CN115293945B - 温室气体排放量的确定方法、装置、设备及存储介质 - Google Patents
温室气体排放量的确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN115293945B CN115293945B CN202211219675.6A CN202211219675A CN115293945B CN 115293945 B CN115293945 B CN 115293945B CN 202211219675 A CN202211219675 A CN 202211219675A CN 115293945 B CN115293945 B CN 115293945B
- Authority
- CN
- China
- Prior art keywords
- greenhouse gas
- gas emission
- current
- influence factor
- data
- 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
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
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
Abstract
本发明实施例提供了一种温室气体排放量的确定方法、装置、设备及存储介质,涉及大气监测技术领域,其中,该方法包括:根据用地类型,将待监测区域划分为多个子区域;获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息;根据每个子区域的用地类型、当前季度信息和当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,其中,监测模型通过用地类型数据、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到。该方案有利于提高温室气体排放量的精确度、时效性。
Description
技术领域
本发明涉及大气监测技术领域,特别涉及一种温室气体排放量的确定方法、装置、设备及存储介质。
背景技术
随着全球经济的快速发展,人类活动对能源的需求不断增加,由此产生的CO2排放量上升,是导致全球气候变暖的主要因素之一。准确量化CO2排放对于应对全球气候变暖至关重要。
目前CO2排放的量化统计大多是基于行政单元实现。采用IPCC确定的各类能源碳排放系数,使用能源消耗法测算,计算公式如下:
基于统计数据计算CO2排放量具有权威性,对制定减排政策具有指示意义。但是仍存在不足之处:(1)统计数据局限于国家或省级层面,难以细化下推到空间尺度;(2)统计数据具有一定滞后,不能体现CO2排放量测算数据的时效性。
发明内容
有鉴于此,本发明实施例提供了一种温室气体排放量的确定方法,以解决现有技术中CO2排放量计算方法存在的精度低、时效性差的技术问题。该方法包括:
根据用地类型,将待监测区域划分为多个子区域;
获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息;
根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,其中,所述监测模型通过用地类型、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到。
本发明实施例还提供了一种温室气体排放量的确定装置,以解决现有技术中CO2排放量计算方法存在的精度低、时效性差的技术问题。该装置包括:
区域划分模块,用于根据用地类型,将待监测区域划分为多个子区域;
信息获取模块,用于获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息;
排放量确定模块,用于根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,其中,所述监测模型通过用地类型数据、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到。
本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的温室气体排放量的确定方法,以解决现有技术中CO2排放量计算方法存在的精度低、时效性差的技术问题。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的温室气体排放量的确定方法的计算机程序,以解决现有技术中CO2排放量计算方法存在的精度低、时效性差的技术问题。
与现有技术相比,本说明书实施例采用的上述至少一个技术方案能够达到的有益效果至少包括:针对不同用地类型的子区域、不同季度分别训练监测模型,使得每个子区域在不同季度都可以使用对应的监测模型来智能地确定温室气体排放量,同时温室气体排放量的确定除了考虑区域、季度因素,还考虑了温室气体排放量的影响因子信息,实现了基于多源数据来针对某个划分区域确定温室气体排放量,与现有技术中CO2排放量的统计方法相比,有利于提高温室气体排放量的精确度;同时,监测模型的应用,使得每个子区域可以根据当前季度信息和当前温室气体排放量的影响因子信息随时、动态地确定当前温室气体排放量,有利于提高温室气体排放量数据的时效性。
