CN117391727B - 一种负碳排放的碳中和方法及系统 - Google Patents

一种负碳排放的碳中和方法及系统 Download PDF

Info

Publication number
CN117391727B
CN117391727B CN202311665911.1A CN202311665911A CN117391727B CN 117391727 B CN117391727 B CN 117391727B CN 202311665911 A CN202311665911 A CN 202311665911A CN 117391727 B CN117391727 B CN 117391727B
Authority
CN
China
Prior art keywords
carbon
finite element
data
data set
neutralization
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
Application number
CN202311665911.1A
Other languages
English (en)
Other versions
CN117391727A (zh
Inventor
张文斌
聂原宽
张家平
王建新
张金红
龙泽望
刘言甫
王玉云
王鹏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Carbonneutral Bio Gas Co ltd
Original Assignee
Shenzhen Carbonneutral Bio Gas Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Carbonneutral Bio Gas Co ltd filed Critical Shenzhen Carbonneutral Bio Gas Co ltd
Priority to CN202311665911.1A priority Critical patent/CN117391727B/zh
Publication of CN117391727A publication Critical patent/CN117391727A/zh
Application granted granted Critical
Publication of CN117391727B publication Critical patent/CN117391727B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q30/00—Commerce
    • G06Q30/018—Certifying business or products
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/188—Vegetation
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Marketing (AREA)
  • Multimedia (AREA)
  • Economics (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Finance (AREA)
  • Remote Sensing (AREA)
  • Accounting & Taxation (AREA)
  • Astronomy & Astrophysics (AREA)
  • Primary Health Care (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Human Resources & Organizations (AREA)

Abstract

本发明涉及负碳排放领域，公开了一种负碳排放的碳中和方法及系统，用于提高碳中和策略预测的准确率。方法包括：获取目标区域的原始碳排放数据集以及区域遥感数据集，并进行数据预处理，得到标准碳排放数据集；根据区域遥感数据集构建有限元分析模型，并进行分割区域提取，得到多个有限元网格区域；根据多个有限元网格区域，进行时间序列分类以及空间关系映射，得到目标碳排放数据集；分别对目标碳排放数据集进行特征提取，得到多个碳排放数据特征；将多个碳排放数据特征输入碳中和分析模型集进行碳中和分析，得到碳中和分析结果；根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并创建目标区域对应的目标碳中和策略。

