CN115658776A - 联合多源数据生成全国1km碳排放空间分布图的方法 - Google Patents
联合多源数据生成全国1km碳排放空间分布图的方法 Download PDFInfo
- Publication number
- CN115658776A CN115658776A CN202211546178.7A CN202211546178A CN115658776A CN 115658776 A CN115658776 A CN 115658776A CN 202211546178 A CN202211546178 A CN 202211546178A CN 115658776 A CN115658776 A CN 115658776A
- Authority
- CN
- China
- Prior art keywords
- data
- carbon emission
- odiac
- ceads
- grid
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了联合多源数据生成全国1km碳排放空间分布图的方法,基于空间分辨率高且CO2排放空间分布模式合理的ODIAC碳排放网格数据,利用随机森林模型从中探索一种结合人口、夜间灯光、GDP和植被指数NDVI等多源遥感数据的碳排放数据空间网格化方法,将CEADs省级碳排放统计数据进行空间化,获得全国1km×1km碳排放空间分布图,实现碳排放数据到统一地理网格的映射,从而将碳排放数据由行政边界转换到栅格像元,客观展现碳排放空间分布规律,为减排工作提供数据支持。
Description
技术领域
本发明涉及碳排放空间化技术领域,尤其涉及联合多源数据生成全国1km碳排放空间分布图的方法。
背景技术
目前,国内现有的碳排放估算方法多基于能源消费清单对碳排放量进行统计,获得碳排放统计数据,该类方法具有准确性和科学性,但是更新比较滞后,且以行政区域为基础统计单元,其仅能得到该行政区域的一个整体碳排放量,即一个行政区只有一个碳排放值,至于行政区域内部更小尺度区域的碳排放量则无法获得,难以提供行政区域内部的碳排放空间分布信息。一些国际机构提供的碳排放网格数据在碳排放空间分布模式上是合理的,但是其在计算碳排放量时常采用IPCC指南中给出的缺省排放因子,该值是依照全球平均水平给出的参考值,并不适合所有国家,因此,导致碳排放估计值与中国机构提供的碳排放估计值存在差异,不利于准确分析中国CO2排放的空间分布,因地制宜制定各省的减排政策。
发明内容
为了缓解现有技术中无法准确得到中国小尺度区域碳排放空间分布信息的问题,本发明提供了一种联合多源数据生成全国1km碳排放空间分布图的方法。基于现有碳排放网格数据的碳排放空间分布模式,利用多源遥感数据从中探索出一种碳排放数据空间网格化方法,以快速对碳排放统计数据进行空间化,分析中国碳排放的空间分布。该方法包括:
S1:将ODIAC的月度数据合成ODIAC年度数据并进行碳排放转换,生成ODIAC年度碳排放网格数据;
S2:对所述ODIAC年度碳排放网格数据中的点源碳排放进行排除,获得ODIAC面源碳排放网格数据;
S3:利用CEADs省级碳排放统计数据对所述ODIAC面源碳排放网格数据进行调整,获得按照ODIAC碳排放空间分布模式分布的CEADs网格化碳排放数据;
S4:对获取的多源遥感数据进行预处理,得到预处理后的多源遥感数据,使用预处理后的多源遥感数据和步骤S3中的CEADs网格化碳排放数据对随机森林模型进行训练,其中,所述CEADs省级碳排放统计数据、所述ODIAC的月度数据以及多源遥感数据的时间年份相同,预处理后的多源遥感数据和CEADs网格化碳排放数据的空间分辨率均为1km×1km;
S5:利用训练好的随机森林模型生成CEADs全国1km×1km碳排放空间分布图。
在一种实施方式中,步骤S1包括:
将ODIAC的月度数据中每一年份12个月的数据累加合成ODIAC年度数据;
基于碳排放系数将ODIAC年度数据转换成以CO2表示的排放形式,并进行投影和裁剪处理,生成覆盖中国的ODIAC年度碳排放网格数据,空间分辨率1km×1km。
在一种实施方式中,步骤S2包括:
根据ODIAC年度碳排放网格数据的数值和频率分布,基于箱线图排除异常值原理,将大于上须值的像元用0值替换,当作点源排放排除,获得ODIAC面源碳排放网格数据,其中,上须值是箱线图中的最大观察值,表示非点源碳排放的最大值。
在一种实施方式中,步骤S3包括:
对ODIAC面源碳排放网格数据以省份为单位重新统计每个省的碳排放量;
在格网尺度上利用CEADs省级碳排放统计数据对ODIAC面源碳排放网格数据进行调整,生成CEADs网格化碳排放数据,其中,生成的CEADs网格化碳排放数据中,CEADs省级碳排放统计数据按照ODIAC面源碳排放网格数据的碳排放空间分布模式分布,调整方式具体为:
其中,为CEADs网格化碳排放数据中第个省第个格网的碳排放量;为
ODIAC面源碳排放网格数据中第个省第个格网的碳排放量;为调整系数,表示CEADs省
级碳排放统计数据中第个省的碳排放量与ODIAC面源碳排放网格数据汇总的第个省的碳
排放量之比。
在一种实施方式中,获取的多源遥感数据包括夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据,步骤S4中对获取的多源遥感数据进行预处理,包括:
对所述夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据进行投影、重采样、裁剪和栅格对齐预处理,使其与CEADs网格化碳排放数据具有一致的覆盖范围、坐标系和空间分辨率。
在一种实施方式中,步骤S4中使用预处理后的多源遥感数据和步骤S3中的CEADs网格化碳排放数据对随机森林模型进行训练,包括:
以全国内的格网为基础,将预处理后的多源遥感数据作为随机森林模型的输入数据,CEADs网格化碳排放数据作为输出数据,按照8:2的比例随机划分训练集和测试集,构建随机森林模型,对随机森林模型进行训练、参数优化和验证,得到训练好的随机森林模型。
在一种实施方式中,步骤S5包括:
获取研究区域内的多源遥感数据,并进行预处理;
将研究区域内的预处理后的多源遥感数据输入到步骤S4训练好的随机森林模型中,输出CEADs全国1km×1km碳排放空间分布图。
相对于现有技术,本发明的优点和有益的技术效果如下:
1、基于ODIAC碳排放网格数据的碳排放空间分布模式,对CEADs省级碳排放统计数据进行空间化,有利于生成碳排放空间分布合理且与中国碳排放一致性更高的碳排放网格数据,客观展现中国碳排放的空间分布规律。
2、利用多源遥感数据作为解析变量进行碳排放数据空间化,产生了比使用单一遥感数据更精确可靠的结果;
3、直接在网格尺度采用随机森林模型构建碳排放和解析变量的关系模型,有效避免了行政区划单元尺度模型迁移到网格尺度时的不合理性和误差,并且随机森林模型能够有效构建多源遥感数据与碳排放数据之间的潜在非线性关系,提高区域碳排放空间化结果的精度。
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,下面将对实施例或现有技术描述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是本发明实施例提供的一种联合多源数据(ODIAC和CEADs数据库)生成全国1km碳排放空间分布图的方法的整体流程图;
图2图2是本发明实施例中随机森林模型生成的CEADs中国除台湾省、香港特别行政区、澳门特别行政区和西藏自治区以外的30个省、市、自治区1km×1km碳排放空间分布图;
图3是本发明实施例中利用箱线图排除点源碳排放的示意图。
具体实施方式
本发明提供了一种联合多源数据生成全国1km碳排放空间分布图的方法。基于空间分辨率高且CO2排放空间分布模式合理的ODIAC碳排放网格数据,利用随机森林模型从中探索一种结合人口、夜间灯光、GDP和植被指数NDVI等多源遥感数据的碳排放数据空间网格化方法,将CEADs省级碳排放统计数据进行空间化,获得全国1km×1km碳排放空间分布图,实现碳排放数据到统一地理网格的映射,从而将碳排放数据由行政边界转换到栅格像元,客观展现碳排放空间分布规律,为减排工作提供数据支持。
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了联合多源数据生成全国1km碳排放空间分布图的方法,包括:
S1:将ODIAC的月度数据合成ODIAC年度数据并进行碳排放转换,生成ODIAC年度碳排放网格数据;
S2:对所述ODIAC年度碳排放网格数据中的点源碳排放进行排除,获得ODIAC面源碳排放网格数据;
S3:利用CEADs省级碳排放统计数据对所述ODIAC面源碳排放网格数据进行调整,获得按照ODIAC碳排放空间分布模式分布的CEADs网格化碳排放数据;
S4:对获取的多源遥感数据进行预处理,得到预处理后的多源遥感数据,使用预处理后的多源遥感数据和步骤S3中的CEADs网格化碳排放数据对随机森林模型进行训练,其中,所述CEADs省级碳排放统计数据、所述ODIAC的月度数据以及多源遥感数据的时间年份相同,预处理后的多源遥感数据和CEADs网格化碳排放数据的空间分辨率均为1km×1km;
S5:利用训练好的随机森林模型生成CEADs全国1km×1km碳排放空间分布图。
具体来说,ODIAC表示人为CO2开放数据清单(Open-source Data Inventory forAnthropogenic CO2, ODIAC),CEADs表示中国碳排放数据库(China Emission Accountsand Datasets ,CEADs)。
请参见图1,是本发明实施例提供的一种联合ODIAC和CEADs数据库生成全国1km碳排放空间分布图的方法的整体流程图。
多源遥感数据包括夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据。经过预处理后空间分辨率都可变为1km×1km,ODIAC月度数据空间分辨率为30弧秒,经过投影和重采样后空间分辨率可变为1km×1km,基于此生成的ODIAC年度碳排放网格数据,ODIAC面源碳排放网格数据,CEADs网格化碳排放数据空间分辨率为1km×1km。鉴于随机森林模型是根据多源遥感数据和CEADs网格化碳排放数据构建的,模型的输入和输出数据的空间分辨率都为1km×1km,故利用该随机森林模型可生成CEADs 1km×1km碳排放空间分布图。
在一种实施方式中,步骤S1包括:
将ODIAC的月度数据中每一年份12个月的数据累加合成ODIAC年度数据;