附图说明
为了更清楚地说明本申请实施例的技术方案,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申请的一些实施例,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它的附图。
图1是本发明实施例提供的一种温室气体排放量的确定方法的流程图;
图2是本发明实施例提供的一种计算机设备的结构框图;
图3是本发明实施例提供的一种温室气体排放量的确定装置的结构框图。
具体实施方式
下面结合附图对本申请实施例进行详细描述。
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。基于本申请中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
在本发明实施例中,提供了一种温室气体排放量的确定方法,如图1所示,该方法包括:
步骤S101:根据用地类型,将待监测区域划分为多个子区域;
步骤S102:获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息;
步骤S103:根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,其中,所述监测模型通过用地类型数据、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到。
由图1所示的流程可知,在本发明实施例中,针对不同用地类型的子区域、不同季度分别训练监测模型,使得每个子区域在不同季度都可以使用对应的监测模型来智能地确定温室气体排放量,同时温室气体排放量的确定除了考虑区域、季度因素,还考虑了温室气体排放量的影响因子信息,实现了基于多源数据来针对某个划分区域确定温室气体排放量,与现有技术中CO2排放量的统计方法相比,有利于提高温室气体排放量的精确度;同时,监测模型的应用,使得每个子区域可以根据当前季度信息和当前温室气体排放量的影响因子信息随时、动态地确定当前温室气体排放量,有利于提高温室气体排放量数据的时效性。
具体实施时,本申请发明人发现,由于区域的用地类型、季度气候等因素对温室气体(例如,CO2)排放量的影响较大,如所有区域使用同一监测模型确定温室气体排放量,可能会造成低值区温室气体排放量偏高、高值区温室气体排放量偏低等结果不准确的现象,同时,为减少不同时间气象等因素带来的影响,提出了针对不同的用地类型区域,按照4个季度分别构建监测模型,即每个用地类型区域的每个季度分别对应一个监测模型,使得不同用地类型区域的不同季度可以使用对应的监测模型来确定温室气体(例如,CO2)排放量,进而极大程度地提高了温室气体(例如,CO2)排放量的确定精度。
具体实施时,上述用地类型可以包括但不限于:农业用地、建筑用地以及其他用地等3个用地类型,该其他用地至少包括:林地、草地、水体、湿地和未利用地。使得可以将待监测区域划分为不同用地类型的子区域,例如,农业子区域、建筑子区域、其他用地子区域3个区域类型,进而可以基于每个子区域进行温室气体(例如,CO2)排放量的确定。
具体实施时,上述季度信息可以是季度对应的气候信息,例如,温度、湿度、风速等等。
具体实施时,温室气体排放量的影响因子信息可以是多源的实时数据,即温室气体排放量的影响因子信息可以包括多类数据,以便增强温室气体排放量的数据时效性,实现温室气体排放量的实时确定,进而可以解决传统方法计算CO2排放量所带来的严重数据滞后的问题。例如,若温室气体为二氧化碳,则温室气体排放量的影响因子信息包括以下任意一项或任意组合:夜间灯光、CO2柱浓度、人口密度、植被指数、地表温度、数字高程模型(Digital Elevation Model,DEM)以及城市路网数据。
具体实施时,为了进一步使得温室气体排放量更体现时空动态变化、更精细、更直观,在本实施例中,提出了使用多源栅格数据作为确定温室气体排放量的基础数据,例如,获取每个子区域的当前温室气体排放量的影响因子信息的过程中,按照预设时间分辨率和预设空间分辨率,获取每个子区域的当前温室气体排放量的影响因子信息的栅格数据,以便可以很好地将温室气体排放量分布到网格中,以体现区域内温室气体排放的时空动态变化,使得温室气体排放量的确定结果能够细化到预设空间分辨率的网格尺度,也能更具直观性。
具体实施时,为了进一步提高温室气体排放量的确定精度,在本实施例中,提出了对采集的当前温室气体排放量的影响因子信息进行处理的方法,例如,若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长小于所述预设时间分辨率对应的时长,则将采集的所述当前温室气体排放量的影响因子信息的栅格数据在所述采集时长内的均值作为所述预设时间分辨率对应的时长内的栅格数据;例如,温室气体排放量的影响因子信息中各类数据的分辨率可能不同,预设时间分辨率以一个月为例,如果采集的温室气体排放量的影响因子信息中各类数据的采集时长不足一个月,则将采集时长内采集的多期的各类数据分别求均值,将各类数据的均值作为该月(即预设时间分辨率对应的时长)的当前室气体排放量的影响因子信息的数据使用;
