CN117035239B - 生物炭基肥负碳排放的量化方法、装置、设备及介质 - Google Patents
生物炭基肥负碳排放的量化方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN117035239B CN117035239B CN202311283727.0A CN202311283727A CN117035239B CN 117035239 B CN117035239 B CN 117035239B CN 202311283727 A CN202311283727 A CN 202311283727A CN 117035239 B CN117035239 B CN 117035239B
- Authority
- CN
- China
- Prior art keywords
- carbon
- carbon emission
- stage
- negative
- emission
- 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 554
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 554
- 239000003337 fertilizer Substances 0.000 title claims abstract description 50
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000006386 neutralization reaction Methods 0.000 claims abstract description 76
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 238000003066 decision tree Methods 0.000 claims abstract description 45
- 238000011002 quantification Methods 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims description 38
- 238000000819 phase cycle Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013139 quantization Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 7
- 230000007935 neutral effect Effects 0.000 claims description 6
- 238000013138 pruning Methods 0.000 claims description 6
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 3
- 239000003610 charcoal Substances 0.000 claims 1
- 230000009467 reduction Effects 0.000 abstract description 5
- 238000011161 development Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 239000003516 soil conditioner Substances 0.000 description 1
- 239000002881 soil fertilizer Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及一种生物炭基肥负碳排放的量化方法、装置、设备及介质，调取用户碳排放测试报告，用户碳排放测试报告包括各个阶段的碳排放量数据；对碳排放生命周期中各个阶段进行属性识别，通过属性识别确定出碳排放正负值；将各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，输出各个阶段对应的评分结果；基于各个阶段中携带有炭基肥因子的负碳阶段，参照评分结果对负碳阶段进行碳中和量化的设定；在用户碳排放测试报告中生成负碳阶段的持续周期，以通过持续周期确定用户碳排放测试报告的碳中和量为正值；更好地理解和管理其碳排放情况，制定适当的减排策略，并推动可持续发展。
Description
技术领域
本发明涉及碳中和技术领域，特别涉及一种生物炭基肥负碳排放的量化方法、装置、设备及介质。
背景技术
随着全球温室气体排放量的增加，气候变化问题越来越受到关注，为了减缓温室效应，各国都在寻求降低碳排放的方法，农业是主要的符碳排放来源之一，涉及土地利用变化、化肥使用、农作物分解等；生物炭基肥作为一种可持续的农业实践，被视为一种缓解这些碳排放的方法。
在当前环境保护和碳排放减少的背景下，生物炭基肥作为一种可持续的土壤改良剂和肥料，受到越来越多的关注；为了评估生物炭基肥的负碳排放量，生物炭基肥的负碳排放能力的量化一直是一个挑战，但如何准确识别并量化各个阶段的碳排放量是目前亟待解决的问题。
发明内容
