CN115879630A - 基于土地利用的碳排放即时表征与预测的方法及装置 - Google Patents

Abstract

本申请公开了一种基于土地利用的碳排放即时表征与预测的方法及装置，该方法包括：对地理数据预处理获得栅格数据与矢量数据，对栅格数据精细化处理，建立土地利用GIS数据库与扩张驱动力因素数据集；利用年鉴数据建立能源消耗数据集与经济社会发展数据集；根据能源消耗数据集与土地利用GIS数据库进行碳核算，并建立用于表征与预测的土地利用与碳排放回归关系第一模型；确定预设发展情境的各项经济社会发展指标，并预测土地利用需求；使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集；使用PLUS模型模拟土地未来利用情况，使用第一模型计算模拟结果的碳排放量。通过上述方法能够实现碳排放的即时表征与预测以及对建成区土地进行精细化处理。

Description

基于土地利用的碳排放即时表征与预测的方法及装置

技术领域

本申请涉及碳排放分析与预测技术领域，尤其涉及一种基于土地利用的碳排放即时表征与预测的方法及装置。

背景技术

碳排放是人类生产经营活动过程中向外界排放温室气体(二氧化碳、甲烷、氧化亚氮、氢氟碳化物、全氟碳化物和六氟化硫等)的过程，温室气体被认为是造成温室效应的主要原因。为减少碳排放，促进绿色产业技术革新，即时、科学、准确的碳排放表征与预测十分必要。

在现有技术中，碳排放通常采用GDP、人口等经济社会发展指标或区域夜间灯光数据进行表征，经济社会发展指标大多来源于统计年鉴或其他公报，数据来源存在延迟，无法实现碳排放即时表征，不利于政府及时调整相关政策。碳排放预测主要采用IPAT模型、STIRPAT模型、LMDI模型、LEAP模型等预测模型，或是通过灰色预测法、神经网络模型等机器学习方法对碳排放量进行预测与情境分析。以上方法主要依靠各经济社会发展指标实现碳排放预测，仅可指引决策者进行发展目标预设，在土地开发利用方面不够具体，难以适用。

国内外学者目前对土地利用与碳排放的研究并未考虑到建成区土地利用功能与建筑体量对碳排放强度的影响，未对建成区进行土地利用精细化处理。且在现有模型与方法中，多将建成区碳排放因子作为固定值，未考虑到用地属性与气候区差异所带来的土地利用碳排放强度差异。

发明内容

本申请实施例通过提供一种基于土地利用的碳排放即时表征与预测的方法及装置，通过获取卫星遥感影像实现了一种碳排放即时表征模块；对获取的所述第一栅格数据进行精细化处理，解决了现有技术对土地利用与碳排放的研究尚未考虑到建成区土地利用功能与建筑体量对土地利用碳排放强度的影响；基于土地利用数据表征与预测碳排放的模型，解决了现有技术中大多使用统计年鉴数据进行碳排放表征，存在较大数据延迟的问题；以及解决了现有技术中主要依靠各经济社会发展指标实现碳排放预测，在土地开发利用方面不够具体等问题。

第一方面，本申请实施例提供了一种基于土地利用的碳排放即时表征与预测的方法，包括：对地理数据进行预处理获得第一栅格数据与第一矢量数据；其中，所述地理数据包括第一LUCC数据集、遥感影像与矢量数据；对所述第一栅格数据进行精细化处理，并建立土地利用GIS数据库与土地利用扩张驱动力因素数据集；其中，所述第一栅格数据包括所述第一LUCC数据集与第二LUCC数据集；利用处理后的统计年鉴数据建立能源消耗数据集与经济社会发展数据集；根据所述能源消耗数据集与所述土地利用GIS数据库计算碳源碳排放因子与碳汇固碳因子，并建立用于表征与预测的土地利用与碳排放回归关系的第一模型；其中，所述第一模型能够基于预处理与精细化处理后的LUCC数据集表征出对应的碳排放；确定多类预设发展情境的各项经济社会发展指标，并使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求；根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集；根据所述土地利用GIS数据库、多类所述发展情境的所述土地利用需求与所述土地利用类型的扩张可能性图集，使用PLUS模型模拟土地未来利用情况，并使用所述第一模型计算所述发展情境的模拟结果的碳排放量。

结合第一方面，在第一种可能的实现方式中，所述矢量数据包括POI数据、行政边界数据与道路路网数据。

结合第一方面的第一种可能的实现方式，在第二种可能实现的方式中，所述第二LUCC数据集，包括：对所述遥感影像进行辐射定标与大气校正处理；使用训练后的第二神经网络对处理后的所述遥感影像进行监督分类；对监督分类后的所述遥感影像进行精度校验获得第二LUCC数据集。