和/或;
若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长大于所述预设时间分辨率对应的时长,则将所述采集时长内采集的所有的所述当前温室气体排放量的影响因子信息的栅格数据作为各个所述预设时间分辨率对应的时长内的栅格数据;例如,预设时间分辨率以一个月为例,如果采集的温室气体排放量的影响因子信息中各类数据的采集时长为一年,一年包括了多个月份,则将该一年内采集的温室气体排放量的影响因子信息的各类数据作为一年内每个月份的数据,即一年时间跨度内的各个月份使用相同的温室气体排放量的影响因子信息的数据;
和/或;
若所述当前温室气体排放量的影响因子信息的栅格数据的空间分辨率不为所述预设空间分辨率,则对所述当前温室气体排放量的影响因子信息的栅格数据进行重采样,得到符合所述预设空间分辨率的栅格数据,例如,空间分辨率以1km为例,如果采集的温室气体排放量的影响因子信息的栅格数据空间分辨率不为1km,则将其重采样为空间分辨率是1km的数据。例如,将路网矢量数据转换为1km标准空间分辨率的栅格数据使用。
具体实施时,为了进一步提高温室气体排放量的确定精度,在本实施例中,根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型获取当前温室气体排放量的过程中,提出了将当前温室气体排放量的影响因子信息处理为栅格文件,以使得每个栅格位置同时对应温室气体排放量的影响因子信息中的多种数据,例如,根据所述当前温室气体排放量的影响因子信息中各类数据的栅格数据,将相同时间的各类数据的栅格数据分别作为一个波段,将各类数据对应的波段组合形成多波段的栅格文件;
提取所述栅格文件中每个像素网格的经纬度和每个像素网格对应的各波段的数值;
根据每个子区域的用地类型、所述当前季度信息、每个像素网格的经纬度以及每个像素网格对应的各波段的数值,通过每个子区域的当前季度对应的监测模型,获取所述当前温室气体排放量。
具体实施时,重采样及裁剪后的各种数据可能会出现行数、列数不一致的情况,为了进一步确保温室气体排放量的确定精度,需要保持波段组合数据大小的一致性,在本实施例中,提出了调整各波段数据大小的方法,例如,在将各类数据对应的波段组合形成多波段的栅格文件之前,将各个波段中比预设文件大小多出的行和列删除,或者,将各个波段中比所述预设文件大小缺少的行和列通过0值进行填补,即多波段的栅格文件中各个波段的数据大小均为预设文件大小。
具体实施时,为了进一步提高温室气体排放量的确定精度,在本实施例中,提出了在确定当前温室气体排放量之前,对数据剔除无效值,例如,在根据每个子区域的用地类型、所述当前季度信息、每个像素网格的经纬度以及每个像素网格对应的各波段的数值,通过每个子区域的当前季度对应的监测模型,获取所述当前温室气体排放量之前,在每个像素网格对应的各波段的数值中删除无效值,所述无效值是各波段的数值中小于第一预设值或者大于第二预设值的数值,所述第一预设值小于所述第二预设值。
具体实施时,可以根据预先确定的第一预设值和第二预设值来剔除无效值,可以针对温室气体排放量的影响因子信息中的每种波段数据,确定各类数据分别对应的第一预设值和第二预设值,例如,针对某种波段数据,根据某种波段的历史数据值和对应的温室气体排放量,可以将温室气体排放量的正常数值范围的下限对应的该某种波段的数值确定为第一预设值,将温室气体排放量的正常数值范围的上限对应的该某种波段的数值确定为第二预设值,进而在实际温室气体排放量确定过程中,针对该某种波段的数值,删除小于第一预设值的数值和大于第二预设值的数值,以避免造成低值区温室气体排放量偏高、高值区温室气体排放量偏低等结果不准确的现象。
具体实施时,由于上述监测模型是基于各种栅格数据确定的当前温室气体排放量,因此,监测模型也可以是基于像素网格的经纬度输出当前温室气体排放量,即输出像素网格的经纬度对应的当前温室气体排放量。为了进一步实现直观地显示温室气体排放量的时空动态变化,避免确定出的温室气体排放量只是数字记录,在本实施例中,提出了将各个子区域的温室气体排放量镶嵌合并在待监测区域的地图上,即可以地图的形式在各个经纬度处对应实时显示当前温室气体排放量。
具体实施时,在针对每个用地类型的子区域的不同季度训练监测模型的过程中,经过大量研究工作,发明人发现使用随机森林算法训练的监测模型精度更高,因此,上述监测模型是采用随机森林算法训练得到的。
具体实施时,在针对每个用地类型的子区域的不同季度训练监测模型的过程中,采集到子区域的历史季度信息和历史温室气体排放量的影响因子信息之后,对历史温室气体排放量的影响因子信息进行的数据处理过程,与上述应用监测模型实际监测时对当前温室气体排放量的影响因子信息进行的数据处理过程类似,都需要进行按照预设时间分辨率和预设空间分辨率采集数据、组合形成栅格文件、调整数据大小、删除无效值等过程。以下以温室气体是CO2为例,介绍训练监测模型的过程:
步骤一:数据收集与处理。所用数据主要有夜间灯光、CO2柱浓度、人口密度、地表温度等影响因子信息以及ODIAC CO2排放量,如下表1所示。由于各数据分辨率不同,在此以时间分辨率是1个月为例,空间分辨率是1km为例。采集的各项数据时间分辨率不足1个月的,将采集的多期数据求均值作为该月的数据使用;时间分辨率超过1个月的,则将采集时长内所有月份采集的数据作为各个月份的数据使用,即采集时长内的各个月份使用相同数据。采集的各项数据空间分辨率不为1km的,将其重采样为1km。例如,路网矢量数据转换为1km标准空间分辨率的栅格数据使用。在分辨率一致的情况下将所有数据裁减至目标监测区域范围。
表1
步骤二:时间与空间区域划分。由于不同区域的用地类型和人口密度对CO2排放量的影响较大,如按照同一监测模型确定排放量可能会造成低值区确定的CO2排放量偏高、高值区确定的CO2排放量偏低的现象。在此根据土地利用、城市用地类型等,将目标监测区域分为农业区、建筑区和其他用地3种用地类型的子区域。为减少不同时间气象等因素带来的影响,针对每个用地类型子区域分4个季度分别训练监测模型来对CO2排放量进行确定。
步骤三:数据波段组合。针对采集的CO2排放量影响因子信息中的各类数据,将相同时间的各类数据分别作为栅格文件的一个波段,将各类数据对应的波段组合形成新的多波段栅格文件。要注意重采样及裁剪后的各种数据可能会出现行、列数不一致的情况,在进行波段组合时要将多出的行、列删除,或对缺少行、列的数据进行0值填补,以保持波段组合数据大小的一致性。
步骤四:提取栅格数据值。分区域提取栅格文件中每个像素网格的经纬度以及每个像素网格对应的各波段的数值,剔除背景值(0值)和空值所在网格的数据,将其他数据导出到表格中以备建模使用。
步骤五:剔除无效值。例如,对比观察2019年CO2排放量数据与夜间灯光数据,发现夜间灯光DN值较低(例如,夜间灯光DN值小于0.5)的区域CO2排放量均为0值。因此,在训练模型确定CO2排放量时,将夜间灯光DN值小于0.5(即上述第一预设值)的栅格数据值剔除。
步骤六:建模与验证。例如,上述采集的CO2排放量影响因子信息、季度信息为2019年的数据,则可以将每季度选取首尾两月的数据作为训练样本进行建模,中间一月的数据作为验证样本,通过监测模型来确定CO2排放量,并与ODIAC CO2实际排放量进行对比,观察监测模型的效果。在建模过程中需剔除掉部分ODIAC CO2排放量数据的异常值,以降低模型误差,其他数据可以按照7:3比例随机分为训练样本和验证样本。
通过用监测模型确定每季度中间一月的CO2排放量,然后将不同区域确定的CO2排放量结果与ODIAC实际CO2排放量进行对比,发现监测模型确定的CO2排放量结果与实际CO2排放量在空间分布上具有较好的一致性,且模型精度的R2达到0.8以上,说明该监测模型在CO2排放量确定方面确实有效、可行。
在本实施例中,提供了一种计算机设备,如图2所示,包括存储器201、处理器202及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述任意的温室气体排放量的确定方法。
具体的,该计算机设备可以是计算机终端、服务器或者类似的运算装置。
在本实施例中,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有执行上述任意的温室气体排放量的确定方法的计算机程序。
具体的,计算机可读存储介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机可读存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读存储介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
基于同一发明构思,本发明实施例中还提供了一种温室气体排放量的确定装置,如下面的实施例所述。由于温室气体排放量的确定装置解决问题的原理与温室气体排放量的确定方法相似,因此温室气体排放量的确定装置的实施可以参见温室气体排放量的确定方法的实施,重复之处不再赘述。以下所使用的,术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现,但是硬件,或者软件和硬件的组合的实现也是可能并被构想的。
图3是本发明实施例的温室气体排放量的确定装置的一种结构框图,如图3所示,该装置包括:
区域划分模块301,用于根据用地类型,将待监测区域划分为多个子区域;
信息获取模块302,用于获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息;
排放量确定模块303,用于根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,其中,所述监测模型通过用地类型、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到。