本发明的主要目的为提供一种生物炭基肥负碳排放的量化方法、装置、设备及介质，通过综合利用决策树评分模型和负碳阶段的碳中和量化设定，对碳排放数据进行评估和管理，以得到对碳中和能力的量化和评分结果，从而更好地理解和管理其碳排放情况，制定适当的减排策略，并推动可持续发展。
为实现上述目的，本发明提供了一种生物炭基肥负碳排放的量化方法，包括以下步骤：
调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；
对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；
将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；
基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；
基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值。
进一步地，对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值的步骤，包括：
将所述用户碳排放测试报告中各个碳排放种类进行区分；
将各个所述的碳排放种类对应的各个碳排放阶段进行区分，并将区分后的各个碳排放阶段序列加载在对应的碳排放种类上；其中，所述的碳排放阶段序列为对应碳排放种类的生命周期下，各个碳排放阶段被区分后的排序序列；
对各个所述的碳排放阶段序列中对应的序列子项进行文字识别和数字识别，基于对所述序列子项的识别，判断是否大于所预设定的子项阈值；其中，在预设定所述子项阈值时，通过序列子项的文字确定出对应的子项性质，并基于所述子项性质对应设置子项阈值；
基于所述子项性质和所述的判断，确定出各个阶段下的碳排放正负值。
进一步地，将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型的步骤中，所述决策树评分模型的处理方法，包括：
基于各种所述的碳排放种类匹配对应数量的根结点；
基于与所述碳排放种类相关联的碳排放阶段序列生成对应的内结点，并各个所述的内结点排放于根结点的里侧，并生成与各个内结点相匹配的叶结点；其中，所述的叶节点由数值化的碳排放量数据与内结点匹配而生成；
在所述各个叶节点上，通过所述的碳排放正负值生成与碳排放正值对应的正向量度的第一碳排放向量、以及生成与碳排放负值对应的反向量度的第二碳排放向量；
基于各个所述的根结点，对各个所述内结点上的叶节点进行决策树的递归，通过递归所结合的关键词由第一碳排放向量和第二碳排放向量结合得到关键词数值；其中，所述的关键词为碳排放量、碳中和量和负碳排放净值量；
通过所述的递归，将整合归并在各个所述根结点上的关键词数值对应的整合向量进行评估，以生成与所述关键词一一对应的碳排放量评分、碳中和量评分和负碳排放净值量评分的评分结果。
进一步地，所述决策树的递归包括信息熵计算、基尼指数计算、预剪枝及后剪枝处理、和连续值与缺失值处理。
进一步地，所述整合向量为第一碳排放向量和第二碳排放向量在决策树递归的过程中累加整合得到的向量。
进一步地，基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定的步骤，包括：
获取所述决策树评分模型输出的评分结果；
将所述评分结果携带附加在对应的各个阶段中；
识别所述各个阶段中具有对应生命周期的炭基肥因子的负碳阶段；
基于所述的各个阶段的评分结果，确定出至少保持整个碳排放生命周期处于碳中和状态的负碳需要量，并根据所述的负碳需要量以设置负碳阶段对应的生命周期，以进行负碳阶段的生命周期碳中和量化。
进一步地，基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值的步骤，包括：
通过所述的负碳阶段的生命周期碳中和量化，将各个具有炭基肥因子的负碳阶段在所述用户碳排放测试报告中生成负碳阶段的持续周期。
本发明还提出一种生物炭基肥负碳排放的量化装置，包括：
调取单元，用于调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；
识别单元，用于对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；
评分单元，用于将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；
量化单元，用于基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；
监测单元，用于基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值。
本发明还提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时实现上述生物炭基肥负碳排放的量化方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述生物炭基肥负碳排放的量化方法的步骤。
本发明提供的生物炭基肥负碳排放的量化方法、装置、设备及介质，具有以下有益效果：
碳排放量的精确评估：通过调取用户碳排放测试报告并进行属性识别，以准确识别各个阶段的碳排放正负值，从而更精确地评估用户的碳排放量。
决策树评分模型：通过将各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型，以对用户的碳排放量、碳中和量和负碳排放净值量进行评分，为用户提供量化的参考。
