这里是科研人的「方法急救站」！🚑

• • 欢迎加入我们的**"学术社群"**，每日更新热点论文复现指南！

我们通过小程序科研零时差追踪到: Remote Sensing of Environment近期发表题为“Quantifying facility-scale CO2 emissions using spaceborne hyperspectral imageries”的文章。第一单位为武汉大学。

doi: https://doi.org/10.1016/j.rse.2026.115478
作者邮箱：huayiwang818@whu.edu.cn

标签：#碳排放监测 #高光谱遥感 #点源排放 #匹配滤波算法 #高斯低通滤波 #积分质量增强方法

本文内容速览：

1. 1. 提出科学问题
2. 2. 文章的主要结论
3. 3. 分析过程和方法
4. 4. 研究的局限性

1. 提出科学问题

1.1 研究领域现状

建立透明且准确的二氧化碳监测、报告和核查（MRV）体系是支持《巴黎协定》落实的基石。设施级二氧化碳排放_占人为碳排放总量的一半以上，是MRV体系的关键焦点。然而，基于自下而上的清单核算方法在数据透明度和实施成本上面临挑战。尽管OCO-2/3等卫星在估算点源排放方面取得了进展，但其_重访频率有限，难以对单个设施进行高频监测，且其_空间分辨率不足_以区分和量化密集源（如工业园区内的多个工厂）的排放。近年来，成像光谱仪技术在甲烷异常检测方面取得了成功，这为利用高光谱数据进行二氧化碳监测提供了新思路。

1.2 本文要解决的关键科学问题

针对当前卫星遥感在设施级二氧化碳监测中存在的空间分辨率和重访频率限制，本文旨在解决以下问题：

• • 问题 1: 如何在短波红外波段中_消除水汽和甲烷的干扰_，精准提取微弱的二氧化碳烟羽信号？
• • 问题 2: 如何在使用高光谱遥感影像时，实现设施级二氧化碳排放烟羽的_自动化识别与提取_，以替代人工圈定？
• • 问题 3: 如何构建一套稳定且精度高的二氧化碳_点源排放量化算法_，并在大规模真实地面监测数据中验证其有效性？

1.3 研究的理论/现实意义

本研究提出了一种基于高光谱波段优化的烟羽识别与量化（HyperIQ）方法。该方法适用于多种高光谱卫星数据集（包括GF-5、ZY-1系列、EMIT、PRISMA和EnMAP），使得利用虚拟卫星星座对单个排放源进行_高频、时间序列观测_成为可能。此外，高光谱影像_较高的空间分辨率（30-60米）_能够更精确地区分单个工厂的排放，为开发基于卫星的MRV系统提供了强大的新工具。

2. 文章的主要结论

本研究通过开发并验证HyperIQ方法，证明了星载高光谱影像在量化设施级二氧化碳排放方面的巨大潜力。

• • 结论 1: 提出的HyperIQ方法在142个美国发电厂案例中进行了验证，与连续排放监测系统（CEMS）的报告数据相比，卫星估算的_平均偏差误差（MBE）仅为-1.27%_，均方根误差（RMSE）为28.22%，相关系数（R）超过0.81，展现出极高的量化精度。
• • 结论 2: 采用_波段优化策略_计算特定场景下的气体吸收系数，有效避开了水汽和甲烷的吸收带，从而在真实数据和模拟数据中均显著提升了二氧化碳检索的信噪比（SNR）。
• • 结论 3: 结合_迭代对数正态匹配滤波（ILMF）_进行浓度增量更新，以及使用_鲁棒匹配滤波（RMF）_进行烟羽范围识别，这种混合量化框架在降低均方根误差和提高相关性方面优于单一算法。

3. 分析过程和方法

本研究的研究流程主要围绕高光谱数据处理、特征波段优化、烟羽自动提取以及排放量化四个核心步骤展开。作者不仅提出了一套完整的自动化分析框架，还通过严格的交叉验证展示了方法的可靠性。

第一步：数据准备与特征波段优化
研究首先收集了GF-5、ZY-1、EMIT等多个高光谱卫星的辐射度数据。二氧化碳的典型吸收峰位于2.0 μm附近的短波红外波段。然而，该区域同时存在甲烷和水汽的强烈吸收特征。为了剥离这些干扰，作者并未采用通用的气体吸收系数，而是基于辐射传输模型（RTM）实施了控制变量法。