Description

一种负碳排放的碳中和方法及系统
技术领域
本发明涉及负碳排放领域，尤其涉及一种负碳排放的碳中和方法及系统。
背景技术
随着全球气候变化日益严重，减少温室气体排放并实现碳中和成为全球范围内的紧迫任务。碳中和是一种旨在抵消碳排放并减少大气中温室气体浓度的关键战略，它对抗气候变化、保护生态系统和维护可持续发展至关重要。在这一背景下，研究负碳排放碳中和方法变得至关重要。负碳排放是指某一地区或活动的净碳排放为负值，即它吸收大气中的二氧化碳，而不仅仅是减少排放。负碳排放碳中和是一种创新性的方法，旨在实现负碳排放，有助于全球碳平衡和气候稳定。
但是现有方案通常是基于人工经验进行碳中和分析和测算，人工经验容易导致碳中和分析和测算的误差较大，进而导致制定的碳中和策略准确率低。
发明内容
本发明提供了一种负碳排放的碳中和方法及系统，用于提高碳中和策略预测的准确率。
本发明第一方面提供了一种负碳排放的碳中和方法，所述负碳排放的碳中和方法包括：
获取目标区域的原始碳排放数据集以及区域遥感数据集，并对所述原始碳排放数据集进行数据预处理，得到标准碳排放数据集；
根据所述区域遥感数据集构建所述目标区域的有限元分析模型，并对所述有限元分析模型进行分割区域提取，得到多个有限元网格区域；
根据所述多个有限元网格区域，对所述标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集；
分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征；
将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果；
根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略。
结合第一方面，在本发明第一方面的第一种实现方式中，所述获取目标区域的原始碳排放数据集以及区域遥感数据集，并对所述原始碳排放数据集进行数据预处理，得到标准碳排放数据集，包括：
基于预置的碳排放数据库获取目标区域的原始碳排放数据集，其中，所述原始碳排放数据集包括：气象数据、土壤数据、植被数据及能源使用数据；
对所述目标区域进行卫星遥感数据采集，得到卫星遥感图像数据、地理信息系统数据及激光雷达数据；
对所述卫星遥感图像数据、所述地理信息系统数据及所述激光雷达数据进行识别和分析，得到区域遥感数据集，其中，所述区域遥感数据集包括地形数据、地貌数据、土地覆盖数据及植被类型数据；
对所述原始碳排放数据集进行缺失值插值，得到第一碳排放数据集，并对所述第一碳排放数据集进行数据清洗，得到第二碳排放数据集，以及对所述第二碳排放数据集进行归一化处理，得到标准碳排放数据集。
结合第一方面，在本发明第一方面的第二种实现方式中，所述根据所述区域遥感数据集构建所述目标区域的有限元分析模型，并对所述有限元分析模型进行分割区域提取，得到多个有限元网格区域，包括：
对所述区域遥感数据集进行噪声去除和数据偏差校正，得到标准遥感数据集；
通过预置的有限元分析算法，对所述目标区域进行有限元网格单元划分，得到多个第一有限元网格单元；
根据所述标准遥感数据集，分别确定每个第一有限元网格单元对应的地质特性和植被属性；
根据所述地质特性和所述植被属性，对每个第一有限元网格单元进行边界优化，生成多个第二有限元网格单元，并根据所述多个第二有限元网格单元生成所述目标区域的有限元分析模型；
根据预设的区域划分规则，对所述有限元分析模型进行区域分割，得到多个有限元网格区域。
结合第一方面，在本发明第一方面的第三种实现方式中，所述根据所述多个有限元网格区域，对所述标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集，包括：
通过动态时间弯曲算法，计算所述标准碳排放数据集中每对时间序列数据之间的距离，生成目标距离矩阵；
通过序列度量算法，将所述标准碳排放数据集中的多个时间序列数据合并成一个代表性的时间序列，得到代表性序列数据；
根据所述目标距离矩阵和所述代表性序列数据，将所述标准碳排放数据集输入预置的聚类模型进行类别划分，得到多个不同类别的目标碳排放数据；
根据所述多个有限元网格区域，对所述多个不同类别的目标碳排放数据进行空间关系映射，得到每个有限元网格区域的目标碳排放数据集。
结合第一方面，在本发明第一方面的第四种实现方式中，所述分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征，包括：
分别将每个有限元网格区域的目标碳排放数据集输入预置的特征提取网络，其中，所述特征提取网络包括第一卷积长短时记忆网络以及第二卷积长短时记忆网络；
通过所述第一卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第一隐藏数据特征；
通过所述第二卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第二隐藏数据特征；
对所述多个第一隐藏数据特征和所述多个第二隐藏数据特征进行特征融合，得到每个有限元网格区域的多个碳排放数据特征。
结合第一方面，在本发明第一方面的第五种实现方式中，所述将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果，包括：
将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集，其中，所述碳中和分析模型集包括：多个碳中和分析模型，每个碳中和分析模型包括：双向长短时记忆网络、单向长短时记忆网络以及全连接网络；
通过所述多个碳中和分析模型中的双向长短时记忆网络，分别对每个有限元网格区域的多个碳排放数据特征进行特征编码处理，得到每个有限元网格区域的目标编码特征；
通过所述多个碳中和分析模型中的单向长短时记忆网络，分别对每个有限元网格区域的目标编码特征进行特征解码，得到每个有限元网格区域的多个解码特征；
通过所述多个碳中和分析模型中的全连接网络，分别对每个有限元网格区域的多个解码特征进行碳中和分析，得到每个有限元网格区域的碳中和分析结果。
结合第一方面，在本发明第一方面的第六种实现方式中，所述根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略，包括：
根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并对每个有限元网格区域的初始碳中和策略进行策略融合，得到融合碳中和策略；
通过预置的遗传算法，对所述融合碳中和策略进行策略种群初始化处理，生成初始碳中和策略群体，其中，所述初始碳中和策略群体包括多个第一候选碳中和策略；
分别计算每个第一候选碳中和策略的第一适应度数据，并根据所述第一适应度数据对所述多个第一候选碳中和策略进行群体划分，得到多个第一碳中和策略群体；
分别对所述多个第一碳中和策略群体进行繁殖、遗传和变异处理，生成多个第二候选碳中和策略；
分别计算每个第二候选碳中和策略的第二适应度数据，并根据所述第二适应度数据对所述多个第二候选碳中和策略进行最优化分析，得到所述目标区域对应的目标碳中和策略。
本发明第二方面提供了一种负碳排放的碳中和系统，所述负碳排放的碳中和系统包括：
获取模块，用于获取目标区域的原始碳排放数据集以及区域遥感数据集，并对所述原始碳排放数据集进行数据预处理，得到标准碳排放数据集；
构建模块，用于根据所述区域遥感数据集构建所述目标区域的有限元分析模型，并对所述有限元分析模型进行分割区域提取，得到多个有限元网格区域；
分类模块，用于根据所述多个有限元网格区域，对所述标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集；
提取模块，用于分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征；
分析模块，用于将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果；
创建模块，用于根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略。
本发明第三方面提供了一种负碳排放的碳中和设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述负碳排放的碳中和设备执行上述的负碳排放的碳中和方法。
本发明的第四方面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中存储有指令，当其在计算机上运行时，使得计算机执行上述的负碳排放的碳中和方法。
本发明提供的技术方案中，获取目标区域的原始碳排放数据集以及区域遥感数据集，并进行数据预处理，得到标准碳排放数据集；根据区域遥感数据集构建有限元分析模型，并进行分割区域提取，得到多个有限元网格区域；根据多个有限元网格区域，进行时间序列分类以及空间关系映射，得到目标碳排放数据集；分别对目标碳排放数据集进行特征提取，得到多个碳排放数据特征；将多个碳排放数据特征输入碳中和分析模型集进行碳中和分析，得到碳中和分析结果；根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并创建目标区域对应的目标碳中和策略，本发明通过获取原始碳排放数据集和区域遥感数据集，然后对数据进行预处理，使其更具可分析性。这有助于提高数据质量，减少噪声和错误，从而提高了碳中和分析的准确性。通过建立有限元分析模型和分割区域提取，考虑了目标区域内不同地理位置的差异性。这允许制定个性化的碳中和策略，以针对每个有限元网格区域的特定情况，最大程度地减少碳排放或实现碳捕获。通过对标准碳排放数据集进行时间序列分类，方法考虑了碳排放随时间的变化趋势。这有助于更好地理解碳排放的季节性和周期性变化，从而更有效地规划碳中和策略。通过对每个有限元网格区域的目标碳排放数据集进行特征提取，方法将原始数据降维为更具代表性的特征集合。这减少了数据的复杂性，同时保留了关键信息，有助于更快速和精确地进行碳中和分析。采用预置的碳中和分析模型集，方法可以根据特定区域的需求和情况选择合适的分析模型。这种个性化选择提高了模型的适用性和准确性。根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，然后综合这些策略，创建整体的目标碳中和策略，进而提高了碳中和策略预测的准确率。
