基于光学频率梳的多组分温室气体智能分析方法及系统

本发明涉及光谱检测与智能分析，更具体的，涉及基于光学频率梳的多组分温室气体智能分析方法及系统。

背景技术：

1、温室气体浓度的精准检测是农业生产环境调控、碳排放核算及气候变化研究的基础性环节。在设施农业（如温室大棚）中，二氧化碳、甲烷、氧化亚氮等多组分温室气体的浓度水平直接影响作物光合效率与生长环境质量，其同步、精准、实时的检测需求日益迫切。

2、光学频率梳作为一种新型宽带相干光源，具有等间距、高稳定性的梳状频谱结构，可在宽谱段内同时覆盖多种气体的特征吸收谱线，为多组分气体同步检测提供了理想的硬件基础。近年来，光学频率梳光谱技术逐步从实验室走向现场应用，利用其高频率精度和宽谱覆盖优势，结合傅里叶变换光谱仪或双光梳干涉系统，可实现痕量气体的高灵敏度检测。

3、然而，针对设施农业场景下多组分温室气体的同步智能检测，仍存在以下突出问题：

4、（1）二氧化碳、甲烷、氧化亚氮等目标气体的特征吸收谱段在近红外至中红外区域存在不同程度的重叠，尤其是水汽的吸收谱线宽且密集，覆盖范围广，对目标气体谱段形成强烈的背景干扰；现有方法多采用单一谱线或窄带谱段进行逐组分分析，未能充分利用光学频率梳宽谱覆盖的协同优势，也难以有效分离和校正多组分间的耦合干扰。

5、（2）温室内部温度、湿度、气压等微环境参数波动显著，直接影响气体分子吸收谱线的强度、展宽及中心频率偏移，现有机器学习类光谱分析方法往往将环境参数作为简单的辅助输入特征，未能在模型架构中显式嵌入吸收谱线的物理先验（如温湿度展宽系数、谱线强度温度依赖指数等），导致模型在多变环境条件下的泛化能力和物理一致性不足。

6、（3）现有检测方法多为浓度点估计输出，缺乏对检测结果可信区间的量化表征，也难以基于浓度水平、变化趋势及累积效应进行多维度综合风险评估，无法满足温室环境调控与安全生产预警的实际需求。

技术实现思路

1、本发明的目的在于提供基于光学频率梳的多组分温室气体智能分析方法及系统，针对现有技术在多组分光谱重叠干扰严重、物理先验嵌入不足及不确定性量化薄弱的问题，提出了在温室内部固定吸收光程上采集多波段宽谱光学信号并同步获取微环境参数与光路本底吸收谱，基于分子光谱数据库构建标准光谱指纹库并以可微分物理先验嵌入多任务分析网络，在谱域注意力机制中根据温湿度敏感系数配置差异化频段权重以增强痕量组分特征响应，结合水汽干扰特征谱进行耦合干扰校正，通过光路正演模型对初始解析结果与实测光谱进行变分同化更新并将物理一致性损失反馈至网络参数更新，最终输出多组分浓度反演终值、检测可信区间及多级风险预警信息的技术方案，本发明具备可量化不确定性的多组分温室气体同步检测效果。

2、鉴于上述技术问题，本发明提供了基于光学频率梳的多组分温室气体智能分析方法及系统。

3、第一方面，本发明提供了基于光学频率梳的多组分温室气体智能分析方法，该方法包括：

4、s1、利用光学频率梳探测装置，在温室固定吸收光程上采集目标气体特征吸收谱段的多波段宽谱光学信号，获取温室微环境参数与光路本底吸收谱，构建初始光学数据集；

5、s2、基于分子光谱数据库构建标准光谱指纹库，在固定吸收光程上对初始光学数据集进行谱线解卷积与重叠谱段分离，提取特征吸收峰面积、线宽及中心频率偏移量，按气体种类聚类标识与一致性校验，形成标准化光谱特征样本集，并提取水汽干扰特征谱；

6、s3、以标准光谱指纹库为可微分物理先验，构建含浓度反演分支、水汽干扰校正分支与趋势预测分支的多任务分析网络；根据温湿度敏感系数计算差异化频段注意力权重；结合水汽干扰特征谱进行耦合干扰隐式校正，利用可微分物理先验进行正向计算约束，输出含浓度初步反演值及检测不确定度的初始解析结果；

7、s4、以初始解析结果和光路本底吸收谱为输入，构建含光路衰退效应与气体分子碰撞展宽效应的光路正演模型，将初始解析结果投影为模拟光谱，与多波段宽谱光学信号逐点计算残差；依据检测不确定度加权，对初始解析结果优化同化更新，将物理一致性损失经可微分物理先验反馈至多任务分析网络，输出经光路效应与背景基线校正的优化解析结果；