在一个实施例中,信息获取模块,用于按照预设时间分辨率和预设空间分辨率,获取每个子区域的所述当前温室气体排放量的影响因子信息的栅格数据。
在一个实施例中,信息获取模块,还用于若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长小于所述预设时间分辨率对应的时长,则将采集的所述当前温室气体排放量的影响因子信息的栅格数据在所述采集时长内的均值作为所述预设时间分辨率对应的时长内的栅格数据;和/或;
若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长大于所述预设时间分辨率对应的时长,则将所述采集时长内采集的所有的所述当前温室气体排放量的影响因子信息的栅格数据作为各个所述预设时间分辨率对应的时长内的栅格数据;和/或;
若所述当前温室气体排放量的影响因子信息的栅格数据的空间分辨率不为所述预设空间分辨率,则对所述当前温室气体排放量的影响因子信息的栅格数据进行重采样,得到符合所述预设空间分辨率的栅格数据。
在一个实施例中,排放量确定模块,包括:
栅格文件生成单元,用于根据所述温室气体排放量的影响因子信息中各类数据的栅格数据,将相同时间的各类数据的栅格数据分别作为一个波段,将各类数据对应的波段组合形成多波段的栅格文件;
数据提取单元,用于提取所述栅格文件中每个像素网格的经纬度和每个像素网格对应的各波段的数值;
排放量确定单元,用于根据每个子区域的用地类型、所述当前季度信息、每个像素网格的经纬度以及每个像素网格对应的各波段的数值,通过每个子区域的当前季度对应的监测模型,获取所述当前温室气体排放量。
在一个实施例中,上述装置还包括:
数据大小调整模块,用于在将各类数据对应的波段组合形成多波段的栅格文件之前,将各个波段中比预设文件大小多出的行和列删除,或者,将各个波段中比所述预设文件大小缺少的行和列通过0值进行填补。
在一个实施例中,上述装置还包括:
数据处理模块,用于在根据每个子区域的用地类型、所述当前季度信息、每个像素网格的经纬度以及每个像素网格对应的各波段的数值,通过每个子区域的当前季度对应的监测模型,获取所述当前温室气体排放量之前,在每个像素网格对应的各波段的数值中删除无效值,所述无效值是各波段的数值中小于第一预设值或者大于第二预设值的数值,所述第一预设值小于所述第二预设值。
在一个实施例中,上述装置还包括:
绘图模块,用于将各个子区域的温室气体排放量镶嵌合并在所述待监测区域的地图上。
本发明实施例实现了如下技术效果:针对不同用地类型的子区域、不同季度训练监测模型,使得每个子区域在不同季度都可以使用对应的监测模型来智能地确定温室气体排放量,同时温室气体排放量的确定除了考虑区域、季度因素,还考虑了温室气体排放量的影响因子信息,实现了基于多源数据来针对某个划分区域确定温室气体排放量,与现有技术中CO2排放量的统计方法相比,有利于提高温室气体排放量的精确度;同时,监测模型的应用,使得每个子区域可以根据当前季度信息和当前温室气体排放量的影响因子信息随时、动态地确定当前温室气体排放量,有利于提高温室气体排放量数据的时效性。
显然,本领域的技术人员应该明白,上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明实施例可以有各种更改和变化。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 (11)
1.一种温室气体排放量的确定方法,其特征在于,包括:
根据用地类型,将待监测区域划分为多个子区域;
获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息,其中,所述当前温室气体排放量的影响因子信息是多源的实时数据;
根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量;其中,所述监测模型通过用地类型、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到,每个子区域的每个季度分别对应一个所述监测模型,所述监测模型是采用随机森林算法训练得到的;
所述获取每个子区域的当前温室气体排放量的影响因子信息,包括:
按照预设时间分辨率和预设空间分辨率,获取每个子区域的所述当前温室气体排放量的影响因子信息的栅格数据,包括:
若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长小于所述预设时间分辨率对应的时长,则将采集的所述当前温室气体排放量的影响因子信息的栅格数据在所述采集时长内的均值作为所述预设时间分辨率对应的时长内的栅格数据;和/或;
若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长大于所述预设时间分辨率对应的时长,则将所述采集时长内采集的所有的所述当前温室气体排放量的影响因子信息的栅格数据作为各个所述预设时间分辨率对应的时长内的栅格数据。
2.如权利要求1所述的温室气体排放量的确定方法,其特征在于,所述用地类型包括:农业用地、建筑用地以及其他用地,其中,所述其他用地至少包括:林地、草地、水体、湿地和未利用地。