附图说明
图1为本发明实施例中负碳排放的碳中和方法的一个实施例示意图；
图2为本发明实施例中分割区域提取的流程图；
图3为本发明实施例中时间序列分类以及空间关系映射的流程图；
图4为本发明实施例中特征提取的流程图；
图5为本发明实施例中负碳排放的碳中和系统的一个实施例示意图；
图6为本发明实施例中负碳排放的碳中和设备的一个实施例示意图。
具体实施方式
本发明实施例提供了一种负碳排放的碳中和方法及系统，用于提高碳中和策略预测的准确率。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中负碳排放的碳中和方法的一个实施例包括：
S101、获取目标区域的原始碳排放数据集以及区域遥感数据集，并对原始碳排放数据集进行数据预处理，得到标准碳排放数据集；
可以理解的是，本发明的执行主体可以为负碳排放的碳中和系统，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，服务器基于预置的碳排放数据库获取目标区域的原始碳排放数据集。这些原始碳排放数据包括气象数据、土壤数据、植被数据以及能源使用数据。这些数据是评估碳排放的重要输入因素，因为气象条件、土壤质地、植被覆盖和能源使用方式都会影响碳排放水平。例如，气温、湿度和降水量等气象数据可以影响植物生长和碳储存。对目标区域进行卫星遥感数据采集。这包括获取卫星遥感图像数据、地理信息系统数据以及激光雷达数据。这些数据可以提供详细的地理和环境信息，例如地形、地貌、土地覆盖和植被类型。这些信息对于精确评估碳排放和制定碳中和策略至关重要。例如，卫星遥感图像可以提供植被覆盖的变化情况，而激光雷达数据可以用于测量地形高程。对卫星遥感图像数据、地理信息系统数据以及激光雷达数据进行识别和分析，以得到区域遥感数据集。这个数据集包括地形数据、地貌数据、土地覆盖数据以及植被类型数据。例如，通过卫星遥感图像识别，可以确定目标区域内不同地区的植被类型，如森林、草地或农田。对原始碳排放数据集进行缺失值插值，以获得第一碳排放数据集。这一步骤旨在填补数据中存在的缺失值，以确保数据的完整性和可用性。例如，如果某一地区的气象数据缺失，可以使用插值方法来估算缺失值，以维持数据的完整性。对第一碳排放数据集进行数据清洗，以获得第二碳排放数据集。数据清洗的目的是去除异常值、噪声和不准确的数据，以提高数据质量。例如，如果某个时间点的碳排放数据看起来异常高，需要进一步检查和校正。对第二碳排放数据集进行归一化处理，以得到标准碳排放数据集。归一化是为了将不同类型的数据统一到相同的尺度，以便进行后续的分析和比较。例如，将各种碳排放数据指标转化为相同的量级或百分比，以便进行综合评估。
S102、根据区域遥感数据集构建目标区域的有限元分析模型，并对有限元分析模型进行分割区域提取，得到多个有限元网格区域；
具体的，服务器需要处理区域遥感数据集，以去除噪声并校正数据偏差，得到标准遥感数据集。这一步骤的目的是确保数据的准确性和可靠性。例如，如果遥感数据中存在异常值或传感器误差，需要进行数据清洗和修正。利用预置的有限元分析算法，对目标区域进行有限元网格单元的划分。将目标区域分割成多个第一有限元网格单元。有限元分析算法通常基于数学方法和物理原理，将地理区域划分为离散的网格单元，以便后续建立模型。基于标准遥感数据集，为每个第一有限元网格单元确定地质特性和植被属性。这些特性包括土地类型、土壤质地、地形高程、植被覆盖程度等。这些数据有利于提高有限元分析模型的精确性。基于地质特性和植被属性，对每个第一有限元网格单元进行边界优化，以生成多个第二有限元网格单元。这一步骤的目的是根据地理条件和物理特性更精细地划分有限元网格，以更准确地反映目标区域的复杂性。利用多个第二有限元网格单元，生成目标区域的有限元分析模型。这个模型将考虑各个网格单元之间的相互作用和边界条件，以模拟碳排放的分布和变化。有限元分析通常涉及数值方法，用于解决偏微分方程，描述碳排放在区域内的行为。根据预设的区域划分规则，对整个有限元分析模型进行区域分割，得到多个有限元网格区域。这些区域是按照地理特性、管理边界或其他标准来定义的。每个有限元网格区域将成为进一步碳中和分析和策略制定的基础。例如，假设服务器考虑一个林地区域，希望实施负碳排放的碳中和措施。服务器采集了该区域的卫星遥感数据，包括植被覆盖和地形信息。利用有限元分析算法，将该区域划分成第一有限元网格单元。服务器分析了每个网格单元的地质特性，例如土壤类型和地形高程，以及植被属性，如森林覆盖率。服务器根据这些属性对网格单元进行边界优化，生成更精细的第二有限元网格单元。服务器使用这些网格单元构建了有限元分析模型，以模拟碳排放的分布。根据预设的区域划分规则，服务器将该模型分割成多个有限元网格区域，以便进一步研究如何在每个区域内实施负碳排放措施，从而实现整个区域的碳中和目标。
S103、根据多个有限元网格区域，对标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集；
需要说明的是，采用动态时间弯曲算法（Dynamic Time Warping，DTW），计算标准碳排放数据集中每对时间序列数据之间的距离。DTW是一种用于比较两个时间序列之间的相似度的方法，它可以克服时间序列之间的时间偏移和变化速度不同的问题。这一步骤将生成一个目标距离矩阵，其中包含了每对时间序列数据之间的相似性度量。采用序列度量算法，将标准碳排放数据集中的多个时间序列数据合并成一个代表性的时间序列。这个代表性序列数据可以看作是整个区域的平均或典型碳排放模式。这有助于降低数据的复杂性，并提供更清晰的数据视图。利用目标距离矩阵和代表性序列数据，将标准碳排放数据集输入预置的聚类模型，进行时间序列分类。聚类模型可以采用K均值聚类、层次聚类或其他聚类算法。这将使得数据集中的时间序列被分成多个不同的类别，每个类别代表了不同的碳排放模式。根据多个有限元网格区域，对多个不同类别的目标碳排放数据进行空间关系映射。这一步骤的目的是将时间序列分类结果与地理区域关联起来，以便在每个有限元网格区域内进行碳中和分析。例如，将某一类别的碳排放时间序列数据分配给与之空间位置相关联的有限元网格区域。例如，假设服务器正在考虑一片森林区域，希望实施负碳排放的策略。服务器已经采集了这个区域的标准碳排放数据，包括不同时间段内的碳排放量。服务器使用动态时间弯曲算法计算了每对时间序列之间的距离，生成了距离矩阵。通过序列度量算法，将这些时间序列合并成一个代表性序列，以代表整个森林区域的碳排放模式。服务器将代表性序列和距离矩阵输入聚类模型，进行时间序列分类。模型将时间序列分成几个不同的类别，每个类别代表了不同的碳排放模式，如季节性变化、增长趋势等。服务器将这些不同类别的时间序列数据与森林区域的有限元网格区域进行关联，得到每个有限元网格区域的目标碳排放数据集。
S104、分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征；
具体的，服务器构建特征提取网络，这个网络包括了第一卷积长短时记忆网络和第二卷积长短时记忆网络。这些网络是深度学习模型，用于从时间序列数据中提取隐藏特征。ConvLSTM结合了卷积神经网络（CNN）和长短时记忆网络（LSTM）的特点，适用于处理时间序列数据。对于每个有限元网格区域的目标碳排放数据集，通过第一卷积长短时记忆网络，进行隐藏特征提取。这一步骤将从时间序列数据中提取出多个第一隐藏数据特征。这些特征包括时间序列数据的空间分布、趋势、周期性等信息。ConvLSTM通过卷积操作捕捉了数据的空间关系，通过LSTM单元捕捉了数据的时间依赖性。同样地，通过第二卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取。这一步骤将得到多个第二隐藏数据特征，这些特征与第一隐藏数据特征有所不同，因为第二卷积长短时记忆网络会捕捉到不同的数据模式和关联性。对多个第一隐藏数据特征和多个第二隐藏数据特征进行特征融合，以得到每个有限元网格区域的多个碳排放数据特征。特征融合可以采用多种方式，例如简单的拼接、加权平均或更复杂的操作，以将两组特征融合成一个综合的特征向量。例如，考虑一个城市的碳排放监测系统，分为多个有限元网格区域，每个区域有自己的碳排放时间序列数据。服务器构建了特征提取网络，包括第一卷积长短时记忆网络和第二卷积长短时记忆网络。对于第一个区域，通过第一卷积长短时记忆网络，服务器提取了第一隐藏数据特征，例如该区域的碳排放趋势和季节性模式。同时，通过第二卷积长短时记忆网络，服务器提取了第二隐藏数据特征，例如该区域的空间相关性和异常模式。对于第二个区域，同样地，服务器使用相同的网络结构提取了第一和第二隐藏数据特征。服务器将这两个区域的特征融合在一起，得到了每个区域的多个碳排放数据特征，这些特征综合考虑了时间序列数据的空间和时间关系，有助于更好地理解和分析碳排放行为。通过这些特征，服务器进行更深入的碳中和分析，例如确定哪些区域需要更多的碳减排措施，哪些区域适合进行碳储存项目，以实现负碳排放目标。特征提取网络的使用使得服务器能够从复杂的时间序列数据中提取有用的信息，以指导碳中和策略的制定和实施。
