CN117541272B - 数字工程碳排放数据确定方法、系统、设备及存储介质 - Google Patents

数字工程碳排放数据确定方法、系统、设备及存储介质 Download PDF

Info

Publication number
CN117541272B
CN117541272B CN202410029095.3A CN202410029095A CN117541272B CN 117541272 B CN117541272 B CN 117541272B CN 202410029095 A CN202410029095 A CN 202410029095A CN 117541272 B CN117541272 B CN 117541272B
Authority
CN
China
Prior art keywords
carbon emission
carbon
analysis
report
optimization
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
CN202410029095.3A
Other languages
English (en)
Other versions
CN117541272A (zh
Inventor
杨洋
陈君
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.)
Xiaoxiang Feiyang Beijing Technology Co ltd
Original Assignee
Xiaoxiang Feiyang Beijing Technology 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 Xiaoxiang Feiyang Beijing Technology Co ltd filed Critical Xiaoxiang Feiyang Beijing Technology Co ltd
Priority to CN202410029095.3A priority Critical patent/CN117541272B/zh
Publication of CN117541272A publication Critical patent/CN117541272A/zh
Application granted granted Critical
Publication of CN117541272B publication Critical patent/CN117541272B/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
    • 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
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects

Landscapes

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

Abstract

本发明涉及碳足迹计算技术领域，具体为数字工程碳排放数据确定方法、系统、设备及存储介质，数字工程碳排放数据确定方法，包括以下步骤：基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集。本发明的有益效果为基于卫星遥感图像和支持向量机提升土地使用与植被监测数据精度和覆盖范围，提高数据质量与可靠性，克里金插值法精确评估碳排放热点，关键于高碳区识别，结合BIM模型、生命周期评估和建筑能源模拟，全面分析建筑碳足迹，卷积神经网络和循环神经网络深入分析碳排放因素，支持减排策略，遗传算法和模拟退火算法优化供应链碳足迹，深度Q网络优化工业生产排放，提高效率和策略实用性。