3.如权利要求2所述的温室气体排放量的确定方法,其特征在于,所述按照预设时间分辨率和预设空间分辨率,获取每个子区域的所述当前温室气体排放量的影响因子信息的栅格数据,包括:
若所述当前温室气体排放量的影响因子信息的栅格数据的空间分辨率不为所述预设空间分辨率,则对所述当前温室气体排放量的影响因子信息的栅格数据进行重采样,得到符合所述预设空间分辨率的栅格数据。
4.如权利要求3所述的温室气体排放量的确定方法,其特征在于,所述根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,包括:
根据所述当前温室气体排放量的影响因子信息中各类数据的栅格数据,将相同时间的各类数据的栅格数据分别作为一个波段,将各类数据对应的波段组合形成多波段的栅格文件;
提取所述栅格文件中每个像素网格的经纬度和每个像素网格对应的各波段的数值;
根据每个子区域的用地类型、所述当前季度信息、每个像素网格的经纬度以及每个像素网格对应的各波段的数值,通过每个子区域的当前季度对应的监测模型,获取所述当前温室气体排放量。
5.如权利要求4所述的温室气体排放量的确定方法,其特征在于,还包括:
在所述将各类数据对应的波段组合形成多波段的栅格文件之前,将各个波段中比预设文件大小多出的行和列删除,或者,将各个波段中比所述预设文件大小缺少的行和列通过0值进行填补。
6.如权利要求4所述的温室气体排放量的确定方法,其特征在于,还包括:
在根据每个子区域的用地类型、所述当前季度信息、每个像素网格的经纬度以及每个像素网格对应的各波段的数值,通过每个子区域的当前季度对应的监测模型,获取所述当前温室气体排放量之前,在每个像素网格对应的各波段的数值中删除无效值,所述无效值是各波段的数值中小于第一预设值或者大于第二预设值的数值,所述第一预设值小于所述第二预设值。
7.如权利要求1或2所述的温室气体排放量的确定方法,其特征在于,若温室气体为二氧化碳,则所述温室气体排放量的影响因子信息包括以下任意一项或任意组合:夜间灯光、CO2柱浓度、人口密度、植被指数、地表温度、数字高程模型以及城市路网数据。
8.如权利要求1或2所述的温室气体排放量的确定方法,其特征在于,还包括:
将各个子区域的温室气体排放量镶嵌合并在所述待监测区域的地图上。
9.一种温室气体排放量的确定装置,其特征在于,包括:
区域划分模块,用于根据用地类型,将待监测区域划分为多个子区域;
信息获取模块,用于获取每个子区域的当前季度信息和当前温室气体排放量的影响因子信息,其中,所述当前温室气体排放量的影响因子信息是多源的实时数据;
排放量确定模块,用于根据每个子区域的用地类型、所述当前季度信息和所述当前温室气体排放量的影响因子信息,通过每个子区域的当前季度对应的监测模型,获取当前温室气体排放量,其中,所述监测模型通过用地类型、历史季度信息、历史温室气体排放量和历史温室气体排放量的影响因子信息为样本训练得到,每个子区域的每个季度分别对应一个所述监测模型,所述监测模型是采用随机森林算法训练得到的;
所述信息获取模块,用于按照预设时间分辨率和预设空间分辨率,获取每个子区域的所述当前温室气体排放量的影响因子信息的栅格数据;
所述信息获取模块,还用于若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长小于所述预设时间分辨率对应的时长,则将采集的所述当前温室气体排放量的影响因子信息的栅格数据在所述采集时长内的均值作为所述预设时间分辨率对应的时长内的栅格数据;和/或;
若采集所述当前温室气体排放量的影响因子信息的栅格数据的采集时长大于所述预设时间分辨率对应的时长,则将所述采集时长内采集的所有的所述当前温室气体排放量的影响因子信息的栅格数据作为各个所述预设时间分辨率对应的时长内的栅格数据。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至8中任一项所述的温室气体排放量的确定方法。
11.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有执行权利要求1至8中任一项所述的温室气体排放量的确定方法的计算机程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219675.6A CN115293945B (zh) | 2022-10-08 | 2022-10-08 | 温室气体排放量的确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211219675.6A CN115293945B (zh) | 2022-10-08 | 2022-10-08 | 温室气体排放量的确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115293945A CN115293945A (zh) | 2022-11-04 |
CN115293945B true CN115293945B (zh) | 2023-02-24 |
Family