S105、将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果；
具体的，服务器需要构建碳中和分析模型集，该集合包括多个碳中和分析模型。每个碳中和分析模型包括Bi-LSTM、Uni-LSTM以及全连接网络。这些模型的目的是从输入的碳排放数据特征中提取有关碳中和的信息，并生成碳中和分析结果。对于每个有限元网格区域，将其多个碳排放数据特征输入到碳中和分析模型集中的Bi-LSTM中。Bi-LSTM是一种适用于序列数据的深度学习模型，它可以捕捉时间序列数据中的双向依赖关系。这一步骤将产生每个有限元网格区域的目标编码特征，其中包含了时间序列数据的关键信息。经过Bi-LSTM编码后，需要通过Uni-LSTM对编码后的特征进行解码。Uni-LSTM用于从编码特征中恢复原始的时间序列信息。这一步骤将生成每个有限元网格区域的多个解码特征，这些特征包含了从编码特征中还原的信息。通过全连接网络，对每个有限元网格区域的多个解码特征进行碳中和分析。全连接网络将学习如何将特征组合在一起以预测碳中和的结果。这个结果表示了每个有限元网格区域的碳中和潜力或效果。例如，假设服务器正在研究一个城市中的多个不同的有限元网格区域，每个区域都有自己的碳排放数据特征。服务器已经构建了碳中和分析模型集，其中包括Bi-LSTM、Uni-LSTM和全连接网络。对于第一个区域，服务器将其碳排放数据特征输入到模型集中的Bi-LSTM中，以进行特征编码。Bi-LSTM将学习捕捉该区域的碳排放数据的时间依赖性和空间关系。通过Uni-LSTM进行解码，以还原时间序列数据的原始信息。通过全连接网络，将解码特征组合在一起，得到该区域的碳中和分析结果，表示了该区域在碳中和方面的潜力或效果。同样地，对于其他区域，服务器重复相同的过程，将它们的特征输入到模型集中，并获得每个区域的碳中和分析结果。这些结果可以用于确定哪些区域需要更多的碳减排措施，以及哪些区域可以实现负碳排放目标。通过这种方法，服务器更好地管理碳排放，实现负碳排放的目标，从而对气候变化产生积极影响。
S106、根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据初始碳中和策略创建目标区域对应的目标碳中和策略。
具体的，根据碳中和分析结果，为每个有限元网格区域生成初始碳中和策略。这些策略可以包括各种措施，例如植树、减少工业排放、改善能源效率等，以实现负碳排放目标。初始碳中和策略是根据分析结果为每个区域量身定制的，以最大程度地减少碳排放或增加碳吸收。对每个有限元网格区域的初始碳中和策略进行策略融合，以获得融合碳中和策略。策略融合可以是一个整合不同策略的过程，以确保它们在执行时相互协调，以达到更大的碳中和效果。通过预置的遗传算法，对融合碳中和策略进行策略种群初始化处理。遗传算法是一种优化方法，适用于寻找最佳策略组合。在这一步骤中，生成初始碳中和策略群体，其中包括多个第一候选碳中和策略。对每个第一候选碳中和策略计算第一适应度数据。第一适应度数据可以是衡量策略效果的指标，例如减少的碳排放量、增加的碳吸收量或成本效益等。这些数据用于评估每个策略的性能。根据第一适应度数据，对多个第一候选碳中和策略进行群体划分，得到多个第一碳中和策略群体。这一步骤旨在选择性保留表现较好的策略，以用作下一步的繁殖和优化。对每个第一碳中和策略群体进行繁殖、遗传和变异处理，生成多个第二候选碳中和策略。这些策略是通过遗传算法的进化过程产生的，通过选择、交叉和变异等操作，逐渐优化策略。对每个第二候选碳中和策略计算第二适应度数据。第二适应度数据是在进化过程中评估每个策略的性能，会考虑更多的因素或目标。根据第二适应度数据，进行最优化分析，以确定目标区域对应的目标碳中和策略。这个策略是通过遗传算法进化过程中表现最优的策略，可以实现最大的负碳排放或碳中和效果。例如，考虑一个城市的碳中和计划，城市分为多个有限元网格区域。对于每个区域，根据碳中和分析结果，生成了初始碳中和策略，包括种植树木、推广清洁能源等。对这些策略进行融合，以确保它们协调一致。使用遗传算法，对融合碳中和策略进行了优化。算法首先生成初始碳中和策略群体，然后根据第一适应度数据选择性保留了表现较好的策略。通过繁殖、遗传和变异处理，逐渐优化了策略。根据第二适应度数据，确定了目标区域对应的目标碳中和策略，这个策略是在遗传算法进化过程中表现最优的策略，可以最大程度地减少碳排放或实现负碳排放目标。这个策略可以用来指导城市的碳中和计划，确保在不同区域内采取适当的措施，以减轻气候变化的影响。
本发明实施例中，获取目标区域的原始碳排放数据集以及区域遥感数据集，并进行数据预处理，得到标准碳排放数据集；根据区域遥感数据集构建有限元分析模型，并进行分割区域提取，得到多个有限元网格区域；根据多个有限元网格区域，进行时间序列分类以及空间关系映射，得到目标碳排放数据集；分别对目标碳排放数据集进行特征提取，得到多个碳排放数据特征；将多个碳排放数据特征输入碳中和分析模型集进行碳中和分析，得到碳中和分析结果；根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并创建目标区域对应的目标碳中和策略，本发明通过获取原始碳排放数据集和区域遥感数据集，然后对数据进行预处理，使其更具可分析性。这有助于提高数据质量，减少噪声和错误，从而提高了碳中和分析的准确性。通过建立有限元分析模型和分割区域提取，考虑了目标区域内不同地理位置的差异性。这允许制定个性化的碳中和策略，以针对每个有限元网格区域的特定情况，最大程度地减少碳排放或实现碳捕获。通过对标准碳排放数据集进行时间序列分类，方法考虑了碳排放随时间的变化趋势。这有助于更好地理解碳排放的季节性和周期性变化，从而更有效地规划碳中和策略。通过对每个有限元网格区域的目标碳排放数据集进行特征提取，方法将原始数据降维为更具代表性的特征集合。这减少了数据的复杂性，同时保留了关键信息，有助于更快速和精确地进行碳中和分析。采用预置的碳中和分析模型集，方法可以根据特定区域的需求和情况选择合适的分析模型。这种个性化选择提高了模型的适用性和准确性。根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，然后综合这些策略，创建整体的目标碳中和策略，进而提高了碳中和策略预测的准确率。
在一具体实施例中，执行步骤S101的过程可以具体包括如下步骤：
（1）基于预置的碳排放数据库获取目标区域的原始碳排放数据集，其中，原始碳排放数据集包括：气象数据、土壤数据、植被数据及能源使用数据；
（2）对目标区域进行卫星遥感数据采集，得到卫星遥感图像数据、地理信息系统数据及激光雷达数据；
（3）对卫星遥感图像数据、地理信息系统数据及激光雷达数据进行识别和分析，得到区域遥感数据集，其中，区域遥感数据集包括地形数据、地貌数据、土地覆盖数据及植被类型数据；
（4）对原始碳排放数据集进行缺失值插值，得到第一碳排放数据集，并对第一碳排放数据集进行数据清洗，得到第二碳排放数据集，以及对第二碳排放数据集进行归一化处理，得到标准碳排放数据集。
具体的，服务器从预置的碳排放数据库中获取目标区域的原始碳排放数据集。这些数据包括气象数据（如温度、湿度、降水量等）、土壤数据（如土壤类型、质地、含水量等）、植被数据（如植被覆盖率、生物量等）以及能源使用数据（如能源消耗、排放量等）。这些数据是评估碳排放的基础信息。需要进行卫星遥感数据采集，以获取有关目标区域的卫星遥感图像数据、地理信息系统数据和激光雷达数据。这些数据提供了更详细的地理信息和地形数据，有助于精确分析碳排放情况。对卫星遥感图像数据、地理信息系统数据和激光雷达数据进行识别和分析，以获得区域遥感数据集。这个数据集包括地形数据（如海拔、坡度等）、地貌数据（如地形起伏、山脉、河流等）、土地覆盖数据（如森林、草地、湖泊等）以及植被类型数据（如森林类型、植被密度等）。这些数据提供了更多关于地理环境的信息。原始碳排放数据集存在缺失值，例如由于设备故障或数据采集不完整。在缺失值插值阶段，使用合适的统计或插值方法填补这些缺失值，以确保数据集完整性。进行数据清洗以处理存在的异常值、重复值或不一致值。这一步骤有助于确保数据的准确性和一致性，以便后续分析。对第一碳排放数据集进行归一化处理，将数据缩放到相似的数值范围内，以避免不同数据之间的差异影响后续分析。归一化通常使用标准化或最小-最大缩放等方法来完成。例如，考虑一个城市的碳排放监测项目。从碳排放数据库中获取了该城市各个区域的原始碳排放数据集，包括气象数据（如温度、湿度）、土壤数据（如土壤类型、含水量）、植被数据（如植被覆盖率、生物量）以及能源使用数据（如能源消耗、排放量）。通过卫星遥感，收集了城市各个区域的卫星遥感图像数据、地理信息系统数据和激光雷达数据。这些数据提供了更详细的地形、地貌、土地覆盖和植被类型信息。在数据预处理阶段，进行了缺失值插值，填充了原始数据中的缺失值。进行数据清洗，删除了异常值并解决了数据的不一致性问题。对第一碳排放数据集进行了归一化处理，以确保各种数据具有相似的数值范围。
在一具体实施例中，如图2所示，执行步骤S102的过程可以具体包括如下步骤：
S201、对区域遥感数据集进行噪声去除和数据偏差校正，得到标准遥感数据集；
S202、通过预置的有限元分析算法，对目标区域进行有限元网格单元划分，得到多个第一有限元网格单元；