碳中和量的设定：基于评分结果和负碳阶段的炭基肥因子，可以设定负碳阶段的碳中和量，以确保在整个碳排放生命周期中达到碳中和状态，减少碳排放对环境的负面影响。
持续周期的生成：根据对负碳阶段进行碳中和量化的设定，以在用户碳排放测试报告中生成负碳阶段的持续周期，以确定用户碳排放测试报告的碳中和量为正值，更加准确地量化负碳阶段的碳中和效果。
附图说明
图1是本发明一实施例中生物炭基肥负碳排放的量化方法的流程示意图；
图2是本发明一实施例中生物炭基肥负碳排放的量化装置的结构框图；
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处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。
参照图1为本发明提出的生物炭基肥负碳排放的量化方法的流程示意图，包括以下步骤：
S1，调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；
在S1中，通过调取存储在数据库中的用户碳排放测试报告，其中包括用户在不同碳排放种类的碳排放生命周期下各个阶段的碳排放量数据，以提供用户在不同阶段的碳排放情况的详细数据，有助于对碳排放量进行准确评估和分析；对于制定针对性的减排策略和减少碳排放的行动计划提供便利。
S2，对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；
在S2中，通过对碳排放生命周期中的各个阶段进行属性识别，以确定每个阶段的碳排放正负值，其中，属性识别是用于区分每个阶段是正碳排放还是负碳排放的识别方式，通过对每个阶段进行属性识别，可以准确地识别和量化负碳阶段的碳排放效果，有助于评估负碳阶段对整体碳排放量的抵消作用。
S3，将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；
在S3中，决策树评分模型将各个阶段的碳排放量数据和碳排放正负值加载至模型中，用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分；评分模型通过分析和比较各个阶段的数据，为每个阶段生成相应的评分结果；以量化用户的碳排放情况，并根据评分结果为用户提供针对性的建议和措施，以减少碳排放量和增加负碳排放净值量。
S4，基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；
在S4中，炭基肥因子可用于负碳阶段的碳中和量化设定；根据先前的评分结果，以参照结果来设定负碳阶段的碳中和量；炭基肥因子是用于量化和评估炭基肥在负碳阶段中的碳中和效果的指标；通过设定负碳阶段的碳中和量，以确保在整个碳排放生命周期中达到碳中和状态，从而减少对环境的负面碳排放影响。
S5，基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值。
在S5中，通过对负碳阶段进行碳中和量化的设定，以在用户碳排放测试报告中生成负碳阶段的持续周期；通过持续周期，可以确定用户碳排放测试报告的碳中和量为正值，即达到了碳中和的状态；准确地量化负碳阶段的碳中和效果，并为用户提供具体的数值结果，以评估和跟踪负碳阶段的影响和效果。这将有助于提醒和鼓励用户继续实施负碳行动，减少碳排放，以实现可持续发展目标。
在一个实施例中，对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值的步骤，包括：
将所述用户碳排放测试报告中各个碳排放种类进行区分；
将各个所述的碳排放种类对应的各个碳排放阶段进行区分，并将区分后的各个碳排放阶段序列加载在对应的碳排放种类上；其中，所述的碳排放阶段序列为对应碳排放种类的生命周期下，各个碳排放阶段被区分后的排序序列；
对各个所述的碳排放阶段序列中对应的序列子项进行文字识别和数字识别，基于对所述序列子项的识别，判断是否大于所预设定的子项阈值；其中，在预设定所述子项阈值时，通过序列子项的文字确定出对应的子项性质，并基于所述子项性质对应设置子项阈值；
基于所述子项性质和所述的判断，确定出各个阶段下的碳排放正负值。
在具体的过程中：
区分碳排放种类：将用户碳排放测试报告中的不同碳排放种类进行区分。这样可以根据不同的种类划分碳排放数据，有助于对不同类型的排放进行独立评估和分析。
区分碳排放阶段：将每个碳排放种类对应的碳排放阶段进行区分，并将区分后的碳排放阶段按顺序加载在对应的碳排放种类上；以建立起每个阶段的顺序序列，便于后续的识别和分析。
文字和数字识别：对于每个阶段中对应的序列子项，进行文字识别和数字识别；通过这些识别过程，可以获取每个子项的具体信息，并用于后续的判断和分析。
子项阈值设定：根据序列子项的文字信息，确定每个子项对应的性质，并为每个性质设定相应的子项阈值。预设定这些阈值有助于后续的判断和确定每个阶段的碳排放正负值。
在一个实施例中，将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型的步骤中，所述决策树评分模型的处理方法，包括：
基于各种所述的碳排放种类匹配对应数量的根结点；
基于与所述碳排放种类相关联的碳排放阶段序列生成对应的内结点，并各个所述的内结点排放于根结点的里侧，并生成与各个内结点相匹配的叶结点；其中，所述的叶节点由数值化的碳排放量数据与内结点匹配而生成；