结合第一方面的第二种可能的实现方式，在第三种可能实现的方式中，所述对所述第一栅格数据进行精细化处理，包括：根据研究区所在的地理位置对所述第一栅格数据与所述第一矢量数据进行投影，获得平面地理数据；对所述平面地理数据进行重分类，提取建成区对应的栅格，并将所述建成区对应的栅格转换为面要素；补齐所述道路路网数据，并根据补齐后的所述道路路网数据将所述建成区的所述面要素划分为街区单元；计算各类所述POI数据的核密度值，并将各类所述POI数据的所述核密度值与所述街区单元对应，得到各所述街区单元的各类所述POI数据的所述核密度值；根据所述核密度值将所述街区单元分为单一功能用地类型单元与混合功能用地类型单元；将所述单一功能用地类型单元与所述混合功能用地类型单元转换为栅格数据类型，并回嵌至所述平面地理数据。

结合第一方面，在第四种可能实现的方式中，所述使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求，包括：使用多目标规划构建各项所述经济社会发展指标的帕累托最优解集；使用训练后的所述第一神经网络基于所述帕累托最优解集预测各项所述经济社会发展指标的所述土地利用需求。

结合第一方面的第四种可能的实现方式，在第五种可能实现的方式中，还包括：降低所述年鉴数据中各输入样本之间的自相关关系；以处理后的所述输入样本为输入，所述土地利用GIS数据库为输出训练所述第一神经网络。

结合第一方面的第四种可能的实现方式，在第六种可能实现的方式中，所述使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求，还包括：设置基准情境为对照组；其中，所述基准情境使用马尔科夫链预测所述土地利用需求。

结合第一方面，在第七种可能实现的方式中，所述根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集，包括：在所述土地利用扩张驱动力因素数据集中选取多项因子作为驱动力因素；其中，所述驱动力因素包括：土地演替自然环境驱动力因素与土地演替社会发展驱动力因素；将所述驱动力因素进行GIS空间插值法与地理配准，并根据处理后的所述驱动力因素建立驱动力因子数据集；根据所述地理数据确定土地利用演替数据集，并计算所述驱动力因素对土地利用演替的影响；根据所述驱动力因子数据集与所述土地利用演替数据集使用LEAS模型获得各所述土地利用类型的扩张可能性图集。

第二方面，本申请实施例提供了一种基于土地利用的碳排放即时表征与预测的装置，包括：预处理模块，用于对地理数据进行预处理获得第一栅格数据与第一矢量数据；其中，所述地理数据包括第一LUCC数据集、遥感影像与矢量数据；精细化处理模块，用于对所述第一栅格数据进行精细化处理，并建立土地利用GIS数据库与土地利用扩张驱动力因素数据集；其中，所述第一栅格数据包括所述第一LUCC数据集与第二LUCC数据集；统计年鉴存储模块，用于利用处理后的统计年鉴数据建立能源消耗数据集与经济社会发展数据集；即时表征模块，用于根据所述能源消耗数据集与所述土地利用GIS数据库计算碳源碳排放因子与碳汇固碳因子，并建立用于表征与预测的土地利用与碳排放回归关系的第一模型；其中，所述第一模型能够基于预处理与精细化处理后的LUCC数据集表征出对应的碳排放；土地利用需求模块，用于确定多类预设发展情境的各项经济社会发展指标，并使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求；土地利用类型扩张模块，用于根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集；模拟与预测模块，用于根据所述土地利用GIS数据库、多类所述发展情境的所述土地利用需求与所述土地利用类型的扩张可能性图集，使用PLUS模型模拟土地未来利用情况，并使用所述第一模型计算所述发展情境的模拟结果的碳排放量。

结合第二方面，在第一种可能的实现方式中，所述矢量数据包括POI数据、行政边界数据与道路路网数据。

结合第二方面的第一种可能的实现方式，在第二种可能实现的方式中，所述第二LUCC数据集，包括：对所述遥感影像进行辐射定标与大气校正处理；使用训练后的第二神经网络对处理后的所述遥感影像进行监督分类；对监督分类后的所述遥感影像进行精度校验获得第二LUCC数据集。

结合第二方面的第二种可能的实现方式，在第三种可能实现的方式中，所述对所述第一栅格数据进行精细化处理，包括：根据研究区所在的地理位置对所述第一栅格数据与所述第一矢量数据进行投影，获得平面地理数据；对所述平面地理数据进行重分类，提取建成区对应的栅格，并将所述建成区对应的栅格转换为面要素；补齐所述道路路网数据，并根据补齐后的所述道路路网数据将所述建成区的所述面要素划分为街区单元；计算各类所述POI数据的核密度值，并将各类所述POI数据的所述核密度值与所述街区单元对应，得到各所述街区单元的各类所述POI数据的所述核密度值；根据所述核密度值将所述街区单元分为单一功能用地类型单元与混合功能用地类型单元；将所述单一功能用地类型单元与所述混合功能用地类型单元转换为栅格数据类型，并回嵌至所述平面地理数据。

结合第二方面，在第四种可能实现的方式中，所述使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求，包括：使用多目标规划构建各项所述经济社会发展指标的帕累托最优解集；使用训练后的所述第一神经网络基于所述帕累托最优解集预测各项所述经济社会发展指标的所述土地利用需求。