ID=83834462
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211219675.6A Active CN115293945B (zh) | 2022-10-08 | 2022-10-08 | 温室气体排放量的确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115293945B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116090639A (zh) * | 2023-01-17 | 2023-05-09 | 中国科学院地理科学与资源研究所 | 一种农业土地系统全过程温室气体排放的预测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010134663A (ja) * | 2008-12-04 | 2010-06-17 | Hitachi Ltd | 温室効果ガス監視装置 |
CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
CN110674982A (zh) * | 2019-09-18 | 2020-01-10 | 中冶赛迪技术研究中心有限公司 | 一种温室气体排放量核算、分析和预测的系统、方法及设备 |
CN111896680A (zh) * | 2020-07-08 | 2020-11-06 | 天津师范大学 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
CN113011372A (zh) * | 2021-04-01 | 2021-06-22 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103714507A (zh) * | 2013-12-30 | 2014-04-09 | 中国科学院城市环境研究所 | 一种城市温室气体排放空间源解析方法 |
CN112348411A (zh) * | 2020-11-30 | 2021-02-09 | 天津大学 | 温室气体核算方法、装置、第一电子设备及存储介质 |
CN114997480A (zh) * | 2022-05-24 | 2022-09-02 | 福州大学 | 基于mop-plus模型的低碳导向下省域国土空间分区优化模拟方法 |
CN115015486B (zh) * | 2022-06-13 | 2023-04-07 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
-
2022
- 2022-10-08 CN CN202211219675.6A patent/CN115293945B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010134663A (ja) * | 2008-12-04 | 2010-06-17 | Hitachi Ltd | 温室効果ガス監視装置 |
CN109190211A (zh) * | 2018-08-17 | 2019-01-11 | 中国科学院地理科学与资源研究所 | 一种核定区域排放空间的方法 |
CN110674982A (zh) * | 2019-09-18 | 2020-01-10 | 中冶赛迪技术研究中心有限公司 | 一种温室气体排放量核算、分析和预测的系统、方法及设备 |
CN111896680A (zh) * | 2020-07-08 | 2020-11-06 | 天津师范大学 | 基于卫星遥感数据的温室气体排放分析方法及系统 |
CN113011372A (zh) * | 2021-04-01 | 2021-06-22 | 清华大学 | 一种盐碱化土地自动监测和识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115293945A (zh) | 2022-11-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
del Río et al. | Recent trends in mean maximum and minimum air temperatures over Spain (1961–2006) | |
Li et al. | Response of vegetation phenology to urbanization in the conterminous United States | |
Baker et al. | Evapotranspiration in the Amazon: spatial patterns, seasonality, and recent trends in observations, reanalysis, and climate models | |
