环境背景辐射扣除方法在被动傅里叶变换红外光谱成像中的应用研究 邓金瑞 苗文成 孙继培 白海平 苏亚强 王金友 孙秉才 景英华 徐欣

《Fire》：Research and Application of Environmental Background Radiation Deduction Methods for Passive FTIR Spectral Imaging Jinrui Deng, Wencheng Miao, Jipei Sun, Haiping Bai, Yaqiang Su, Jinyou Wang, Bingcai Sun, Yinghua Jing and Xin Xu

　　摘要：被动傅里叶变换红外（FTIR）光谱成像技术在天然气站的泄漏监测中容易受到复杂背景辐射的影响，导致气体识别灵敏度低、检测精度差以及误报率较高。为了解决这些问题，本研究首先分析了典型背景干扰源的光谱特性及其影响机制，随后开发了一种针对性的背景去噪方法，并在典型的天然气站进行了现场气体释放实验。实验结果表明，所提出的背景去噪方法能够有效抑制复杂的环境背景干扰，降低误报率。本研究为提高工业场地远程气体泄漏监测中被动FTIR光谱成像技术的可靠性和实用性提供了解决方案。

1. 引言
随着全球能源结构的转型和升级，作为清洁能源的天然气消费量持续增长，其运输和储存过程的安全监测已成为行业的核心关注点。由于天然气站设备密集、管道纵横交错以及介质具有高压和易燃性，这些站点容易因人为操作错误或设备设施完整性故障而发生气体泄漏。此类泄漏可能进一步引发火灾和爆炸等重大安全事故，造成人员伤亡和经济损失。典型的事件包括马来西亚雪兰莪州普特拉海茨的Petronas天然气管道爆炸、加拿大阿尔伯塔省埃德森的TC Energy管道破裂爆炸以及中国四川省的福建天然气站管道爆炸，这些事件对公共安全和生态环境构成了严重威胁。因此，增强天然气站的早期泄漏监测和检测能力对于预防重大事故具有重要意义。
传统的点域监测气体传感器（如催化燃烧传感器和电化学传感器）以及线域监测气体探测器（如TDLAS、DOAS和LiDAR）存在监测范围有限、误报率高等局限性，且只能检测一种类型的气体，无法满足大范围、远距离和多组分泄漏监测的需求。近年来，基于面积域监测的被动傅里叶变换红外（FTIR）光谱成像技术由于其非接触式、高通量、宽频带和多组分同步识别等优点，逐渐成为远程气体泄漏监测领域的先进技术。该技术通过捕获目标气体在背景红外辐射下的特征吸收谱来实现泄漏气体的定量反演，特别适用于开阔空间中的气体羽流视觉监测。
尽管被动FTIR光谱成像技术在实验室和简单场景中取得了显著的监测和检测效果，但在复杂工业场地（尤其是天然气站的微泄漏监测）中的应用仍面临挑战。站内环境包含多种强辐射背景干扰源：高温设备和管道会发出强烈的红外辐射，其光谱容易与气体吸收峰重叠；植被（如树木和草坪）的反射率在太阳辐射下会发生变化，引入辐射噪声；地面、墙面和山区由于材料属性、温度和湿度的差异形成空间异质背景；大气窗口的变化、云层反射以及大气成分（如水蒸气和CO2）的吸收会导致光谱基线漂移。这些干扰因素显著降低了收集到的红外光谱的信噪比（SNR），主要体现在三个方面：目标气体的弱吸收峰被背景噪声掩盖，导致低浓度微泄漏的检测灵敏度下降；光谱特征失真降低了气体识别的准确性；甲烷（CH4）与背景大气中的水蒸气光谱线容易发生匹配错误；此外，背景辐射的瞬态变化（如云层移动或设备热状态突然变化）可能导致误判泄漏事件。