S203、根据标准遥感数据集，分别确定每个第一有限元网格单元对应的地质特性和植被属性；
S204、根据地质特性和植被属性，对每个第一有限元网格单元进行边界优化，生成多个第二有限元网格单元，并根据多个第二有限元网格单元生成目标区域的有限元分析模型；
S205、根据预设的区域划分规则，对有限元分析模型进行区域分割，得到多个有限元网格区域。
具体的，服务器从卫星遥感数据源获取原始区域遥感数据集，包括卫星图像、地理信息系统（GIS）数据和激光雷达数据等。这些数据通常包含了各种信息，但存在噪声和数据偏差，这会影响后续分析的准确性。因此，需要对这些数据进行噪声去除和偏差校正。例如，卫星图像包括云层遮挡或大气散射，这些会干扰到地物的检测。通过图像处理技术，可以去除这些干扰因素。同时，传感器引入数据偏差，如辐射校正或大气校正等，需要对数据进行校正，以确保数据的一致性和可比性。使用预置的有限元分析算法对目标区域进行有限元网格单元划分。有限元分析是一种数值模拟方法，通常用于解决复杂的物理问题，如热传导、力学行为等。将目标区域划分成小的有限元网格单元有助于更精确地模拟区域内的物理过程。对于每个第一有限元网格单元，需要根据标准遥感数据集确定地质特性和植被属性。这包括分析卫星图像以确定土地覆盖类型、植被分布、土壤类型等。地质特性需要借助激光雷达数据来估算地形、地貌等地理属性。在获得了第一有限元网格单元的地质和植被属性后，可以对每个单元进行边界优化。这涉及到调整网格单元之间的边界以更准确地反映地理现实。此外，生成多个第二有限元网格单元，这些网格单元比第一级更小，以便更详细地模拟物理过程。使用多个第二有限元网格单元，可以构建目标区域的有限元分析模型。该模型将包含地质和植被属性信息，并可以用于模拟各种物理过程，例如碳排放分布、热传导等。根据项目需求，可以根据预设的区域划分规则对模型进行区域分割，以获得多个有限元网格区域，这些区域可以分别研究不同的碳排放情况或其他物理现象。例如，考虑一个城市规划项目，旨在评估城市中碳排放的分布并制定相应的碳中和策略。通过卫星遥感数据，包括高分辨率的卫星图像、GIS数据和激光雷达数据，获得了城市的地理信息。对这些数据进行了噪声去除和数据偏差校正，以确保数据的准确性。使用有限元分析算法对城市进行了有限元网格单元划分，将城市划分为小网格单元，以便模拟城市内的碳排放分布。根据遥感数据，确定了每个网格单元的地质特性（例如，土地类型）和植被属性（例如，植被覆盖率）。对这些单元进行了边界优化，生成了更精细的第二有限元网格单元。使用第二有限元网格单元，构建了有限元分析模型，该模型包含了城市的地质和植被属性信息。根据项目需求，可以将城市划分为不同的区域，以便更好地研究不同区域内的碳排放情况。
在一具体实施例中，如图3所示，执行步骤S103的过程可以具体包括如下步骤：
S301、通过动态时间弯曲算法，计算标准碳排放数据集中每对时间序列数据之间的距离，生成目标距离矩阵；
S302、通过序列度量算法，将标准碳排放数据集中的多个时间序列数据合并成一个代表性的时间序列，得到代表性序列数据；
S303、根据目标距离矩阵和代表性序列数据，将标准碳排放数据集输入预置的聚类模型进行类别划分，得到多个不同类别的目标碳排放数据；
S304、根据多个有限元网格区域，对多个不同类别的目标碳排放数据进行空间关系映射，得到每个有限元网格区域的目标碳排放数据集。
具体的，服务器为了计算标准碳排放数据集中每对时间序列数据之间的距离，服务器使用动态时间弯曲（Dynamic Time Warping，DTW）算法。DTW是一种用于比较两个时间序列之间相似性的方法，它允许在时间轴上进行拉伸和压缩，以便更好地匹配两个序列。对于标准碳排放数据集中的每对时间序列，应用DTW算法将生成一个距离矩阵，表示它们之间的相似性。服务器将标准碳排放数据集中的多个时间序列数据合并成一个代表性的时间序列。这可以通过序列度量算法来实现，例如将各个时间序列按权重加权平均，或者选择具有最高相似性的时间序列作为代表性序列。这个代表性序列将在后续的聚类过程中用作参考。根据目标距离矩阵和代表性序列数据，服务器将标准碳排放数据集输入预置的聚类模型进行类别划分。常用的聚类方法包括K均值聚类、层次聚类、DBSCAN等。这些方法可以将数据集中的时间序列划分为多个不同的类别，每个类别包含具有相似排放模式的时间序列数据。根据多个有限元网格区域，服务器对多个不同类别的目标碳排放数据进行空间关系映射。这意味着将各个类别的数据与有限元网格区域进行关联，以确定每个区域内的碳排放特征。这可以通过将每个时间序列数据的类别标签与相应的网格区域关联来实现。例如，假设服务器正在研究一个城市的碳排放情况，服务器有一组时间序列数据，每个序列代表城市的每日碳排放量。服务器使用动态时间弯曲算法计算了所有时间序列之间的距离，并生成了一个距离矩阵。服务器应用序列度量算法，将这些时间序列合并成一个代表性的时间序列，该代表性序列反映了城市整体的碳排放趋势。服务器使用K均值聚类算法，根据距离矩阵和代表性序列，将时间序列数据划分为三个不同的类别：高排放、中排放和低排放。服务器将这些类别与城市的有限元网格区域关联起来，以确定每个区域内的碳排放特征。例如，服务器发现高排放类别主要集中在市中心地区，而低排放类别更多地分布在郊区。这有助于城市规划者更好地理解碳排放的空间分布，并制定相应的碳中和策略，例如在高排放区域实施更严格的碳减排措施。
在一具体实施例中，如图4所示，执行步骤S104的过程可以具体包括如下步骤：
S401、分别将每个有限元网格区域的目标碳排放数据集输入预置的特征提取网络，其中，特征提取网络包括第一卷积长短时记忆网络以及第二卷积长短时记忆网络；
S402、通过第一卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第一隐藏数据特征；
S403、通过第二卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第二隐藏数据特征；
S404、对多个第一隐藏数据特征和多个第二隐藏数据特征进行特征融合，得到每个有限元网格区域的多个碳排放数据特征。
具体的，服务器为了从每个有限元网格区域的目标碳排放数据集中提取有意义的特征，服务器使用预置的特征提取网络。这个特征提取网络包括两个部分：第一卷积长短时记忆网络（ConvLSTM）和第二卷积长短时记忆网络（ConvLSTM）。这些网络是深度学习中用于处理时空序列数据的强大工具。ConvLSTM是一种能够处理时序数据和空间数据的神经网络架构。它结合了卷积神经网络（CNN）和长短时记忆网络（LSTM）的特点，可以从时空序列中提取具有上下文信息的特征。通过ConvLSTM，服务器对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取。这将为每个区域生成多个第一隐藏数据特征。类似地，使用第二卷积长短时记忆网络，服务器对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第二隐藏数据特征。这些特征也包含了时空信息，有助于更好地描述碳排放的模式和变化。服务器将多个第一隐藏数据特征和多个第二隐藏数据特征进行特征融合，以得到每个有限元网格区域的多个碳排放数据特征。特征融合可以采用各种方法，例如简单的拼接、加权平均或更复杂的融合策略，以确保融合后的特征具有丰富的信息。这些特征将反映每个区域的碳排放特性，可以用于后续的碳中和分析。例如，考虑一个城市的碳排放监测项目，服务器已经将城市划分为多个有限元网格区域，每个区域都有其自己的碳排放时间序列数据。服务器从这些数据中提取有关碳排放模式的信息。对于每个网格区域，服务器使用第一卷积长短时记忆网络（ConvLSTM）对碳排放数据进行处理，得到第一隐藏数据特征。这些特征包含了时序和空间信息，例如某个区域的碳排放随时间的变化趋势以及相邻区域之间的关系。使用第二卷积长短时记忆网络（ConvLSTM），服务器再次对相同的数据进行处理，得到第二隐藏数据特征。这些特征也包含了时序和空间信息，但强调不同的模式和关系。服务器将第一隐藏数据特征和第二隐藏数据特征进行特征融合，以获得每个有限元网格区域的多个碳排放数据特征。这些特征可以包括时序模式、空间关系、趋势信息等，有助于更全面地理解碳排放情况。例如，通过特征融合，服务器发现某个区域在特定季节具有显著的碳排放增加，而另一个区域在不同的季节表现出不同的排放特征。这些信息将支持后续的碳中和分析和策略制定。
在一具体实施例中，执行步骤S105的过程可以具体包括如下步骤：
（1）将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集，其中，碳中和分析模型集包括：多个碳中和分析模型，每个碳中和分析模型包括：双向长短时记忆网络、单向长短时记忆网络以及全连接网络；
（2）通过多个碳中和分析模型中的双向长短时记忆网络，分别对每个有限元网格区域的多个碳排放数据特征进行特征编码处理，得到每个有限元网格区域的目标编码特征；
（3）通过多个碳中和分析模型中的单向长短时记忆网络，分别对每个有限元网格区域的目标编码特征进行特征解码，得到每个有限元网格区域的多个解码特征；
（4）通过多个碳中和分析模型中的全连接网络，分别对每个有限元网格区域的多个解码特征进行碳中和分析，得到每个有限元网格区域的碳中和分析结果。
