CN115049160B - 时空大数据的平原工业型城市碳排放量评估方法及系统 - Google Patents
时空大数据的平原工业型城市碳排放量评估方法及系统 Download PDFInfo
- Publication number
- CN115049160B CN115049160B CN202210965935.8A CN202210965935A CN115049160B CN 115049160 B CN115049160 B CN 115049160B CN 202210965935 A CN202210965935 A CN 202210965935A CN 115049160 B CN115049160 B CN 115049160B
- Authority
- CN
- China
- Prior art keywords
- carbon
- feature
- carbon emission
- attention
- attention module
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 168
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 168
- 238000000034 method Methods 0.000 title claims abstract description 49
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000011156 evaluation Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 20
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 7
- 238000013524 data verification Methods 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 50
- 238000004364 calculation method Methods 0.000 claims description 17
- 150000001875 compounds Chemical class 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 8
- 230000006399 behavior Effects 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 7
- 230000006872 improvement Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 3
- 208000021017 Weight Gain Diseases 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000017105 transposition Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000004584 weight gain Effects 0.000 claims description 3
- 235000019786 weight gain Nutrition 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 230000004931 aggregating effect Effects 0.000 claims 1
- 238000006386 neutralization reaction Methods 0.000 abstract description 7
- 238000012545 processing Methods 0.000 description 11
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 9
- 230000009919 sequestration Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 6
- 238000010835 comparative analysis Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000007637 random forest analysis Methods 0.000 description 6
- 238000012800 visualization Methods 0.000 description 6
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 239000005431 greenhouse gas Substances 0.000 description 4
- 238000000611 regression analysis Methods 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 239000002803 fossil fuel Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 241001464837 Viridiplantae Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 230000002950 deficient Effects 0.000 description 2