为应对上述挑战，本研究从实际工程角度分析了天然气站环境背景辐射的干扰机制和光谱特性，并开发了相应的背景噪声消除方法，并进行了现场验证测试。本研究为在复杂工业环境中应用被动FTIR技术提供了理论支持和方法论工具，对推进智能站建设及安全生产数字化转型具有重要的实际工程价值。

2. 复杂环境中背景干扰的机制和光谱特性分析
气体分子的红外吸收和辐射特性为被动FTIR遥感提供了理论基础[10]。红外辐射传输模型建立了目标气体分子的物理性质与测得红外辐射之间的关系，从而实现背景辐射的分离和目标吸收光谱的提取。在局部热力学平衡条件下，从背景和目标气体到光谱仪的光学路径可近似为一系列平行、水平均匀的层。对于每一层，到达下一层的入射辐射主要由前一层的辐射和该层自身发出的辐射组成[11,12]。
在实际监测应用中，被动傅里叶变换红外（FTIR）遥感通常在低仰角或接近水平的路径上进行[13]。在这种辐射传输几何条件下，多层大气辐射传输模型可简化为如图1所示的通用三层红外辐射传输模型。来自天空、地面、植被和建筑物（第3层）的远距离红外背景辐射穿过目标气体羽流（第2层）和中间的大气（第1层）后到达探测器。图1显示了简化的三层辐射传输模型示意图。被动FTIR光谱技术用于气体泄漏检测的基本原理是通过分析目标气体在背景红外辐射上留下的特征吸收特征来反演气体浓度。然而，天然气站的复杂环境带来了诸多挑战：背景辐射高度动态、空间不均匀且存在光谱重叠。
2.1. 来自高温设备和管道的辐射干扰
天然气设施中的金属部件（如阀门、输送管道和净化装置）由于工艺散热或太阳辐射吸收，表面温度经常超过环境温度。根据普朗克定律，热辐射强度随温度呈指数级增长，其光谱峰值位于中红外大气窗口（3–5 μm和8–14 μm）范围内，这些波长与甲烷（CH4）的基本吸收带（3.3 μm和7.7 μm）相吻合。光谱测量显示，在太阳光照下，管道在7.7–12.5 μm长波段的辐射强度增加，导致宽带基线升高，部分掩盖了CH4的窄吸收特征。
2.2. 来自太阳反射和植被自发的干扰
设施内外的植被（包括草和树木）通过两种主要机制引入检测干扰：首先，太阳辐射的反射——植物叶片的光谱反射特性受叶绿素和水分含量显著影响；其次，热自发光——在长波红外区域（8–10 μm），植被主要表现出低反射率的发射行为，其辐射亮度受叶片温度和水分状态控制[14]。虽然植被温度通常接近环境温度，但在日光直射下的局部加热会产生与水蒸气吸收相似的宽频谱特征，使得气体定量分析变得复杂[15]。
2.3. 来自地面和山区的背景辐射干扰
站内地面（如混凝土、沥青和土壤）及周围的山区（如混合岩石和植被）在阳光和阴影条件下形成热点和冷区域，导致温度差异，从而产生空间辐射梯度和服务材料特性的光谱干扰。此外，硅酸盐岩石中的Si–O振动发射峰的干扰会导致背景辐射值的波动和光谱基线失真[16]。
2.4. 天空背景的动态漂移
天空作为被动傅里叶变换红外（FTIR）光谱学的主要辐射源，通过大气传输过程的不确定性引入显著干扰。这些干扰主要表现为三种形式：(i) 大气成分（水蒸气H2O和二氧化碳CO2）的浓度随气象条件变化，导致2.7 μm、4.3 μm和6.3 μm处的吸收带变化，压缩有效检测窗口；(ii) 云层散射效应——薄云在8–14 μm大气窗口引起低频基线漂移；(iii) 大气路径辐射强度的变化——黎明和黄昏时的快速温度梯度使得辐射传输方程中的温度剖面与实际大气条件不符，增加气体浓度反演的误差[17]。
2.5. 环境背景辐射干扰的耦合效应分析