基于碳排放系数将ODIAC年度数据转换成以CO2表示的排放形式,并进行投影和裁剪处理,生成覆盖中国的ODIAC年度碳排放网格数据,空间分辨率1km×1km。
具体实施过程中,由于ODIAC是以碳表示的排放,需要将ODIAC年度数据乘以碳排放系数3.667,转换成以CO2表示的排放,并投影且根据中国的行政区域裁剪,生成覆盖中国的ODIAC年度碳排放网格数据,空间分辨率1km×1km。
在一种实施方式中,步骤S2包括:
根据ODIAC年度碳排放网格数据的数值和频率分布,基于箱线图排除异常值原理,将大于上须值的像元用0值替换,当作点源排放排除,获得ODIAC面源碳排放网格数据,其中,上须值是箱线图中的最大观察值,在本方法中视为非点源碳排放的最大值。
具体来说,ODIAC年度碳排放网格数据中包含720个点源排放,而点源异常高的CO2排放值会影响随机森林模型的训练,因此在模型构建之前排除了这些点源碳排放。
具体地,碳排放网格数据的数值是指每个网格的碳排放量值,频率是指每个网格的碳排放量值出现的频率。上须值是非异常范围内的最大值,在本实施方式中指非点源碳排放的最大值。因为点源碳排放是工厂的碳排放,数值通常比面源碳排放大,通过将大于上须值的像元用0值替换,从而可以达到去除点源碳排放的目的。
请参见图3,箱线图共由五个数值点构成,分别是最小观察值(下边缘/下限/下须),25%分位数(Q1),中位数,75%分位数(Q3),最大观察值(上边缘/上限/上须)。
中横线:中位数
四分位距IQR:75%分位数(Q3)-25%分位数(Q1)
最小观察值(下边缘/下限/下须)= Q1 - 1.5IQR
最大观察值(上边缘/上限/上须)= Q3 + 1.5IQR
碳排放量超过上须值即为点源碳排放。
上须值计算的表达式为:
在一种实施方式中,步骤S3包括:
对ODIAC面源碳排放网格数据以省份为单位重新统计每个省的碳排放量;
在格网尺度上利用CEADs省级碳排放统计数据对ODIAC面源碳排放网格数据进行调整,生成CEADs网格化碳排放数据,其中,生成的CEADs网格化碳排放数据中,CEADs省级碳排放统计数据按照ODIAC面源碳排放网格数据的碳排放空间分布模式分布,调整方式具体为:
其中,为CEADs网格化碳排放数据中第个省第个格网的碳排放量;为
ODIAC面源碳排放网格数据中第个省第个格网的碳排放量;为调整系数,表示CEADs省
级碳排放统计数据中第个省的碳排放量与ODIAC面源碳排放网格数据汇总的第个省的碳
排放量之比。
其中,ODIAC面源碳排放网格数据汇总是指将ODIAC面源碳排放网格数据通过加和的方式重新汇总得到每一个省份的碳排放量,是一个将数据从网格尺度转换成行政边界尺度的过程。
具体地,利用CEADs省级碳排放统计数据对ODIAC面源碳排放网格数据进行调整,目的是使CEADs省级碳排放统计数据按照ODIAC面源碳排放网格数据的碳排放空间分布模式分布,最终能够获得CEADs网格化碳排放数据。
在一种实施方式中,获取的多源遥感数据包括夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据,步骤S4中对获取的多源遥感数据进行预处理,包括:
对所述夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据进行投影、重采样、裁剪和栅格对齐预处理,使其与CEADs网格化碳排放数据具有一致的覆盖范围、坐标系和空间分辨率。
在一种实施方式中,步骤S4中使用预处理后的多源遥感数据和步骤S3中的CEADs网格化碳排放数据对随机森林模型进行训练,包括:
以全国内的格网为基础,将预处理后的多源遥感数据作为随机森林模型的输入数据,CEADs网格化碳排放数据作为输出数据,按照8:2的比例随机划分训练集和测试集,构建随机森林模型,对随机森林模型进行训练、参数优化和验证,得到训练好的随机森林模型。
在一种实施方式中,步骤S5包括:
获取研究区域内的多源遥感数据,并进行预处理;
将研究区域内的预处理后的多源遥感数据输入到步骤S4训练好的随机森林模型中,输出CEADs全国1km×1km碳排放空间分布图。
为了更清楚地说明本发明提供的方法的具体实施过程和效果,下面通过一个具体的示例进行说明:
人为CO2开放数据清单ODIAC是全球每月高分辨率(30弧秒)网格化石燃料CO2排放数据产品,碳排放空间分布模式合理,但是与中国的碳排放估计值存在差异。中国碳核算数据库CEADs为中国及其省市提供多尺度时间序列CO2排放清单,CEADs使用的排放因子是在对中国4000多个煤矿进行广泛调查的基础上测量的,能够更准确合理地估计中国CO2排放,但是缺乏网格尺度的碳排放数据。基于此,本发明提出了一种联合ODIAC和CEADs碳排放数据库生成中国高分辨率碳排放空间分布图。
步骤1:将ODIAC的月度数据合成年度数据并进行碳排放转换,生成ODIAC年度碳排放网格数据。
具体实施过程中,获取2015年ODIAC月度碳排放网格数据(http://db.cger.nies.go.jp/dataset/ODIAC/)。使用每年12个月的累加值将ODIAC的月度数据合成年度数据,由于ODIAC是以碳表示的排放,将ODIAC年度数据乘以碳排放系数3.667,转换成以CO2表示的排放,并投影且根据中国的行政区域裁剪,生成覆盖中国的ODIAC年度碳排放网格数据,空间分辨率1km×1km。