- 238000000586 desensitisation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003472 neutralizing effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000000443 aerosol Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010170 biological method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 239000002243 precursor Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Tourism & Hospitality (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了时空大数据的平原工业型城市碳排放量评估方法及系统，该方法包括以下步骤：训练神经网络模型，并使用混淆矩阵计算神经网络模型的精确率、召回率、F1值和Kappa系数指标来进行精度评价；进行数据验证；通过一组包含目标地类特征的样本，并使用U‑Net模型进行训练，经精度评估达标后，对目标地区的遥感影像进行像素分类；通过MA‑Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决。以地块为单位清晰界定区域内的碳源和碳汇的分布；达到全面厘清碳排放家底、为地方政府达成碳达峰、碳中和目标提供辅助决策支持的目的。
Description
技术领域
本发明涉及数据分析、数据挖掘技术领域，具体来说，涉及时空大数据的平原工业型城市碳排放量评估方法及系统。
背景技术
碳中和是指国家、企业、产品、活动或个人在一定时间内直接或间接产生的二氧化碳或温室气体排放总量，通过植树造林、节能减排等形式，以抵消自身产生的二氧化碳或温室气体排放量，实现正负抵消，达到相对“零排放”。为实现碳中和目标，首先必须通过科学的技术手段进行充分摸底，实现地区碳排放的准确测算和评估，厘清“碳源”和“碳汇”的分布，方可有的放矢的实施碳排放管控措施，乃至为碳排放权的定价交易打好基础。
现有技术中，卷积神经网络（CNN）是传统神经网络的一个改进，是一种深度学习模型。通过机器学习生成多个滤波器filter与图像做卷积，不断地提取特征，从局部的特征到总体的特征，从而进行图像识别等功能。卷积神经网络可以自动从数据中学习特征，无需手动选取，训练好权重，把结果向同类型未知数据泛化。
现有技术中，数字表面模型（DSM）是一种重要的栅格时空数据，是对地表现状的模拟，除具有二维信息外还具有高程信息，能够真实再现地表的实际状况。本发明中所述的数字表面模型是基于航摄数据源经一系列处理后形成的空间数据成果，用于提取目标地区地表的精确高程信息，能够对碳汇的体量进行多维度评估，准确核算各类碳汇的固碳能力。
现有技术中，随机森林算法是一种新兴的、高度灵活的机器学习算法，它的基本单元是决策树，能够有效地运行在大数据集上，擅长处理具有高维特征的输入样本而不需要降维。本发明在多时相遥感数据、地表覆盖数据的基础上，分别核算出不同时期的区域碳源和碳汇数量后，再分别按总量和各个行政区进行分量统计，运用随机森林算法对多时期的碳排放量进行回归分析，以此来动态地揭示区域碳排放量的未来的发展变化趋势。
现有碳排放量评估方法的缺陷：城市或地区碳排放量核算手段单一、数据来源匮乏且滞后、缺乏定量化计算、结果可信度较差等。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题，本发明提出时空大数据的平原工业型城市碳排放量评估方法及系统，以克服现有相关技术所存在的上述技术问题。
为此，本发明采用的具体技术方案如下：根据本发明的一个方面，提供了时空大数据的平原工业型城市碳排放量评估方法，该方法包括以下步骤：
使用Swish函数进行训练神经网络模型，并使用混淆矩阵计算神经网络模型的精确率、召回率、F1值和Kappa系数指标来进行精度评价；
进行数据验证，若精度参数不符合评价标准时，则调整样本及参数重新训练，若符合，则通过Ground Truth和prediction抽样对比，最后通过像素分类及目标要素提取得到目标地物范围；
通过一组包含目标地类特征的样本，并使用U-Net模型进行训练，经精度评估达标后，对目标地区的遥感影像进行像素分类；
通过MA-Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决；
其中，所述Swish函数有上界无下界，其公式为：
其中，参数
为常数，是可训练的参数，x为变量，e为常数，sigmoid函数为
Logistic函数，用于隐层神经元输出，取值范围为（0，1），它可以将一个实数映射到（0，1）的
区间，可以用来做二分类。
进一步的，所述通过MA-Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决还包括以下步骤：
数据收集：收集包含目标地类特征的样本；
数据预处理：完成样本的数据标注验证、归一化及图像增强；
模型构建：基于Unet结构且引入四个注意力模块，完成基于无参数注意模块的残差编码器的构建，并将Unet最初的16次下采样增加到32次且利用MSA重建特征地图，完成每个特征点的语义表示和相关性的增强，同时在不同的特征融合阶段引入空间注意力模块来增强融合后的特征表示；
模型训练：若模型训练损失函数不再降低时，保存模型。
进一步的，所述完成基于无参数注意模块的残差编码器的构建之后还包括以下步骤：
在残差结构中添加无参数注意模块；
在特征映射被卷积后，对每个神经元的重要性进行评估，其中，无参数注意模块根据能量函数推断注意权重；
所述无参数注意模块根据能量函数推断注意权重还包括以下步骤：
根据输入的特征图X获得特征空间平均值d：
式中dim为维度，X.mean为特定特征图的均值表示，根据特征空间平均值d，求出特征图宽度和高度在其通道方向上的方差：
式中d.sum为dim维度下特征空间平均值和，H为特征图高度，W为特征图宽度；
计算特征图的分布E：
式中，
为能量因子，
为特征图宽度和高度在通道方向上的方差，
为特征空间平
均值；
计算增强特征图：
式中，
为特征图高度，
为特征图高度，
函数为逻辑函数，用于结果的
平滑，E为特征图分布，符号⊙表示同或运算操作；
通过在残差结构的3╳3卷积核后加上无参数注意模块形成基于无参数注意模块的残差结构，且由五个基于无参数注意模块的残差块和五个卷积核组成MA-UNet的编码器，步长为2。
进一步的，所述完成基于无参数注意模块的残差编码器的构建之后还包括重建多注意力的特征图、基于注意力增加的特征融合、改进损失函数及精度评估。
进一步的，所述重建多注意力的特征图还包括以下步骤：
将完全连接层作为输入向量，生成查询向量、关键向量和值向量；
查询向量对所有候选位置进行查询，且找到与自身关系最密切的向量；
最终获得的注意力因子为：
式中，T为矩阵转置运算，
