发明内容
本发明提供一种碳排放监测方法及装置,其主要目的在于提高碳排放监测的准确全面性。
为实现上述目的,本发明提供的一种碳排放监测方法,包括:
获取待监测碳排放的目标地区及其周边地区,获取所述目标地区和所述周边地区的历史碳排放数据,根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子,根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵;
根据所述历史碳排放数据、所述碳排放影响因子以及所述空间权重矩阵,构建所述目标地区的碳排放监测模型,获取所述目标地区和所述周边地区的实时碳排放数据,根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量;
根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数,根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性;
根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告。
可选地,所述根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵,包括:
利用下述公式构建所述目标地区与所述周边地区之间的空间权重矩阵:
其中,W表示目标地区与其周边地区之间的空间权重矩阵,kij表示地区i与地区j之间碳排放联系的贡献度,F表示碳排放影响因子,Dij表示地区i与地区j之间球面地理距离,g表示人均地区生产总值,C表示地区碳排放量,i表示地区序号,j表示地区序号。
可选地,所述根据所述历史碳排放数据、所述碳排放影响因子以及所述空间权重矩阵,构建所述目标地区的碳排放监测模型,包括:
根据所述碳排放影响因子和所述空间权重矩阵,构建所述目标地区的碳排放初始模型;
根据所述历史碳排放数据和所述碳排放初始模型,计算所述碳排放初始模型中的估计参数;
根据所述估计参数和所述碳排放初始模型,确定所述目标地区的碳排放监测模型。
可选地,所述根据所述碳排放影响因子和所述空间权重矩阵,构建所述目标地区的碳排放初始模型,包括:
利用下述公式构建所述目标地区的碳排放初始模型:
其中,I(i,t)表示序号为i的目标地区在时刻t的碳排放初始模型,μ表示目标地区碳排放常参数,F表示碳排放影响因子,α表示碳排放影响因子的弹性系数,ρ1表示碳排放空间自回归系数,W表示空间权重矩阵,ρ2表示周边地区碳排放影响因子空间自相关系数,k表示碳排放影响因子序号,n表示碳排放影响因子的数量,i表示目标地区的序号,j表示目标地区的周边地区的序号,ε表示误差项,Π表示连乘符号。
可选地,所述根据所述历史碳排放数据和所述碳排放初始模型,计算所述碳排放初始模型中的估计参数,包括:
筛选所述历史碳排放数据中的样本数据,利用所述碳排放初始模型和所述样本数据,计算样本回归矩阵;
计算所述样本回归矩阵的目标函数,计算所述目标函数最小时的最优解,根据所述最优解,确定所述碳排放初始模型中的估计参数。
可选地,所述根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数,包括:
利用下述公式计算所述目标地区的全局莫兰指数和局部莫兰指数:
其中,GMor表示目标地区的全局莫兰指数,LMor
k表示目标地区k的局部莫兰指数,w
ij表示空间权重矩阵第i行第j列元素,w
kj表示空间权重矩阵第k行第j列元素,x
i,x
j分别表示地区i和地区j的碳排放量,
表示目标地区和周边地区所有地区的碳排放量均值,S
2表示目标地区和周边地区所有地区的碳排放量方差,i表示地区的序号,j表示地区的序号,k表示目标地区的序号,n表示目标地区和周边地区所有地区的数量。
可选地,所述根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性,包括:
计算所述全局莫兰指数的全局显著得分,根据所述全局显著得分和预设置信度,确定所述全局莫兰指数的全局显著性;
根据所述全局显著性和所述全局莫兰指数,确定所述目标地区的全局空间相关性,所述全局空间相关性的状态包括相关和不相关;
在所述全局空间相关性的状态为相关时,计算所述局部莫兰指数的局部显著得分,根据所述局部显著得分和所述预设置信度,确定所述局部莫兰指数的局部显著性;
根据所述局部显著性和所述局部莫兰指数,确定所述目标地区的局部空间相关性,在所述局部空间相关性的状态为相关时,根据所述局部莫兰指数,分析所述目标地区的空间相关性。
可选地,所述计算所述全局莫兰指数的全局显著得分,包括:
利用下述公式计算所述全局莫兰指数的全局显著得分:
Var(GMor)=E(GMor2)-E(GMor)2
其中,GZ表示全局莫兰指数的全局显著得分,GMor表示全局莫兰指数,E(GMor)表示全局莫兰指数理论期望值,Var9GMor)表示全局莫兰指数理论方差。
可选地,所述根据所述局部莫兰指数,分析所述目标地区的空间相关性,包括:
获取所述目标地区的周边地区及整个分析区域,所述整个分析区域包括所述目标地区和所述周边地区,计算所述整个分析区域的碳排放量均值,并计算所述目标地区与所述碳排放量均值之间的目标地区差值;