8、s5、以优化解析结果和环境浓度安全阈值为依据，对多组分温室气体当前浓度水平、时间变化率及累积暴露剂量联合评估，输出浓度反演终值、检测可信区间及风险分级预警信息。

9、优选的，步骤s1的具体实施过程包括：

10、所述光学频率梳探测装置采用透射式或多次反射池式光路结构，所述固定吸收光程依据温室内部空间尺寸预先标定并记录于系统配置中；

11、所述多波段宽谱光学信号包括覆盖各目标气体特征吸收谱段的吸收光谱与相位延迟信号；

12、所述温室微环境参数包括温度、湿度、气压及温室内部气流循环状态参数；

13、所述光路本底吸收谱包括在洁净空气或零气条件下采集的系统基线光谱，用于表征光学窗片、镜面反射损耗及残余水汽的复合吸收背景；

14、对所述多波段宽谱光学信号执行时域与频域的同步采样与重采样，形成时间同步的多维光谱数据张量；

15、依据所述温室微环境参数对所述多维光谱数据张量进行温度、湿度及气压影响的经验校正，并融合所述光路本底吸收谱进行背景扣除，生成所述初始光学数据集。

16、优选的，步骤s2的具体实施过程包括：

17、依据高分辨率分子光谱数据库中的谱线参数，为每一目标温室气体构建所述标准光谱指纹库，所述标准光谱指纹库记录各特征吸收谱线的中心频率、谱线强度、空气展宽系数、自展宽系数及温度依赖指数；

18、在所述初始光学数据集的频域上，依据所述标准光谱指纹库定位各气体特征吸收谱段并识别水汽干扰谱段，采用基于约束最小二乘或非负矩阵分解的可微分解算法，对目标气体特征谱段与水汽干扰谱段进行联合解卷积分离，提取各组分特征信号的吸收峰面积、线宽及中心频率偏移量作为多维特征向量；

19、对所述多维特征向量依据其对应的目标气体种类进行聚类与标识，并对同一组分在不同谱段的特征信号进行一致性校验与加权融合，形成按气体类别标注的所述标准化光谱特征样本集，同时将分离出的水汽干扰特征谱作为独立通道输出。

20、优选的，步骤s3的具体实施过程包括：

21、构建基于transformer架构或图神经网络架构的多任务分析网络，所述多任务分析网络共享底层特征编码层，并分叉为所述浓度反演分支、所述水汽干扰校正分支及所述趋势预测分支；

22、所述浓度反演分支用于对输入的标准化光谱特征样本进行非线性回归映射，输出各组分浓度初步反演值及其基于贝叶斯估计或蒙特卡洛dropout计算得到的检测不确定度；

23、所述水汽干扰校正分支用于以所述水汽干扰特征谱为条件输入，对水汽吸收谱线与目标气体谱段的重叠干扰进行显式校正，输出水汽干扰校正量并作用于所述浓度反演分支的输出结果；

24、所述趋势预测分支用于基于历史时刻的浓度反演结果与温湿度参数的时序特征，预测未来时间窗内的浓度变化趋势；

25、所述多任务分析网络在其谱域注意力模块中，依据所述标准光谱指纹库提供的各目标气体特征谱线的温度与湿度敏感系数，为不同频段分配差异化注意力权重，对敏感系数高的谱段赋予对应权重以增强其在多变微环境条件下的特征稳健性。

26、优选的，步骤s4的具体实施过程包括：

27、以所述初始解析结果中的各组分浓度值作为初始场，以所述光路本底吸收谱及所述固定吸收光程为输入，构建基于比尔-朗伯定律并叠加强度展宽效应的所述光路正演模型；

28、利用所述光路正演模型将所述初始解析结果模拟生成与所述多波段宽谱光学信号在相同频点与分辨率下的模拟光谱；

29、将所述多波段宽谱光学信号作为实测光谱，与所述模拟光谱在频域上逐点计算光谱残差；

30、依据所述检测不确定度对所述光谱残差进行加权，并在变分同化框架下构建包含背景项与观测项的代价函数，通过迭代求解使所述代价函数最小化的更新增益；

31、以所述更新增益对所述初始解析结果进行优化更新，同时将同化后的模拟光谱与实测光谱的一致性程度量化为所述物理一致性损失，并将该损失通过所述可微分物理先验反向传播至所述多任务分析网络的权重更新中，输出经光路吸收效应与基线漂移校正的所述优化解析结果。