为由键值组成矩阵的转置形式，d k 为词向量k的特征空
间平均值，
为一组查询行为集合组成的矩阵，
为一组键值组成的矩阵，
为一组查询值
组成的矩阵；
多自注意力并行计算公式为：
式中，head 1为第一个头文件，head n为第n个头文件，
为一组查询行为集合组成的
矩阵，
为一组键值组成的矩阵，
为一组查询值组成的矩阵，j为词向量，d为特征空间平均
值，
为第i个查询行为的权重值，
为第i个词向量权重值，
为第i个查询值的权重
值，
为可学习的参数，该参数为常量。
进一步的，所述基于注意力增加的特征融合还包括以下步骤：
采用空间注意力模块对三个最大尺度的特征图进行融合特征；
对融合后的特征通过卷积操作进行进一步的提取，且对卷积后的特征图完成通道维度上的平均池化和最大池化，同时经过卷积和sigmoid激活后，得到空间权重系数，并将空间权重系数与原始特征图相乘，得到增强的特征图；
通过通道注意模块对后两个较小比例的特征图进行融合的特征的集成，即融合特征通过卷积操作进行进一步的提取。
进一步的，所述改进损失函数还包括以下步骤：
通过使用加权交叉熵损失且调整不同类别的权重增益，使不同类别的误分类损失不同：
式中，m为样本点的数量，n为不同类别的数量，u i 为对应特定类别i的权重值，y ji 为一定样本数量j下类别i的样本点，y ji * 为一定样本数量j下类别i的预测值；
通过激活函数得到通道权重系数，并将通道权重系数与原始特征图相乘，得到增强后的特征图。
进一步的，所述精度评估时，采用IoU、MPA、精度、召回率进行评估；
式中，TP代表预测为正的正样本、FP代表预测为正的负样本、TN与FN分别代表预测为负的负样本、预测为负的负样本，a为类别的数量。
进一步的，所述方法中，进行碳源计算时包括以下步骤：
根据待计算全年目标地区各行业的耗电量计算全年全县各行业的碳排放量；
根据机动车保有量数据，以及县域实时路况数据，构建了拥堵指数-车流量回归模型，根据回归模型计算县域地面交通的日/小时碳排放量；
建立行业与土地利用类型的映射关系，以目标地区全域用地类型的面积为依据，计算各行业用地面积；
根据待计算全年全县各行业的碳排放量，以各行业占地面积为权重，计算各类碳源地块的碳排放系数；
计算单个地块的碳排放量。
根据本发明的另一方面，提供了时空大数据的平原工业型城市碳排放量评估系统，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行时空大数据的平原工业型城市碳排放量评估方法。
本发明的有益效果为：
本发明通过地表地物的精准判定和分类，以地块为单位清晰界定区域内的碳源和碳汇的分布；通过多时相、持续性的多波段遥感影像、数字表面模型、地表覆盖数据等来建模计算，监测并掌握区域内的碳排放现状和历史变化情况，达到全面厘清碳排放家底、为地方政府达成碳达峰、碳中和目标提供辅助决策支持的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例人工神经网络模型训练及推理技术流程图；
图2是本发明实施例swish函数的图像图；
图3是本发明实施例神经网络模型精度评估效果对比图；
图4是本发明实施例基于多波段遥感影像和DSM的扩展规则集图；
图5是本发明实施例全县2019-2022年碳排放总量图；
图6是本发明实施例全县2019-2021年主要行业碳排放量图；
图7是本发明实施例全县2019-2020各乡镇碳排放量图；
图8是本发明实施例全县2019-2020主要碳汇类型及碳汇量图；
图9是本发明实施例全县各乡镇碳排放性质界定图；
图10是本发明实施例数据清洗原理图；
图11是本发明实施例得到精确的地表覆盖现状分类数据流程图。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了时空大数据的平原工业型城市碳排放量评估方法及系统。本发明基于深度学习技术实现对遥感影像的快速解译。通过一组（约31万个）包含目标地类特征的样本，使用U-Net模型进行训练，经精度评估达标后，对目标地区的遥感影像进行像素分类，从而得到地表覆盖现状的分类结果和各地块的空间范围界线，分类后形成的矢量空间数据作为碳排放核算的基本单元。
现结合附图和具体实施方式对本发明进一步说明，根据本发明的一个方面，提供了时空大数据的平原工业型城市碳排放量评估方法，该方法包括以下步骤：
使用Swish函数进行训练神经网络模型，并使用混淆矩阵计算神经网络模型的精确率、召回率、F1值和Kappa系数指标来进行精度评价；
进行数据验证，若精度参数不符合评价标准时，则调整样本及参数重新训练，若符合，则通过Ground Truth和prediction抽样对比，最后通过像素分类及目标要素提取得到目标地物范围；
通过一组（约31万个）包含目标地类特征的样本，并使用U-Net模型进行训练，经精度评估达标后，对目标地区的遥感影像进行像素分类，从而得到地表覆盖现状的分类结果和各地块的空间范围界线，分类后形成的矢量空间数据作为碳排放核算的基本单元；
通过MA-Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决；
其中，所述Swish函数有上界无下界，其公式为：
其中，参数
为常数，是可训练的参数，x为变量，e为常数，sigmoid函数也叫
Logistic函数，用于隐层神经元输出，取值范围为（0,1），它可以将一个实数映射到（0,1）的
区间，可以用来做二分类。
所述通过MA-Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决还包括以下步骤：
数据收集：收集包含目标地类特征的样本；
数据预处理：完成样本的数据标注验证、归一化及图像增强；
模型构建：基于Unet结构且引入四个注意力模块，完成基于无参数注意模块的残差编码器的构建，并将Unet最初的16次下采样增加到32次且利用MSA重建特征地图，完成每个特征点的语义表示和相关性的增强，同时在不同的特征融合阶段引入空间注意力模块来增强融合后的特征表示；
模型训练：若模型训练损失函数不再降低时，保存模型。
所述完成基于无参数注意模块的残差编码器的构建之后还包括以下步骤：
在残差结构中添加无参数注意模块；
在特征映射被卷积后，对每个神经元的重要性进行评估，其中，无参数注意模块根据能量函数推断注意权重；
所述无参数注意模块根据能量函数推断注意权重还包括以下步骤：
根据输入的特征图X获得特征空间平均值d：
式中，dim为维度，X.mean为特定特征图的均值表示，根据特征空间平均值d，求出特征图宽度和高度在其通道方向上的方差：