Description

数字工程碳排放数据确定方法、系统、设备及存储介质
技术领域
本发明涉及碳足迹计算技术领域，尤其涉及数字工程碳排放数据确定方法、系统、设备及存储介质。
背景技术
碳足迹计算技术领域涉及使用数字工具和方法来估算、分析和报告某个实体（如个人、组织、事件或产品）的温室气体排放。这个领域的核心在于通过精确计算碳排放量，帮助减少全球气候变化的影响。结合了环境科学、数据分析和信息技术，以提供对碳排放源和量的深入了解。在企业层面，这项技术对于制定和实施可持续性战略、达成环保目标以及遵守相关环境法规至关重要。还有助于透明地呈现碳排放数据，从而促进生态责任感和环保意识。
其中，数字工程碳排放数据确定方法是一种利用数字技术精确计算和评估工程项目中碳排放的方法。其主要目的是量化工程项目在建设和运营过程中产生的碳排放，以便更好地理解和管理其对环境的影响。这种方法有助于工程项目达到更高的环境效率，通过识别和实施减排措施来降低碳足迹，最终促进可持续发展。实现这一目标的手段通常包括收集和分析相关数据（如能源消耗、材料使用和运输活动），运用计算模型来估算总体碳排放，并采取优化措施以减少排放。这些手段的有效应用有助于制定更环保的工程策略，对于追求生态可持续性的组织来说至关重要。
传统方法在碳排放数据确定方面存在若干不足。传统方法在碳排放热点的识别和分析上往往缺乏空间分布的详细考量，难以准确识别碳排放的关键区域。在建筑碳足迹的评估上，传统方法往往未能充分利用现代技术，如BIM模型和生命周期评估，限制了分析的深度和广度。而在影响因素分析和优化策略制定上，缺乏高效的数据处理和分析算法，使得传统方法在应对复杂的碳排放问题时显得力不从心。总的来说，传统方法在数据的准确性、分析的深度和优化策略的有效性方面均有所不足。
发明内容
本发明的目的是解决现有技术中存在的缺点，而提出的数字工程碳排放数据确定方法、系统、设备及存储介质。
为了实现上述目的，本发明采用了如下技术方案：数字工程碳排放数据确定方法，包括以下步骤：
S1：基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集；
S2：基于所述土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图；
S3：基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告；
S4：基于所述土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告；
S5：基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告；
S6：基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略；
所述土地使用和植被变化数据集包括土地类型分布、植被覆盖程度，所述碳排放热点分布图具体指多区域碳排放量的空间分布情况，所述建筑碳足迹报告包括能源消耗量、材料使用情况，所述碳排放影响因素分析报告包括关键影响因素、发展趋势，所述供应链碳足迹优化报告包括碳排放热点分析、减排策略，所述工业生产碳排放优化策略具体为生产参数调整、环境适应性策略。
作为本发明的进一步方案，基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集的步骤具体为：
S101：基于卫星遥感图像，采用图像预处理技术，包括去噪、色彩校正和边缘增强，生成预处理后的遥感图像；
S102：基于所述预处理后的遥感图像，采用图像分割算法，基于K均值聚类，对图像进行区域分割，生成土地使用类型和植被状态分割图；
S103：基于所述土地使用类型和植被状态分割图，采用支持向量机进行分类，确定每个区域的土地使用类型和植被状态；
S104：基于所述土地使用与植被分类结果，进行面积和分布统计分析，生成土地使用和植被变化数据集；
所述图像预处理技术包括高斯滤波去噪、直方图均衡化和Canny边缘检测，所述图像分割算法具体为基于颜色和纹理特征的K均值聚类，所述支持向量机算法具体为基于径向基函数的SVM，所述统计分析包括空间分析和时间序列分析。
作为本发明的进一步方案，基于所述土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图的步骤具体为：
S201：基于所述土地使用和植被变化数据集，识别碳排放源，并进行碳排放估计，生成碳排放源及其估计值；
S202：基于所述碳排放源及其估计值，结合地理信息系统数据，进行空间分布分析，生成碳排放的空间分布数据；
S203：基于所述碳排放的空间分布数据，采用克里金插值法进行空间插值分析，生成碳排放的插值分析结果；
S204：基于所述碳排放的插值分析结果，采用基于插值结果的等值线和热点区域绘制，生成碳排放热点分布图；
所述碳排放估计方法包括基于土地覆盖类型的排放系数计算，所述空间分布分析包括基于栅格数据的空间覆盖率计算，所述克里金插值法具体为基于半变异函数模型的空间插值。
作为本发明的进一步方案，基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告的步骤具体为：
S301：基于BIM模型数据，采用三维建筑建模技术，进行建筑结构和材料属性分析，生成建筑结构和材料属性分析报告；
S302：基于所述建筑结构和材料属性分析报告，采用生命周期评估方法，进行材料环境影响评估，生成材料生命周期评估报告；
S303：基于所述BIM模型数据，采用能源模拟工具，评估建筑能效，生成建筑能效分析报告；
S304：综合所述材料生命周期评估报告和建筑能效分析报告，采用碳足迹计算方法，生成建筑碳足迹报告；