步骤2:根据ODIAC年度碳排放网格数据的数值和频率分布,基于箱线图排除异常值原理,将大于上须值的像元用0值替换,当作点源排放排除,获得ODIAC面源碳排放网格数据。
步骤3:利用CEADs省级碳排放统计数据调整ODIAC面源碳排放网格数据,获得按照ODIAC碳排放空间分布模式分布的CEADs网格化碳排放数据。
具体的,获取2015年CEADs省级分部门核算碳排放统计数据(https://www.ceads.net.cn/),包括中国除台湾省、香港特别行政区、澳门特别行政区和西藏自治区以外的30个省、市、自治区的碳排放统计数据。基于ODIAC面源碳排放网格数据,重新分省统计全国排放量,在格网尺度上利用CEADs省级碳排放统计数据进行调整,使CEADs省级碳排放统计数据按照ODIAC面源碳排放网格数据的碳排放空间分布模式分布,生成CEADs网格化碳排放数据。调整的表达式为:
其中,为CEADs网格化碳排放数据中第个省第个格网的碳排放量;为
ODIAC面源碳排放网格数据中第个省第个格网的碳排放量;为调整系数,表示CEADs省
级碳排放统计数据中第个省的碳排放量与ODIAC面源碳排放网格数据汇总的第个省的碳
排放量之比。
步骤4:使用经过预处理的多源遥感数据和CEADs网格化碳排放数据训练随机森林模型。
具体的,获取覆盖全国的2015年NPP/VIIRS夜间灯光影像(https://eogdata.mines.edu/products/vnl/)、人口空间分布数据(https://www.worldpop.org/)、GDP空间分布数据(https://www.resdc.cn/)和植被指数NDVI空间分布数据(https://www.resdc.cn/),并进行投影、重采样、裁剪和栅格对齐预处理,使其与CEADs网格化碳排放数据具有一致的覆盖范围、坐标系和分辨率。
以目标区域内的格网为基础,2015年经过预处理的NPP/VIIRS夜间灯光、人口、GDP和NDVI数据作为输入数据,2015年按照ODIAC碳排放空间分布模式分布的CEADs网格化碳排放数据作为输出数据,按照8:2的比例随机划分训练集和测试集,构建随机森林模型,决策树的数量为1000棵。
步骤5:利用步骤4建立的随机森林模型,将目标区域经过预处理的NPP/VIIRS夜间灯光影像、人口、GDP和NDVI空间分布数据输入到模型中,输出CEADs中国30省1km×1km碳排放空间分布图。
生成的碳排放空间分布图如图2所示,空间分布图表示了目标区域的碳排放分布情况。该分布图中,中国内部按照1km×1km的网格划分,一个网格代表一个像元,每个像元对应的灰度值代表该1km×1km区域内的碳排放量,碳排放量越高,灰度值越大,颜色越浅。其中斜线阴影区域代表的是未获得碳排放分布的区域(由于CEADs数据库未包含西藏自治区,台湾省、澳门特别行政区和香港特别行政区的碳排放统计数据,故未获得这些区域的碳排放空间分布)。
现有技术中以行政区域为基础统计单元进行省级碳排放量统计,仅能得到该行政区域的一个整体碳排放量,也即是一个行政区只有一个碳排放值(例如一个省域内只具有一种颜色),至于行政区域内部更小尺度区域的碳排放量则无法获得,更无法提供行政区域内部的碳排放空间分布信息。而本申请的基础统计单元是1km×1km的网格,每个网格具有一个碳排放量,而一个行政区域内包含很多1km×1km的网格,在地图上,这些网格分别对应着各自的地理坐标,故而能够体现行政区域内碳排放的空间分布。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (7)
1.联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,包括:
S1:将ODIAC的月度数据合成ODIAC年度数据并进行碳排放转换,生成ODIAC年度碳排放网格数据;
S2:对所述ODIAC年度碳排放网格数据中的点源碳排放进行排除,获得ODIAC面源碳排放网格数据;
S3:利用CEADs省级碳排放统计数据对所述ODIAC面源碳排放网格数据进行调整,获得按照ODIAC碳排放空间分布模式分布的CEADs网格化碳排放数据;
S4:对获取的多源遥感数据进行预处理,得到预处理后的多源遥感数据,使用预处理后的多源遥感数据和步骤S3中的CEADs网格化碳排放数据对随机森林模型进行训练,其中,所述CEADs省级碳排放统计数据、所述ODIAC的月度数据以及多源遥感数据的时间年份相同,预处理后的多源遥感数据和CEADs网格化碳排放数据的空间分辨率均为1km×1km;
S5:利用训练好的随机森林模型生成CEADs全国1km×1km碳排放空间分布图。
2.如权利要求1所述的联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,步骤S1包括:
将ODIAC的月度数据中每一年份12个月的数据累加合成ODIAC年度数据;
基于碳排放系数将ODIAC年度数据转换成以CO2表示的排放形式,并进行投影和裁剪处理,生成覆盖中国的ODIAC年度碳排放网格数据,空间分辨率1km×1km。
3.如权利要求1所述的联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,步骤S2包括:
根据ODIAC年度碳排放网格数据的数值和频率分布,基于箱线图排除异常值原理,将大于上须值的像元用0值替换,当作点源排放排除,获得ODIAC面源碳排放网格数据,其中,上须值是箱线图中的最大观察值,表示非点源碳排放的最大值。
4.如权利要求1所述的联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,步骤S3包括:
对ODIAC面源碳排放网格数据以省份为单位重新统计每个省的碳排放量;
在格网尺度上利用CEADs省级碳排放统计数据对ODIAC面源碳排放网格数据进行调整,生成CEADs网格化碳排放数据,其中,生成的CEADs网格化碳排放数据中,CEADs省级碳排放统计数据按照ODIAC面源碳排放网格数据的碳排放空间分布模式分布,调整方式具体为:
5.如权利要求1所述的联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,获取的多源遥感数据包括夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据,步骤S4中对获取的多源遥感数据进行预处理,包括:
对所述夜间灯光影像、人口空间分布数据、GDP空间分布数据和植被指数NDVI空间分布数据进行投影、重采样、裁剪和栅格对齐预处理,使其与CEADs网格化碳排放数据具有一致的覆盖范围、坐标系和空间分辨率。
6.如权利要求1所述的联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,步骤S4中使用预处理后的多源遥感数据和步骤S3中的CEADs网格化碳排放数据对随机森林模型进行训练,包括:
以全国内的格网为基础,将预处理后的多源遥感数据作为随机森林模型的输入数据,CEADs网格化碳排放数据作为输出数据,按照8:2的比例随机划分训练集和测试集,构建随机森林模型,对随机森林模型进行训练、参数优化和验证,得到训练好的随机森林模型。
7.如权利要求1所述的联合多源数据生成全国1km碳排放空间分布图的方法,其特征在于,步骤S5包括:
获取研究区域内的多源遥感数据,并进行预处理;
将研究区域内的预处理后的多源遥感数据输入到步骤S4训练好的随机森林模型中,输出CEADs全国1km×1km碳排放空间分布图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546178.7A CN115658776B (zh) | 2022-12-05 | 2022-12-05 | 联合多源数据生成全国1km碳排放空间分布图的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211546178.7A CN115658776B (zh) | 2022-12-05 | 2022-12-05 | 联合多源数据生成全国1km碳排放空间分布图的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115658776A true CN115658776A (zh) | 2023-01-31 |
CN115658776B CN115658776B (zh) | 2023-03-31 |
Family
ID=85019515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211546178.7A Active CN115658776B (zh) | 2022-12-05 | 2022-12-05 | 联合多源数据生成全国1km碳排放空间分布图的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115658776B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415110A (zh) * | 2023-06-05 | 2023-07-11 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
CN116933934A (zh) * | 2023-07-25 | 2023-10-24 | 国网山西省电力公司电力科学研究院 | 融合viirs与统计数据的县域碳排放的预测与分析的方法及系统 |
CN117951201A (zh) * | 2024-03-27 | 2024-04-30 | 中科三清科技有限公司 | 一种碳排放清单建立方法、装置、电子设备及存储介质 |
CN117951201B (zh) * | 2024-03-27 | 2024-05-31 | 中科三清科技有限公司 | 一种碳排放清单建立方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180156766A1 (en) * | 2016-12-06 | 2018-06-07 | Ning Zeng | Networked Environmental Monitoring System and Method |
CN111861170A (zh) * | 2020-07-07 | 2020-10-30 | 河南大学 | 一种碳排放空间制图方法、密度空间分布确定方法与装置 |