式中d.sum为dim维度下特征空间平均值和，H为特征图高度，W为特征图宽度；
计算特征图的分布E：
式中，
为能量因子，
为特征图宽度和高度在通道方向上的方差，
为特征空间平
均值；
计算增强特征图：
式中，
为特征图高度，
为特征图高度，
函数为逻辑函数，用于结果的
平滑，E为特征图分布，符号⊙表示同或运算操作；
通过在残差结构的3╳3卷积核后加上无参数注意模块形成基于无参数注意模块的残差结构，且由五个基于无参数注意模块的残差块和五个卷积核组成MA-UNet的编码器，步长为2。
所述完成基于无参数注意模块的残差编码器的构建之后还包括重建多注意力的特征图、基于注意力增加的特征融合、改进损失函数及精度评估。
所述重建多注意力的特征图还包括以下步骤：
将完全连接层作为输入向量，生成查询向量、关键向量和值向量；
查询向量对所有候选位置进行查询，且找到与自身关系最密切的向量；
最终获得的注意力因子为：
式中，T为矩阵转置运算，
为由键值组成矩阵的转置形式，d k 为词向量k的特征空
间平均值，
为一组查询行为集合组成的矩阵，
为一组键值组成的矩阵，
为一组查询值
组成的矩阵；
多自注意力并行计算公式为：
式中，head 1为第一个头文件，head n为第n个头文件，
为一组查询行为集合组成的
矩阵，
为一组键值组成的矩阵，
为一组查询值组成的矩阵，j为词向量，d为特征空间平均
值，
为第i个查询行为的权重值，
为第i个词向量权重值，为第i个查询值的权重值，
为可学习的参数，该参数为常量。
所述基于注意力增加的特征融合还包括以下步骤：
采用空间注意力模块对三个最大尺度的特征图进行融合特征；
对融合后的特征通过卷积操作进行进一步的提取，且对卷积后的特征图完成通道维度上的平均池化和最大池化，同时经过卷积和sigmoid激活后，得到空间权重系数，并将空间权重系数与原始特征图相乘，得到增强的特征图；
通过通道注意模块对后两个较小比例的特征图进行融合的特征的集成，即融合特征通过卷积操作进行进一步的提取。
所述改进损失函数还包括以下步骤：
通过使用加权交叉熵损失且调整不同类别的权重增益，使不同类别的误分类损失不同：
式中，m为样本点的数量，n为不同类别的数量，u i 为对应特定类别i的权重值，y ji 为一定样本数量j下类别i的样本点，y ji * 为一定样本数量j下类别i的预测值；
通过激活函数得到通道权重系数，并将通道权重系数与原始特征图相乘，得到增强后的特征图。
所述精度评估时，采用IoU、MPA、精度、召回率进行评估；
式中，TP代表预测为正的正样本、FP代表预测为正的负样本、TN与FN分别代表预测为负的负样本、预测为负的负样本，a为类别的数量。
本实施例对碳源的定义及分类依据为，碳排放主要来自于能源的使用，人类生产、生活过程需要消耗的能源。因此可将人类生产、生活用地划分为碳源类型的用地。对于平原工业型城市而言，碳排放量基本等同于化石燃料产生的碳排放量因此，根据目标地区的实际情况，将工业、建筑业、交通运输业的碳排放量大致作为碳源的主要构成。
本实施例对碳汇的定义及分类依据为，根据《联合国联合国气候变化框架公约》中的定义，“汇”指从大气中清除温室气体、气溶胶或温室气体前体的任何过程、活动或机制。绿色植物在生长过程中都是通过光合作用，吸收二氧化碳，实现有机物质的制造与积累，并通过与土壤进行物质的循环和能量交换，使土壤不断积累大量的有机物质，因此植被覆盖区域可算作碳汇。
本实施例中，相关研究表明，林地、园地、草地都具有碳汇功能。目标地区地处内陆，除留存在大气中的二氧化碳外，碳汇均来源于陆地生态系统的吸收固定，依据区域内所有土地利用类型，碳汇大致可分为林地、园地、草地、水体、湿地五大类。
本实施例碳中和公式为：碳中和=化石燃料排放–(陆地碳汇+全球海洋碳汇×14/75+CCUS)≈0。其中CCUS(carbon capture，utility，and storage)是指通过物理、化学和生物学的方法进行二氧化碳的捕集、封存与利用。
本实施例地表覆盖分类标准为，在碳排放的评估体系中，不同的地理实体类型具有不同的测算系数，因此在进行计算之前首先要进行地表覆盖的分类。依据全国国土调查对土地利用类型的分类方法，将目标区域的土地共划分为44类，见表1所示。
表1 地表覆盖分类标准
本实施例用以解决城市或地区碳排放量核算手段单一、数据来源匮乏、结果可信度较差的问题，能够有效提升碳排放量核算的精准性和现势性。
在一个实施例中，提供一种地表覆盖状况的界定方法，基于遥感影像数据对地表覆盖情况进行判别和界定。对于城市级别的地表覆盖类型判定，通常涉及面积在1200平方公里左右，依靠人工目视解译效率低、效果差，故采用深度学习来进行遥感影像的自动解译。
本实施例中，由于已有制作好的地表覆盖样本数据，样本制作流程可省略，本实施例中涉及深度学习的技术流程主要在人工神经网络模型训练和模型推理环节，技术流程见附图1。
本实施例激活函数的优化如下：本实施例在神经网络模型训练环节中，选用Swish函数来取代常用ReLU函数。
本实施例Swish与ReLU一样有上界而无下界，但其拥有平滑的函数曲线和一阶、二阶导数平滑特性。Swish函数通常在大数据集与更深的神经网络上拥有更好的性能。
考虑到本实施例的训练样本增强后接近30万个，最大神经元深度达到50层，故采用Swith函数作为激活函数将能取得更好的模型精度和更优秀的性能。Swish函数公式为：
其函数图像如附图2所示，图2中横坐标为变量，纵坐标为Swish函数值。β为可训练的参数，是个常数，e为常数。本实施例神经网络模型精度评估，使用混淆矩阵计算神经网络模型的精确率、召回率、F1值、Kappa系数等指标来进行精度评价。根据计算结果，神经网络F1值达到0.843，Kappa系数达到0.882。根据Kappa系数的得分率的规定，Kappa系数大于0.8意味着分类效果很好。对比真实标签和预测标签，所提取的地表覆盖要素边界较为清晰、分隔基本完整，如附图3（左）和附图3（右）所示。综上，训练所得的神经网络可用于遥感影像上目标地物的解译和提取。
在一个实施例中，提供一种碳源计算方法具体如下：
（1）根据2020年全年目标地区各行业的耗电量
计算2020年全年全县各行
业的碳排放量
，如下式所示。
其中
为单位电量的二氧化碳排放因子。
（2）根据2020年机动车保有量、实时路况信息，构建拥堵指数（X）与车流量（Q）的回归模型：
Q＝a + bXc/(dc+Xc)
其中：a、b、c、d四个参数为经验值，分别为100.87、671.06、1.98和6.49.