上述四种干扰源在时空光谱维度上相互耦合，通过三种主要机制影响系统性能：信噪比（SNR）衰减、特征光谱失真和误报触发机制。背景辐射强度的波动（如设备温度变化或云层覆盖变化）会掩盖目标气体的弱吸收信号，导致SNR衰减、甲烷的最小可检测限升高及监测灵敏度降低。背景辐射的空间不均匀性（如热点和冷区域的交替）会导致同一气体羽流在不同位置的光谱形状变化，从而在应用传统全局阈值分割方法时导致特征光谱失真和漏检。此外，动态干扰源的瞬态光谱特性（如植被反射闪光或云层边缘移动产生的伪影）容易被误判为气体吸收峰，引发误报。

3. 背景辐射消除方法
3.1. 被动FTIR光谱成像遥感仪器
本研究使用的被动FTIR光谱成像遥感仪器的主要技术参数见表1。该系统配备了单像素冷却探测器，通过移动镜的完整扫描获取单像素网格的光谱信息。为了监测指定目标区域，高精度二维平移单元按S形顺序从左到右、从上到下扫描该区域，实现实时浓度反演并分配相应的RGB伪彩色块生成最终图像。
3.2. 背景辐射消除方法介绍
根据文献[18]，目标气体羽流在简化三层传输模型中的透射率可由公式(1)表示：
(1)
其中τg(ν)为目标气体透射率，Bg(ν)为理想辐射亮度，L(ν)为入射光瞳孔亮度，Lb(ν)为背景辐射亮度。
在天然气站的环境测量中，由于物体的不同发射率，不同目标的光谱测量结果不同。仪器采用线性拟合和背景辐射消除方法计算目标气体的透射光谱，以获得准确的测量结果。控制软件提供了设置背景辐射消除系数的选项，并可更改报警阈值的设定值。通过在一定时间和气象条件下收集环境背景辐射数据，得到每个扫描网格的平均值和方差。在实际检测中，每个扫描网格的检测结果值是通过从检测值中减去平均值和方差获得的。在仪器的实际操作过程中，对于具有复杂背景的气体测量，会使用多次扫描来扣除背景辐射，具体计算公式如下：(2) 其中Ck是第k次测量的浓度结果，是测量浓度结果的平均值，Cw是预警浓度值。上述方法用于连续监测区域，浓度结果的标准差（RMS）是背景浓度波动范围。报警阈值可以设置为mRMS，并且根据当前情况动态调整不同监测场景的报警阈值，以避免误报并提高预警的准确性。背景辐射扣除方法的计算过程如图2所示。完整的扣除过程包括以下四个主要步骤：(1) 背景采集。在无泄漏期间（例如，正常运行的前3-5分钟），被动式FTIR系统连续扫描监测区域。对于每个像素网格，我们计算背景辐射信号随时间的平均值和方差。这些统计参数描述了当前环境条件下的基线背景。(2) 实时扣除。对于每个新获取的原始光谱信号，通过从原始信号中减去实时背景平均值来获得检测信号。(3) 动态阈值设置。扣除背景后，我们计算剩余背景信号的标准差（RMS），然后设置一个自适应报警阈值：阈值 = m × RMS（剩余），其中报警系数m是通过长期现场统计、对比实验和工程经验综合确定的。在这项研究中，m被设置为0.3~0.8。(4) 浓度反演。一旦有效去除背景，从减去背景后的光谱数据中得出气体透射率。然后使用比尔-朗伯定律（Beer–Lambert law）反演路径积分浓度，并将最终的气体分布显示为叠加在监测场景光学图像上的伪彩色图像。我们工作的核心贡献不是单一的算法组件，而是一个集成的框架，该框架结合了自适应背景辐射扣除和动态阈值链接，专门为复杂的工业场景设计。图2. 背景辐射扣除方法的计算过程。如图3所示，目标监测任务对应的矩形区域内的每个像素网格代表红外视场中云台（pan-tilt）的一个单位步长监测区域。检测到的反演浓度值使用伪彩色表示，不同的RGB颜色块表示不同的浓度水平（参见图中右下角的伪彩色条，了解浓度范围和RGB值之间的映射）。图3表明，在无泄漏条件下，由于站点环境背景辐射的显著干扰，任务矩形区域内的浓度值在0到1.5 ppm·m之间随机波动。