传感质量阈值q，式(b)和(c)确保每个部署的传感器在网络中生成一个数据单元，并且所有传感器读数都汇聚到汇聚节点；假设每个传感器在均匀间隔内报告r字节的数据，在不损失一般性
的情况下，利用g
pq
表示从节点p到q的流量，定义一组传输邻近节点为γ(p)＝{q∈s，其中d
pq
＜r}，g
qp
为从节点q到p的流量。r为通讯半径，根据具体的硬件能力来确定；c为汇聚节点，γ(c)＝{q∈s，其中d
cq
＜r}，g
qc
表示从节点q到汇聚节点c的流量，s为碳监测传感器部署所属的区域集，m为碳监测传感器数量。
[0030]
本发明中，所述步骤(2.2)中针对采集到的碳排放数据，利用改进的蚁群算法确定无人机碳排放监测飞行航迹；
[0031]
建立地形高度矩阵其中：a为高度，m，n分别为平面坐标位置；
[0032]
采取圆盘的方式建立威胁源模型，小圆区域表示绝对杀伤区，大圆外侧称为安全区域；在不确定区域飞行时会存在一定的杀伤概率，杀伤概率pm定义为：
[0033][0034]
考虑到无人机从起始点到目标点的距离和自身的飞行距离，用j
l
来表示航程距离代价；设航迹规划中有n个节点，无人机在航迹规划过程中以恒定速度飞行，则航距代价j
l
表示为：
[0035][0036]
其中：δ为比例系数；
[0037]
高度代价jh表示为：
[0038]
jh＝c2h
ꢀꢀ
(7)
[0039]
根据建立的模型，结合实际情况对各个威胁赋予一定的权重后，构建所示的综合代价函数；综合代价函数w为：
[0040][0041]
其中：v为雷达威胁代价的权重，v为航距代价的权重，φ为高度代价的权重；通过状态转移概率公式蚂蚁选择下一个节点；
[0042][0043]
其中：allowedm是蚂蚁m未经过的传感器节点集合，τ
ij
(t)，η
ij
(t)分别为节点i到j的信息素浓度函数和启发函数，η
ij
(t)＝1/d
ij
(t)，α代表信息素浓度影响因子，β代表启发函数影响因子；
[0044]
更新信息素规则如下：
[0045]
τ
ij
(t+1)＝(1+ρ)τ
ij
(t)+δτ
ij
(t)
ꢀꢀ
(10)
[0046]
[0047][0048]
其中：ρ为信息素挥发量，且ρ∈[0，1)；δτ
ij
(t)为所有蚂蚁选择节点i到j时该路径信息素增量，为蚂蚁m选择节点i到j时该路径信息素增量，q为信息素强度，lm为蚂蚁m的路径长度；
[0049]
为加快初始阶段的收敛速度，避免后期快速局部收敛，对信息素浓度影响因子α进行如下修正；
[0050]
α(k)＝α0(1+e-sk
)，0≤k≤k
ꢀꢀ
(13)
[0051]
其中：α0是和s是常数，k为迭代次数，k是总迭代次数；
[0052]
为避免信息素在每条路径上的浓度过大，导致相对较快的局部收敛，对信息素阈值进行限制；
[0053][0054]
其中：γ表示阈值，n为蚂蚁的总数，lm是第m个蚂蚁的路径长度，ρ表示信息素挥发系数，ρ∈[0，1)。
[0055]
本发明中，所述步骤(5)中包括以下步骤：
[0056]
(5.1)：基于步骤(2.1)得到的监测区域界线，使用排放因子法针对能源使用情况，根据碳排放因子对区域进行间接碳核查，得到碳核查数据；
[0057]
(5.2)：基于步骤(5.1)得到的碳核查数据进行步骤(4)的融合与清洗结果的判断。
[0058]
本发明中，所述步骤(5.1)中使用排放因子法对区域进行间接碳核查。模型如下：
[0059][0060]
其中：ec是间接测量碳排放总数，cefi是不同能源单位碳排放因子，eci表示不同能源消耗量；针对所选区域的电量使用、燃气使用、蒸汽使用和暖气使用进行碳排放间接核算。
[0061]
本发明中，所述步骤(5.2)中依照间接碳核查数据置信度设定数值范围对碳排放融合数据结果进行比对判断，置信度计算模型：
[0062][0063]
其中：c为整体的置信度，ci为单一测量对象置信度。
[0064]
