机载LiDAR甲烷排放速率估算的量化误差（Quantification Error, QE）模型——针对Gas Mapping LiDAR (GML) 2.0的偏差与不确定度建模

《ACS ES&T Air》：Quantification Error Model for Aerial LiDAR Methane Emission Rate Estimates

　　

准确表征甲烷排放速率量化误差（Quantification Error, QE）是建立基于实测的排放清单、对标减排进展及满足OGMP 2.0等报告框架的关键前提。既往研究多通过受控释放实验的误差分布来归纳QE，较少考虑环境条件或羽流特征的影响。研究人员通过建立连续的QE模型，将其表示为当地风速与测得信噪比（Signal-to-Noise Ratio, SNR）的函数，弥补了这一不足。研究人员采用多种函数形式候选模型，基于2178次单盲与双盲受控释放实验数据集（来自六个测试场地、数十台Bridger Photonics GML 2.0传感器），通过最大似然估计（Maximum Likelihood Estimation, MLE）拟合并使用修正Akaike信息准则（Corrected Akaike Information Criterion, AICc）评价。结果表明，GML的QE可分解为偏差（bias）与不确定度（uncertainty）两个分量：偏差主要由SNR控制，不确定度则由SNR与风速共同控制。由模型导出的偏差校正得到物理原理的支持，将其纳入美国盆地排放清单可使系统偏差降低最高达17.5%，从而实现更准确、透明且可比对的甲烷排放估算。

机载Gas Mapping LiDAR (GML) 2.0甲烷排放速率量化误差（Quantification Error, QE）模型研究解读

一、研究背景与意义

减少大气甲烷排放是缓解人为气候影响最有效的近期策略之一。油气行业中，测量技术被广泛用于泄漏检测、定位与量化（Quantification），并支撑从作业者到盆地乃至国家尺度的实测排放清单编制，以基准化排放水平并追踪减排目标达成情况。传统排放清单依赖工程计算和稀疏现场测量，基于生产数据与通用排放因子（Emission Factor），难以捕捉真实排放 magnitude与变异性。环保协会（Environmental Defense Fund, EDF）协调的多项大规模研究表明官方清单平均低估美国甲烷排放约60%，部分盆地达90%。卫星与大气塔网贝叶斯反演虽改善了区域估算，但受限于反演物理（云层、太阳天顶角、地表反射率）及稀疏空间覆盖，且难将增强信号归因至具体排放源或行业板块。设施尺度连续监测系统多靠局地浓度间接推断排放速率而非直接测整条羽流，引入较大模型依赖性，且网络可扩展性受限。机载成像遥感（短波红外SWIR、长波红外LWIR及LiDAR）可直接测量羽流结构并结合风速估算排放量（排放量＝羽流浓度积分×羽流输送速率），其中主动照明LiDAR利用激光光谱对甲烷吸收的高选择性检测，受环境光照与地表发射率影响小，可夜间工作，已在北美多盆地实现源分辨低检测限排放估算。受控释放测试是表征量化误差的标准方法，早期分析仅做释放—估算速率线性回归或按风速/释放率分箱考察分数误差，未系统揭示驱动量化误差的物理变量。本研究在Conrad等人基础上，将QE统计分布显式建模为环境变量（风速Wind Speed, WS；信噪比Signal-to-Noise Ratio, SNR等）与羽流结构参数的函数，利用大样本受控释放数据建立连续域偏差（bias）与不确定度（uncertainty）模型，服务于单羽流偏差校正与清单不确定度传播。本文发表于《ACS ES&T Air》。

二、主要技术方法概述

研究人员基于2022年9月至2025年3月于美国蒙大拿州Bozeman、Livingston、Clyde Park、Columbus、Hysham及加拿大不列颠哥伦比亚省Wonowon共6个场地采集的2178次孤立非遮挡单/双盲受控甲烷释放飞越测试数据，使用多台Bridger Photonics GML 2.0机载传感器（Cessna 172飞机，飞行高度150–275 m AGL）。释放速率0.074–64.28 kg·h?1，现场1.5–3 m AGL高度风速仪同步记录风速。定义相对误差比（Relative Error Ratio, RER）= 实际排放速率Q_Actual/ 估算排放速率Q_Estimated，取对数R′ = ln(RER)使乘法误差近似对称，偏差定义为R′分布的均值μ_R′，不确定度定义为标准差σ_R′。筛选影响QE的物理参数（平均羽流SNR记为ζ=lg(SNR)，风速U，积分羽流浓度Integrated Plume Concentration IPC记为τ，估算排放速率Estimated Emission Rate ER记为Q?_L，环境温度T与压力P无显著影响被剔除）。按物理量分箱分析R′的μ与σ随参数变化趋势，构造预测子函数（predictor functions）描述联系函数（link function；选用Logistic分布）的位置（location/bias）与尺度（scale/uncertainty）参数，初始系数由分箱数据普通最小二乘回归给出，再用最大似然估计（MLE）结合Nelder–Mead Simplex算法最小化加权负对数似然函数（考虑参数空间局部密度权重防过拟合），最终以修正Akaike信息准则（AICc）及相对最小信息损失似然（Relative Likelihood of Minimizing Information Loss, RLMIL）遴选最优模型。