扣除背景辐射后，这种干扰大大减少，有效地解决了光谱气体检测中背景去除的关键挑战。图3. 无泄漏条件下的视觉伪彩色显示效果对比：扣除背景辐射前（a）和扣除背景辐射后（b）。4. 现场测试的应用效果 4.1. 测试条件为了验证背景辐射扣除方法的有效性，在一个天然气汇集和运输站进行了一系列现场气体释放验证测试（如图4所示）。测试条件如下：仪器与释放点之间的距离约为65米，释放点的压力为0.31 MPa，孔径直径约为8毫米。白天的气象条件为东北风，风速3 m/s，相对湿度77%，温度29°C；夜间条件为东北风，风速1 m/s，相对湿度84%，温度24°C。被动式FTIR光谱成像遥感仪器的参数设置如下：光谱分辨率4 cm?1，每次任务的扫描次数为4次，每次扫描的像素网格数为3个，报警系数为0.3，伪彩色图的颜色条范围为0–1.0 ppm·m。图4. (a) 现场排放点；(b) 特写视图（箭头指示气流喷射方向）。4.2. 结果讨论为了全面评估第3节中提出的背景辐射扣除方法在复杂和变化现场条件下的鲁棒性、灵敏度和适应性，在一个天然气汇集和运输站进行了20多次受控释放实验。实验设计系统地涵盖了不同的时间段（白天和夜晚）、气象条件（晴天、多云、有风等）、检测距离（60–100米）以及关键泄漏场景，包括四种甲烷介质配置、泄漏位置、孔径直径和管道压力。这种设置旨在模拟现实世界中的泄漏事件多样性，并特别评估在强背景辐射条件下的方法性能，例如白天太阳辐射、复杂的背景结构（包括管道、设备和植被）以及不同的泄漏强度。以白天强烈太阳辐射的环境为例，图5展示了气体释放前、释放中和释放后的代表性检测图像。检测目标区域被配置为一个5行×15列的网格，行和列分别从上到下和从左到右编号。根据红外视场和检测距离，每个像素网格对应大约0.5米×0.5米的地面采样面积。时间分辨率为每个光谱帧大约1秒（平均八次扫描）。应用了背景辐射扣除方法，软件中设置的报警系数为0.3。图5. 白天条件下释放前（a）、释放中（b）和释放后（c）的检测效果对比。图5a清楚地展示了在强太阳辐射下背景扣除的效果。扣除背景后，复杂的环境背景辐射——主要是直接和散射的太阳辐射、来自地面和管道设备的热辐射以及植被反射——被有效抑制。这由非目标像素网格中的浓度值降至接近仪器的背景噪声水平所证明，平均背景浓度约为0 ppm·m，如表2所示，从而显著降低了由于站点管道、植被和地面等环境特征引起的误报可能性。表2. 图5b中任务阵列对应的像素网格浓度值（ppm·m）。当来自像素网格（3, 4）的压力阀释放气体后，由于有效的背景扣除，该网格检测到的甲烷浓度从大约0 ppm·m增加到0.43 ppm·m（表2）。这个值不仅超出了扣除后的典型背景波动范围，还超过了根据背景统计特征建立的报警阈值。因此，系统准确触发了警报并记录了该事件。被动式FTIR光谱成像遥感仪器测量得到的像素网格（3, 4）对应的气体透射率光谱分析显示，在气体释放期间，1306 cm?1附近出现了一个明显的吸收特征。这个吸收峰归因于甲烷中C–H键变形（H–C–H键角）引起的不对称弯曲振动（νC–H）。观察到的光谱特征证实了甲烷气体释放的成功检测。图6. 释放前和释放期间像素网格（3, 4）的光谱曲线。气体释放停止后，像素网格（3, 4）检测到的浓度值迅速下降并稳定在释放前的环境噪声水平（大约0 ppm·m）。这一序列表明，所采用的背景辐射扣除方法表现出动态适应性，包括空白背景、模拟泄漏和环境恢复（例如，气体释放前、期间和之后）。它可以准确区分复杂的背景环境中的瞬态泄漏信号，从而显著提高白天气体泄漏监测的准确性、灵敏度和可靠性。