利用实时路况信息和车流量的回归模型，以及假设机动车燃油量计算地面交通的日/小时尺度的碳排放量。
（3）建立行业与土地利用类型的映射关系（见表2），以目标地区全域用地类型的面
积
为依据，计算各行业用地面积
。
表2 行业分类标准及地表覆盖关联
（4）根据2020年全年全县各行业的碳排放量
，以各行业占地面积
为权重，计算各类碳源地块的碳排放系数
，如下式所示，其
他年份的计算与之相同。
（5）计算单个地块的碳排放量
，如下式所示。
其中Pland,2020,k为各类碳源地块的碳排放系数，Arealand,2020,k为各行业的占地面积。
在一个实施例中，提供一种碳汇计算方法；
（1）建立地表覆盖类型与土地利用现状大类的映射关系表，如表3所示：
表3 地表覆盖类型与土地利用现状映射关系表
（2）属于碳汇的地表覆盖类型固碳能力（碳汇系数）表，如表4所示：
表4 地表碳汇固碳能力表
（3）碳汇地块的空间多层次评估
为更加准确地评估碳汇的固碳能力，需对属于碳汇的地表覆盖状况进行空间多层次评估，即除了准确区分地表覆盖分类之外，还需综合考虑其光谱特征、形状特征、纹理特征、郁闭度、高度信息等因素。
本实施例进行进一步实施时，光谱特征包含光谱均值、亮度值和光谱标准差等。
本实施例进行进一步实施时，形状特征包含面积、长宽比等；纹理特征是基于灰度共生矩阵计算的熵、对比度和相关度等。
本实施例多波段遥感影像和数字表面模型（DSM）可以有效表达碳汇地物的上述特征，因此本发明将DSM作为扩展信息加入到规则集中，见附图4。
（4）单一地块碳汇计算，如下式：
在一个实施例中，提供一种基于时空大数据的平原工业型城市碳排放量评估方法，其具体实施方式如下：
本实施例数据基础及来源如下：
（1）目标地区2020-2021年度社会全行业综合能源消耗力量数据；
（2）目标地区2020-2021年度城乡居民生活用电量；
（3）目标地区2020-2021年度工业用电量数据；
（4）目标地区2020-2021年度土地利用类型、地表覆盖、地理国情数据；
（5）目标地区2020-2021年度多波段遥感影像、数字表面模型数据；
（6）目标地区2020-2021年度机动车保有量数据、实时路况信息；
以上数据的空间参考统一为CGCS2000坐标系。
本实施例进行数据预处理时，由于原始数据结构化程度不高，属性信息中存在空值、异常值，在进行数据分析之前须进行数据清洗和结构化处理，方法如下：
本实施例数据清洗主要包括选择子集，字段重命名，删除重复值，缺失值处理，一致化处理，数据排序处理，异常值处理七个步骤。其中，对于缺失值的处理为关键步骤。
本实施例采用的措施为：当数据较少且语义明确是进行人工手动补全；当缺失值字段非必需或可替代时，直接删除缺失值；其他情况下根据字段内容采用根据平均值补全或根据统计值进行补全。数据清洗过程如图10所示。
本实施例进行数据结构化处理的对象主要是文本信息。由于原始数据中存在大量有价值的文本非结构化数据，而本实施例进行数据分析时的对象均为表对象，所以首先需要将文本数据先进行语义理解，经语义分隔后清洗，然后将定义好的数据标签与分隔结果匹配上对应的值，最后生成二维表作为结构化处理的结果存储。
本实施例进行数据脱密脱敏处理时，数据脱密脱敏的对象主要是矢量空间数据、作为底图的遥感影像数据和DSM数据。根据相关规定，需要做如下处理：将遥感影像数据进行降低位置精度处理，使其符合“不得公开军事禁区以外平面精度优于10米或者地面分辨率优于0.5米且连续覆盖范围超过25平方千米的正射影像”的要求。
本实施例进行数据标准化处理主要是为了消除量纲和数量级对统计结果、便于模型进行碳排放量计算和回归分析时各指标输出结果的一致性。
本实施例采用的主要处理方法如下：
减法一致化法，通过设定一个上界值常数M，依次减去每一个原始数据，即X' = M-X。
极差标准化法，主要针对最大及最小值可知且无异常离群数据的指标。通过计算极差（R = Xmax-Xmin），然后用该指标的每一个观察值X减去最小值Xmin），再除以极差R，即：X' = (X-Xmin) / (Xmax-Xmin)。
标准差标准化法，主要针对最大及最小值未知且可能存在异常离群数据的指标。这种方法首先计算指标均值Xavg和标准差Xsd，然后用该指标的每一个值减去均值再除以标准差，即X' = (X-Xavg) / Xsd。
本实施例为了提高遥感影像地表覆盖分类的效率，减小工作量，本发明对于此项环节的工作在ArcGIS Pro 2.7软件中进行。
本实施例在进行像素分类操作之前，已经预先通过一组约31万个样本的训练数据集完成了地表分类神经网络模型的训练，经精度评估后达标。然后对目标地区多年份的遥感影像进行像素分类推理，像素分类后得到栅格分类结果，再通过图11所示的操作，得到精确的地表覆盖现状分类数据。
本实施例进行碳排放量核算及空间回归分析，将业务模型抽象为逻辑模型再抽象为数学模型后，在Python环境下编码实现单一地块的碳源和碳汇净排放量的计算，形成区域碳排放大数据集并存储为数据库对象。在此基础上，同样是通过编码计算、采用随机森林算法模型来进行区域碳排放的回归分析。
本实施例应用系统构建基于leaflet地图库及Echarts可视化库的开发了Web应用作为可视化页面，其具体功能包括：
（1）目标区域2019-2021年各类化石燃料总碳排放量的可视化展示及2022年度碳排放量演化趋势分析
（2）目标区域2019-2021年各主要工业门类碳源碳排放量的可视化展示及对比分析
（3）目标区域各乡镇（街道）2019-2020年碳源碳排放量的可视化展示及对比分析
（4）目标区域2019-2021总碳汇固碳量的可视化展示及对比分析
（5）目标区域2019-2020年各类碳汇年度固碳总量的可视化展示及对比分析
（6）目标区域各乡镇（街道）2019-2020年碳汇年度固碳总量的可视化展示及对比分析
（7）目标区域内2019-2021年各幅碳源、碳汇地块的年度碳排放量和碳汇量信息的汇总、统计、分析
（8）根据时空大数据分析结果形成的区域碳排放研判分析报告。
根据本发明的另一方面，提供了时空大数据的平原工业型城市碳排放量评估系统，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行时空大数据的平原工业型城市碳排放量评估方法。
综上，本发明开展了县级平原工业型城市碳排放量的评估工作，其具体效果如下：