所述三维建筑建模技术包括Revit软件的建模工具和属性定义功能，所述生命周期评估方法具体为GaBi软件的环境影响分析流程，所述能源模拟工具具体为DesignBuilder软件的能耗分析和模拟功能，所述碳足迹计算方法包括碳排放系数应用和总体碳排放计算。
作为本发明的进一步方案，基于所述土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告的步骤具体为；
S401：基于所述土地使用和植被变化数据集，采用数据清洗和整理技术处理数据，生成处理后的土地使用数据；
S402：基于所述处理后的土地使用数据和建筑碳足迹报告，采用卷积神经网络进行特征提取，生成空间特征分析结果；
S403：基于所述空间特征分析结果，采用循环神经网络进行时间序列分析，生成时间序列分析结果；
S404：综合所述空间特征分析结果和时间序列分析结果，采用多变量分析方法，生成碳排放影响因素分析报告；
所述数据清洗包括缺失值填充和异常值处理，所述卷积神经网络具体为利用TensorFlow框架进行多层特征提取，所述循环神经网络具体为PyTorch框架下的LSTM网络应用，所述多变量分析方法具体为使用SPSS进行相关性和回归分析。
作为本发明的进一步方案，基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告的步骤具体为：
S501：基于供应链数据，采用遗传算法进行碳足迹初始优化，生成初始碳足迹优化结果；
S502：基于所述初始碳足迹优化结果，采用模拟退火算法进行迭代优化，生成深度碳足迹优化结果；
S503：对所述深度碳足迹优化结果进行优化路径评估和算法参数微调，提高优化效率，生成参数调整后的碳足迹优化结果；
S504：整合所述参数调整后的碳足迹优化结果，优化策略的总结内容项，编制最终的供应链碳足迹优化报告；
所述遗传算法包括种群初始化、适应度函数设计、选择策略、交叉操作和变异操作，所述模拟退火算法包括温度控制的随机搜索过程，接受准则和冷却计划的应用。
作为本发明的进一步方案，基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略的步骤具体为：
S601：基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，通过因素识别和数据融合，整合关键影响因素，生成关键影响因素汇总结果；
S602：基于所述关键影响因素汇总结果，构建碳排放优化模型；
S603：基于所述碳排放优化模型，采用深度Q网络进行学习和策略优化，生成策略优化学习结果；
S604：应用所述策略优化学习结果，进行生产碳排放优化策略制定和评估，生成工业生产碳排放优化策略；
所述构建碳排放优化模型包括决策变量的定义、约束条件的设定和目标函数的构建，所述深度Q网络包括神经网络结构设计和强化学习算法应用，所述生产碳排放优化策略制定和评估包括策略的有效性分析和实施方案的制定。
数字工程碳排放数据确定系统用于执行数字工程碳排放数据确定方法，所述系统包括土地监测模块、碳排放热点分析模块、建筑碳足迹评估模块、影响因素分析模块、供应链优化模块、工业生产优化模块、数据整合与报告生成模块；
所述土地监测模块基于卫星遥感图像，采用图像预处理技术和支持向量机进行土地使用与植被监测，生成土地使用和植被变化数据集；
所述碳排放热点分析模块基于土地使用和植被变化数据集，采用克里金插值法进行碳排放热点分析，生成碳排放热点分布图；
所述建筑碳足迹评估模块基于BIM模型数据，采用生命周期评估和建筑能源模拟技术进行能效和材料使用分析，生成建筑碳足迹报告；
所述影响因素分析模块基于土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络进行影响因素分析，生成碳排放影响因素分析报告；
所述供应链优化模块基于供应链数据，采用遗传算法和模拟退火算法进行碳足迹优化分析，生成供应链碳足迹优化报告；
所述工业生产优化模块基于碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络进行工业生产碳排放优化，生成工业生产碳排放优化策略；
所述数据整合与报告生成模块综合土地使用和植被变化数据集、碳排放热点分布图、建筑碳足迹报告、碳排放影响因素分析报告、供应链碳足迹优化报告、工业生产碳排放优化策略，进行数据融合、综合分析和报告撰写，生成最终的碳排放数据报告。
一种数字工程碳排放数据确定设备，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如上述所述的数字工程碳排放数据确定系统。
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如上述所述的数字工程碳排放数据确定方法的步骤。
与现有技术相比，本发明的优点和积极效果在于：
本发明中，基于卫星遥感图像和支持向量机进行的土地使用与植被监测提供了更高精度和覆盖范围广的数据，从而提升了土地使用和植被变化数据集的质量和可靠性。应用克里金插值法进行碳排放热点分析允许对碳排放的空间分布进行精确评估，这对于识别和解决碳排放高值区域至关重要。结合BIM模型数据和生命周期评估以及建筑能源模拟技术，使得建筑碳足迹的分析更加全面和细致。运用卷积神经网络和循环神经网络对碳排放影响因素进行深入分析，为制定有效的减排措施提供了数据支撑。通过遗传算法和模拟退火算法优化供应链碳足迹，并结合深度Q网络优化工业生产碳排放，提高了优化效率和策略的实用性。
附图说明
图1为本发明的工作流程示意图；
图2为本发明的S1细化流程图；
图3为本发明的S2细化流程图；
图4为本发明的S3细化流程图；
图5为本发明的S4细化流程图；
图6为本发明的S5细化流程图；
图7为本发明的S6细化流程图；
图8为本发明的系统流程图。