分析所述目标地区差值和所述局部莫兰指数之间的结构关系,计算所述周边地区与所述碳排放量均值之间的周边地区差值;
根据所述结构关系、目标地区差值及周边地区差值,判定所述目标地区差值和所述周边地区差值的目标正负值和周边正负值;
根据所述目标正负值和所述周边正负值,分析所述目标地区与所述周边地区相对于所述碳排放量均值的空间相关性。
为了解决上述问题,本发明还提供一种碳排放监测装置,所述装置包括:
空间权重矩阵构建模块,用于获取待监测碳排放的目标地区及其周边地区,获取所述目标地区和所述周边地区的历史碳排放数据,根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子,根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵;
目标碳排放量计算模块,用于根据所述历史碳排放数据、所述碳排放影响因子以及所述空间权重矩阵,构建所述目标地区的碳排放监测模型,获取所述目标地区和所述周边地区的实时碳排放数据,根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量;
空间相关性分析模块,用于根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数,根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性;
监测报告生成模块,用于根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告。
可以看出,本发明实施例通过获取待监测碳排放的目标地区及其周边地区,获取所述目标地区和所述周边地区的历史碳排放数据可以得到目标地区及其周边地区的历史监测数据,为后续分析碳排放影响因子和构建碳排放监测模型提供基本数据对象,根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子可以确定目标地区碳排放的决定因素,以为后续构建目标地区的更准确的碳排放监测模型,并根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵可以为后续构建碳排放监测模型提供参数依据;其次,本发明实施例通过根据所述历史碳排放数据和所述碳排放影响因子,构建所述目标地区的碳排放监测模型对后续更为准确的计算目标地区的目标碳排放量具有决定性作用,并获取所述目标地区和所述周边地区的实时碳排放数据为计算目标地区的目标碳排放量提供碳排放影响因子的相关数据,及根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量可得到目标地区碳排放量更准确的监测结果,实现问题意图的基本层面;进一步地,本发明实施例通过根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数可以得到目标地区的全局空间相关性和局部空间相关性的判断指标,并根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性可以判定所述目标地区在所处的周边地区及整个分析区域的全局空间相关性和局部空间相关性,以为后续对所述目标地区与所述周边地区的空间关系作出判断,最后根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告不仅可以得到目标地区碳排放量更准确的监测结果实现问题意图的基本层面,而且可以得到目标地区与周边地区之间的空间相关性,实现对问题意图更深层次的分析。因此,本发明实施例提出的一种碳排放监测方法及装置,可以提高碳排放监测的准确全面性。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种碳排放监测方法。所述碳排放监测方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述碳排放监测方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network,CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示,为本发明一实施例提供的碳排放监测方法的流程示意图。在本发明实施例中,所述碳排放监测方法包括:
S1、获取待监测碳排放的目标地区及其周边地区,获取所述目标地区和所述周边地区的历史碳排放数据,根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子,根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵。
本发明实施例中,所述目标地区是指将要对碳排放量进行监测的地理区域范围。所述周边地区是指所述目标地区附近的地方。所述目标地区和所述周边地区都可以通过数据脚本获取,所述数据脚本可以通过JS脚本语言进行编译。所述所述历史碳排放数据是指所述目标地区和所述周边地区以往的碳排放信息,包括碳排放量、人口规模、人均GDP、城镇化水平、产业结构、能源强度等,其可通过查询《中国统计年鉴》、中国碳核算数据库实现。