在所述各个叶节点上，通过所述的碳排放正负值生成与碳排放正值对应的正向量度的第一碳排放向量、以及生成与碳排放负值对应的反向量度的第二碳排放向量；
基于各个所述的根结点，对各个所述内结点上的叶节点进行决策树的递归，通过递归所结合的关键词由第一碳排放向量和第二碳排放向量结合得到关键词数值；其中，所述的关键词为碳排放量、碳中和量和负碳排放净值量；
通过所述的递归，将整合归并在各个所述根结点上的关键词数值对应的整合向量进行评估，以生成与所述关键词一一对应的碳排放量评分、碳中和量评分和负碳排放净值量评分的评分结果。
在具体的过程中：
匹配根节点：根据各种碳排放种类，生成匹配对应数量的根节点，其中，根节点用于连接不同的碳排放种类。
生成内节点和叶节点：根据与碳排放种类相关联的碳排放阶段序列，生成对应的内节点；每个内节点被排放于根节点的内部，并生成与每个内节点相匹配的叶节点；叶节点由数值化的碳排放量数据与内节点匹配而生成。
生成碳排放向量：在每个叶节点上，通过碳排放正负值生成与碳排放正值对应的正向量度的第一碳排放向量，以及生成与碳排放负值对应的反向量度的第二碳排放向量。这些向量用于描述和度量碳排放的情况。
递归决策树：基于根节点，对每个内节点上的叶节点进行决策树的递归处理。通过结合关键词和第一碳排放向量以及第二碳排放向量，使用递归结合关键词数值得到的数值用于决策树。
生成评分结果：通过对整合在根节点上的关键词数值进行评估和归并，生成与关键词一一对应的碳排放量评分、碳中和量评分和负碳排放净值量评分的结果。
具体的，所述决策树的递归包括信息熵计算、基尼指数计算、预剪枝及后剪枝处理、和连续值与缺失值处理。
而所述整合向量为第一碳排放向量和第二碳排放向量在决策树递归的过程中累加整合得到的向量。
在一个实施例中，基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定的步骤，包括：
获取所述决策树评分模型输出的评分结果；
将所述评分结果携带附加在对应的各个阶段中；
识别所述各个阶段中具有对应生命周期的炭基肥因子的负碳阶段；
基于所述的各个阶段的评分结果，确定出至少保持整个碳排放生命周期处于碳中和状态的负碳需要量，并根据所述的负碳需要量以设置负碳阶段对应的生命周期，以进行负碳阶段的生命周期碳中和量化。
在具体的步骤中：
获取评分结果：从决策树评分模型输出中获取针对每个阶段的评分结果。
附加评分结果：将评分结果与各个阶段进行关联，即将评分结果附加到各个阶段上；每个阶段都带有相应的评分结果，以便后续处理。
识别负碳阶段：在各个阶段中识别具有对应生命周期的炭基肥因子的负碳阶段其中，各个阶段具有负碳效果，即能够吸收和抵消部分碳排放。
确定负碳需要量：基于各个阶段的评分结果，确定至少需要多少负碳来实现整个碳排放生命周期的碳中和状态；负碳需要量考虑了每个阶段的负碳效果。
设置生命周期和量化：根据负碳需要量，设置负碳阶段所对应的生命周期；这样可以量化负碳阶段的碳中和效果，并将其纳入整个碳排放生命周期的计算中。
在一个实施例中，基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值的步骤，包括：
通过所述的负碳阶段的生命周期碳中和量化，将各个具有炭基肥因子的负碳阶段在所述用户碳排放测试报告中生成负碳阶段的持续周期。
具体的实施时：首先，对具有炭基肥因子的负碳阶段进行生命周期碳中和量化。此过程涉及将负碳阶段的吸收和抵消碳排放能力量化，并将其转化为与其他阶段相对的碳中和量。通过所得到的生命周期碳中和量，生成负碳阶段在用户的碳排放测试报告中的持续周期。持续周期表示负碳阶段的有效期或生命周期长度。
参考图2为本发明提出的一种生物炭基肥负碳排放的量化装置的结构框图，装置包括：
调取单元10，用于调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；
识别单元20，用于对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；
评分单元30，用于将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；
量化单元40，用于基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；
监测单元50，用于基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值。
在本实施例中，上述装置实施例中的各个单元的具体实现，请参照上述方法实施例中所述，在此不再进行赘述。
参照图3，本发明实施例中还提供一种计算机设备，该计算机设备可以是服务器，其内部结构可以如图3所示。该计算机设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中，该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解，图3中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法。可以理解的是，本实施例中的计算机可读存储介质可以是易失性可读存储介质，也可以为非易失性可读存储介质。