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。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
实施例一：
请参阅图1，本发明提供一种技术方案：数字工程碳排放数据确定方法，包括以下步骤：
S1：基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集；
S2：基于土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图；
S3：基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告；
S4：基于土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告；
S5：基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告；
S6：基于碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略；
土地使用和植被变化数据集包括土地类型分布、植被覆盖程度，碳排放热点分布图具体指多区域碳排放量的空间分布情况，建筑碳足迹报告包括能源消耗量、材料使用情况，碳排放影响因素分析报告包括关键影响因素、发展趋势，供应链碳足迹优化报告包括碳排放热点分析、减排策略，工业生产碳排放优化策略具体为生产参数调整、环境适应性策略。
通过卫星遥感图像、图像处理、支持向量机和克里金插值法等技术，实现了高精度的碳排放热点分析，为政府和企业提供了更准确的碳排放信息，有助于制定更有效的减排策略。应用于建筑领域的BIM模型数据和能源模拟技术，有助于提高建筑能效，减少碳足迹，推动绿色建筑发展。采用深度学习算法进行碳排放影响因素分析，可识别关键因素和趋势，为决策者提供科学依据。通过供应链数据的优化分析，提高了供应链的可持续性，减少资源浪费。利用深度Q网络优化工业生产碳排放，实现了更环保和高效的生产方式。
请参阅图2，基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集的步骤具体为：
S101：基于卫星遥感图像，采用图像预处理技术，包括去噪、色彩校正和边缘增强，生成预处理后的遥感图像；
S102：基于预处理后的遥感图像，采用图像分割算法，基于K均值聚类，对图像进行区域分割，生成土地使用类型和植被状态分割图；
S103：基于土地使用类型和植被状态分割图，采用支持向量机进行分类，确定每个区域的土地使用类型和植被状态；
S104：基于土地使用与植被分类结果，进行面积和分布统计分析，生成土地使用和植被变化数据集；
图像预处理技术包括高斯滤波去噪、直方图均衡化和Canny边缘检测，图像分割算法具体为基于颜色和纹理特征的K均值聚类，支持向量机算法具体为基于径向基函数的SVM，统计分析包括空间分析和时间序列分析。
S101中，基于卫星遥感图像采用图像预处理技术，以提高图像质量和可分析性。这包括去噪、色彩校正和边缘增强等操作，以生成预处理后的遥感图像。去噪操作旨在减少图像中的噪声，色彩校正用于调整图像的颜色和亮度，边缘增强有助于突出图像中的地物边界。
S102中，基于预处理后的遥感图像，采用图像分割算法，具体采用K均值聚类，对图像进行区域分割。这一步骤的目的是将图像分成不同的区域，每个区域代表不同的土地使用类型和植被状态。K均值聚类根据像素的颜色和纹理特征将图像划分成不同的聚类群体，生成土地使用类型和植被状态分割图。
S103中，基于土地使用类型和植被状态分割图，采用支持向量机（SVM）进行分类，以确定每个区域的土地使用类型和植被状态。SVM是一种强大的分类算法，根据区域的特征将其分类为不同的类别，例如农田、林地、城市等。这一步骤利用SVM算法对每个区域进行分类，生成土地使用与植被分类结果。
S104中，基于土地使用与植被分类结果，进行面积和分布统计分析，生成土地使用和植被变化数据集。这一步骤包括对不同土地使用类型和植被状态的面积计算，以及时空分布分析。生成的数据集包含了不同类别的土地使用和植被变化信息，可用于进一步的地理信息系统（GIS）分析或环境监测。
请参阅图3，基于土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图的步骤具体为：
S201：基于土地使用和植被变化数据集，识别碳排放源，并进行碳排放估计，生成碳排放源及其估计值；
S202：基于碳排放源及其估计值，结合地理信息系统数据，进行空间分布分析，生成碳排放的空间分布数据；
S203：基于碳排放的空间分布数据，采用克里金插值法进行空间插值分析，生成碳排放的插值分析结果；
S204：基于碳排放的插值分析结果，采用基于插值结果的等值线和热点区域绘制，生成碳排放热点分布图；
碳排放估计方法包括基于土地覆盖类型的排放系数计算，空间分布分析包括基于栅格数据的空间覆盖率计算，克里金插值法具体为基于半变异函数模型的空间插值。
S201中，基于土地使用和植被变化数据集，识别碳排放源，这包括森林砍伐、土地开垦等活动。进行碳排放的估计，这通过计算每个排放源的排放系数和面积来实现，生成碳排放源及其估计值。
S202中，基于碳排放源及其估计值，结合地理信息系统（GIS）数据，进行空间分布分析。这一步骤涉及计算碳排放的空间分布，包括哪些地区的排放量较高，哪些地区的排放量较低。这通过计算栅格数据中每个栅格的碳排放覆盖率来实现。
S203中，基于碳排放的空间分布数据，采用克里金插值法进行空间插值分析。克里金插值法是一种空间插值技术，基于半变异函数模型来推断未知位置的值。将使用这种方法来生成碳排放的插值分析结果，以填补空间中未采样或未估计的区域。