（1）基于时空大数据，分别计算出全县2019-2022年碳排放总量，其中2019-2021年的碳排放量是实际计算结果，2022年的碳排放量是根据全县的产业结构、能源消耗情况等的预测结果，见附图5所示。
（2）基于行业专题数据，分别统计计算出全县主要行业2019-2021年的碳排放量及其对比情况，见附图6所示。
（3）以沛县各乡镇为基本单元，分别计算了其2019-2020的碳排放量，并进行了横向的对比分析，能够针对各乡镇实际情况制定对应的碳排放管控措施，见附图7。
（4）对全县的2019-2020年主要地表碳汇类型进行了分类和核算，并进行横向对比分析，见附图8。
（5）对全县各乡镇按照净碳排放量进行碳排放性质的界定，暖色表示为碳源型乡镇，冷色表示为碳汇型乡镇，并对各乡镇的碳汇量分别进行核算和对比，见附图9；
（6）以地块为基本单元，根据测算模型分别对全县范围内的地块进行了2019-2021年碳排放量的计算，并根据计算结果界定为碳源或碳汇，同时与地块的空间位置相关联，以空间分级设色图呈现全县碳源或碳汇型地块的分布状况。
因此本发明通过地表地物的精准判定和分类，以地块为单位清晰界定区域内的碳源和碳汇的分布；通过多时相、持续性的多波段遥感影像、数字表面模型、地表覆盖数据等来建模计算，监测并掌握区域内的碳排放现状和历史变化情况，达到全面厘清碳排放家底、为地方政府达成碳达峰、碳中和目标提供辅助决策支持的目的。
综上所述，本发明通过地表地物的精准判定和分类，以“地块”为单位清晰界定区域内的碳源和碳汇的分布；通过多时相、持续性的多波段遥感影像、数字表面模型、地表覆盖数据等来建模计算，监测并掌握区域内的碳排放现状和历史变化情况，达到全面厘清碳排放家底、为地方政府达成“碳达峰”、“碳中和”目标提供辅助决策支持的目的。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (8)
1.时空大数据的平原工业型城市碳排放量评估方法，其特征在于，该方法包括以下步骤：
使用Swish函数进行训练神经网络模型，并使用混淆矩阵计算神经网络模型的精确率、召回率、F1值和Kappa系数指标来进行精度评价；
进行数据验证，若精度参数不符合评价标准时，则调整样本及参数重新训练，若符合，则通过Ground Truth和prediction抽样对比，最后通过像素分类及目标要素提取得到目标地物范围；
通过一组包含目标地类特征的样本，并使用U-Net模型进行训练，经精度评估达标后，对目标地区的遥感影像进行像素分类；
通过MA-Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决；
其中，所述Swish函数有上界无下界，其公式为：
其中，参数
为常数，是可训练的参数，x为变量，e为常数，sigmoid函数为Logistic函
数，用于隐层神经元输出，取值范围为（0，1）；
所述方法中包括碳源计算，进行所述碳源计算时包括以下步骤：
根据待计算全年目标地区各行业的耗电量计算全年全县各行业的碳排放量；
根据机动车保有量数据，以及县域实时路况数据，构建了拥堵指数-车流量回归模型，根据回归模型计算县域地面交通的日/小时碳排放量；
建立行业与土地利用类型的映射关系，以目标地区全域用地类型的面积为依据，计算各行业用地面积；
根据待计算全年全县各行业的碳排放量，以各行业占地面积为权重，计算各类碳源地块的碳排放系数；
计算单个地块的碳排放量；
所述通过MA-Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的问题进行解决还包括以下步骤：
数据收集：收集包含目标地类特征的样本；
数据预处理：完成样本的数据标注验证、归一化及图像增强；
模型构建：基于Unet结构且引入四个注意力模块，完成基于无参数注意模块的残差编码器的构建，并将Unet最初的16次下采样增加到32次且利用MSA重建特征地图，完成每个特征点的语义表示和相关性的增强，同时在不同的特征融合阶段引入空间注意力模块来增强融合后的特征表示；
模型训练：若模型训练损失函数不再降低时，保存模型。
2.根据权利要求1所述的时空大数据的平原工业型城市碳排放量评估方法，其特征在于，所述完成基于无参数注意模块的残差编码器的构建之后还包括以下步骤：
在残差结构中添加无参数注意模块；
在特征映射被卷积后，对每个神经元的重要性进行评估，其中，无参数注意模块根据能量函数推断注意权重；
所述无参数注意模块根据能量函数推断注意权重还包括以下步骤：
根据输入的特征图X获得特征空间平均值d：
式中dim为维度，X.mean为特定特征图的均值表示，根据特征空间平均值d，求出特征图宽度和高度在其通道方向上的方差：
式中d.sum为dim维度下特征空间平均值和，H为特征图高度，W为特征图宽度；
计算特征图的分布E：
式中：
为能量因子，
为特征图宽度和高度在通道方向上的方差，
为特征空间平均
值；
计算增强特征图：
式中，
为特征图高度，
为特征图高度，
函数为逻辑函数，用于结果的平滑，E
为特征图分布，符号⊙表示同或运算操作；
通过在残差结构的3╳3卷积核后加上无参数注意模块形成基于无参数注意模块的残差结构，且由五个基于无参数注意模块的残差块和五个卷积核组成MA-UNet的编码器，步长为2。
3.根据权利要求2所述的时空大数据的平原工业型城市碳排放量评估方法，其特征在于，所述完成基于无参数注意模块的残差编码器的构建之后还包括重建多注意力的特征图、基于注意力增加的特征融合、改进损失函数及精度评估。
4.根据权利要求3所述的时空大数据的平原工业型城市碳排放量评估方法，其特征在于，所述重建多注意力的特征图还包括以下步骤：
将完全连接层作为输入向量，生成查询向量、关键向量和值向量；
查询向量对所有候选位置进行查询，且找到与自身关系最密切的向量；
最终获得的注意力因子为：
式中，T为矩阵转置运算，
为由键值组成矩阵的转置形式，d k 为词向量k的特征空间平
均值，
为一组查询行为集合组成的矩阵，
为一组键值组成的矩阵，
为一组查询值组成
的矩阵；
多自注意力并行计算公式为：
式中，head 1为第一个头文件，head n为第n个头文件，
为一组查询行为集合组成的矩阵，
为一组键值组成的矩阵，
为一组查询值组成的矩阵，j为词向量，d为特征空间平均值，
为第i个查询行为的权重值，
为第i个词向量权重值，
为第i个查询值的权重值，
为可学习的参数，该参数为常量。