综上所述，调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值；通过综合利用决策树评分模型和负碳阶段的碳中和量化设定，对碳排放数据进行评估和管理，以得到对碳中和能力的量化和评分结果，从而更好地理解和管理其碳排放情况，制定适当的减排策略，并推动可持续发展。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器（ROM）、可编程ROM（PROM）、电可编程ROM（EPROM）、电可擦除可编程ROM（EEPROM）或闪存。易失性存储器可包括随机存取存储器（RAM）或者外部高速缓冲存储器。作为说明而非局限，RAM通过多种形式可得，诸如静态RAM（SRAM）、动态RAM（DRAM）、同步DRAM（SDRAM）、双速据率SDRAM（SSRSDRAM）、增强型SDRAM（ESDRAM）、同步链路（Synchlink）DRAM（SLDRAM）、存储器总线（Rambus）直接RAM（RDRAM）、直接存储器总线动态RAM（DRDRAM）、以及存储器总线动态RAM等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其它相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (8)
1.一种生物炭基肥负碳排放的量化方法，其特征在于，包括以下步骤：
调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；
对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；
将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；
基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；
基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值；
对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值的步骤，包括：
将所述用户碳排放测试报告中各个碳排放种类进行区分；
将各个所述的碳排放种类对应的各个碳排放阶段进行区分，并将区分后的各个碳排放阶段序列加载在对应的碳排放种类上；其中，所述的碳排放阶段序列为对应碳排放种类的生命周期下，各个碳排放阶段被区分后的排序序列；
对各个所述的碳排放阶段序列中对应的序列子项进行文字识别和数字识别，基于对所述序列子项的识别，判断是否大于所预设定的子项阈值；其中，在预设定所述子项阈值时，通过序列子项的文字确定出对应的子项性质，并基于所述子项性质对应设置子项阈值；
基于所述子项性质和所述的判断，确定出各个阶段下的碳排放正负值；
将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型的步骤中，所述决策树评分模型的处理方法，包括：
基于各种所述的碳排放种类匹配对应数量的根结点；
基于与所述碳排放种类相关联的碳排放阶段序列生成对应的内结点，并各个所述的内结点排放于根结点的里侧，并生成与各个内结点相匹配的叶结点；其中，所述的叶节点由数值化的碳排放量数据与内结点匹配而生成；
在所述各个叶节点上，通过所述的碳排放正负值生成与碳排放正值对应的正向量度的第一碳排放向量、以及生成与碳排放负值对应的反向量度的第二碳排放向量；
基于各个所述的根结点，对各个所述内结点上的叶节点进行决策树的递归，通过递归所结合的关键词由第一碳排放向量和第二碳排放向量结合得到关键词数值；其中，所述的关键词为碳排放量、碳中和量和负碳排放净值量；
通过所述的递归，将整合归并在各个所述根结点上的关键词数值对应的整合向量进行评估，以生成与所述关键词一一对应的碳排放量评分、碳中和量评分和负碳排放净值量评分的评分结果。
2.根据权利要求1所述的生物炭基肥负碳排放的量化方法，其特征在于，所述决策树的递归包括信息熵计算、基尼指数计算、预剪枝及后剪枝处理、和连续值与缺失值处理。
3.根据权利要求1所述的生物炭基肥负碳排放的量化方法，其特征在于，所述整合向量为第一碳排放向量和第二碳排放向量在决策树递归的过程中累加整合得到的向量。
4.根据权利要求1所述的生物炭基肥负碳排放的量化方法，其特征在于，基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定的步骤，包括：
获取所述决策树评分模型输出的评分结果；
将所述评分结果携带附加在对应的各个阶段中；
识别所述各个阶段中具有对应生命周期的炭基肥因子的负碳阶段；
基于所述的各个阶段的评分结果，确定出至少保持整个碳排放生命周期处于碳中和状态的负碳需要量，并根据所述的负碳需要量以设置负碳阶段对应的生命周期，以进行负碳阶段的生命周期碳中和量化。
5.根据权利要求2所述的生物炭基肥负碳排放的量化方法，其特征在于，基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值的步骤，包括：
通过所述的负碳阶段的生命周期碳中和量化，将各个具有炭基肥因子的负碳阶段在所述用户碳排放测试报告中生成负碳阶段的持续周期。
6.一种生物炭基肥负碳排放的量化装置，其特征在于，包括：
调取单元，用于调取预存储于数据库内的用户碳排放测试报告，所述用户碳排放测试报告包括有用户在各种碳排放种类的碳排放生命周期下，各个阶段的碳排放量数据；
识别单元，用于对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值；其中，所述属性识别是用于区分各个阶段是为正碳排放、或是为负碳排放的识别方式；