S204中，基于碳排放的插值分析结果，绘制碳排放热点分布图。这通过生成等值线图和热点区域来实现，以直观显示碳排放的高和低热点区域。这些热点分布图帮助决策者更好地了解碳排放的空间分布特征，从而采取相应的措施来减少碳排放。
请参阅图4，基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告的步骤具体为：
S301：基于BIM模型数据，采用三维建筑建模技术，进行建筑结构和材料属性分析，生成建筑结构和材料属性分析报告；
S302：基于建筑结构和材料属性分析报告，采用生命周期评估方法，进行材料环境影响评估，生成材料生命周期评估报告；
S303：基于BIM模型数据，采用能源模拟工具，评估建筑能效，生成建筑能效分析报告；
S304：综合材料生命周期评估报告和建筑能效分析报告，采用碳足迹计算方法，生成建筑碳足迹报告；
三维建筑建模技术包括Revit软件的建模工具和属性定义功能，生命周期评估方法具体为GaBi软件的环境影响分析流程，能源模拟工具具体为DesignBuilder软件的能耗分析和模拟功能，碳足迹计算方法包括碳排放系数应用和总体碳排放计算。
S301中，建筑结构和材料属性分析
技术：三维建筑建模
步骤：一般通过专业软件如Revit进行，编程代码直接操作这些软件有限。
S302中，材料生命周期评估
技术：生命周期评估
步骤：通常通过GaBi等软件完成，可以通过以下方式进行数据准备：
# 假设有一个DataFrame 'df' 包含了建筑材料的属性
import pandas as pd
df = pd.read_csv('material_properties.csv')
# 数据预处理，为生命周期评估做准备
prepared_data = df[['Material', 'Quantity', 'EmissionFactor']].copy()
prepared_data['TotalEmissions'] = prepared_data['Quantity'] prepared_data['EmissionFactor']
S303中，建筑能效分析
技术：能源模拟
步骤：一般使用DesignBuilder等软件，但可以准备数据进行分析：
# 数据准备示例，假设有能源使用数据
energy_df = pd.read_csv('energy_usage.csv')
# 简单的能耗分析
monthly_energy = energy_df.groupby('Month')['Usage'].sum()
S304中，建筑碳足迹报告
技术：碳足迹计算
步骤：综合前述步骤的结果进行碳足迹计算：
# 假设material_emissions和energy_emissions为前面步骤计算的排放量
total_material_emissions = prepared_data['TotalEmissions'].sum()
total_energy_emissions = monthly_energy.sum() emission_factor #emission_factor为每单位能源使用的碳排放系数
# 计算总碳足迹
total_carbon_footprint = total_material_emissions + total_energy_emissions
请参阅图5，基于土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告的步骤具体为；
S401：基于土地使用和植被变化数据集，采用数据清洗和整理技术处理数据，生成处理后的土地使用数据；
S402：基于处理后的土地使用数据和建筑碳足迹报告，采用卷积神经网络进行特征提取，生成空间特征分析结果；
S403：基于空间特征分析结果，采用循环神经网络进行时间序列分析，生成时间序列分析结果；
S404：综合空间特征分析结果和时间序列分析结果，采用多变量分析方法，生成碳排放影响因素分析报告；
数据清洗包括缺失值填充和异常值处理，卷积神经网络具体为利用TensorFlow框架进行多层特征提取，循环神经网络具体为PyTorch框架下的LSTM网络应用，多变量分析方法具体为使用SPSS进行相关性和回归分析。
S401中，基于土地使用和植被变化数据集，进行数据清洗和整理。这包括处理缺失值填充和异常值处理，以生成经过处理的土地使用数据，确保数据的准确性和完整性。
S402中，基于处理后的土地使用数据和建筑碳足迹报告，采用卷积神经网络（CNN）进行特征提取，以生成空间特征分析结果。在这一步骤中，使用TensorFlow框架构建多层卷积神经网络，以捕获土地使用和建筑碳足迹之间的空间关系。
S403中，基于空间特征分析结果，采用循环神经网络（RNN）进行时间序列分析，以生成时间序列分析结果。使用PyTorch框架下的长短时记忆网络（LSTM）等循环神经网络模型，来分析时间内碳排放的动态变化趋势，包括季节性和趋势性变化。
S404中，综合空间特征分析结果和时间序列分析结果，采用多变量分析方法，例如使用SPSS进行相关性和回归分析，以生成碳排放影响因素分析报告。这份报告将详细描述土地使用、植被变化、建筑碳足迹等因素之间的关系，以及对碳排放的影响程度。报告还提供建议，帮助决策者采取措施来减少碳排放，并制定可持续发展政策。
请参阅图6，基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告的步骤具体为：
S501：基于供应链数据，采用遗传算法进行碳足迹初始优化，生成初始碳足迹优化结果；
S502：基于初始碳足迹优化结果，采用模拟退火算法进行迭代优化，生成深度碳足迹优化结果；
S503：对深度碳足迹优化结果进行优化路径评估和算法参数微调，提高优化效率，生成参数调整后的碳足迹优化结果；
S504：整合参数调整后的碳足迹优化结果，优化策略的总结内容项，编制最终的供应链碳足迹优化报告；