具体的，服务器首先建立一个碳中和分析模型集，该模型集包括多个不同的碳中和分析模型。每个碳中和分析模型由几个关键组件组成，包括双向长短时记忆网络（BiLSTM）、单向长短时记忆网络（LSTM）以及全连接网络。对于每个有限元网格区域，服务器将其多个碳排放数据特征输入到碳中和分析模型集中的双向长短时记忆网络（BiLSTM）中。BiLSTM是一种适用于序列数据的深度学习模型，能够捕捉时序信息。在这个步骤中，BiLSTM将对输入的特征进行编码处理，生成每个有限元网格区域的目标编码特征。服务器使用碳中和分析模型集中的单向长短时记忆网络（LSTM）来对目标编码特征进行解码。LSTM模型有助于恢复时序信息，并进一步处理特征以提取更多的有用信息。通过LSTM，服务器获得每个有限元网格区域的多个解码特征。服务器将多个解码特征输入到碳中和分析模型集中的全连接网络中，以进行碳中和分析。全连接网络将使用这些特征来预测每个有限元网格区域的碳中和结果。这些结果可以表示为区域内碳排放的变化趋势、碳中和潜力等信息。例如，假设服务器正在研究一个城市中的不同地区的碳排放情况，并为每个地区收集了多个碳排放数据特征。服务器已经建立了一个碳中和分析模型集，其中包括BiLSTM、LSTM和全连接网络。对于某个特定的有限元网格区域，服务器首先将其多个碳排放数据特征输入到BiLSTM中。BiLSTM将对这些特征进行编码处理，捕捉时序和空间信息，生成目标编码特征。使用LSTM对目标编码特征进行解码，以进一步处理和提取有关碳排放的信息。这可以帮助服务器理解排放的模式和趋势。服务器将解码后的特征输入到全连接网络中，进行碳中和分析。全连接网络将根据这些特征预测该地区的碳中和潜力或碳排放变化趋势。例如，它可以预测出某个地区在未来几年内是否需要采取措施来减少碳排放，以实现碳中和目标。
在一具体实施例中，执行步骤S106的过程可以具体包括如下步骤：
（1）根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并对每个有限元网格区域的初始碳中和策略进行策略融合，得到融合碳中和策略；
（2）通过预置的遗传算法，对融合碳中和策略进行策略种群初始化处理，生成初始碳中和策略群体，其中，初始碳中和策略群体包括多个第一候选碳中和策略；
（3）分别计算每个第一候选碳中和策略的第一适应度数据，并根据第一适应度数据对多个第一候选碳中和策略进行群体划分，得到多个第一碳中和策略群体；
（4）分别对多个第一碳中和策略群体进行繁殖、遗传和变异处理，生成多个第二候选碳中和策略；
（5）分别计算每个第二候选碳中和策略的第二适应度数据，并根据第二适应度数据对多个第二候选碳中和策略进行最优化分析，得到目标区域对应的目标碳中和策略。
具体的，根据碳中和分析结果，服务器为每个有限元网格区域生成初始碳中和策略。这些策略包括种植树木、使用可再生能源、改善土壤质量等。每个策略都会影响该区域的碳排放和吸收。服务器对每个有限元网格区域的初始碳中和策略进行策略融合。策略融合的目标是确保各个策略在整个目标区域内协调一致，以最大程度地实现碳中和目标。这可以通过考虑不同策略之间的相互影响和竞争来实现。为了确定最佳的碳中和策略，服务器使用预置的遗传算法。遗传算法是一种模拟生物进化过程的优化方法，它可以搜索最优解。服务器开始通过生成初始碳中和策略群体，其中包括多个第一候选碳中和策略。这些策略是在问题空间内的随机选择的。对于每个第一候选碳中和策略，服务器计算其在目标区域内的第一适应度数据。这可以是与碳中和目标的接近程度、成本效益等方面的度量。根据第一适应度数据，服务器将多个第一候选碳中和策略划分成多个第一碳中和策略群体。每个群体包含具有相似适应度的策略。服务器对多个第一碳中和策略群体执行繁殖、遗传和变异操作，生成多个第二候选碳中和策略。这些操作模拟了生物进化中的遗传和变异过程，以生成新的策略。对于每个第二候选碳中和策略，服务器计算其在目标区域内的第二适应度数据。这可以是关于环境、社会和经济方面的更复杂度量。根据第二适应度数据，服务器对多个第二候选碳中和策略进行最优化分析，以确定目标区域对应的目标碳中和策略。这个过程可以考虑更多因素，并确保策略的综合效益。例如，假设服务器正在考虑一个城市的碳中和计划，其中包括不同的区域，每个区域都有不同的初始碳中和策略，如种植树木、改善建筑能效等。服务器使用遗传算法来确定每个区域的最佳碳中和策略。服务器生成初始碳中和策略，并对它们进行策略融合，以确保它们在整个城市内协调一致。服务器使用遗传算法生成新的碳中和策略，并计算它们的适应度。适应度可以考虑到每个区域的碳排放目标、可行性和成本效益等因素。服务器通过最优化分析确定了每个区域的最佳碳中和策略，以实现整个城市的碳中和目标。这些策略会包括根据每个区域的特点进行不同的树木种植计划、能源升级和社区教育计划等。这个过程有助于城市规划者制定可持续发展和碳中和计划。
上面对本发明实施例中负碳排放的碳中和方法进行了描述，下面对本发明实施例中负碳排放的碳中和系统进行描述，请参阅图5，本发明实施例中负碳排放的碳中和系统一个实施例包括：
获取模块501，用于获取目标区域的原始碳排放数据集以及区域遥感数据集，并对所述原始碳排放数据集进行数据预处理，得到标准碳排放数据集；
构建模块502，用于根据所述区域遥感数据集构建所述目标区域的有限元分析模型，并对所述有限元分析模型进行分割区域提取，得到多个有限元网格区域；
分类模块503，用于根据所述多个有限元网格区域，对所述标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集；
提取模块504，用于分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征；
分析模块505，用于将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果；
创建模块506，用于根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略。
通过上述各个组成部分的协同合作，获取目标区域的原始碳排放数据集以及区域遥感数据集，并进行数据预处理，得到标准碳排放数据集；根据区域遥感数据集构建有限元分析模型，并进行分割区域提取，得到多个有限元网格区域；根据多个有限元网格区域，进行时间序列分类以及空间关系映射，得到目标碳排放数据集；分别对目标碳排放数据集进行特征提取，得到多个碳排放数据特征；将多个碳排放数据特征输入碳中和分析模型集进行碳中和分析，得到碳中和分析结果；根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并创建目标区域对应的目标碳中和策略，本发明通过获取原始碳排放数据集和区域遥感数据集，然后对数据进行预处理，使其更具可分析性。这有助于提高数据质量，减少噪声和错误，从而提高了碳中和分析的准确性。通过建立有限元分析模型和分割区域提取，考虑了目标区域内不同地理位置的差异性。这允许制定个性化的碳中和策略，以针对每个有限元网格区域的特定情况，最大程度地减少碳排放或实现碳捕获。通过对标准碳排放数据集进行时间序列分类，方法考虑了碳排放随时间的变化趋势。这有助于更好地理解碳排放的季节性和周期性变化，从而更有效地规划碳中和策略。通过对每个有限元网格区域的目标碳排放数据集进行特征提取，方法将原始数据降维为更具代表性的特征集合。这减少了数据的复杂性，同时保留了关键信息，有助于更快速和精确地进行碳中和分析。采用预置的碳中和分析模型集，方法可以根据特定区域的需求和情况选择合适的分析模型。这种个性化选择提高了模型的适用性和准确性。根据碳中和分析结果生成每个有限元网格区域的初始碳中和策略，然后综合这些策略，创建整体的目标碳中和策略，进而提高了碳中和策略预测的准确率。
上面图5从模块化功能实体的角度对本发明实施例中的负碳排放的碳中和系统进行详细描述，下面从硬件处理的角度对本发明实施例中负碳排放的碳中和设备进行详细描述。
图6是本发明实施例提供的一种负碳排放的碳中和设备的结构示意图，该负碳排放的碳中和设备600可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器（central processing units，CPU）610（例如，一个或一个以上处理器）和存储器620，一个或一个以上存储应用程序633或数据632的存储介质630（例如一个或一个以上海量存储设备）。其中，存储器620和存储介质630可以是短暂存储或持久存储。存储在存储介质630的程序可以包括一个或一个以上模块（图示没标出），每个模块可以包括对负碳排放的碳中和设备600中的一系列指令操作。更进一步地，处理器610可以设置为与存储介质630通信，在负碳排放的碳中和设备600上执行存储介质630中的一系列指令操作。
负碳排放的碳中和设备600还可以包括一个或一个以上电源640，一个或一个以上有线或无线网络接口650，一个或一个以上输入输出接口660，和/或，一个或一个以上操作系统631，例如Windows Server，Mac OS X，Unix，Linux，FreeBSD等等。本领域技术人员可以理解，图6示出的负碳排放的碳中和设备结构并不构成对负碳排放的碳中和设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
本发明还提供一种负碳排放的碳中和设备，所述负碳排放的碳中和设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述负碳排放的碳中和方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述负碳排放的碳中和方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分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发明各实施例技术方案的精神和范围。