5.根据权利要求3所述的时空大数据的平原工业型城市碳排放量评估方法，其特征在于，所述基于注意力增加的特征融合还包括以下步骤：
采用空间注意力模块对三个最大尺度的特征图进行融合特征；
对融合后的特征通过卷积操作进行进一步的提取，且对卷积后的特征图完成通道维度上的平均池化和最大池化，同时经过卷积和sigmoid激活后，得到空间权重系数，并将空间权重系数与原始特征图相乘，得到增强的特征图；
通过通道注意模块对后两个较小比例的特征图进行融合的特征的集成，即融合特征通过卷积操作进行进一步的提取。
6.根据权利要求3所述的时空大数据的平原工业型城市碳排放量评估方法，其特征在于，所述改进损失函数还包括以下步骤：
通过使用加权交叉熵损失且调整不同类别的权重增益，使不同类别的误分类损失不同：
式中：m为样本点的数量，n为不同类别的数量，u i 为对应特定类别i的权重值，y ji 为一定样本数量j下类别i的样本点，y ji * 为一定样本数量j下类别i的预测值；
通过激活函数得到通道权重系数，并将通道权重系数与原始特征图相乘，得到增强后的特征图。
7.根据权利要求3所述的时空大数据的平原工业型城市碳排放量评估方法，其特征在于，所述精度评估时，采用IoU、MPA、精度、召回率进行评估；
式中，TP代表预测为正的正样本、FP代表预测为正的负样本、TN与FN分别代表预测为负的负样本、预测为负的负样本，a为类别的数量。
8.时空大数据的平原工业型城市碳排放量评估系统，其特征在于，包括处理器以及存储有执行指令的存储器，当所述处理器执行所述存储器存储的所述执行指令时，所述处理器执行如权利要求1至7中任一项所述的时空大数据的平原工业型城市碳排放量评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965935.8A CN115049160B (zh) | 2022-08-12 | 2022-08-12 | 时空大数据的平原工业型城市碳排放量评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210965935.8A CN115049160B (zh) | 2022-08-12 | 2022-08-12 | 时空大数据的平原工业型城市碳排放量评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115049160A CN115049160A (zh) | 2022-09-13 |
| CN115049160B true CN115049160B (zh) | 2022-11-11 |
Family
ID=83166618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210965935.8A Active CN115049160B (zh) | 2022-08-12 | 2022-08-12 | 时空大数据的平原工业型城市碳排放量评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115049160B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115346431B (zh) * | 2022-10-19 | 2023-02-17 | 广东师大维智信息科技有限公司 | 碳排放地图的生成方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012003472A (ja) * | 2010-06-16 | 2012-01-05 | Nipponkoa Insurance Co Ltd | 二酸化炭素排出量算出システム |
| CN112183432A (zh) * | 2020-10-12 | 2021-01-05 | 中国科学院空天信息创新研究院 | 一种基于中分辨率sar图像的建筑区提取方法以及系统 |
| CN113158119A (zh) * | 2021-02-09 | 2021-07-23 | 北京康居认证中心有限公司 | 一种基于碳收支平衡分析的区域碳中和计算方法 |
| CN114511128A (zh) * | 2021-11-29 | 2022-05-17 | 国网北京市电力公司 | 碳排放数据的处理方法、装置、存储介质及处理器 |
| CN114581770A (zh) * | 2022-02-17 | 2022-06-03 | 深圳信息职业技术学院 | 基于TransUnet的遥感影像建筑物自动提取处理方法 |
-
2022
- 2022-08-12 CN CN202210965935.8A patent/CN115049160B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012003472A (ja) * | 2010-06-16 | 2012-01-05 | Nipponkoa Insurance Co Ltd | 二酸化炭素排出量算出システム |
| CN112183432A (zh) * | 2020-10-12 | 2021-01-05 | 中国科学院空天信息创新研究院 | 一种基于中分辨率sar图像的建筑区提取方法以及系统 |
| CN113158119A (zh) * | 2021-02-09 | 2021-07-23 | 北京康居认证中心有限公司 | 一种基于碳收支平衡分析的区域碳中和计算方法 |
| CN114511128A (zh) * | 2021-11-29 | 2022-05-17 | 国网北京市电力公司 | 碳排放数据的处理方法、装置、存储介质及处理器 |
| CN114581770A (zh) * | 2022-02-17 | 2022-06-03 | 深圳信息职业技术学院 | 基于TransUnet的遥感影像建筑物自动提取处理方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于自注意力卷积网络的遥感图像分类;李彦甫;《北京林业大学学报》;20211015;第43卷(第10期);第81-88页 * |