遗传算法包括种群初始化、适应度函数设计、选择策略、交叉操作和变异操作，模拟退火算法包括温度控制的随机搜索过程，接受准则和冷却计划的应用。
S501中，基于供应链数据，采用遗传算法进行碳足迹的初始优化。这个过程包括种群初始化、适应度函数设计、选择策略、交叉操作和变异操作。遗传算法将生成初始碳足迹优化结果，这是一个基于遗传算法的初步优化方案。
S502中，基于初始碳足迹优化结果，采用模拟退火算法进行迭代优化。模拟退火算法是一种随机搜索算法，包括温度控制的随机搜索过程、接受准则和冷却计划的应用。通过模拟退火算法的迭代，生成深度碳足迹优化结果，进一步优化供应链的碳足迹。
S503中，对于深度碳足迹优化结果，进行分析和参数调整，以提高优化效率。这包括评估优化路径，调整遗传算法和模拟退火算法的参数，以获得更好的结果。这个步骤旨在进一步细化和优化供应链的碳足迹。
S504中，整合参数调整后的碳足迹优化结果和优化策略的总结内容，编制最终的供应链碳足迹优化报告。这份报告将详细描述优化后的碳足迹情况，包括各个环节的改进方案和碳排放减少量。报告还提供决策者有关供应链碳足迹的建议，以支持可持续发展和碳减排目标的实现。
请参阅图7，基于碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略的步骤具体为：
S601：基于碳排放影响因素分析报告和供应链碳足迹优化报告，通过因素识别和数据融合，整合关键影响因素，生成关键影响因素汇总结果；
S602：基于关键影响因素汇总结果，构建碳排放优化模型；
S603：基于碳排放优化模型，采用深度Q网络进行学习和策略优化，生成策略优化学习结果；
S604：应用策略优化学习结果，进行生产碳排放优化策略制定和评估，生成工业生产碳排放优化策略；
构建碳排放优化模型包括决策变量的定义、约束条件的设定和目标函数的构建，深度Q网络包括神经网络结构设计和强化学习算法应用，生产碳排放优化策略制定和评估包括策略的有效性分析和实施方案的制定。
S601中，基于碳排放影响因素分析报告和供应链碳足迹优化报告，通过因素识别和数据融合的方法，整合关键影响因素，生成关键影响因素的汇总结果。这个步骤有助于确定工业生产碳排放的主要影响因素。
S602中，基于关键影响因素的汇总结果，构建碳排放优化模型。这包括定义决策变量、设置约束条件和构建优化的目标函数。此模型将用于指导深度Q网络的学习和策略优化。
S603中，基于构建的碳排放优化模型，采用深度Q网络进行学习和策略优化。这包括设计适当的神经网络结构和应用强化学习算法，以学习最佳的碳排放优化策略。深度Q网络将根据模型和环境反馈进行迭代学习，生成策略优化的学习结果。
S604中，应用策略优化的学习结果，进行工业生产碳排放优化策略的制定和评估。这包括分析策略的有效性，确保直接实际应用于工业生产过程。制定实施方案，以确保工业生产中的碳排放得到最大程度的减少。
请参阅图8，数字工程碳排放数据确定系统用于执行数字工程碳排放数据确定方法，系统包括土地监测模块、碳排放热点分析模块、建筑碳足迹评估模块、影响因素分析模块、供应链优化模块、工业生产优化模块、数据整合与报告生成模块；
土地监测模块基于卫星遥感图像，采用图像预处理技术和支持向量机进行土地使用与植被监测，生成土地使用和植被变化数据集；
碳排放热点分析模块基于土地使用和植被变化数据集，采用克里金插值法进行碳排放热点分析，生成碳排放热点分布图；
建筑碳足迹评估模块基于BIM模型数据，采用生命周期评估和建筑能源模拟技术进行能效和材料使用分析，生成建筑碳足迹报告；
影响因素分析模块基于土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络进行影响因素分析，生成碳排放影响因素分析报告；
供应链优化模块基于供应链数据，采用遗传算法和模拟退火算法进行碳足迹优化分析，生成供应链碳足迹优化报告；
工业生产优化模块基于碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络进行工业生产碳排放优化，生成工业生产碳排放优化策略；
数据整合与报告生成模块综合土地使用和植被变化数据集、碳排放热点分布图、建筑碳足迹报告、碳排放影响因素分析报告、供应链碳足迹优化报告、工业生产碳排放优化策略，进行数据融合、综合分析和报告撰写，生成最终的碳排放数据报告。
通过土地监测模块和碳排放热点分析模块，系统实时监测土地使用和植被变化，精确分析碳排放热点，为环境保护和碳减排提供了科学依据，有助于政府和企业采取有效的减排措施。建筑碳足迹评估模块通过BIM模型数据和能源模拟技术，提供了建筑能效和材料使用的全面评估，有助于建筑行业实现绿色建筑目标，减少碳排放。影响因素分析模块和供应链优化模块则帮助企业识别碳排放的关键因素，制定碳足迹优化策略，提高可持续性，降低成本。工业生产优化模块应用深度Q网络进行碳排放优化，有望推动工业领域的碳减排，实现更环保的生产方式。数据整合与报告生成模块将这些数据和分析结果综合整理成报告，为决策者提供了清晰的信息，促进了碳减排和可持续发展目标的实现。
一种数字工程碳排放数据确定设备，包括存储器和处理器，存储器中存储有计算机程序，处理器执行计算机程序时实现如上述的数字工程碳排放数据确定系统。
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如上述的数字工程碳排放数据确定方法的步骤。
以上，仅是本发明的较佳实施例而已，并非对本发明作其他形式的限制，任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例应用于其他领域，但是凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所做的任何简单修改、等同变化与改型，仍属于本发明技术方案的保护范围。