CN113155498A (zh) * | 2021-03-26 | 2021-07-23 | 中国科学院城市环境研究所 | 一种高分辨率建筑运行能耗碳排放测定方法、系统及设备 |
CN114461697A (zh) * | 2022-01-04 | 2022-05-10 | 武汉理工大学 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
CN115015486A (zh) * | 2022-06-13 | 2022-09-06 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
-
2022
- 2022-12-05 CN CN202211546178.7A patent/CN115658776B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180156766A1 (en) * | 2016-12-06 | 2018-06-07 | Ning Zeng | Networked Environmental Monitoring System and Method |
CN111861170A (zh) * | 2020-07-07 | 2020-10-30 | 河南大学 | 一种碳排放空间制图方法、密度空间分布确定方法与装置 |
CN113155498A (zh) * | 2021-03-26 | 2021-07-23 | 中国科学院城市环境研究所 | 一种高分辨率建筑运行能耗碳排放测定方法、系统及设备 |
CN114461697A (zh) * | 2022-01-04 | 2022-05-10 | 武汉理工大学 | 基于夜间灯光遥感和改进stirpat的城市碳排放核算方法 |
CN115015486A (zh) * | 2022-06-13 | 2022-09-06 | 中南大学 | 一种基于回归树模型的碳排放量测算方法 |
Non-Patent Citations (2)
Title |
---|
潘竟虎;赵轩茹;: "基于空间回归模型的中国碳排放空间差异模拟" * |
马忠玉;肖宏伟;: "基于卫星夜间灯光数据的中国分省碳排放时空模拟" * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116415110A (zh) * | 2023-06-05 | 2023-07-11 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
CN116415110B (zh) * | 2023-06-05 | 2023-08-15 | 武汉大学 | 基于多源遥感密度数据进行碳排放量分区网格化的方法 |
CN116933934A (zh) * | 2023-07-25 | 2023-10-24 | 国网山西省电力公司电力科学研究院 | 融合viirs与统计数据的县域碳排放的预测与分析的方法及系统 |
CN117951201A (zh) * | 2024-03-27 | 2024-04-30 | 中科三清科技有限公司 | 一种碳排放清单建立方法、装置、电子设备及存储介质 |
CN117951201B (zh) * | 2024-03-27 | 2024-05-31 | 中科三清科技有限公司 | 一种碳排放清单建立方法、装置、电子设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115658776B (zh) | 2023-03-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115658776B (zh) | 联合多源数据生成全国1km碳排放空间分布图的方法 | |
Brooks et al. | Fitting the multitemporal curve: A Fourier series approach to the missing data problem in remote sensing analysis | |
Rembold et al. | Remote sensing time series analysis for crop monitoring with the SPIRITS software: new functionalities and use examples | |
Hu et al. | A novel locally adaptive method for modeling the spatiotemporal dynamics of global electric power consumption based on DMSP-OLS nighttime stable light data | |
Brown et al. | The South Pacific Convergence Zone in CMIP5 simulations of historical and future climate | |