进一步地,本发明实施例通过根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子可以确定目标地区碳排放的决定因素,以为后续构建目标地区的更准确的碳排放监测模型。
进一步地,作为本发明的一个可选实施例,所述根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子,包括:获取待监测碳排放的目标区域,识别所述目标区域碳排放的业务场景;根据所述业务场景和所述历史碳排放数据,确定所述目标区域的碳排放的监测指标;分析所述监测指标的构成因素,识别所述构成因素中的碳排放影响因子。
进一步地,作为本发明的一个可选实施例,所述分析所述监测指标的构成因素,识别所述构成因素中的碳排放影响因子可以通过主成分分析法、因子分析法等实现。
进一步地,本发明实施例通过根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵可以为后续构建碳排放监测模型提供参数依据。
进一步地,作为本发明的一个可选实施例,所述根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵,包括:
利用下述公式构建所述目标地区与所述周边地区之间的空间权重矩阵:
其中,W表示目标地区与其周边地区之间的空间权重矩阵,kij表示地区i与地区j之间碳排放联系的贡献度,F表示碳排放影响因子,Dij表示地区i与地区j之间球面地理距离,g表示人均地区生产总值,C表示地区碳排放量,i表示地区序号,j表示地区序号。
S2、根据所述历史碳排放数据、所述碳排放影响因子以及所述空间权重矩阵,构建所述目标地区的碳排放监测模型,获取所述目标地区和所述周边地区的实时碳排放数据,根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量。
本发明实施例通过根据所述历史碳排放数据和所述碳排放影响因子,构建所述目标地区的碳排放监测模型对后续更为准确的计算目标地区的目标碳排放量具有决定性作用。
进一步地,作为本发明的一个可选实施例,所述根据所述历史碳排放数据、所述碳排放影响因子以及所述空间权重矩阵,构建所述目标地区的碳排放监测模型,包括:根据所述碳排放影响因子和所述空间权重矩阵,构建所述目标地区的碳排放初始模型;根据所述历史碳排放数据和所述碳排放初始模型,计算所述碳排放初始模型中的估计参数;根据所述估计参数和所述碳排放初始模型,确定所述目标地区的碳排放监测模型。其中,所述估计参数是指碳排放初始模型中的未知参数。
进一步地,作为本发明的一个可选实施例,所述根据所述碳排放影响因子和所述空间权重矩阵,构建所述目标地区的碳排放初始模型,包括:
利用下述公式构建所述目标地区的碳排放初始模型:
其中,I(i,t)表示序号为i的目标地区在时刻t的碳排放初始模型,μ表示目标地区碳排放常参数,F表示碳排放影响因子,α表示碳排放影响因子的弹性系数,ρ1表示碳排放空间自回归系数,W表示空间权重矩阵,ρ2表示周边地区碳排放影响因子空间自相关系数,k表示碳排放影响因子序号,n表示碳排放影响因子的数量,i表示目标地区的序号,j表示目标地区的周边地区的序号,ε表示误差项,П表示连乘符号。
进一步地,作为本发明的一个可选实施例,所述根据所述历史碳排放数据和所述碳排放初始模型,计算所述碳排放初始模型中的估计参数,包括:筛选所述历史碳排放数据中的样本数据,利用所述碳排放初始模型和所述样本数据,计算样本回归矩阵;计算所述样本回归矩阵的目标函数,计算所述目标函数最小时的最优解,根据所述最优解,确定所述碳排放初始模型中的估计参数。
进一步地,本发明实施例通过获取所述目标地区和所述周边地区的实时碳排放数据为计算目标地区的目标碳排放量提供碳排放影响因子的相关数据,其可使用烟气在线监测系统(CEMS)直接测量。
进一步地,本发明实施例通过根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量可得到目标地区碳排放量更准确的监测结果,实现问题意图的基本层面,其可通过将所述实时碳排放数据代入所述碳排放监测模型中计算可得。
S3、根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数,根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性。
本发明实施例通过根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数可以得到目标地区的全局空间相关性和局部空间相关性的判断指标。其中,所述全局莫兰指数是指用来衡量整个空间自相关程度的一个综合性评价标准,其可用来判定空间是否出现了集聚或异常值,范围在[-1,1]之间。所述局部莫兰指数是指对所述整个空间的某个局部区域判定是否出现集聚或异常值的局部评价标准。
进一步地,作为本发明的一个可选实施例,所述根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数,包括:
利用下述公式计算所述目标地区的全局莫兰指数和局部莫兰指数:
其中,GMor表示目标地区的全局莫兰指数,LMor