结合第二方面的第四种可能的实现方式，在第五种可能实现的方式中，还包括：降低所述年鉴数据中各输入样本之间的自相关关系；以处理后的所述输入样本为输入，所述土地利用GIS数据库为输出训练所述第一神经网络。

结合第二方面的第四种可能的实现方式，在第六种可能实现的方式中，所述使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求，还包括：设置基准情境为对照组；其中，所述基准情境使用马尔科夫链预测所述土地利用需求。

结合第二方面，在第七种可能实现的方式中，所述根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集，包括：在所述土地利用扩张驱动力因素数据集中选取多项因子作为驱动力因素；其中，所述驱动力因素包括：土地演替自然环境驱动力因素与土地演替社会发展驱动力因素；将所述驱动力因素进行GIS空间插值法与地理配准，并根据处理后的所述驱动力因素建立驱动力因子数据集；根据所述地理数据确定土地利用演替数据集，并计算所述驱动力因素对土地利用演替的影响；根据所述驱动力因子数据集与所述土地利用演替数据集使用LEAS模型获得各所述土地利用类型的扩张可能性图集。

第三方面，本申请实施例提供了一种非易失性计算机可读存储介质，所述非易失性计算机可读存储介质包括用于存储计算机程序或指令，当该计算机程序或指令被执行时，使如第一方面或第一方面任一种可能实现的方式所述的方法被实现。

本申请实施例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：

本申请实施例采用了一种基于土地利用的碳排放即时表征与预测的方法，通过获取卫星遥感影像表征碳排放，有效解决了统计年鉴与公报数据存在延迟的问题，实现了一种碳排放的即时表征方法；对获取的地理数据进行精细化处理，解决了现有技术中未考虑到建成区土地利用功能与建筑体量对碳排放强度的影响这一问题；使用LEAS模型与PLUS模型预测与模拟土地未来利用需求，并建立碳排放与土地利用关系的表征与预测模型，能够预测不同类型用地的碳排放量。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例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为本申请实施例提供的基于土地利用的碳排放即时表征与预测的方法及装置的研究路线图；

图2为本申请实施例提供的基于土地利用的碳排放即时表征与预测的方法的流程图；

图3为本申请实施例提供的将遥感影像处理为LUCC数据类型的流程图；

图4为本申请实施例提供的对地理数据进行精细化处理的流程图；

图5为本申请实施例提供的获得各土地利用类型的扩张可能性图集的流程图；

图6为本申请实施例提供的基于土地利用的碳排放即时表征与预测的装置的示意图；

图7为本申请实施例提供的土地精细化处理结构图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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的一部分实施例，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。

图2是本申请实施例提供的基于土地利用的碳排放即时表征与预测的方法的流程图，包括步骤201至步骤207。其中，图2仅为本申请实施例示出的一种执行顺序，并不代表基于土地利用的碳排放即时表征与预测的方法的唯一执行顺序，在可实现最终结果的情况下，图2所示出的步骤可以被并列或颠倒执行。

步骤201：对地理数据进行预处理获得第一栅格数据与第一矢量数据。其中，所述地理数据包括第一LUCC(土地利用/土地覆盖变化，英文：Land-Use and Land-CoverChange)数据集、遥感影像与矢量数据。具体为，第一LUCC数据集为武汉大学测绘遥感信息工程国家重点实验室杨杰和黄昕教授团队所发布的2000年至2019年土地利用数据。遥感影像为2020年至2022年土地利用数据遥感影像，并将获取的遥感影像处理为第二LUCC数据集，获得2020年至2022年的第二LUCC数据集。具体步骤如图3所示，包括步骤301至步骤303。

步骤301：对遥感影像进行辐射定标与大气校正处理。具体为，辐射定标能在计算地物的光谱反射率或光谱辐射亮度时，将图像的亮度灰度值转换为绝对的辐射亮度。在本申请实施例中采用ENVI软件Radiometric Calibration工具对获取的遥感影像进行辐射定标。传感器最终测得的地面目标的总辐射亮度并不是地表真实反射率的反映，其中包含了大气吸收以及散射作用造成的辐射误差。使用大气校正能消除这一辐射误差，反映地物真实的表面反射率；具体采用ENVI软件FLAASHAtmospheric Correction工具对遥感影像进行大气校正。

步骤302：使用训练后的第二神经网络对处理后的遥感影像进行监督分类。具体为，对图像进行融合，在本申请实施例中基于2019中国地图的行政边界对矢量数据进行裁剪，得到卫星遥感影像预处理结果。建立训练要素数据集，在本申请实施例中，训练要素数据集分为耕地、林地、草地、水体、建成区、未利用地6类，对第二神经网络进行样本训练，使用训练后的第二神经网络对经步骤301处理后的遥感影像进行监督分类。

步骤303：对监督分类后的遥感影像进行精度校验获得第二LUCC数据集。具体为，通过上述步骤对遥感影像进行处理后，仅能将建成区与绿地、草地、耕地等用地类型进行区分，针对建成区具体用地功能无法进一步细分。而工业、商务办公、居住等不同功能、不同体量建筑形式的建成区土地利用的碳排放强度存在显著差异，因此需要对建成区进行土地利用类型精细化分类，并统计各建成区土地利用类型的面积及其占比。

其中，矢量数据包括POI(兴趣点，英文：Point ofInterest)数据、行政边界数据与道路路网数据。具体为，在本申请实施例中，通过Python爬取高德地图开源平台，获取POI点要素数据集；通过中国标准地图获得行政边界数据集；通过开源地图(Open StreetMap，OSM)平台获得道路路网线要素数据集。其中，POI数据为点要素类型，行政边界数据为面要素类型，道路路网数据为线要素类型。在本申请实施例中矢量数据为获取的原始POI数据、行政边界数据与道路路网数据，第一矢量数据为缺失数据补齐后的矢量数据。

需要注意的是，LUCC数据集为栅格数据类型，故在本申请实施例中将第一LUCC数据与第二LUCC数据称作第一栅格数据。ENVI软件、Radiometric Calibration工具、FLAASHAtmospheric Correction工具、2019中国地图等仅为本申请实施例的一种示例，不作为对本申请保护范围的限制，图3中的步骤是将卫星遥感影像处理为LUCC数据集，本领域技术人员亦可采用其他方式实现此步骤。此外本申请实施例示例性选取2020年至2022年的遥感影像处理为第二LUCC数据集，本领域技术人员可根据图3所示的步骤处理其他年份的遥感影像，2020年至2022年不作为对本申请包含范围的限制，2000年至2019年的第一LUCC数据，本领域技术人员亦可通过其他方式获取。

步骤202：对第一栅格数据进行精细化处理，并建立土地利用GIS数据库与土地利用扩张驱动力因素数据集。其中，第一栅格数据包括第一LUCC数据集与第二LUCC数据集。具体为，对上述第一栅格数据进行精细化处理。如图7所示的土地精细化处理结构图，具体步骤如图4所示，包括步骤401至步骤406。

步骤401：根据研究区所在的地理位置对第一栅格数据与第一矢量数据进行投影，获得平面地理数据。具体为，将获取的曲面数据根据研究区所处的地理位置进行投影，获得研究区的平面地理数据。其中，LUCC数据为栅格数据的一种，包含了地理坐标与土地利用类型信息。

步骤402：对平面地理数据进行重分类，提取建成区对应的栅格，并将建成区对应的栅格转换为面要素。具体为，获取平面地理数据的栅格数据集，在本申请实施例中，使用Arc GIS对栅格数据进行重分类，将建成区以外的土地利用类型设置为NO DATA，提取所有建成区土地，并将建成区土地对应的栅格数据转换为面要素。

步骤403：补齐道路路网数据，并根据补齐后的道路路网数据将建成区的面要素划分为街区单元。具体为，由于获取的道路路网数据中四级路存在断头路，故需要对获取的道路路网数据进行补齐。在本申请实施例中，采用Arc GIS修改矢量文件进行补齐，然后建立道路面的矢量数据，并按照道路层级进行划分，在本申请实施例中，三级路及以上统一按照单向30米，四级路按照单向20米。根据步骤402获取建成区的面要素以及补齐后的道路路网数据，在本申请实施例中使用Arc GIS要素擦除工具，在建成区面要素上擦除道路面要素，即可得到各个街区单元的边界面要素数据。

步骤404：计算各类POI数据的核密度值，并将各类POI数据的核密度值与街区单元对应，得到各街区单元的各类POI数据的核密度值。具体为，在本申请实施例中，使用Ripley’s K函数，可以计算出核密度函数最佳的搜索半径，以搜索半径内的点到中心点的距离为基础，并对其赋予不同的权重，能够有效表达不同POI数据的分布密度和对城市用地功能的影响程度。核密度计算公式具体如下：

式中，f(x)是第x个POI数据的核密度值，i是搜索半径(即POI点要素到x的相对距离)，n是在x点搜索半径内所包含的要素点数，K为核函数，h为搜索半径(其值由Ripley’s K函数计算得到)，使用上述核密度计算公式计算街区范围内各POI数据的核密度值。

步骤405：根据核密度值将街区单元分为单一功能用地类型单元与混合功能用地类型单元。具体为，在本申请实施例中，分别计算某一街区范围内各POI数据的核密度值占比，当某一街区单元的某一用地类型对应的POI数据的核密度值占比达到50％时，则将该街区单元标记为单一功能用地类型；当某一街区单元的某一用地类型对应的POI数据的核密度值占比小于50％时，则将该街区单元标记为混合功能用地类型。

步骤406：将单一功能用地类型单元与混合功能用地类型单元转换为栅格数据类型，并回嵌至平面地理数据。具体为，在本申请实施例中，将分类后的街区单元面要素转换为栅格数据类型，并利用Arc GIS将栅格数据回嵌至平面地理数据中，完成土地精细化处理。其中，回嵌在本申请实施例中指将步骤402提取并转换的建成区面要素，经过步骤403至步骤406的处理后，将建成区面要素重新转换为栅格数据类型并嵌入至对应被提取的平面地理数据中。