| 融合深度学习对象识别技术的工业用地效能分析评价——以常州市武进区为例;周松;《第二十二届华东六省一市测绘学会学术交流会论文集（一）》;20210805;第61-64页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115049160A (zh) | 2022-09-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109508360B (zh) | 一种基于元胞自动机的地理多元流数据时空自相关分析方法 | |
| CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
| Zhang et al. | A review of machine learning based Species' distribution modelling | |
| Tong et al. | Detection of urban sprawl using a genetic algorithm-evolved artificial neural network classification in remote sensing: a case study in Jiading and Putuo districts of Shanghai, China | |
| Makido et al. | Assessing alternatives for modeling the spatial distribution of multiple land-cover classes at sub-pixel scales | |
| CN115049160B (zh) | 时空大数据的平原工业型城市碳排放量评估方法及系统 | |
| CN113011397A (zh) | 基于遥感图像4D-FractalNet的多因素蓝藻水华预测方法 | |
| CN115758270A (zh) | 基于随机森林与环境变量的土壤矿物结合态有机碳预测方法及装置 | |
| Liu et al. | The establishment of an eco-environmental evaluation model for southwest China and eastern South Africa based on the DPSIR framework | |
| Mansor et al. | Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms | |
| Li | Monitoring and analysis of urban growth process using Remote Sensing, GIS and Cellular Automata modeling: A case study of Xuzhou city, China | |
| CN113222288B (zh) | 村镇社区空间发展图谱的分类演化及预测方法 | |
| CN115983522A (zh) | 一种乡村生境质量评估及预测方法 | |
| Goodman | Filling in the Gaps: Applications of Deep Learning, Satellite Imagery, and High Performance Computing for the Estimation and Distribution of Geospatial Data | |
| Jiménez-López et al. | Artificial neural networks in the application of the growth of the urban sprawl | |
| KR101280388B1 (ko) | 지공간사건발생 예측 시스템 및 방법 | |
| Wang et al. | Farmland quality assessment using deep fully convolutional neural networks | |
| CN117852418B (zh) | 基于地理集成机器学习的海洋中深层流速数据重构方法 | |
| Hasna et al. | A Hybrid Model for the Prediction of Land Use/Land Cover Pattern in Kurunegala City, Sri Lanka | |
| Jayasinghe | Multi-temporal Satellite Images and Combination of Multi-Classification Approaches for Evaluation of Changes in Forest Cover: A case study | |
| Anthwal et al. | Assessing State of the Art on Artificial Neural Network Paradigms for Level of Eutrophication Estimation of Water Bodies | |
| Fang et al. | Undersampling Ensemble and Deep Learning-Based Landslide Susceptibility Mapping Method for Geological Hazard Warning | |
| Zhan et al. | Reconstructing historical forest spatial patterns based on CA-AdaBoost-ANN model in northern Guangzhou, China | |
| Machicao et al. | Satellite images and deep learning for the prediction of socioeconomic indicators in the Vale do Ribeira | |
| Lee | Improving the consistency and reliability of ecosystem assessments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |