无人机低空摄影技术在碳排放监测中的应用

魏松泽，曹玉军，李林杰，孙 夙，刘 成

(1.北京市人民政府 航空队，北京 100000； 2.北京警航总队办公室，北京 100000； 3.北京特勤局，北京 100000； 4.贰零肆玖投资公司，北京 100000； 5.浪潮集团，北京 100000)

随着人类活动的开展，对环境的污染和破坏越来越多。人类活动方式的不同，导致污染类型也不同，其中最常见的污染类型之一就是二氧化碳污染，也就是人们常说的碳排放[1]。碳排放是一种向大气中排放过多二氧化碳的一种现象。这种现象本身并不会产生严重的影响，但是会连带产生一系列自然和社会问题，例如温室效应、气候变暖、冰川融化、气候反常等。在此背景下，碳排放一直是全社会关注的焦点。碳排放产生的主要原因是化石燃料的燃烧，具体表现为居民活动、城市交通以及工业生产等[2]。为更好地控制二氧化碳排放量，减轻对空气环境的影响，对碳排放进行监测具有重要的现实意义。基于上述背景，关于污染气体监测研究有很多。例如，邱昀等[3]以京津冀地区为例，通过卫星遥感进行动态监测，并结合卫星和地基数据，实现对大气污染的三维立体跟踪，明确污染扩散特点。杨柳等[4]针对福州市城市核心区，结合道路交通数据，土地利用数据，人口数据等多种数据，利用GIS技术和回归(land-use regression，LUR)模型分析大气污染物浓度分布特征，明确高浓度污染区。

本文基于前人研究成果，将无人机低空摄影技术应用到碳排放监测当中，提出一种基于无人机低空摄影技术的碳排放监测方法，并针对方法应用进行分析。通过本研究以期为碳排放控制提供可靠的数据参考，以便提出更加有针对性的控制措施，减少二氧化碳对环境造成的影响。

1 技术应用分析

随着人类活动的进行，碳排放量越来越大，造成近年来气候变暖，气候反常现象频发，因此控制碳排放量至关重要。碳排放的有效控制前提是对监测区碳排放情况有着准确的了解，才能制定有针对性的控制措施[5]。在此背景下，研究将无人机低空摄影技术应用其中，利用低空摄像拍摄监测区图像，然后识别监测区碳排放影响因素，获取数据。基于这些数据，利用测算模型得出二氧化碳浓度，即碳排放量，完成研究区域的碳排放监测。

1.1 研究区概况

无人机低空摄影技术的研究区域如图1所示。研究区位于中心城区的西边，总面积1 256 km2，2/3为居民区，其余为公共设施区、工业生产区以及教育区等。区内共有155条街、212条路。以该区域为对象，进行为期1个月的碳排放监测。

图1 研究区示意Fig.1 Schematic diagram of study area

1.2 采集图像

无人机低空摄影系统组成包括6种设备，具体如下：①无人机飞行平台。是所有设备的承载设备，该无人机为大疆四轴飞行器，最大上升和下降速度为1 m/s，翼展2.25 m，有效荷载5 kg，飞行速度为5 m/s；续航时间约4 h。②导航控制系统。作用是控制无人机按照设定的航线飞行[6]。导航控制系统为OXTS Inertial+2，航向角精度为RT-2 0.1deg，DGPS 0.1deg；俯仰角/侧滚角精度为RT-2 0.03deg；DGPS 0.05deg；更新率为100 Hz。③数码相机。作用是拍摄研究区图像，选择的数码相机为AP5600 微型相机，镜头焦距 20 mm，总像素大于1×108(px)，侧视相机倾角45°。④地面站。地面站负责对无人机以及搭载设备指令的传输[7]。⑤后期数据处理系统。这部分属于软件系统，主要负责图像的后期处理与分析。

(1)无人机航飞参数设计。无人机搭载数码相机采集研究区图像过程中，无人机航飞参数设置如下：航向重叠度62.35%；旁向重叠度50.24%；基准面地面分辨率5.50 cm；相对航高300 m；航线总长度为1 500 m；航线间隔为150 m；航线数量为9条；航点为10个；每条航线相片数15幅；航行路线如图2所示。

图2 航行路线Fig.2 Navigation route

航向重叠度和旁向重叠度计算公式：

(1)

(2)

式中，Z1为航向重叠度；Z2为旁向重叠度；H1为航向图像重叠长度；H2为旁向图像重叠长度；L为像幅长度。

(2)数码相机标定。为了求解相机内参数和外参数，使得相机拍摄的图像精度更高，需要对数码相机进行标定，过程如图3所示[8]。

图3 数码相机标定流程Fig.3 Calibration process of digital camera

数码相机标定结果：像主点 -0.025 514 285 mm；像主点0.123 602 5 mm；焦距25.214 025 14 mm；径向畸变系数3.2515 525 22 r09；径向畸变系数-1.252 5为2012r06；偏心畸变系数5.210 125 52r08；偏心畸变系数-6.251 450 25r08。

(3)像控点布设。像控点是摄影测量的控制点，其布设结果直接关系到图像采集精度[9]。像控点布设需要遵循以下原则：①像控点要在整个测区均匀分布；②像控点要布设在无遮挡地区；③尽量选择明显的标志物作为像控点；④像控点标志物尺寸应大于70 cm；⑤根据地形起伏、地貌情况，灵活调整像控点密度；基于上述布设原则，研究区像控点布设结果如图4所示。