采用Python爬取高德地图开源平台可获取各POI数据的年份，进行建成区土地利用类型精细化处理，并将各精细化用地类型面积进行统计。针对无法获取POI数据的年份，由于样条曲线插值具备更高的准确性，能够得到各年建成区土地利用精细化处理的结果，并统计各精细化用地类型的面积。

基于以上处理数据，建立土地利用GIS数据库与土地利用扩张驱动力因素数据集。

在本申请实施例中，采用四级以上单路路网作为土地精细化分类的基本单元，将建成区按照如下表1中的分类方式进行精细化处理。

表1

步骤203：利用处理后的统计年鉴数据建立能源消耗数据集与经济社会发展数据集。具体为，对获取的各省、地级市国民经济和社会发展公报数据以及中国城市统计年鉴、中国农村统计年鉴、国家统计局国家统计数据中心、地级市统计年鉴等数据进行整理与插值，并建立能源消耗数据集与经济社会发展数据集。

步骤204：根据能源消耗数据集与土地利用GIS数据库计算碳源碳排放因子与碳汇固碳因子，并建立用于表征与预测的土地利用与碳排放回归关系的第一模型。其中，第一模型能够基于预处理与精细化处理后的LUCC数据集表征出对应的碳排放。具体为，在本申请实施例中，基于能源消耗数据集与土地利用GIS数据库，参照IPCC的计算方法分别计算城市供热、电力消耗、供气总量、液化石油气供应总量、各能源等的二氧化碳排放因子。对2000年至2020年碳排放量进行核算，分别计算碳源碳排放量、林地的碳汇固碳量、草地的碳汇固碳量等。上述所提及的各计算方法本申请不做具体限制与说明，本领域技术人员可根据实际情况进行选择。基于上述计算结果构建用于表征与预测碳排放与土地利用回归关系的第一模型。根据GIS地理数据库中某年的土地利用数据通过第一模型，可即时表征该年碳排放量。其中，第一模型能够基于土地利用数据表征或预测，在第一模型中输入现行土地利用数据则能获得现行政策下的碳排放，进而实现表征碳排放与土地利用之间的回归关系；在第一模型中输入预设情境的土地利用数据则可获取预测情境的碳排放，进而实现基于土地利用数据预测碳排放。

步骤205：确定多类预设发展情境的各项经济社会发展指标，并使用训练后的第一神经网络预测各项经济社会发展指标的土地利用需求。具体为，影响建成区土地利用需求的经济社会发展因子包括：经济发展因素(GDP总量、固定资产投资增速等)、社会因素(人口、人均GDP等)。影响耕地、草地、林地、水体面积需求的因子包括：社会因素(各行业从业人口等)、产品产量(粮食产量等)、经济因素(农业总产值等)、环境保护因素(封山育林面积、退耕还林面积)等。由于各用地需求影响因子间存在自相关关系，在本申请实施例中，使用主成分分析法降低网络输入样本间的信息重叠，将各年统计年鉴数据作为输入，各年土地利用数据作为输出训练第一神经网络，此处神经网络示例性选择PCA-BP神经网络。本申请实施例预设了4项发展情境，并根据各发展情境确定各项经济社会发展指标，使用多目标规划构建各项经济社会发展指标的帕累托最优解集；使用训练后的第一神经网络基于该帕累托最优解集预测各项所述经济社会发展指标的所述土地利用需求。除此之外，设置基准情境为对照组；其中，基准情境使用马尔科夫链预测土地利用需求。此处的马尔科夫链预测土地利用需求，属于现有技术，本领域技术人员应当理解，故在此不做详细说明。

步骤206：根据地理数据与土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集。具体如图5所示，包括步骤501至步骤504，具体如下：

步骤501：在土地利用扩张驱动力因素数据集中选取多项因子作为驱动力因素。具体为，土地利用扩张的驱动力主要包括自然环境因素与人文社会因素。自然环境因素包括海拔、坡度、坡向、平均气温、日照、降水、水体、相对湿度等；人文社会因素包括人口、GDP、公共服务设施、商业与服务业设施、道路等。在本申请实施例中，从土地利用扩张驱动力因素数据集中选取选择DEM(数字高程模型，英文：Digital Elevation Model)、距各级道路距离、GDP、距公共服务设施距离、年降水量、坡度与坡向、年平均气温、人口、年日照时数、距商业服务业设施距离、相对湿度、距水系距离等17项因子作为驱动力因素。其中，选取的17项因子仅为本申请实施例的一种示例，本领域技术人员可根据实际情况选择因子项数，理论上，因子项数越多预测结果越准确。

步骤502：将驱动力因素进行GIS空间插值法与地理配准，并根据处理后的驱动力因素建立驱动力因子数据集。具体为，某些驱动力因素缺少地理坐标，采用地理配准，将驱动力因素的特征点与相对应的具有已知坐标的控制点匹配，为驱动力因素的建立正确的坐标信息。在本申请实施例中，使用Arc GIS的Georeferencing工具对驱动力因素进行地理配准。

