本技术提供了一种基于稀疏光谱重构的甲烷排放遥感智能检测方法及系统,包括:对比尔‑郎伯定律进行一阶泰勒展开;引入空间连续性约束与基于风场的物理扩散约束项,推导反演大气甲烷增量的优化目标函数;模拟不同甲烷增量浓度下的遥感观测高光谱辐射亮度值,计算得到单位吸收特征光谱;对遥感高光谱图像进行降维处理与聚类操作;根据聚类结果对光谱值进行矩阵分解与稀疏重构;将矩阵稀疏分解重构的高光谱图像等效为背景光谱图像,计算得到大气甲烷增量;基于大涡模拟程序生成大气甲烷羽流样本;构建甲烷排放率机器学习估算的训练样本集;构建大气甲烷排放率估算的机器学习模型;基于大气甲烷增量反演结果,完成真实场景的甲烷点源排放率估算。
背景技术
大气中的甲烷是一种重要的温室气体,其全球变暖潜力远高于二氧化碳,准确监测其异常排放情况对于环境和气候管理具有重要意义。遥感技术凭借其大范围、全天候和非接触性的优势,近年来广泛应用于大气甲烷浓度的监测。匹配滤波技术是一种通过将观测光谱与已知甲烷特征光谱进行比对,以检测和量化其在大气中增强量的方法,广泛应用于卫星和航空遥感中用于气体排放源的监测和浓度反演。
匹配滤波算法通过甲烷吸收特征与“观测-背景”差异光谱进行匹配,并利用高斯模型最大化信噪比,从而将甲烷信号从背景光谱中分离。现有的匹配滤波技术在甲烷增量反演中面临诸多挑战。首先,在传统算法中,背景光谱通常使用图像的列平均光谱来近似;然而,这种平均光谱方法难以有效处理那些具有类似甲烷吸收特性的地表覆盖物或大气干扰,导致在地表类型复杂或低排放场景中产生大量误判。其次,卫星遥感相比于机载测量具有较低的信噪比,因检测灵敏度下降,所反演的甲烷羽流在空间上易出现不连续性和边界模糊等问题。最后,现有算法的计算效率较低,特别是需要多次迭代更新背景光谱时,处理大规模数据时显得尤为耗时。这些现有技术问题显著影响了基于增量反演结果进行羽流排放率估算的准确性。
传统的综合质量增强算法旨在利用遥感反演的大气甲烷瞬时浓度分布,并结合羽流空间几何形态和风速数据,推算在假定排放源强度不变情况下的平均排放率。在此过程中,上述步骤所反演的大气甲烷增量提供了甲烷排放的总质量信息,羽流扩散的几何形态和观测风速则为排放时间信息的推算提供依据。然而,现有方法在排放率估算的精度与稳健性上仍存在一定局限:首先,复杂的地表和大气状态使得甲烷羽流的空间分布模态呈现随机性和多样性,以等效扩散长度和等效风速来量化羽流扩散时间存在较高的不确定性;其次,甲烷增量和模拟风速等输入数据的误差能够直接线性地影响排放率估算的准确性。因此,该方法在低风速和低排放条件下,易出现明显的排放率低估问题。
针对上述问题,目前亟需一套能同步解决以下问题的技术方案:
(1)复杂地表区域和低排放场景中的增量浓度虚警与误估问题;
(2)遥感高光谱观测数据信噪比导致的检测灵敏度下降;
(3)在低风速和低排放条件下的排放率低估问题;
(4)处理大规模数据时传统迭代算法效率低下的问题
专利文献CN116559902A(申请号:202310451358.5)公开了一种近地表甲烷异常排放的快速遥感识别与通量估算方法及系统,包括:利用辐射传输模型计算近地表甲烷和其他痕量气体的单位吸收特征光谱;筛选用于近地表甲烷增量反演的最佳通道;构建待反演像元的光谱相似像元集和参考背景光谱;利用匹配滤波法进行近地表甲烷增量的优化迭代反演;利用形态学运算方法识别甲烷点源排放口与甲烷点源排放烟羽;结合甲烷点源排放口风场信息计算甲烷点源排放通量。
实现思路