Claims (6)

1.一种负碳排放的碳中和方法，其特征在于，所述负碳排放的碳中和方法包括：
获取目标区域的原始碳排放数据集以及区域遥感数据集，并对所述原始碳排放数据集进行数据预处理，得到标准碳排放数据集；具体包括：基于预置的碳排放数据库获取目标区域的原始碳排放数据集，其中，所述原始碳排放数据集包括：气象数据、土壤数据、植被数据及能源使用数据；对所述目标区域进行卫星遥感数据采集，得到卫星遥感图像数据、地理信息系统数据及激光雷达数据；对所述卫星遥感图像数据、所述地理信息系统数据及所述激光雷达数据进行识别和分析，得到区域遥感数据集，其中，所述区域遥感数据集包括地形数据、地貌数据、土地覆盖数据及植被类型数据；对所述原始碳排放数据集进行缺失值插值，得到第一碳排放数据集，并对所述第一碳排放数据集进行数据清洗，得到第二碳排放数据集，以及对所述第二碳排放数据集进行归一化处理，得到标准碳排放数据集；
根据所述区域遥感数据集构建所述目标区域的有限元分析模型，并对所述有限元分析模型进行分割区域提取，得到多个有限元网格区域；具体包括：对所述区域遥感数据集进行噪声去除和数据偏差校正，得到标准遥感数据集；通过预置的有限元分析算法，对所述目标区域进行有限元网格单元划分，得到多个第一有限元网格单元；根据所述标准遥感数据集，分别确定每个第一有限元网格单元对应的地质特性和植被属性；根据所述地质特性和所述植被属性，对每个第一有限元网格单元进行边界优化，生成多个第二有限元网格单元，并根据所述多个第二有限元网格单元生成所述目标区域的有限元分析模型；根据预设的区域划分规则，对所述有限元分析模型进行区域分割，得到多个有限元网格区域；
根据所述多个有限元网格区域，对所述标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集；具体包括：通过动态时间弯曲算法，计算所述标准碳排放数据集中每对时间序列数据之间的距离，生成目标距离矩阵；通过序列度量算法，将所述标准碳排放数据集中的多个时间序列数据合并成一个代表性的时间序列，得到代表性序列数据；根据所述目标距离矩阵和所述代表性序列数据，将所述标准碳排放数据集输入预置的聚类模型进行类别划分，得到多个不同类别的目标碳排放数据；根据所述多个有限元网格区域，对所述多个不同类别的目标碳排放数据进行空间关系映射，得到每个有限元网格区域的目标碳排放数据集；
分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征；具体包括：分别将每个有限元网格区域的目标碳排放数据集输入预置的特征提取网络，其中，所述特征提取网络包括第一卷积长短时记忆网络以及第二卷积长短时记忆网络；通过所述第一卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第一隐藏数据特征；通过所述第二卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第二隐藏数据特征；对所述多个第一隐藏数据特征和所述多个第二隐藏数据特征进行特征融合，得到每个有限元网格区域的多个碳排放数据特征；
将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果；
根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略。
2.根据权利要求1所述的负碳排放的碳中和方法，其特征在于，所述将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果，包括：
将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集，其中，所述碳中和分析模型集包括：多个碳中和分析模型，每个碳中和分析模型包括：双向长短时记忆网络、单向长短时记忆网络以及全连接网络；
通过所述多个碳中和分析模型中的双向长短时记忆网络，分别对每个有限元网格区域的多个碳排放数据特征进行特征编码处理，得到每个有限元网格区域的目标编码特征；
通过所述多个碳中和分析模型中的单向长短时记忆网络，分别对每个有限元网格区域的目标编码特征进行特征解码，得到每个有限元网格区域的多个解码特征；
通过所述多个碳中和分析模型中的全连接网络，分别对每个有限元网格区域的多个解码特征进行碳中和分析，得到每个有限元网格区域的碳中和分析结果。
3.根据权利要求1所述的负碳排放的碳中和方法，其特征在于，所述根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略，包括：
根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并对每个有限元网格区域的初始碳中和策略进行策略融合，得到融合碳中和策略；
通过预置的遗传算法，对所述融合碳中和策略进行策略种群初始化处理，生成初始碳中和策略群体，其中，所述初始碳中和策略群体包括多个第一候选碳中和策略；
分别计算每个第一候选碳中和策略的第一适应度数据，并根据所述第一适应度数据对所述多个第一候选碳中和策略进行群体划分，得到多个第一碳中和策略群体；
分别对所述多个第一碳中和策略群体进行繁殖、遗传和变异处理，生成多个第二候选碳中和策略；
分别计算每个第二候选碳中和策略的第二适应度数据，并根据所述第二适应度数据对所述多个第二候选碳中和策略进行最优化分析，得到所述目标区域对应的目标碳中和策略。
4.一种负碳排放的碳中和系统，其特征在于，所述负碳排放的碳中和系统包括：
获取模块，用于获取目标区域的原始碳排放数据集以及区域遥感数据集，并对所述原始碳排放数据集进行数据预处理，得到标准碳排放数据集；具体包括：基于预置的碳排放数据库获取目标区域的原始碳排放数据集，其中，所述原始碳排放数据集包括：气象数据、土壤数据、植被数据及能源使用数据；对所述目标区域进行卫星遥感数据采集，得到卫星遥感图像数据、地理信息系统数据及激光雷达数据；对所述卫星遥感图像数据、所述地理信息系统数据及所述激光雷达数据进行识别和分析，得到区域遥感数据集，其中，所述区域遥感数据集包括地形数据、地貌数据、土地覆盖数据及植被类型数据；对所述原始碳排放数据集进行缺失值插值，得到第一碳排放数据集，并对所述第一碳排放数据集进行数据清洗，得到第二碳排放数据集，以及对所述第二碳排放数据集进行归一化处理，得到标准碳排放数据集；
构建模块，用于根据所述区域遥感数据集构建所述目标区域的有限元分析模型，并对所述有限元分析模型进行分割区域提取，得到多个有限元网格区域；具体包括：对所述区域遥感数据集进行噪声去除和数据偏差校正，得到标准遥感数据集；通过预置的有限元分析算法，对所述目标区域进行有限元网格单元划分，得到多个第一有限元网格单元；根据所述标准遥感数据集，分别确定每个第一有限元网格单元对应的地质特性和植被属性；根据所述地质特性和所述植被属性，对每个第一有限元网格单元进行边界优化，生成多个第二有限元网格单元，并根据所述多个第二有限元网格单元生成所述目标区域的有限元分析模型；根据预设的区域划分规则，对所述有限元分析模型进行区域分割，得到多个有限元网格区域；
分类模块，用于根据所述多个有限元网格区域，对所述标准碳排放数据集进行时间序列分类以及空间关系映射，得到每个有限元网格区域的目标碳排放数据集；具体包括：通过动态时间弯曲算法，计算所述标准碳排放数据集中每对时间序列数据之间的距离，生成目标距离矩阵；通过序列度量算法，将所述标准碳排放数据集中的多个时间序列数据合并成一个代表性的时间序列，得到代表性序列数据；根据所述目标距离矩阵和所述代表性序列数据，将所述标准碳排放数据集输入预置的聚类模型进行类别划分，得到多个不同类别的目标碳排放数据；根据所述多个有限元网格区域，对所述多个不同类别的目标碳排放数据进行空间关系映射，得到每个有限元网格区域的目标碳排放数据集；
提取模块，用于分别对每个有限元网格区域的目标碳排放数据集进行特征提取，得到每个有限元网格区域的多个碳排放数据特征；具体包括：分别将每个有限元网格区域的目标碳排放数据集输入预置的特征提取网络，其中，所述特征提取网络包括第一卷积长短时记忆网络以及第二卷积长短时记忆网络；通过所述第一卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第一隐藏数据特征；通过所述第二卷积长短时记忆网络，对每个有限元网格区域的目标碳排放数据集进行隐藏特征提取，得到多个第二隐藏数据特征；对所述多个第一隐藏数据特征和所述多个第二隐藏数据特征进行特征融合，得到每个有限元网格区域的多个碳排放数据特征；
分析模块，用于将每个有限元网格区域的多个碳排放数据特征输入预置的碳中和分析模型集进行碳中和分析，得到每个有限元网格区域的碳中和分析结果；
创建模块，用于根据所述碳中和分析结果生成每个有限元网格区域的初始碳中和策略，并根据所述初始碳中和策略创建所述目标区域对应的目标碳中和策略。
5.一种负碳排放的碳中和设备，其特征在于，所述负碳排放的碳中和设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述负碳排放的碳中和设备执行如权利要求1-3中任一项所述的负碳排放的碳中和方法。
6.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-3中任一项所述的负碳排放的碳中和方法。
CN202311665911.1A 2023-12-07 2023-12-07 一种负碳排放的碳中和方法及系统 Active CN117391727B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311665911.1A CN117391727B (zh) 2023-12-07 2023-12-07 一种负碳排放的碳中和方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311665911.1A CN117391727B (zh) 2023-12-07 2023-12-07 一种负碳排放的碳中和方法及系统

Publications (2)

Publication Number Publication Date
CN117391727A CN117391727A (zh) 2024-01-12
CN117391727B true CN117391727B (zh) 2024-02-20

Family

ID=89468600

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311665911.1A Active CN117391727B (zh) 2023-12-07 2023-12-07 一种负碳排放的碳中和方法及系统

Country Status (1)

Country Link
CN (1) CN117391727B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117951457A (zh) * 2024-03-26 2024-04-30 深圳碳中和生物燃气股份有限公司 基于生物炭的负碳产品碳减排量核算方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444356A (zh) * 2022-01-27 2022-05-06 河南大学 一种获取居民空间碳排放量的方法及装置
CN114493702A (zh) * 2022-01-27 2022-05-13 郑州大学 一种基于有限元分析及地理信息的农村房产损失评估方法
CN114970265A (zh) * 2022-05-26 2022-08-30 西安科技大学 一种考虑碳排放的机床关键部件优化方法及系统
CN116777082A (zh) * 2023-08-17 2023-09-19 北京建工环境修复股份有限公司 基于资源预估的农田碳排放预测方法及系统
CN117008479A (zh) * 2023-09-27 2023-11-07 深圳碳中和生物燃气股份有限公司 基于生物质气化炉的负碳排放优化控制方法及系统
CN117173590A (zh) * 2023-09-07 2023-12-05 沈阳市勘察测绘研究院有限公司 一种基于多源时序遥感影像的水体异常监测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2427046A (en) * 2005-06-08 2006-12-13 Rolls Royce Plc Predicting telemetry data using coupled fluid mechanics and finite element analysis models

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114444356A (zh) * 2022-01-27 2022-05-06 河南大学 一种获取居民空间碳排放量的方法及装置
CN114493702A (zh) * 2022-01-27 2022-05-13 郑州大学 一种基于有限元分析及地理信息的农村房产损失评估方法
CN114970265A (zh) * 2022-05-26 2022-08-30 西安科技大学 一种考虑碳排放的机床关键部件优化方法及系统
CN116777082A (zh) * 2023-08-17 2023-09-19 北京建工环境修复股份有限公司 基于资源预估的农田碳排放预测方法及系统
CN117173590A (zh) * 2023-09-07 2023-12-05 沈阳市勘察测绘研究院有限公司 一种基于多源时序遥感影像的水体异常监测方法
CN117008479A (zh) * 2023-09-27 2023-11-07 深圳碳中和生物燃气股份有限公司 基于生物质气化炉的负碳排放优化控制方法及系统

Also Published As

Publication number Publication date
CN117391727A (zh) 2024-01-12

Similar Documents

Publication Publication Date Title
Sayad et al. Predictive modeling of wildfires: A new dataset and machine learning approach
Jalalkamali Using of hybrid fuzzy models to predict spatiotemporal groundwater quality parameters
CN117391727B (zh) 一种负碳排放的碳中和方法及系统
Gemitzi Predicting land cover changes using a CA Markov model under different shared socioeconomic pathways in Greece
Levy et al. Freshwater availability anomalies and outbreak of internal war: results from a global spatial time series analysis
US20220383102A1 (en) Wildfire ignition prediction with swarm neural network ensemble
CN117171223B (zh) 一种微生物修复过程中的微生物培养方案推荐方法及系统
Carrasco et al. Exploring the multidimensional effects of human activity and land cover on fire occurrence for territorial planning
Akbarian et al. Monthly streamflow forecasting by machine learning methods using dynamic weather prediction model outputs over Iran
CN117171695B (zh) 一种抗生素污染土壤生态修复效果评价的方法及系统
Hojati et al. Integrating cellular automata and discrete global grid systems: a case study into wildfire modelling
Arfasa et al. Past and future land use/land cover, and climate change impacts on environmental sustainability in Vea catchment, Ghana
Ganapathy et al. Rainfall forecasting using machine learning algorithms for localized events
Nourani et al. Application of PPIE method to assess the uncertainty and accuracy of multi-climate model-based temperature and precipitation downscaling
Değermenci Spatio-temporal change analysis and prediction of land use and land cover changes using CA-ANN model
CN110837875B (zh) 地表覆盖数据质量异常判断方法及装置
Vinod et al. Ranking of CMIP 6 climate models in simulating precipitation over India
Gallear et al. Application of machine learning to forecast agricultural drought impacts for large scale sub-seasonal drought monitoring in Brazil
Jayasinghe Multi-temporal Satellite Images and Combination of Multi-Classification Approaches for Evaluation of Changes in Forest Cover: A case study
Kolevatova Analysis of the Impact of Land Cover Changes on Climate using Machine Learning
Eslami Applications of Deep Learning in Atmospheric Sciences: Air Quality Forecasting, Post-Processing, and Hurricane Tracking
Alikhanov et al. The Detection of Past and Future Land Use and Land Cover Change in Ugam Chatkal National Park, Uzbekistan, Using CA-Markov and Random Forest Machine Learning Algorithms
Seo et al. corrected Proof
Tavakoli Dataset Creation and Imbalance Mitigation in Big Data: Enhancing Machine Learning Models for Forest Fire Prediction
Tong et al. Mapping wildfire ignition probability and predictor sensitivity with ensemble-based machine learning

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