步骤503：根据地理数据确定土地利用演替数据集，并计算驱动力因素对土地利用演替的影响。具体为，在本申请实施例中，计算土地利用演替栅格数据集，采用优化随机森林算法计算17项驱动力因素对土地利用演替的影响。由于水体、未利用地面积占超特大城市总面积的比例较少，其发生土地利用演替的像元数量极少，因此若按土地利用扩张类型进行随机森林训练样本抽样会因样本量极少造成结果准确性较低。因此，通过优化随机森林训练样本的取样方式，使水体、未利用地演替类别抽样比例达0.3，其他类型用地演替抽样比例为0.01，以增加结果的科学性。

步骤504：根据驱动力因子数据集与土地利用演替数据集使用LEAS模型获得各土地利用类型的扩张可能性图集。具体为，根据步骤503中优化随机森林算法的训练结果构建LEAS模型，计算各土地利用类型在研究区每一处发生演替的概率，依次获得各土地利用类型的扩张可能性图集。

步骤207：根据土地利用GIS数据库、多类所述发展情境的土地利用需求与土地利用类型的扩张可能性图集，使用PLUS模型模拟土地未来利用情况，并使用第一模型计算发展情境的模拟结果的碳排放量。具体为，基于基准土地利用数据、各用地类型扩张可能性土地、土地利用需求，采用PLUS模型模拟未来土地利用情况，并利用第一模型计算各模拟结果的碳排放量。其中，PLUS模型基于多类随机斑块种子进行模拟，其预测存在一定随机性。故对每一年的预测，均进行多次模拟，并选取中位数作为预测结果。本领域技术人员亦可使用CLUE-s模型或IDRISE模型代替本申请实施例中的PLUS模型。

图2所示的步骤流程图与图1中提供的基于土地利用的碳排放即时表征与预测的方法及装置的研究路线图一致。

虽然本申请提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。本实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的装置或客户端产品执行时，可以按照本实施例或者附图所示的方法顺序执行或者并行执行(例如并行处理器或者多线程处理的环境)。

如图6所示，本申请实施例还提供一种基于土地利用的碳排放即时表征与预测的装置600。该装置包括：预处理模块601、精细化处理模块602、统计年鉴数据模块603、即时表征与预测模块604、土地利用需求模块605、土地利用类型扩张模块606与模拟模块607。具体如下：

预处理模块601用于对地理数据进行预处理获得第一栅格数据与第一矢量数据；其中，所述地理数据包括第一LUCC数据集、遥感影像与矢量数据。预处理模块601具体用于，对遥感影像进行辐射定标与大气校正处理，使用训练后的第二神经网络对处理后的遥感影像进行监督分类，对监督分类后的遥感影像进行精度校验获得第二LUCC数据集。其中，矢量数据包括POI(兴趣点，英文：Point ofInterest)数据、行政边界数据与道路路网数据。具体为，在本申请实施例中，通过Python爬取高德地图开源平台，获取POI点要素数据集；通过中国标准地图获得行政边界数据集；通过开源地图(Open Street Map，OSM)平台获得道路路网线要素数据集。其中，POI数据为点要素类型，行政边界数据为面要素类型，道路路网数据为线要素类型。

精细化处理模块602用于用于对所述第一栅格数据进行精细化处理，并建立土地利用GIS数据库与土地利用扩张驱动力因素数据集；其中，所述第一栅格数据包括所述第一LUCC数据集与第二LUCC数据集。精细化处理模块601具体用于，根据研究区所在的地理位置对第一栅格数据与第一矢量数据进行投影，获得平面地理数据，对平面地理数据进行重分类，提取建成区对应的栅格，并将建成区对应的栅格转换为面要素，补齐道路路网数据，并根据补齐后的道路路网数据将建成区的面要素划分为街区单元，计算各类POI数据的核密度值，并将各类POI数据的核密度值与街区单元对应，得到各街区单元的各类POI数据的核密度值，根据核密度值将街区单元分为单一功能用地类型单元与混合功能用地类型单元，将单一功能用地类型单元与混合功能用地类型单元转换为栅格数据类型，并回嵌至平面地理数据。

统计年鉴存储模块603用于利用处理后的统计年鉴数据建立能源消耗数据集与经济社会发展数据集。统计年鉴存储模块603具体用于，对获取的各省、地级市国民经济和社会发展公报数据以及中国城市统计年鉴、中国农村统计年鉴、国家统计局国家统计数据中心、地级市统计年鉴等数据进行整理与插值，并建立能源消耗数据集与经济社会发展数据集。

即时表征模块604用于根据所述能源消耗数据集与所述土地利用GIS数据库计算碳源碳排放因子与碳汇固碳因子，并建立用于表征与预测的土地利用与碳排放回归关系的第一模型。即时表征模块604具体用于，第一模型能够基于预处理与精细化处理后的LUCC数据集表征出对应的碳排放。采用碳排放因子法，基于能源消耗数据集与土地利用GIS数据库，参照IPCC的计算方法分别计算城市供热、电力消耗、供气总量、液化石油气供应总量和各能源的二氧化碳排放因子。对2000年至2020年碳排放量进行核算，分别计算碳源碳排放量、林地的碳汇固碳量、草地的碳汇固碳量等。上述所提及放入各计算方法本申请不做具体限制与说明，本领域技术人员可根据实际情况进行选择。基于上述计算结果构建用于表征与预测碳排放与土地利用回归关系的第一模型。