Claims (8)

1.数字工程碳排放数据确定方法，其特征在于，包括以下步骤：
基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集；
基于所述土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图；
基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告；
基于所述土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告；
基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告；
基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略；
所述土地使用和植被变化数据集包括土地类型分布、植被覆盖程度，所述碳排放热点分布图具体指多区域碳排放量的空间分布情况，所述建筑碳足迹报告包括能源消耗量、材料使用情况，所述碳排放影响因素分析报告包括关键影响因素、发展趋势，所述供应链碳足迹优化报告包括碳排放热点分析、减排策略，所述工业生产碳排放优化策略具体为生产参数调整、环境适应性策略；
基于所述土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告的步骤具体为；
基于所述土地使用和植被变化数据集，采用数据清洗和整理技术处理数据，生成处理后的土地使用数据；
基于所述处理后的土地使用数据和建筑碳足迹报告，采用卷积神经网络进行特征提取， 生成空间特征分析结果；
基于所述空间特征分析结果，采用循环神经网络进行时间序列分析，生成时间序列分析结果；
综合所述空间特征分析结果和时间序列分析结果，采用多变量分析方法，生成碳排放影响因素分析报告；
所述数据清洗包括缺失值填充和异常值处理，所述卷积神经网络具体为利用TensorFlow 框架进行多层特征提取，所述循环神经网络具体为 PyTorch 框架下的 LSTM网络应用，所述多变量分析方法具体为使用 SPSS 进行相关性和回归分析；
基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告的步骤具体为；
基于供应链数据，采用遗传算法进行碳足迹初始优化，生成初始碳足迹优化结果；
基于所述初始碳足迹优化结果，采用模拟退火算法进行迭代优化，生成深度碳足迹优化结果；
对所述深度碳足迹优化结果进行优化路径评估和算法参数微调，提高优化效率，生成参数调整后的碳足迹优化结果；
整合所述参数调整后的碳足迹优化结果，优化策略的总结内容项，编制最终的供应链碳足迹优化报告；
所述遗传算法包括种群初始化、适应度函数设计、选择策略、交叉操作和变异操作，所述模拟退火算法包括温度控制的随机搜索过程，接受准则和冷却计划的应用。
2.根据权利要求1所述的数字工程碳排放数据确定方法，其特征在于，基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集的步骤具体为：
基于卫星遥感图像，采用图像预处理技术，包括去噪、色彩校正和边缘增强，生成预处理后的遥感图像；
基于所述预处理后的遥感图像，采用图像分割算法，基于 K 均值聚类，对图像进行区域分割，生成土地使用类型和植被状态分割图；
基于所述土地使用类型和植被状态分割图，采用支持向量机进行分类，确定每个区域的土地使用类型和植被状态；
基于所述土地使用与植被分类结果，进行面积和分布统计分析，生成土地使用和植被变化数据集；
所述图像预处理技术包括高斯滤波去噪、直方图均衡化和 Canny 边缘检测，所述图像分割算法具体为基于颜色和纹理特征的K均值聚类，所述支持向量机算法具体为基于径向基函数的SVM，所述统计分析包括空间分析和时间序列分析。
3.根据权利要求1所述的数字工程碳排放数据确定方法，其特征在于，基于所述土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图的步骤具体为：
基于所述土地使用和植被变化数据集，识别碳排放源，并进行碳排放估计，生成碳排放源及其估计值；
基于所述碳排放源及其估计值，结合地理信息系统数据，进行空间分布分析，生成碳排放的空间分布数据；
基于所述碳排放的空间分布数据，采用克里金插值法进行空间插值分析，生成碳排放的插值分析结果；
基于所述碳排放的插值分析结果，采用基于插值结果的等值线和热点区域绘制，生成碳排放热点分布图；
所述碳排放估计方法包括基于土地覆盖类型的排放系数计算，所述空间分布分析包括基于栅格数据的空间覆盖率计算，所述克里金插值法具体为基于半变异函数模型的空间插值。
4.根据权利要求1所述的数字工程碳排放数据确定方法，其特征在于，基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告的步骤具体为：
基于BIM模型数据，采用三维建筑建模技术，进行建筑结构和材料属性分析，生成建筑结构和材料属性分析报告；
基于所述建筑结构和材料属性分析报告，采用生命周期评估方法，进行材料环境影响评估，生成材料生命周期评估报告；
基于所述BIM模型数据，采用能源模拟工具，评估建筑能效，生成建筑能效分析报告；
综合所述材料生命周期评估报告和建筑能效分析报告，采用碳足迹计算方法，生成建筑碳足迹报告；
所述三维建筑建模技术包括 Revit 软件的建模工具和属性定义功能，所述生命周期评估方法具体为 GaBi 软件的环境影响分析流程，所述能源模拟工具具体为DesignBuilder 软件的能耗分析和模拟功能，所述碳足迹计算方法包括碳排放系数应用和总体碳排放计算。
5.根据权利要求1所述的数字工程碳排放数据确定方法，其特征在于，基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度 Q 网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略的步骤具体为：
基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，通过因素识别和数据融合，整合关键影响因素，生成关键影响因素汇总结果；
基于所述关键影响因素汇总结果，构建碳排放优化模型；
基于所述碳排放优化模型，采用深度 Q 网络进行学习和策略优化，生成策略优化学习结果；
应用所述策略优化学习结果，进行生产碳排放优化策略制定和评估，生成工业生产碳排放优化策略；
所述构建碳排放优化模型包括决策变量的定义、约束条件的设定和目标函数的构建，所述深度Q网络包括神经网络结构设计和强化学习算法应用，所述生产碳排放优化策略制定和评估包括策略的有效性分析和实施方案的制定。
6.数字工程碳排放数据确定系统，其特征在于，所述数字工程碳排放数据确定系统用于执行权利要求1至5任一所述的数字工程碳排放数据确定方法，所述系统包括土地监测模块、碳排放热点分析模块、建筑碳足迹评估模块、影响因素分析模块、供应链优化模块、工业生产优化模块、数据整合与报告生成模块；
所述土地监测模块基于卫星遥感图像，采用图像预处理技术和支持向量机进行土地使用与植被监测，生成土地使用和植被变化数据集；
所述碳排放热点分析模块基于土地使用和植被变化数据集，采用克里金插值法进行碳排放热点分析，生成碳排放热点分布图；
所述建筑碳足迹评估模块基于 BIM 模型数据，采用生命周期评估和建筑能源模拟技术进行能效和材料使用分析，生成建筑碳足迹报告；
所述影响因素分析模块基于土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络进行影响因素分析，生成碳排放影响因素分析报告；
所述供应链优化模块基于供应链数据，采用遗传算法和模拟退火算法进行碳足迹优化分析，生成供应链碳足迹优化报告；
所述工业生产优化模块基于碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络进行工业生产碳排放优化，生成工业生产碳排放优化策略；
所述数据整合与报告生成模块综合土地使用和植被变化数据集、碳排放热点分布图、建筑碳足迹报告、碳排放影响因素分析报告、供应链碳足迹优化报告、工业生产碳排放优化策略，进行数据融合、综合分析和报告撰写，生成最终的碳排放数据报告。
7.一种数字工程碳排放数据确定设备，包括存储器和处理器，其特征在于，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权利要求6所述的数字工程碳排放数据确定系统。
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任一项所述的数字工程碳排放数据确定方法的步骤。
CN202410029095.3A 2024-01-09 2024-01-09 数字工程碳排放数据确定方法、系统、设备及存储介质 Active CN117541272B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410029095.3A CN117541272B (zh) 2024-01-09 2024-01-09 数字工程碳排放数据确定方法、系统、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410029095.3A CN117541272B (zh) 2024-01-09 2024-01-09 数字工程碳排放数据确定方法、系统、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117541272A CN117541272A (zh) 2024-02-09
CN117541272B true CN117541272B (zh) 2024-03-29