k表示目标地区k的局部莫兰指数,w
ij表示空间权重矩阵第i行第j列元素,w
kj表示空间权重矩阵第k行第j列元素,x
i,x
j分别表示地区i和地区j的碳排放量,
表示目标地区和周边地区所有地区的碳排放量均值,S
2表示目标地区和周边地区所有地区的碳排放量方差,i表示地区的序号,j表示地区的序号,k表示目标地区的序号,n表示目标地区和周边地区所有地区的数量。
进一步地,本发明实施例通过根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性可以判定所述目标地区在所处的周边地区及整个分析区域的全局空间相关性和局部空间相关性,以为后续对所述目标地区与所述周边地区的空间关系作出判断。
进一步地,作为本发明的一个可选实施例,所述根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性,包括:计算所述全局莫兰指数的全局显著得分,根据所述全局显著得分和预设置信度,确定所述全局莫兰指数的全局显著性;根据所述全局显著性和所述全局莫兰指数,确定所述目标地区的全局空间相关性,所述全局空间相关性的状态包括相关和不相关;在所述全局空间相关性的状态为相关时,计算所述局部莫兰指数的局部显著得分,根据所述局部显著得分和所述预设置信度,确定所述局部莫兰指数的局部显著性;根据所述局部显著性和所述局部莫兰指数,确定所述目标地区的局部空间相关性,在所述局部空间相关性的状态为相关时,根据所述局部莫兰指数,分析所述目标地区的空间相关性。其中,所述预设置信度是指总体参数值落在样本统计值一定允许的误差范围以内的概率,一般可设定为0.05或0.1等。
进一步地,作为本发明的一个可选实施例,所述计算所述全局莫兰指数的全局显著得分,包括:
利用下述公式计算所述全局莫兰指数的全局显著得分:
Var(GMor)=E(GMor2)-E(GMor)2
其中,GZ表示全局莫兰指数的全局显著得分,GMor表示全局莫兰指数,E(GMor)表示全局莫兰指数理论期望值,Var(GMor)表示全局莫兰指数理论方差。
进一步地,作为本发明的一个可选实施例,所述根据所述全局显著得分和预设置信度,确定所述全局莫兰指数的全局显著性,包括:查询所述预设置信度对应的显著水平阈值,计算所述全局显著得分的得分绝对值,在所述得分绝对值大于所述显著水平阈值时,判定所述全局莫兰指数存在全局显著性;在所述得分绝对值不大于所述显著水平阈值时,判定所述全局莫兰指数不存在全局显著性。
进一步地,作为本发明的一个可选实施例,所述根据所述全局显著性和所述全局莫兰指数,确定所述目标地区的全局空间相关性,包括:在所述全局显著性存在时,当所述全局莫兰指数大于预设指数阈值时,确定所述目标地区具有全局空间正相关性;当所述全局莫兰指数小于预设指数阈值时,确定所述目标地区具有全局空间负相关性;当所述全局莫兰指数等于预设指数阈值时,确定所述目标地区不具有全局空间相关性。其中,所述预设指数阈值是指能够判断全局莫兰指数具有不同空间特性的临界值,一般设定为0。
需要说明的是,所述局部显著得分、所述局部显著性与所述全局显著得分、所述全局显著性的计算原理相同,在此不再赘述。
进一步地,作为本发明的一个可选实施例,所述根据所述局部莫兰指数,分析所述目标地区的空间相关性,包括:获取所述目标地区的周边地区及整个分析区域,所述整个分析区域包括所述目标地区和所述周边地区,计算所述整个分析区域的碳排放量均值,并计算所述目标地区与所述碳排放量均值之间的目标地区差值;分析所述目标地区差值和所述局部莫兰指数之间的结构关系,计算所述周边地区与所述碳排放量均值之间的周边地区差值;根据所述结构关系、目标地区差值及周边地区差值,判定所述目标地区差值和所述周边地区差值的目标正负值和周边正负值;根据所述目标正负值和所述周边正负值,分析所述目标地区与所述周边地区相对于所述碳排放量均值的空间相关性。
可选地,作为本发明的一个可选实施例,所述根据所述目标正负值和所述周边正负值,分析所述目标地区与所述周边地区相对于所述碳排放量均值的空间相关性,包括:在所述目标正负值大于预设正负阈值以及所述周边正负值大于预设正负阈值时,判定所述目标地区与所述周边地区相对于所述碳排放量均值都是碳排放高高聚集区;在所述目标正负值大于预设正负阈值以及所述周边正负值小于预设正负阈值时,判定所述目标地区与所述周边地区相对于所述碳排放量均值都是碳排放高低聚集区;在所述目标正负值小于预设正负阈值以及所述周边正负值大于预设正负阈值时,判定所述目标地区与所述周边地区相对于所述碳排放量均值都是碳排放低高聚集区;在所述目标正负值小于预设正负阈值以及所述周边正负值小于预设正负阈值时,判定所述目标地区与所述周边地区相对于所述碳排放量均值都是碳排放低低聚集区。
其中,所述预设正负阈值是指判断某个值是正数、负数或0的临界值,通常设定为0。所述碳排放高高聚集区、所述碳排放高低聚集区、所述碳排放低高聚集区及所述碳排放低低聚集区是用于表征所述目标地区与所述周边地区相对于所述碳排放量均值的空间相关性,如所述碳排放高高聚集区可理解为所述目标地区是相对于所述碳排放量均值的高碳排放地区,所述目标地区的所述周边地区也是相对于所述碳排放量均值的高碳排放地区,其他聚集区的理解类同。