土地利用需求模块605用于确定多类预设发展情境的各项经济社会发展指标，并使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求。土地利用需求模块605具体用于，使用主成分分析法降低网络输入样本间的信息重叠，将各年统计年鉴数据作为输入，各年土地利用数据作为输出训练第一神经网络，此处神经网络示例性选择PCA-BP神经网络。在本申请实施例中，预设了4项发展情境，并根据各发展情境确定各项经济社会发展指标，使用多目标规划构建各项经济社会发展指标的帕累托最优解集；使用训练后的第一神经网络基于该帕累托最优解集预测各项所述经济社会发展指标的所述土地利用需求。除此之外，设置基准情境为对照组；其中，基准情境使用马尔科夫链预测土地利用需求。此处的马尔科夫链预测土地利用需求，属于现有技术，本领域技术人员应当理解，故在此不做详细说明。

土地利用类型扩张模块606用于根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集。土地利用类型扩张模块606具体用于，在土地利用扩张驱动力因素数据集中选取多项因子作为驱动力因素；将驱动力因素进行GIS空间插值法与地理配准，并根据处理后的驱动力因素建立驱动力因子数据集；根据地理数据确定土地利用演替数据集，并计算驱动力因素对土地利用演替的影响；根据驱动力因子数据集与土地利用演替数据集使用LEAS模型获得各土地利用类型的扩张可能性图集。

模拟与预测模块607用于根据所述土地利用GIS数据库、多类所述发展情境的所述土地利用需求与所述土地利用类型的扩张可能性图集，使用PLUS模型模拟土地未来利用情况，并使用所述第一模型计算所述发展情境的模拟结果的碳排放量。模拟与预测模块607具体用于，基于基准土地利用数据、各用地类型扩张可能性土地、土地利用需求，采用PLUS模型模拟未来土地利用情况，并利用第一模型计算各模拟结果的碳排放量。其中，PLUS模型基于多类随机斑块种子进行模拟，其预测存在一定随机性。故对每一年的预测，均进行多次模拟，并选取中位数作为预测结果。本领域技术人员亦可使用CLUE-s模型或IDRISE模型代替本申请实施例中的PLUS模型，但针对不同模型模拟准确度会有所不同，本申请实施例使用PLUS模型所获得的模拟准确度最高。

本申请所述装置中的部分模块可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构、类等。也可以在分布式计算环境中实践本申请，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。

上述申请实施例阐明的装置或模块，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。为了描述方便，描述以上装置时以功能分为各种模块分别描述。在实施本申请实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。当然，也可以将实现某功能的模块由多个子模块或子单元组合实现。

本申请实施例还提供了一种非易失性计算机可读存储介质，其上存储有计算机程序或指令，当该计算机程序或指令被执行时，使如本申请实施例中所述的方法被实现。

此外，在本发明的各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独存在，也可以两个或两个以上模块集成在一个模块中。

上述存储介质包括但不限于随机存取存储器(英文：Random Access Memory；简称：RAM)、只读存储器(英文：Read-Only Memory；简称：ROM)、缓存(英文：Cache)、硬盘(英文：Hard Disk Drive；简称：HDD)或者存储卡(英文：Memory Card)。所述存储器可以用于存储计算机程序指令。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的硬件的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，也可以通过数据迁移的实施过程中体现出来。该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，移动终端，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施方式采用递进的方式描述，各个实施方式之间相同或相似的部分互相参见即可，每个实施方式重点说明的都是与其他实施方式的不同之处。本申请的全部或者部分可用于众多通用或专用的计算机系统环境或配置中。例如：个人计算机、服务器计算机、手持设备或便携式设备、平板型设备、移动通信终端、多处理器系统、基于微处理器的系统、可编程的电子设备、网络PC、小型计算机、大型计算机、包括以上任何系统或设备的分布式计算环境等等。

以上实施例仅用以说明本申请的技术方案，而非对本申请限制；尽管参照前述实施例对本申请进行了详细的说明，本领域普通技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请技术方案的范围。

Claims (10)

1.一种基于土地利用的碳排放即时表征与预测的方法，其特征在于，包括：

对地理数据进行预处理获得第一栅格数据与第一矢量数据；其中，所述地理数据包括第一LUCC数据集、遥感影像与矢量数据；

对所述第一栅格数据进行精细化处理，并建立土地利用GIS数据库与土地利用扩张驱动力因素数据集；其中，所述第一栅格数据包括所述第一LUCC数据集与第二LUCC数据集；