评分单元，用于将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型中，所述的决策树评分模型用于对用户的碳排放量、碳中和量和负碳排放净值量进行评分，输出各个阶段对应的评分结果；
量化单元，用于基于所述的各个阶段中携带有炭基肥因子的负碳阶段，参照所述的评分结果对负碳阶段进行碳中和量化的设定；
监测单元，用于基于所述对负碳阶段进行碳中和量化的设定，在所述用户碳排放测试报告中生成负碳阶段的持续周期，以通过所述持续周期确定用户碳排放测试报告的碳中和量为正值；
对所述碳排放生命周期中各个阶段进行属性识别，以通过所述的属性识别确定出各个阶段的碳排放正负值的步骤，包括：
将所述用户碳排放测试报告中各个碳排放种类进行区分；
将各个所述的碳排放种类对应的各个碳排放阶段进行区分，并将区分后的各个碳排放阶段序列加载在对应的碳排放种类上；其中，所述的碳排放阶段序列为对应碳排放种类的生命周期下，各个碳排放阶段被区分后的排序序列；
对各个所述的碳排放阶段序列中对应的序列子项进行文字识别和数字识别，基于对所述序列子项的识别，判断是否大于所预设定的子项阈值；其中，在预设定所述子项阈值时，通过序列子项的文字确定出对应的子项性质，并基于所述子项性质对应设置子项阈值；
基于所述子项性质和所述的判断，确定出各个阶段下的碳排放正负值；
将所述各个阶段的碳排放量数据和碳排放正负值加载至决策树评分模型的步骤中，所述决策树评分模型的处理方法，包括：
基于各种所述的碳排放种类匹配对应数量的根结点；
基于与所述碳排放种类相关联的碳排放阶段序列生成对应的内结点，并各个所述的内结点排放于根结点的里侧，并生成与各个内结点相匹配的叶结点；其中，所述的叶节点由数值化的碳排放量数据与内结点匹配而生成；
在所述各个叶节点上，通过所述的碳排放正负值生成与碳排放正值对应的正向量度的第一碳排放向量、以及生成与碳排放负值对应的反向量度的第二碳排放向量；
基于各个所述的根结点，对各个所述内结点上的叶节点进行决策树的递归，通过递归所结合的关键词由第一碳排放向量和第二碳排放向量结合得到关键词数值；其中，所述的关键词为碳排放量、碳中和量和负碳排放净值量；
通过所述的递归，将整合归并在各个所述根结点上的关键词数值对应的整合向量进行评估，以生成与所述关键词一一对应的碳排放量评分、碳中和量评分和负碳排放净值量评分的评分结果。
7.一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，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5中任一项所述生物炭基肥负碳排放的量化方法的步骤。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的生物炭基肥负碳排放的量化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311283727.0A CN117035239B (zh) | 2023-10-07 | 2023-10-07 | 生物炭基肥负碳排放的量化方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311283727.0A CN117035239B (zh) | 2023-10-07 | 2023-10-07 | 生物炭基肥负碳排放的量化方法、装置、设备及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117035239A CN117035239A (zh) | 2023-11-10 |
| CN117035239B true CN117035239B (zh) | 2024-04-30 |
Family
ID=88623042
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311283727.0A Active CN117035239B (zh) | 2023-10-07 | 2023-10-07 | 生物炭基肥负碳排放的量化方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117035239B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114119290A (zh) * | 2022-01-25 | 2022-03-01 | 国网浙江省电力有限公司绍兴供电公司 | 适用于碳排放数据的监控识别方法、装置及存储介质 |
| CN114417255A (zh) * | 2021-12-21 | 2022-04-29 | 新奥数能科技有限公司 | 一种碳排放量化平台和碳排放量化系统 |
| CN115719152A (zh) * | 2022-11-29 | 2023-02-28 | 布瑞克农业大数据科技集团有限公司 | 一种农业碳排放管理方法和系统 |
| CN116522094A (zh) * | 2023-06-30 | 2023-08-01 | 深圳卓亿环境科技有限公司 | 区域碳中和的分析测算方法、装置、设备及存储介质 |
-
2023