S4、根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告。
本发明实施例通过根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告不仅可以得到目标地区碳排放量更准确的监测结果实现问题意图的基本层面,而且可以得到目标地区与周边地区之间的空间相关性,实现对问题意图更深层次的分析。所述目标地区的碳排放监测报告可以通过将所述目标碳排放量和所述空间相关性进行融合实现。
可以看出,本发明实施例通过获取待监测碳排放的目标地区及其周边地区,获取所述目标地区和所述周边地区的历史碳排放数据可以得到目标地区及其周边地区的历史监测数据,为后续分析碳排放影响因子和构建碳排放监测模型提供基本数据对象,根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子可以确定目标地区碳排放的决定因素,以为后续构建目标地区的更准确的碳排放监测模型,并根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵可以为后续构建碳排放监测模型提供参数依据;其次,本发明实施例通过根据所述历史碳排放数据和所述碳排放影响因子,构建所述目标地区的碳排放监测模型对后续更为准确的计算目标地区的目标碳排放量具有决定性作用,并获取所述目标地区和所述周边地区的实时碳排放数据为计算目标地区的目标碳排放量提供碳排放影响因子的相关数据,及根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量可得到目标地区碳排放量更准确的监测结果,实现问题意图的基本层面;进一步地,本发明实施例通过根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数可以得到目标地区的全局空间相关性和局部空间相关性的判断指标,并根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性可以判定所述目标地区在所处的周边地区及整个分析区域的全局空间相关性和局部空间相关性,以为后续对所述目标地区与所述周边地区的空间关系作出判断,最后根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告不仅可以得到目标地区碳排放量更准确的监测结果实现问题意图的基本层面,而且可以得到目标地区与周边地区之间的空间相关性,实现对问题意图更深层次的分析。因此,本发明实施例提出的一种碳排放监测方法及装置,可以提高碳排放监测的准确全面性。
如图2所示,是本发明碳排放监测装置的功能模块图。
本发明所述碳排放监测装置100可以安装于电子设备中。根据实现的功能,所述碳排放监测装置可以包括空间权重矩阵构建模块101、目标碳排放量计算模块102、空间相关性分析模块103以及监测报告生成模块104。本发明所述模块也可以称之为单元,是指一种能够被电子设备的处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本实施例中,关于各模块/单元的功能如下:
所述空间权重矩阵构建模块101,用于获取待监测碳排放的目标地区及其周边地区,获取所述目标地区和所述周边地区的历史碳排放数据,根据所述历史碳排放数据,识别所述目标地区的碳排放影响因子,根据所述碳排放影响因子和所述历史碳排放数据,构建所述目标地区与所述周边地区之间的空间权重矩阵;
所述目标碳排放量计算模块102,用于根据所述历史碳排放数据、所述碳排放影响因子以及所述空间权重矩阵,构建所述目标地区的碳排放监测模型,获取所述目标地区和所述周边地区的实时碳排放数据,根据所述碳排放监测模型和所述实时碳排放数据,计算所述目标地区的目标碳排放量;
所述空间相关性分析模块103,用于根据所述空间权重矩阵、所述历史碳排放数据以及所述实时碳排放数据,计算所述目标地区的全局莫兰指数和局部莫兰指数,根据所述全局莫兰指数和所述局部莫兰指数,分析所述目标地区的空间相关性;
所述监测报告生成模块104,用于根据所述目标碳排放量和所述空间相关性,生成所述目标地区的碳排放监测报告。
详细地,本发明实施例中所述碳排放监测装置100中的所述各模块在使用时采用与上述的图1中所述的碳排放监测方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本发明实施例可以基于人工智能技术对相关的数据进行获取和处理。其中,人工智能(Artificial Intelligence,AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能,感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
此外,显然“包括”一词不排除其他单元或步骤,单数不排除复数。系统权利要求中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第二等词语用来表示名称,而并不表示任何特定的顺序。
最后应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或等同替换,而不脱离本发明技术方案的精神和范围。