32、优选的，步骤s5的具体实施过程包括：

33、将所述优化解析结果中的各气体组分浓度值分别与所述环境浓度安全阈值进行比较，确定单个组分的超标状态与超标量；

34、依据各气体组分浓度值的时间序列数据，计算其在预设滑动时间窗口内的浓度变化率，并与预设变化率安全阈值比较，识别浓度突变的异常状态；

35、依据各气体组分浓度值的历史累积量与预设累积暴露剂量模型，评估其累积风险指数，并与预设累积阈值比较，识别累积风险等级；

36、综合所述超标状态、所述异常状态及所述累积风险等级，通过预设的风险判定逻辑矩阵，输出各类气体的浓度反演终值、检测可信区间及包含安全、注意、预警、报警的多级风险分级预警信息。

37、优选的，所述多级风险分级预警信息的输出方式包括：生成结构化数据报告、在温室本地监控界面进行可视化展示，以及通过网络接口向远端管理平台推送预警消息。

38、第二方面，本发明还提供了基于光学频率梳的多组分温室气体智能分析系统，执行上述基于光学频率梳的多组分温室气体智能分析方法，所述基于光学频率梳的多组分温室气体智能分析系统包括：

39、初始光学数据采集构建模块，用于控制光学频率梳探测装置在温室内部设定的固定吸收光程上采集多波段宽谱光学信号，同步获取温室微环境参数与光路本底吸收谱，并融合生成初始光学数据集；

40、光谱指纹库构建与特征提取模块，用于依据分子光谱数据库构建标准光谱指纹库，并在所述固定吸收光程所对应的频域尺度上，依据所述标准光谱指纹库对所述初始光学数据集进行谱线解卷积与重叠谱段分离，提取各组分特征吸收峰面积、线宽及中心频率偏移量，按气体种类进行聚类标识与一致性校验，形成标准化光谱特征样本集，并同步提取水汽干扰特征谱；

41、多任务智能分析模块，用于以所述标准光谱指纹库为可微分物理先验，运行基于深度学习的多任务分析网络，对所述标准化光谱特征样本集进行推理，输出包含各组分浓度初步反演值及检测不确定度的初始解析结果；所述多任务分析网络包含浓度反演分支、水汽干扰校正分支与趋势预测分支，并在所述多任务分析网络的谱域注意力机制中根据各谱线温湿度敏感系数配置差异化频段注意力权重；

42、光路正演同化模块，用于以所述初始解析结果和所述光路本底吸收谱为输入，运行涵盖光路衰逝效应与气体分子碰撞展宽效应的光路正演模型，将所述初始解析结果投影为模拟光谱并与实测多波段宽谱光学信号计算残差，依据所述检测不确定度加权计算更新增益并执行优化同化更新，同时将同化过程中产生的物理一致性损失通过所述可微分物理先验反馈至所述多任务分析网络的参数更新中，输出优化解析结果；

43、风险评估与预警输出模块，用于依据所述优化解析结果和预先标定的环境浓度安全阈值，对多组分温室气体的当前浓度水平、时间变化率及累积暴露剂量进行多维度联合评估，输出各类气体的浓度反演终值、检测可信区间及风险分级预警信息。

44、优选的，所述基于光学频率梳的多组分温室气体智能分析系统安装于一种远端管理平台，所述远端管理平台包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现所述基于光学频率梳的多组分温室气体智能分析方法。

45、本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：

46、（1）通过构建标准光谱指纹库并将温湿度展宽系数、谱线强度温度依赖指数等物理参数作为可微分先验嵌入多任务分析网络，在谱域注意力机制中根据敏感系数配置差异化频段注意力权重，显著提升了对多组分重叠光谱的物理一致性解混精度；

47、（2）在特征提取阶段同步分离水汽干扰特征谱作为独立通道，在多任务网络中设置专门的水汽干扰校正分支，实现对水汽宽谱吸收干扰的显式建模与动态校正，有效克服了温室高湿环境下目标气体检测精度下降的难题；

48、（3）构建光路正演模型将浓度反演结果投影为模拟光谱并与实测光谱进行变分同化，将同化过程中的物理一致性损失通过可微分物理先验反馈至网络训练，实现了物理模型对数据驱动模型的在线引导与正则化约束，显著提升了模型在多变微环境条件下的泛化稳健性与检测结果的可解释性；

49、（4）通过贝叶斯估计或蒙特卡洛dropout输出各组分浓度的检测可信区间，并基于浓度水平、时间变化率及累积暴露剂量进行多维度联合风险评估，输出多级风险分级预警信息，为温室环境调控与安全生产决策提供了量化依据。

50、上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其他特征将通过以下的说明书而变得容易理解。