通过输入不同的气体浓度，模拟出单位气体浓度变化引起的辐射度变化，从而计算出二氧化碳、甲烷和水汽各自的吸收系数。随后，作者设定了严格的波段筛选条件：仅保留二氧化碳吸收系数同时大于水汽和甲烷吸收系数的波段。这种_波段优化策略_是本文的关键创新点之一，它从物理机制上降低了后续反演过程中的背景噪声。

第二步：基于匹配滤波的烟羽反演
在确定了最佳反演波段后，研究采用了数据驱动的匹配滤波技术来增强感兴趣的二氧化碳信号。作者对比了多种匹配滤波算法的性能。经典的匹配滤波（CMF）通常假设背景光谱服从高斯分布，但这在复杂地表下往往不成立。为此，本文引入了对数正态匹配滤波（LMF），假设背景服从对数正态分布，并结合迭代策略形成了迭代对数正态匹配滤波（ILMF）和鲁棒匹配滤波（RMF）。结果表明，RMF在整体信噪比表现上最为稳定，而ILMF在特定影像上能获得最高信噪比。因此，作者在后续流程中采用RMF生成掩膜，使用ILMF提取浓度增量。

第三步：烟羽的自动化提取
以往的遥感烟羽研究高度依赖人工裁剪，难以实现大规模业务化运行。作者设计了一套包含三个阶段的自动化提取算法：

1. 1. 频域去噪：利用快速傅里叶变换（FFT）将二氧化碳浓度增量转换到频域，应用高斯低通滤波（GLPF）衰减高频噪声，再逆变换回空间域。这种方法能有效保留烟羽的低频连续特征。
2. 2. 自适应阈值分割：设定两倍标准差（2σ）为阈值进行二值化掩膜，并结合8邻域连通性分析，剔除像素数少于15的离散噪声斑块。
3. 3. 烟羽范围预测：基于归一化浓度增量和源距结合的加权指标优化主排放区域。通过构建从排放源到主区域质心的30度扇形搜索区及空间缓冲区，确保提取的烟羽在方向上与主要传输模式一致。

第四步：排放量化（IME方法）与风速校正
在量化环节，文章采用了积分质量增强（IME）方法。该方法将高于背景的浓度增量区域内的气体质量进行累加，并结合有效风速（Ueff）计算排放强度。风速的准确性直接决定了量化精度。作者指出，以往研究中使用的对数风速拟合公式在风速趋近于零时会导致有效风速趋于负无穷，这在物理上是不合理的。因此，本文建立了一个分段的有效风速计算公式，以1.9 m/s为临界值，低风速段采用线性拟合，高风速段保留对数公式，确保了计算的连续性和合理性。

第五步：结果展示与验证逻辑
作者的验证工作非常详实。区别于以往文献仅使用少量案例，本研究选取了美国20个大型发电厂的142个有效高光谱影像观测案例，将其与美国环保署（EPA）的CEMS小时级地面监测数据进行对比。

在结果呈现上，作者使用了散点图和箱线图来直观展示卫星反演值与地面真实值的一致性。图表清晰地反映出，无论是在不同的卫星平台（GF-5或ZY-1），还是在排放强度跨度极大的各类设施中，HyperIQ方法均保持了高度的线性相关性。同时，通过展示典型发电厂的高分辨率空间分布图，作者证明了高光谱卫星_具备在工业区内部区分相邻不同排气筒排放来源的能力_，这是低分辨率温室气体卫星难以企及的。

4. 研究的局限性

尽管该方法在设施级二氧化碳监测方面取得了显著成果，但文章也客观指出了存在的部分局限性：
首先，在匹配滤波算法的对比中发现，对数正态匹配滤波（LMF）方法容易受到水面和深绿色植被等低值信号的显著影响，从而产生背景干扰。
其次，在自动烟羽提取结果的评估中，与人工精细裁剪的烟羽相比，机器识别的烟羽边界往往呈现“羽毛状”结构，有时会出现对主要烟羽趋势外区域的过度检测，以及对靠近烟羽主体但浓度值较低区域的漏检现象。
最后，在数据获取方面存在一定的客观限制。例如，受限于数据传输能力，GF系列卫星通常难以广泛获取中国境外的观测数据，这在一定程度上限制了单一卫星系列在全球范围内的连续监测能力，需要依赖多源卫星数据的融合来弥补。

如果你觉得这篇文章对你有帮助，欢迎点赞👍、收藏⭐️和分享🔗给更多的科研小伙伴们！

如果你有任何问题，欢迎加入我们的学术社群与大家讨论交流💬