Family

ID=89786552

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410029095.3A Active CN117541272B (zh) 2024-01-09 2024-01-09 数字工程碳排放数据确定方法、系统、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117541272B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114462133A (zh) * 2022-04-12 2022-05-10 天津水泥工业设计研究院有限公司 基于数字孪生技术装备产品碳足迹数字化核算方法及系统
CN114742294A (zh) * 2022-04-09 2022-07-12 广州网文三维数字技术有限公司 一种碳排放预测的神经网络算法
CN116167657A (zh) * 2023-02-10 2023-05-26 国网电力科学研究院武汉能效测评有限公司 一种企业全生命周期碳足迹评价方法和系统、存储介质
CN116485079A (zh) * 2023-06-26 2023-07-25 小象飞羊(北京)科技有限公司 数字化精益碳排放核算方法、装置、设备及存储介质
CN116757364A (zh) * 2023-06-28 2023-09-15 广州珠江外资建筑设计院有限公司 一种基于bim技术的碳排放评估方法及系统
CN116822714A (zh) * 2023-05-26 2023-09-29 东北大学 一种基于生命周期评价的钢铁产品碳足迹管理方法与系统

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114742294A (zh) * 2022-04-09 2022-07-12 广州网文三维数字技术有限公司 一种碳排放预测的神经网络算法
CN114462133A (zh) * 2022-04-12 2022-05-10 天津水泥工业设计研究院有限公司 基于数字孪生技术装备产品碳足迹数字化核算方法及系统
CN116167657A (zh) * 2023-02-10 2023-05-26 国网电力科学研究院武汉能效测评有限公司 一种企业全生命周期碳足迹评价方法和系统、存储介质
CN116822714A (zh) * 2023-05-26 2023-09-29 东北大学 一种基于生命周期评价的钢铁产品碳足迹管理方法与系统
CN116485079A (zh) * 2023-06-26 2023-07-25 小象飞羊(北京)科技有限公司 数字化精益碳排放核算方法、装置、设备及存储介质
CN116757364A (zh) * 2023-06-28 2023-09-15 广州珠江外资建筑设计院有限公司 一种基于bim技术的碳排放评估方法及系统

Also Published As

Publication number Publication date
CN117541272A (zh) 2024-02-09

Similar Documents

Publication Publication Date Title
AU2018101946A4 (en) Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton
Baker et al. Robust portfolio decision analysis: An application to the energy research and development portfolio problem
CN106599230A (zh) 一种分布式数据挖掘模型评估的方法与系统
CN113256020B (zh) 一种考虑多尺度时间序列的供电系统成本预测方法
CN105893669A (zh) 一种基于数据挖掘的全局仿真性能预测方法
CN110634060A (zh) 一种用户信用风险的评估方法、系统、装置及存储介质
Cao 1.17 Spatial optimization for sustainable land use planning
CN113449919A (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Che et al. Integrating generative ai into financial market prediction for improved decision making
CN114493052A (zh) 多模型融合自适应新能源功率预测方法和系统
Fan Research on deep learning energy consumption prediction based on generating confrontation network
Joseph et al. Forecasting purchasing managers’ index with compressed interest rates and past values
CN117541272B (zh) 数字工程碳排放数据确定方法、系统、设备及存储介质
Mansor et al. Optimization of land use suitability for agriculture using integrated geospatial model and genetic algorithms
Wu et al. Evaluation of group decision making based on group preferences under a multi-criteria environment
Costantini et al. On using predictive-ability tests in the selection of time-series prediction models: A Monte Carlo evaluation
Duru et al. Predictability of the physical shipping market by freight derivatives
CN109829745A (zh) 营收数据预测方法、装置、计算机设备和存储介质
CN114154696A (zh) 资金流预测方法、系统、计算机设备及存储介质
CN113421014A (zh) 一种目标企业确定方法、装置、设备和存储介质
Verweij et al. SIAT, a Sustainable Impact Assessment Tool for Understanding the drivers in integrated impact assessment
Satpute et al. Predictive Modeling of Vehicle CO 2 Emissions Using Machine Learning Techniques: A Comprehensive Analysis of Automotive Attributes
CN114022586B (zh) 一种基于对抗生成网络的缺陷图像生成方法
Song et al. [Retracted] Sparse Bayesian Model and Artificial Intelligence in Enterprise Goodwill Evaluation and Dynamic Management
Bush et al. Workshop Report on Methods for R&D Portfolio Analysis and Evaluation

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