图4 研究区像控点布设结果Fig.4 Layout results of image control points in the study area

规划布设像控点6个，分别均匀地分散在测区的四角及中心位置。

按照给出的像控点和航线，在每天8：00、12：00、17：00这3个时间段，无人机低空摄影系统航行并拍摄研究区图像，拍摄的图像数量为11 250幅。

(4)图像处理。基于上述采集图像，进行图像处理，其流程如下：导入图像→对图像进行灰度化→图像去噪→直方图均衡化→图像边缘提取→图像分割→输出处理结果。图像处理后，质量有了较大提高，方便了对碳排放影响因素进行识别。

1.3 碳排放影响因素识别

基于无人机低空摄影技术采集的图像，分析碳排放影响因素，为后续测算工作做准备[10]。碳排放影响因素识别模型利用一种深度神经网络进行构建，如图5所示。

图5 基于卷积神经网络的碳排放影响因素识别模型Fig.5 Identification model of influencing factors of carbon emission based on convolutional neural network

处理好的图像输入到卷积神经网络后，通过卷积层提取图像中各个因素的特征，经过池化层精简后，利用全连接层进行特征融合，最后通过分类器识别图像中的碳排放影响因素，包括道路交通流量、土地利用类型、人口数据、气象情况以及工业区等[11]。

1.4 碳排放测算

无人机低空摄影技术最终目的是通过图像中的碳排放影响因素测算出碳排放浓度。道路交通流量、土地利用类型、人口数据、气象情况以及工业区等因素与碳排放浓度之间存在一定的线性关系[12]。

为此，可以通过建立一个线性关系模型进行碳排放测算。该模型可以描述如下：

Y=a0+∑b0·X

(3)

式中，Y为二氧化碳浓度值；a0为常数；b0为碳排放系数(查阅IPCC碳排放计算指南得到)；X为碳排放影响因素，X={x1，x2，x3，x4，x5}，其中x1，x2，x3，x4，x5分别为道路交通流量、土地利用类型、人口数据、气象数据以及工业区面积等[13]。

通过式(3)测算出来的二氧化碳浓度值，绘制二氧化碳浓度时空分布图，明确随着时间和空间变化的二氧化碳的排放特征[14]。

2 应用结果与分析

基于上述无人机低空摄影技术在碳排放监测中的应用过程，得出二氧化碳浓度监测值。根据二氧化碳浓度监测值，分析碳排放的时空分布特征[15]。

2.1 碳排放时间特征

从天、星期、季3个时间段分析碳排放时间特征分析，全面分析碳排放监测结果。

(1)1天内碳排放监测与时间特征分析。24 h内碳排放监测结果见表1。

表1 碳排放监测结果Tab.1 Carbon emission monitoring results

由表1可以看出，在6：00—9：00时间段碳排放浓度最高，因为该研究区居住区占比最高，而这一时间段人们开始开展各种活动，道路上车辆也逐渐增多，因此排放的二氧化碳排放量较多；9：00—17：00二氧化碳排放量较少，这个时间段人们处于相对较少；17：00—19：00二氧化碳排放量逐渐增多，之后19：00—24：00、24：00—6：00二氧化碳排放量最少，因为这2个时间段大部分的生产、生活活动都处于停滞阶段。

(2)1个星期内碳排放监测与时间特征分析。1个星期内碳排放监测结果如图6所示。由图6可以看出，1个星期内碳排放在工作日5 d内碳排放最多，而休息日2 d由于人类生产、生活活动较少，碳排放较少，因此呈现先平稳后下降的规律。

图6 1个星期内碳排放监测结果Fig.6 Carbon emission monitoring results in one week

(3)1年内碳排放监测与时间特征分析。1年内碳排放监测结果如图7所示。由图7可以看出，1年内11月、12月、1月碳排放浓度最高，因为这一时间段属于冬季季度，为满足取暖需要，燃烧了各种燃料，因此产生了大量的二氧化碳。

图7 1年内碳排放监测结果Fig.7 Carbon emission monitoring results in one year

2—7月碳排放浓度较低，因为这段时间为春季和夏季，植物茂盛，对二氧化碳具有一定的吸附作用，因此碳排放相对较低。其余时间为秋季，二氧化碳排放较高。

2.2 碳排放空间特征

基于监测结果，在无人机低空摄影系统获取的图像上绘制碳排放空间特征图，结果如图8所示。

图8 碳排放空间特征图Fig.8 Spatial characteristics of carbon emission

由图8可以看出，碳排放浓度最高的集中在西部区域，因为这段区域属于工业区；然后是东北地区，该区域为居民区；还有一条呈现带状的区域，该区域为研究区主街道，车辆较多，碳排放浓度也较高。

3 结语

综上所述，人类生产、生活活动的开展，会产生大量的二氧化碳，而一旦二氧化碳排放过多，就会导致空气中二氧化碳浓度过高，会造成温室效应，引发气候异变。为此，进行碳排放监测可以更好地控制碳排放。

为此，研究通过无人机低空摄影技术获取研究区图像，从图像中识别相关因素，以此作为测算基础。通过测算结果明确了研究区碳排放时空分布特征。然而，研究仅测算了5种宏观因素影响下的碳排放，缺乏对深层次微观因素考虑，因此有待进一步研究。