本发明中，所述步骤(5.1)中的间接碳排放核查碳排放因子选取标准为iso14067国际标准。
[0065]
本发明的有益效果在于：
[0066]
本发明首先对所选区域进行初步的碳排放地面监测，然后借助排放结果进行碳排放地面监测的选点与部署优化与无人机飞行轨迹的判定以及碳卫星监测中心点的确定，借助碳卫星、空中无人机、地面监测传感器对选定地点进行碳排放的监测，最后对测量的多元
异构数据进行清洗与融合处理，借助间接碳核查作为融合结果的判断。本发明提供的基于多时空尺度的二氧化碳监测方法，借助于数据清洗与融合，可以弥补传感器精度的不足，间接碳核查数据不确定度高的问题。定量、精准地掌握区域在一个时间周期下的碳排放状况，同时借助间接碳核查来对融合后的数据进行筛选，更加保证了数据的可靠性。
附图说明
[0067]
图1为本发明提供的基于天空地立体时空碳监测选点与融合碳核查的监测方法流程示意图。
具体实施方式
[0068]
下面详细描述本发明的实施例，所述实施例的实例在附图中示出，其中所用符号自始至终都有相同的含义。下面所描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0069]
实施例1：
[0070]
本发明是针对多时空尺度的天-空-地立体化区域，碳监测传感器的地面部署、空中监测航迹的确定、碳卫星监测中心选择，监测数据准确度与处理后数据置信度，提出的基于天空地立体时空碳监测选点与融合碳核查的监测方法。
[0071]
为了能够对本发明有更清楚的理解，在此进行简要描述，本发明包括两个基础步骤：步骤一，对监测点的选取；步骤二，对清洗融合后的数据进行置信度判定。具体的，图1所示为本发明实施例的基于天空地立体时空碳监测选点与融合碳核查的监测方法流程示意图，包括以下步骤：
[0072]
s1：采取平均分布的方式对所选区域进行二氧化碳数据的预采集；
[0073]
s2：根据所述s1步骤得到的数据进行数据的处理，用于选定测量区域与优化监测点位所述s2步骤包括以下步骤：
[0074]
s21：基于s1初步测量数据，确定监测区域界线，地面传感器部署方位依照改进的粒子群优化算法进行传感器部署方位的优化同时进行碳卫星监测中心的确定；
[0075]
s22：基于s1初步测量数据，进行无人机空中监测航迹的确定。
[0076]
所述s21步骤中针对采集到的碳数据，利用基于高斯模型的感知质量模型以及重点区域权重模型进行地面传感器部署位置的确定，模型表达式如下：
[0077]
感知质量模型与传感网络节点的空间分布相关，在2维空间中部署设备监测环境参数。由于成本限制传感器部署m台，假设a为选定的部署区域集，而v是一组未受监测的参考位置。xa和xv是表示与a和v位置相关的传感器读数的随机变量。通过在a处部署传感器目标时用xa尽可能准确地观测表示出xv，则感知模型f(a)可以由互相关形式表示为：
[0078][0079]
假设位置p∈s处的每个变量x
p
服从高斯分布，利用高斯过程在传感器部署位置的观测值，可以估计非监测位置均值和协方差分布。对于非高斯现象，可以将时间轴拆分为更小的帧，并将每帧的分布分别视为高斯分布，由n个高斯分布变量组成的高斯过程由均值向量m∈rn和协方差矩阵∑∈r
n*n
表示。径向基函数(rbf)通过两个未部署位置之间的距离估
计它们之间的协方差。假定在给定传感器观测值xa的情况下，xv的值分布符合高斯分布，其条件均值和协方差由下式给出：
[0080][0081][0082]
其中是a处的平均传感器读数。考虑到传感器读数在实际环境受到漂移或干扰，(2)和(3)式中在感知上加入方差σ
n2
。
[0083]
考虑到二氧化碳浓度监测的重点区域，建立重点区域监测的权重模型。在碳浓度监测中则重点关注高碳排放区域(高碳排放企业用户，碳汇高区域)，园区内由于各用户企业具有不同能源设备及不同的能源利用形式，因此各用户碳排放量具有较大差异，在监测设备部署成本一定限制下，为满足后续引导高碳排放企业减排，需重点关注其碳排放量。高碳排/碳汇区域按照碳排放量/碳汇量给予权重。不同区域具有不同的碳排放特性，对于重点高碳排放区域则依据其平均碳排放估计值予以相应权重。