利用处理后的统计年鉴数据建立能源消耗数据集与经济社会发展数据集；

根据所述能源消耗数据集与所述土地利用GIS数据库计算碳源碳排放因子与碳汇固碳因子，并建立用于表征与预测的土地利用与碳排放回归关系的第一模型；其中，所述第一模型能够基于预处理与精细化处理后的LUCC数据集表征出对应的碳排放；

确定多类预设发展情境的各项经济社会发展指标，并使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求；

根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集；

根据所述土地利用GIS数据库、多类所述发展情境的所述土地利用需求与所述土地利用类型的扩张可能性图集，使用PLUS模型模拟土地未来利用情况，并使用所述第一模型计算所述发展情境的模拟结果的碳排放量。

2.根据权利要求1所述的方法，其特征在于，所述矢量数据包括POI数据、行政边界数据与道路路网数据。

3.根据权利要求2所述的方法，其特征在于，所述第二LUCC数据集，包括：

对所述遥感影像进行辐射定标与大气校正处理；

使用训练后的第二神经网络对处理后的所述遥感影像进行监督分类；

对监督分类后的所述遥感影像进行精度校验获得第二LUCC数据集。

4.根据权利要求3所述的方法，其特征在于，所述对所述第一栅格数据进行精细化处理，包括：

根据研究区所在的地理位置对所述第一栅格数据与所述第一矢量数据进行投影，获得平面地理数据；

对所述平面地理数据进行重分类，提取建成区对应的栅格，并将所述建成区对应的栅格转换为面要素；

补齐所述道路路网数据，并根据补齐后的所述道路路网数据将所述建成区的所述面要素划分为街区单元；

计算各类所述POI数据的核密度值，并将各类所述POI数据的所述核密度值与所述街区单元对应，得到各所述街区单元的各类所述POI数据的所述核密度值；

根据所述核密度值将所述街区单元分为单一功能用地类型单元与混合功能用地类型单元；

将所述单一功能用地类型单元与所述混合功能用地类型单元转换为栅格数据类型，并回嵌至所述平面地理数据。

5.根据权利要求1所述的方法，其特征在于，所述使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求，包括：

使用多目标规划构建各项所述经济社会发展指标的帕累托最优解集；

使用训练后的所述第一神经网络基于所述帕累托最优解集预测各项所述经济社会发展指标的所述土地利用需求。

6.根据权利要求5所述的方法，其特征在于，还包括：

降低所述年鉴数据中各输入样本之间的自相关关系；

以处理后的所述输入样本为输入，所述土地利用GIS数据库为输出训练所述第一神经网络。

7.根据权利要求5所述的方法，其特征在于，所述使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求，还包括：

设置基准情境为对照组；其中，所述基准情境使用马尔科夫链预测所述土地利用需求。

8.根据权利要求1所述的方法，其特征在于，所述根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集，包括：

在所述土地利用扩张驱动力因素数据集中选取多项因子作为驱动力因素；其中，所述驱动力因素包括：土地演替自然环境驱动力因素与土地演替社会发展驱动力因素；

将所述驱动力因素进行GIS空间插值法与地理配准，并根据处理后的所述驱动力因素建立驱动力因子数据集；

根据所述地理数据确定土地利用演替数据集，并计算所述驱动力因素对土地利用演替的影响；

根据所述驱动力因子数据集与所述土地利用演替数据集使用LEAS模型获得各所述土地利用类型的扩张可能性图集。

9.一种基于土地利用的碳排放即时表征与预测的装置，其特征在于，包括：

预处理模块，用于对地理数据进行预处理获得第一栅格数据与第一矢量数据；其中，所述地理数据包括第一LUCC数据集、遥感影像与矢量数据；

精细化处理模块，用于对所述第一栅格数据进行精细化处理，并建立土地利用GIS数据库与土地利用扩张驱动力因素数据集；其中，所述第一栅格数据包括所述第一LUCC数据集与第二LUCC数据集；

统计年鉴存储模块，用于利用处理后的统计年鉴数据建立能源消耗数据集与经济社会发展数据集；

即时表征模块，用于根据所述能源消耗数据集与所述土地利用GIS数据库计算碳源碳排放因子与碳汇固碳因子，并建立用于表征与预测的土地利用与碳排放回归关系的第一模型；其中，所述第一模型能够基于预处理与精细化处理后的LUCC数据集表征出对应的碳排放；

土地利用需求模块，用于确定多类预设发展情境的各项经济社会发展指标，并使用训练后的第一神经网络预测各项所述经济社会发展指标的土地利用需求；

土地利用类型扩张模块，用于根据所述地理数据与所述土地利用扩张驱动力因素数据集使用随机森林算法与LEAS模型获得各土地利用类型的扩张可能性图集；

模拟与预测模块，用于根据所述土地利用GIS数据库、多类所述发展情境的所述土地利用需求与所述土地利用类型的扩张可能性图集，使用PLUS模型模拟土地未来利用情况，并使用所述第一模型计算所述发展情境的模拟结果的碳排放量。

10.一种非易失性计算机可读存储介质，其特征在于，包括用于存储计算机程序或指令，当该计算机程序或指令被执行时，使如权利要求1至8中任一项所述的方法被实现。

Images