移动污染源是指非固定位置的、移动的空气污染源,主要包括机动车、移动式工程机械、船舶和飞机等在行驶时排出大量有害气体的交通工具。随着经济的发展和科技的进步,移动污染源特别是机动车辆已经成为大气污染的主要来源,是造成城市空气污染、光化学烟雾污染的重要原因。为了对移动污染源进行有效的治理,尤其是高排污机动车辆的识别管控,需要对移动污染源的排放物进行实时有效的检测。近年来,我国逐步引入了国外先进的机动车尾气遥测技术。遥感检测法是利用光学原理远距离感应测量行驶中的汽车排放物的测量方法。与传统的怠速法、工况法等检测方法相比,遥感检测法能够快速测量通过测量地点的车辆的污染物浓度,具备测试效率高、自动化程度高、测试成本低、对交通影响较小等优点。由于遥感检测法采用开放式检测方式,测量过程容易受到道路周边复杂环境(如高温高湿、刮大风等环境下)的影响。同时,汽车尾气排出后会扩散形成烟羽,周围环境因素尤其是局地气流对被测对象尾气烟羽也会产生较大影响。针对移动污染源排污气体的遥感检测技术容易受到外部环境干扰的问题以及环境干扰因素可被度量的特点,本文结合传递熵相关性因果分析和自适应融合估计方法,提出了一种基于TE-ELM-AKF(传递熵-极限学习机-自适应卡尔曼滤波)的分解重构误差补偿模型。该模型有机结合测量对象的先验知识和最优估计理论,能够从带噪观测序列中得到真实值的最优估计。首先,该方法通过ELM方法建立多干扰下遥测误差预测模型。然后,提出了一种虚拟观测分解模型,并利用虚拟观测分解模型对观测序列进行多序列分解。之后,将实际测量过程转化为多传感器虚拟观测过程,并建立多传感器虚拟观测过程的数学模型。最后,引入TE和AKF对多虚拟观测序列进行融合重构,从而得到测量序列的最优估计。在重建过程中,利用传递熵来表示多干扰不平衡测量,并对自适应卡尔曼滤波的观测噪声协方差系数进行优化。此外,模型中还利用TE传递熵的方向性引出干扰与测量非显著因果关系的判定方法,从而确定测量误差的主要干扰来源。通过对多干扰下的排污气体遥测数据进行方法验证可以说明,该模型能够有效补偿外部环境干扰引起的测量误差,提高遥感检测技术的环境适用性和抗干扰能力。