Fraga et al. | Future scenarios for viticultural zoning in Europe: ensemble projections and uncertainties | |
Le Quesne et al. | Long-term glacier variations in the Central Andes of Argentina and Chile, inferred from historical records and tree-ring reconstructed precipitation | |
Reddy et al. | Assessment and monitoring of long-term forest cover changes in Odisha, India using remote sensing and GIS | |
Scheller et al. | Carbon sequestration in the New Jersey pine barrens under different scenarios of fire management | |
RU2006141815A (ru) | Способ определения количества ресурсов с использованием географической информационной системы | |
CN115293945B (zh) | 温室气体排放量的确定方法、装置、设备及存储介质 | |
CN109919515B (zh) | 生态环境质量评价方法及装置 | |
CN115235560B (zh) | 评估生态系统碳汇能力的方法、装置、设备及存储介质 | |
Tsuyama et al. | Climatic controls of a keystone understory species, Sasamorpha borealis, and an impact assessment of climate change in Japan | |
Anderson et al. | Influence of landscape heterogeneity on spatial patterns of wood productivity, wood specific density and above ground biomass in Amazonia | |
CN115952702A (zh) | 一种基于forcchn模型和遥感数据的森林nep的计算方法 | |
Liu et al. | Analysis of forest potential fire environment based on GIS and RS | |
CN113220810B (zh) | 一种多源物种分布数据处理方法及装置 | |
Wen et al. | Evaluation of MERRA-2 land surface temperature dataset and its application in permafrost mapping over China | |
Higa et al. | Influence of nonclimatic factors on the habitat prediction of tree species and an assessment of the impact of climate change | |
Lauwaet et al. | The effect of climate change and emission scenarios on ozone concentrations over Belgium: a high-resolution model study for policy support | |
KR102264758B1 (ko) | 기후변화 빅데이터 분석시스템 | |
CN115561432A (zh) | 一种农田土壤有机碳空间分布图获取方法 | |
Pan et al. | Age structure and disturbance legacy of North American forests. | |
CN108597013B (zh) | 一种特定区域气象水文资料抽点填图方法 | |
Andrews | Modeling and forecasting the influence of current and future climate on eastern North American spruce-fir (Picea-Abies) forests | |
Yan et al. | HiQ-LAI: A High-Quality Reprocessed MODIS LAI Dataset with Better Spatio-temporal Consistency from 2000 to 2022 |
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 |