[0084]
将被监测各区域i∈s(区域集)的监测重要性ii定义为谈浓度分布条件下加权和，碳浓度分布以一月为周期所得统计数据的加权和：
[0085][0086]
式中，为i区域所在时间阶段，c为统计时刻，t为总统计周期。
[0087]
碳监测传感器部署目标可定义为获得部署方案ⅰ，该方案提供确保感知质量
[0088]
和网络的连通性。结合上述模型，优化问题可定义如下：
[0089]
fit(a)＝ω
1 max(q-f(a)，0)+ω
2 max(i(a))
ꢀꢀꢀ
(a)
[0090]
f(a)≥q
ꢀꢀꢀ
(b)
[0091]
∑
q∈γ(p)gpq-∑
q∈γ(p)gqp
＝r，p∈s
ꢀꢀꢀ
(c)
[0092]
∑
q∈γ(c)gqc
＝mr，q∈s
ꢀꢀꢀ
(d)
[0093][0094]
式(a)为优化问题适应度值fit(a)，由感知质量和重点区域监测权重组成，ω1和ω2分别为相应模型的优化权重，且ω1+ω2＝1。式(b)约束传感质量f(a)大于传感质量阈值q，式(b)和(c)确保每个部署的传感器在网络中生成一个数据单元，并且所有传感器读数都汇聚到汇聚节点。假设每个传感器在均匀间隔内报告r字节的数据，在不损失一般性的情况下，利用g
pq
表示从节点p到q的流量，定义一组传输邻近节点为γ(p)＝{q∈s，其中d
pq
＜r}，g
qp
为从节点q到p的流量。r为通讯半径，根据具体的硬件能力来确定。c为汇聚节点，γ(c)＝{q∈s，其中d
cq
＜r}，g
qc
表示从节点q到汇聚节点c的流量，s为碳监测传感器部署所属的区域集，m为碳监测传感器数量。
[0095]
建立地形高度矩阵a为高度，m，n为平面坐标位置。采取圆盘的方式建立威胁源模型，小圆区域表示绝对杀伤区，大圆外侧称为安全区域。在不确定区域飞行时会存在一定的杀伤概率，杀伤概率pm定义为：
[0096][0097]
考虑到无人机从起始点到目标点的距离和自身的飞行距离，用j
l
来表示航程距离代价。设航迹规划中有n个节点，无人机在航迹规划过程中以恒定速度飞行，则航距代价j
l
可表示为：
[0098][0099]
其中，δ为比例系数。
[0100]
高度代价jh可以表示为：
[0101]
jh＝c2h
ꢀꢀꢀ
(7)
[0102]
根据建立的模型，结合实际情况对各个威胁赋予一定的权重后，构建式(7)所示的综合代价函数。其中μ为雷达威胁代价的权重，v为航距代价的权重，φ为高度代价的权重。权重系数的大小可以根据不同的任务要求进行相应调整，飞行任务过程中主要考察哪个性能指标，则此性能指标的权重系数数值相对就会相对较大。综合代价函数w如式(8)所示：
[0103][0104]
在三维空间中采用改进蚁群算法进行航迹规划，大概步骤如下：
[0105]
步骤1：对算法中的参数进行初始化，确定环境中任务起点和终点的位置信息，将蚂蚁置于起点上，并给定移动的主方向；
[0106]
步骤2：每只蚂蚁根据状态转移概率公式(9)寻找下一节点；
[0107]
步骤3：蚂蚁移动到下一个节点后按照信息素局部更新式(10)更新信息素；
[0108]
步骤4：判断蚂蚁是否完成一次路径构建，若否，则转到步骤2；
[0109]
步骤5：按式(13)进行全局信息素更新，判断是否满足算法设定的终止条件，若满足要求则输出结果，否则，转到步骤2。
[0110]
通过状态转移概率公式蚂蚁选择下一个节点。
[0111][0112]
allowedm是蚂蚁m未经过的传感器节点集合，τ
ij
(t)，η
ij
(t)分别为节点i到j的信息素浓度函数和启发函数，η
ij
(t)＝1/d
ij
(t)，α代表信息素浓度影响因子，β代表启发函数影响因子。对蚂蚁m来说，τ
ij
(t)信息素值越大，d
ij
两节点之间的距离越小，选择概率越大。
[0113]
蚂蚁在寻找路径的过程中，每次到下一个传感器节点或者经过所有传感器节点之后，都会在路径上释放相应的信息素。为了防止多次迭代下启发信息因信息素累积过多被覆盖，蚁群算法引入了信息素挥发的规则。在优化过程连续进行时，信息素不断被挥发，并进行重新布局。更新信息素规则如下：
[0114]
τ
ij
(t+1)＝(1+ρ)τ
ij
(t)+δτ
ij
(t)
ꢀꢀꢀ
(10)
[0115]
[0116][0117]
ρ为信息素挥发量，且ρ∈[0，1)。δτ
ij
(t)为所有蚂蚁选择节点i到j时该路径信息素增量，为蚂蚁m选择节点i到j时该路径信息素增量，q为信息素强度，lm为蚂蚁m的路径长度。
[0118]
在蚁群算法中，信息素影响因子α被用来衡量信息素所占的比例，α保持不变会影响算法的收敛性。为了加快初始阶段的收敛速度，避免后期快速局部收敛，对影响因子α进行了如下修正。
[0119]
α(k)＝α0(1+e-sk
)，0≤k≤k
ꢀꢀꢀ
(13)
[0120]
为了避免信息素在每条路径上的浓度过大，导致相对较快的局部收敛，算法对信息素阈值进行了限制。
[0121][0122]
γ表示阈值，n为蚂蚁的总数，lm是第m个蚂蚁的路径长度，ρ表示信息素挥发系数ρ∈[0，1)。
[0123]
s4:对测量数据进行多元异构数据的清洗与融合，得到多时空尺度的区域碳监测数据。
[0124]
s5：根据s21中划分的监测区域边界，对区域范围内的用能情况使用排放因子法对区域进行间接碳核查：
[0125][0126]
其中ec是间接测量碳排放总数，cefi是不同能源单位碳排放因子，eci表示不同能源消耗量。主要针对所选区域的电量使用、燃气使用、蒸汽使用、暖气使用进行碳排放间接核算。
[0127]
根据步骤中依照间接碳核查数据置信度计算间接碳核查的置信度：
[0128][0129]
其中c为整体的置信度，ci为单一测量对象置信度。
[0130]
依据总体碳核查置信度进行区域碳排放量上下限的设定，判定ed是否在区间[e
c-(1-c)
×
ec,ec+(1-c)
×
ec]内并以此来判断融合数据的结果是否可信。通过本发明提出的一种基于天空地立体时空碳监测选点与融合碳核查的监测方法，可实现对天、空、地立体碳传感器的优化部署，并在此基础上进行监测区域的二氧化碳排放量进行精确可靠的监测，为二氧化碳排放量有效监测和综合碳排放减少提供充实的理论依据。
[0131]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非使用限制。对所用前述方法，对于本技术领域的普通技术人员来说其依然可以进行技术方法的修改，或对其中部分技术特征进行等同替换，而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，本发明的范围由所附权利要求及其等同限定。

技术特征：
1.基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，包含以下步骤：(1)针对所选区域进行地面传感器预部署，得到均匀分布的n个点位下的地面碳排放数据，所述点位为各个地面碳测量点位；(2)针对所选区域，综合考察其碳排放特点和网络传输效益，对地面传感器预部署位置采用粒子群优化算法进行选取，标定n个地面碳测量点位，各个地面碳测量点位分别以g1、g2、g3…
g
n
表示，无人机飞行路线参照区域碳排放特点进行选取，选取碳卫星监测中心位置，得到无人机短时间尺度t
s
下的空中碳浓度数据，以及天上碳卫星长时间t
l
尺度采集的碳数据；(2.1)基于步骤(1)得到的地面碳排放数据，确定监测区域界线，地面传感器预部署方位依照粒子群优化算法进行地面传感器预部署方位的优化，同时进行碳卫星监测中心位置的确定，得到无人机短时间尺度t
s
下的空中碳浓度数据；(2.2)基于步骤(1)得到的初步测量地面碳排放数据，进行无人机空中监测航迹的确定，得到天上碳卫星长时间t
l
尺度采集的碳数据；(3)依据步骤(1)获得的实时地面碳排放数据、步骤(2)获得的无人机短时间尺度t
s
下的空中碳浓度数据与天上碳卫星长时间t
l
尺度采集的碳数据进行清洗和融合；(4)对步骤(3)得到的三个测量数据进行多元异构数据的清洗与融合，得到多时空尺度的区域碳监测数据；(5)基于步骤(4)清理与融合的结果，使用排放因子法对监测区域进行碳排放间接核查比较，判定碳排放数据处理结果是否可信。2.根据权利要求1所述的基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，所述步骤(2.1)中针对采集到的地面碳排放数据，利用改进的高斯模型的感知质量模型以及重点区域权重模型，进行地面传感器预部署位置的确定，同时进行碳卫星监测中心的确定，模型表达式如下：其中：f(a)为感知模型，x
a
和xv分别是表示与a和v位置相关的传感器读数的随机变量，通过在a处部署传感器目标时用x
a
尽可能准确地观测表示出xv；(2.1.1)设位置p∈s处的每个变量x
p
服从高斯分布，利用高斯过程在地面传感器预部署位置的地面碳监测点位，估计非监测位置均值和协方差分布；对于非高斯现象，将时间轴拆分为更小的帧，并将每帧的分布分别视为高斯分布，由n个高斯分布变量组成的高斯过程由均值向量m∈r
n
和协方差矩阵∑∈r
n*n
表示；径向基函数(rbf)通过两个未部署位置之间的距离估计它们之间的协方差；假定在给定地面传感器地面碳监测点位x
a
的情况下，xv的值分布符合高斯分布，其条件均值和协方差由下式给出：和协方差由下式给出：其中：是a处的平均传感器读数，考虑到传感器读数在实际环境受到漂移或干扰，(2)和(3)式中在感知上加入方差σ
n2
；
(2.1.2)将被监测各区域i∈s(区域集)的监测重要性i
i
定义为谈浓度分布条件下加权和，碳浓度分布以一个月为周期所得统计数据的加权和：其中：为i区域所在时间阶段，c为统计时刻，t为总统计周期；碳监测传感器部署目标定义为获得部署方案ⅰ，该方案提供确保感知质量和网络的连通性；结合式(4)，优化问题可定义如下：fit(a)＝ω1max(q-f(a)，0)+ω2max(i(a))
ꢀꢀꢀ
(a)f(a)≥q
ꢀꢀꢀ
(b)∑
q∈γ(p)
g
pq-∑
q∈γ(p)
g
qp
＝r，p∈s
ꢀꢀ
(c)∑
q∈γ(c)
g
qc
＝mr，q∈s
ꢀꢀꢀ
(d)其中：式(a)为优化问题适应度值fit(a)，由感知质量和重点区域监测权重组成，ω1和ω2分别为相应模型的优化权重，且ω1+ω2＝1；式(b)约束传感质量f(a)大于传感质量阈值q，式(b)和(c)确保每个部署的传感器在网络中生成一个数据单元，并且所有传感器读数都汇聚到汇聚节点；假设每个传感器在均匀间隔内报告r字节的数据，在不损失一般性的情况下，利用g
pq
表示从节点p到q的流量，定义一组传输邻近节点为γ(p)＝{q∈s，其中d
pq
＜r}，g
qp
为从节点q到p的流量。r为通讯半径，根据具体的硬件能力来确定；c为汇聚节点，γ(c)＝{q∈s，其中d
cq
＜r}，g
qc
表示从节点q到汇聚节点c的流量，s为碳监测传感器部署所属的区域集，m为碳监测传感器数量。3.根据权利要求1所述的基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，所述步骤(2.2)中针对采集到的碳排放数据，利用改进的蚁群算法确定无人机碳排放监测飞行航迹；建立地形高度矩阵其中：a为高度，m，n分别为平面坐标位置；采取圆盘的方式建立威胁源模型，小圆区域表示绝对杀伤区，大圆外侧称为安全区域；在不确定区域飞行时会存在一定的杀伤概率，杀伤概率p
m
定义为：考虑到无人机从起始点到目标点的距离和自身的飞行距离，用j
l
来表示航程距离代价；设航迹规划中有n个节点，无人机在航迹规划过程中以恒定速度飞行，则航距代价j
l
表示为：其中：δ为比例系数；高度代价j
h
表示为：j
h
＝c2h
ꢀꢀꢀ
(7)根据建立的模型，结合实际情况对各个威胁赋予一定的权重后，构建所示的综合代价
函数；综合代价函数w为：其中：μ为雷达威胁代价的权重，v为航距代价的权重，φ为高度代价的权重；通过状态转移概率公式蚂蚁选择下一个节点；其中：allowed
m
是蚂蚁m未经过的传感器节点集合，τ
ij
(t)，η
ij
(t)分别为节点i到j的信息素浓度函数和启发函数，η
ij
(t)＝1/d
ij
(t)，α代表信息素浓度影响因子，β代表启发函数影响因子；更新信息素规则如下：τ
ij
(t+1)＝(1+ρ)τ
ij
(t)+δτ
ij
(t)
ꢀꢀꢀ
(10)(10)其中：ρ为信息素挥发量，且ρ∈[0，1)；δτ
ij
(t)为所有蚂蚁选择节点i到j时该路径信息素增量，为蚂蚁m选择节点i到j时该路径信息素增量，q为信息素强度，l
m
为蚂蚁m的路径长度；为加快初始阶段的收敛速度，避免后期快速局部收敛，对信息素浓度影响因子α进行如下修正；α(k)＝α0(1+e-sk
)，0≤k≤k
ꢀꢀꢀ
(13)其中：α0是和s是常数，k为迭代次数，k是总迭代次数；为避免信息素在每条路径上的浓度过大，导致相对较快的局部收敛，对信息素阈值进行限制；其中：γ表示阈值，n为蚂蚁的总数，l
m
是第m个蚂蚁的路径长度，ρ表示信息素挥发系数，ρ∈[0，1)。4.根据权利要求1所述的基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，所述步骤(5)中包括以下步骤：(5.1)：基于步骤(2.1)得到的监测区域界线，使用排放因子法针对能源使用情况，根据碳排放因子对区域进行间接碳核查，得到碳核查数据；(5.2)：基于步骤(5.1)得到的碳核查数据进行步骤(4)的融合与清洗结果的判断。5.根据权利要求4所述的基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，所述步骤(5.1)中使用排放因子法对区域进行间接碳核查。模型如下：
其中：e
c
是间接测量碳排放总数，cef
i
是不同能源单位碳排放因子，ec
i
表示不同能源消耗量；针对所选区域的电量使用、燃气使用、蒸汽使用和暖气使用进行碳排放间接核算。6.根据权利要求5所述的基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，所述步骤(5.2)中依照间接碳核查数据置信度设定数值范围对碳排放融合数据结果进行比对判断，置信度计算模型：其中：c为整体的置信度，c
i
为单一测量对象置信度。7.根据权利要求5所述的基于天空地立体时空碳监测选点与融合碳核查的监测方法，其特征在于，所述步骤(5.1)中的间接碳排放核查碳排放因子选取标准为iso14067国际标准。

技术总结
本发明提供一种基于天空地立体时空碳监测选点与融合碳核查的监测方法，本发明首先对所选区域进行初步的碳排放地面监测，然后借助排放结果进行碳排放地面监测的选点与部署优化与无人机飞行轨迹的判定以及碳卫星监测中心点的确定，借助碳卫星、空中无人机、地面监测传感器对选定地点进行碳排放的监测，最后对测量的多元异构数据进行清洗与融合处理，借助间接碳核查作为融合结果的判断。本发明提供的基于多时空尺度的二氧化碳监测方法，借助于数据清洗与融合，可以弥补传感器精度的不足，间接碳核查数据不确定度高的问题。定量、精准地掌握区域在一个时间周期下的碳排放状况，同时借助间接碳核查来对融合后的数据进行筛选，更加保证了数据的可靠性。保证了数据的可靠性。保证了数据的可靠性。


技术研发人员：王瑜 张博文 孙耀杰 袁梦 巴力根塔力哈提 杨涛 杨松林
受保护的技术使用者：复旦大学
技术研发日：2023.05.08
技术公布日：2023/8/9