三、研究结果

3.1. Bias（偏差）

研究人员评估了ζ（平均SNR）、τ（IPC）、U（风速）及Q?_L（估算ER）对偏差的影响，发现仅有平均SNR（ζ）呈现稳定单调关系：低SNR（10^ζ≤ 3，ζ ≤ 0.477）时R′均值为负，对应估算值系统性偏高（Estimation Percentage Error, EPE ≈ +44%，即高估约44%）；中等SNR（3 < 10^ζ≤ 8）EPE ≈ +27%；高SNR（10^ζ> 8，ζ > 0.903）偏差趋近零（EPE ≈ 0%）。风速分区后偏差无显著风速依赖性。最优偏差预测子A1（Logistic形式）刻画了ζ增大时偏差陡峭下降并渐近归零的特征。物理上ζ反映信号超出噪声基底/探测阈值的程度，低SNR下背景与羽流增强阈值划分不准导致高估，高SNR则背景扣除准确、无系统偏差。

3.2. Uncertainty（不确定度）

研究人员分析各参数对R′标准差（σ_R′）的影响，风速U展现最清晰单调趋势——不确定度随风速增大而减小；进一步按ζ分区显示SNR对不确定度也有贡献：高风速下（U > 4 m·s?1）不确定度随ζ增大单调下降，低风速下SNR贡献占比相对减弱但仍存趋势。温度和压力无影响。最优不确定度预测子B2以ζ和U二维曲面描述σ_R′，表明不确定度由SNR与风速联合控制，高SNR+较高风速组合使不确定度最小。按ζ–U regime汇总：低ζ低U的90%置信区间（Confidence Interval, CI）最宽（约[?31.2%, +200.4%]，半宽合计231.6%），高ζ高U最窄（约[?28.2%, +47.9%]，半宽合计76.1%）。

3.3. Aggregate Model Performance（整体模型表现）

经AICc与RLMIL评估，Logistic分布联结偏差预测子A1与不确定度预测子B2的组合为最优QE模型。该模型在各ζ区间（低/中/高）均能复现R′分布形态：随ζ升高分布收窄且均值移向零，低ζ检测经模型偏差校正因子（Bias Correction Factor, BCF = exp(μ_R′(ζ))）校正高估，高ζ检测基本无偏。BCF应用于原始估算得偏差校正后排放速率Q? = BCF × Q?；RER因子（由模型逆累积分布函数invCDF按指定概率如0.05/0.95给出）乘以Q?可得置信区间CI₉₀= (RER₅×Q?, RER₉₅×Q?)。单羽流实算示例显示模型给出合理偏差校正与不确定度范围。

四、讨论与结论总结（翻译/浓缩结论部分）

研究人员建立的量化误差（QE）框架为广泛测量条件下排放速率偏差与不确定度的统计一致估算奠定基础。通过将预测子—逆联系函数形式、Logistic误差表征及可扩展聚合方法相结合，模型实现从单羽流检测到多测量/多源分析的不确定性透明传播。该实现亦提供了仪器特定量化性能评估方案，并示范了可适配其他测量技术的通用建模策略。所得模型给出改进的测量表征及更准的甲烷排放速率估算与鲁棒不确定度——是基于测量清单的关键要素。研究人员用QE模型证明偏差校正可使清单系统偏差最高降低17.5%（丹佛—朱尔斯堡盆地Denver–Julesburg Basin达17.5%，二叠盆地Permian Basin为9.8%，平均约13.5%），对所评估GML系统代表准确性实质提升。类似收益是否适用于其他测量系统尚待各技术独立校准、建模与验证。

局限与延伸：当前模型基于单孤立羽流受控释放，现场多源重叠羽流暂用聚合SNR近似并沿用单羽流函数关系，低排放率区影响相对大，需多源受控释放验证；模型假设完美风速信息，运行部署需独立叠加风速不确定度表征（如Johnson与Conrad等法）；假设羽流已充分热平衡至环境温度。方法学上SNR控制偏差、SNR+风速控制不确定度的发现预期适用于各类遥感羽流成像技术之QE表征，但具体函数形式须各技术单独标定。

关键结论翻译：

量化误差（QE）模型表明GML 2.0甲烷排放速率估算的系统性偏差仅由羽流平均信噪比（SNR）控制——低SNR时存在显著高估，高SNR时偏差趋零；随机不确定度由SNR与当地风速共同控制——高SNR与较高风速使不确定度降低。基于2178次受控释放的最大似然拟合Logistic模型可提供逐羽流偏差校正因子（BCF）与置信区间。将该偏差校正纳入盆地实测清单最高可降低系统偏差17.5%，显著提升测量基甲烷排放清单的准确性、透明度与跨期/跨区域可比性。重复独立测量减少随机误差（∝1/√N），多独立校准传感器可减少系统偏差（∝1/√M）。QE框架可嵌入蒙特卡洛清单开发流程，并与独立风速误差模型联用构成完整排放速率误差表述。