- 2023-10-07 CN CN202311283727.0A patent/CN117035239B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114417255A (zh) * | 2021-12-21 | 2022-04-29 | 新奥数能科技有限公司 | 一种碳排放量化平台和碳排放量化系统 |
| CN114119290A (zh) * | 2022-01-25 | 2022-03-01 | 国网浙江省电力有限公司绍兴供电公司 | 适用于碳排放数据的监控识别方法、装置及存储介质 |
| CN115719152A (zh) * | 2022-11-29 | 2023-02-28 | 布瑞克农业大数据科技集团有限公司 | 一种农业碳排放管理方法和系统 |
| CN116522094A (zh) * | 2023-06-30 | 2023-08-01 | 深圳卓亿环境科技有限公司 | 区域碳中和的分析测算方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117035239A (zh) | 2023-11-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Heilmayr et al. | Impacts of Chilean forest subsidies on forest cover, carbon and biodiversity | |
| Morin et al. | Is your ad hoc model selection strategy affecting your multimodel inference? | |
| Xiao et al. | A strong test of the maximum entropy theory of ecology | |
| CN110458324B (zh) | 风险概率的计算方法、装置和计算机设备 | |
| CN112001520B (zh) | 天气预报方法、装置、计算机设备及存储介质 | |
| Salas-Eljatib et al. | On studying the patterns of individual-based tree mortality in natural forests: A modelling analysis | |
| CN112232951B (zh) | 基于多维度交叉特征的信用评价方法、装置、设备及介质 | |
| CN110909975B (zh) | 科研平台效益评估方法、装置 | |
| CN112347474A (zh) | 一种安全威胁情报的构建方法、装置、设备和存储介质 | |
| Nguyen et al. | Determining relevant training data for effort estimation using Window-based COCOMO calibration | |
| CN111178714A (zh) | 亲密度确定方法、装置、计算机设备和存储介质 | |
| CN117035239B (zh) | 生物炭基肥负碳排放的量化方法、装置、设备及介质 | |
| Vicente et al. | Existing indicators do not adequately monitor progress toward meeting invasive alien species targets | |
| Kusa et al. | Vombat: A tool for visualising evaluation measure behaviour in high-recall search tasks | |
| CN113780673A (zh) | 离职预测模型的训练方法、装置及离职预测方法、装置 | |
| CN111401055B (zh) | 从金融资讯提取脉络信息的方法和装置 | |
| Döbert et al. | Can leaf area index and biomass be estimated from B raun‐B lanquet cover scores in tropical forests? | |
| CN110570165A (zh) | 数据节点的监控方法、装置、计算机设备及其存储介质 | |
| CN113435857B (zh) | 应聘者数据分析方法及装置 | |
| CN112507129B (zh) | 配电网作业文件的内容变动处理方法及相关设备 | |
| Lokan et al. | Investigating the use of chronological splitting to compare software cross-company and single-company effort predictions | |
| CN114880637A (zh) | 账户风险的验证方法、装置、计算机设备和存储介质 | |
| CN114372867A (zh) | 用户信用度的验证评估方法、装置和计算机设备 | |
| CN113919318A (zh) | 企业指标数据的处理方法、装置、计算机设备及存储介质 | |
| CN114386525B (zh) | 一种评估标准的自适应调整方法、装置、设备和存储介质 |
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 |