Van Hoolst et al. | FAO’s AVHRR-based Agricultural Stress Index System (ASIS) for global drought monitoring | |
Biard et al. | Automated detection of weather fronts using a deep learning neural network | |
Gaughan et al. | Evaluating nighttime lights and population distribution as proxies for mapping anthropogenic CO2 emission in Vietnam, Cambodia and Laos | |
Pan et al. | Spatiotemporal dynamics of electricity consumption in China | |
Ma et al. | Identification of polycentric cities in China based on NPP-VIIRS nighttime light data | |
WO2024098445A1 (zh) | 一种乡村生境质量评估及预测方法 | |
Li et al. | Modeling and predicting city-level CO2 emissions using open access data and machine learning | |
Diffenbaugh et al. | Using climate impacts indicators to evaluate climate model ensembles: Temperature suitability of premium winegrape cultivation in the United States | |
Miettinen et al. | Demonstration of large area forest volume and primary production estimation approach based on Sentinel-2 imagery and process based ecosystem modelling | |
Huang et al. | A simplified multi-model statistical approach for predicting the effects of forest management on land surface temperature in Fennoscandia | |
Wang et al. | [Retracted] Processing Methods for Digital Image Data Based on the Geographic Information System | |
Xiong et al. | Improved global 250 m 8-day NDVI and EVI products from 2000–2021 using the LSTM model | |
Gergel et al. | Global downscaled projections for climate impacts research (GDPCIR): preserving extremes for modeling future climate impacts | |
Wang et al. | Improving the Quality of MODIS LAI Products by Exploiting Spatiotemporal Correlation Information | |
CN108957594B (zh) | 一种商遥卫星轨道总云量预报修正方法及修正系统 | |
Ge et al. | Analyzing temperature and precipitation extremes in China using multiple gridded datasets: A comparative evaluation | |
Le Guenedal et al. | Cyclone generation Algorithm including a THERmodynamic module for Integrated National damage Assessment (CATHERINA 1.0) compatible with CMIP climate data | |
Li et al. | Quality control framework of big data for early warning of agricultural meteorological disasters | |
CN113033948A (zh) | 一种基于夜间灯光遥感数据的社会经济发展状况监测方法 | |
Govindarajan et al. | A scalable simulator for forest dynamics |
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 |