为了严格评估所提出的背景辐射扣除算法在夜间低辐射条件下的鲁棒性和有效性，在一个已知的甲烷泄漏点（压力表旋塞）进行了受控气体释放测试。监测结果如图7所示。如图7a所示，尽管夜间环境背景热辐射大幅减少，但在应用所提出的扣除方法后，成像区域的平均背景辐射噪声水平显著降低。具体来说，远离泄漏点的背景区域内的平均甲烷柱浓度在扣除后稳定在接近0 ppm·m（典型的背景像素值在表3中波动在0–0.05 ppm·m之间）。这些结果直接证明了该算法在低信噪比条件下分离背景干扰和稳定基线的能力，从而为后续微泄漏信号的可靠检测提供了坚实的基础。图7. 夜间条件下释放前（a）、释放中（b）和释放后（c）的检测效果对比。表3. 图7b中任务阵列对应的像素网格浓度值（ppm·m）。当图像中像素坐标（3, 4）附近的压力表阀门释放气体后，背景扣除后的甲烷浓度图像立即发生了显著变化。如图7b和表3所详细显示的，目标像素网格（3, 4）及其相邻像素（4, 4）检测到的浓度值从背景扣除后的基线迅速增加，分别约为0 ppm·m和0.55 ppm·m和0.72 ppm·m。这种增加远远超出了扣除后背景噪声的波动范围，从而验证了甲烷释放测试的有效性。基于这种浓度变化，监测软件准确触发了警报，展示了从背景扣除到目标识别再到警报决策的整个处理流程在低光照条件下的可靠性。在气体释放停止后，图7c显示目标区域的甲烷浓度迅速下降，并最终恢复到与测试前背景噪声一致的水平，约为0 ppm·m。成功捕获这一动态过程进一步证实了检测信号与泄漏事件之间的强相关性，以及算法对状态变化的敏感性。此外，应该注意的是，在测试的扫描区域内某些非气体释放位置（例如，图7中标记的坐标（3, 8）、（3, 10）和（1, 9），个别像素也显示出超过背景水平的瞬态异常浓度值，例如0.93 ppm·m、0.42 ppm·m和0.35 ppm·m。对其时空特性的综合分析，如孤立出现、瞬态性质和缺乏扩散行为，结合现场环境情况，表明这些异常可能归因于光谱识别算法中的噪声或空气中非目标气体成分的局部瞬态波动。这些异常检测值的存在可能会触发误报。在后续的算法优化或实际部署中，可以采用空间连续性分析、时间序列过滤或基于机器学习的模式识别等技术，以更好地区分真实泄漏和瞬态干扰，从而提高检测结果的可靠性。总之，如果没有环境背景辐射扣除方法，报警准确率约为20%，误报率为80%。应用我们提出的背景扣除方法后，21次测试中的报警准确率范围为11.1%至82.8%，平均值为37.1%；相应的误报率范围为17.2%至88.9%，平均值为62.2%。5. 结论本文提出的背景辐射扣除方法有效解决了限制被动式FTIR成像技术在复杂工业环境中应用的核心挑战——即来自环境背景的干扰。具体来说，这项研究是在白天条件下，在具有强烈太阳辐射和复杂固定热源及反射表面的天然气汇集和运输站进行的。研究结果表明，该方法在提升远程天然气泄漏检测系统的全天候、高精度和自动化监测能力方面具有实际价值。一方面，所提出的背景辐射扣除方法成功实现了对主导环境背景辐射的动态滤除，显著降低了背景噪声。报警准确率从约20%提高到了37.1%，误报率从约80%降低到了62.2%。这提高了被动傅里叶变换红外光谱成像遥感仪器检测微弱泄漏信号的灵敏度和信噪比，从而确保了系统的响应速度和稳定性——例如，能够清晰地识别泄漏信号的发生和停止情况，而不会出现误报。因此，由于复杂固定背景源引起的误报率大幅减少。另一方面，测试中检测到的异常高浓度值指明了未来改进的方向：区分真正的泄漏与瞬态干扰，以提高结果的可靠性。我们认识到，还需要进一步的研究来提升扣除方法的可靠性并实现更高的检测精度。