一种碳排放时空大数据的定位和计算方法及系统技术方案

本申请提出了一种碳排放时空大数据的定位和计算方法及系统，涉及大数据计算领域。一种碳排放时空大数据的定位和计算方法包括：建立卫星监测数据和无人机近地面获取数据的融合模型，获取化工园区碳排放的时空大数据；建立化工园区二氧化碳排放时空大数据数据库及开发可视化软件；通过BP神经网络和多元线性回归模型对化工园区企业碳排放进行预测分析，结合园区碳排放的时空大数据进行验证与改进建立化工园区的碳排放预测模型。利用时空大数据结合区域碳排放预测模型，精准监测园区碳排放情况，帮助园区企业做好提前的碳排放预测，能够更有效的实施温室气体减排，使园区企业更积极主动参与到碳交易中，既实现企业价值最大化。化。化。

【技术实现步骤摘要】
一种碳排放时空大数据的定位和计算方法及系统


[0001]本申请涉及大数据计算领域，具体而言，涉及一种碳排放时空大数据的定位和计算方法及系统。

技术介绍

[0002]碳排放导致全球气候变化加剧，极端天气事件增加。资源、环境、灾害问题日趋显著，对人类乃至全球生态系统造成严重威胁。在这一背景下，世界各国以全球协议的方式减排温室气体。
[0003]而实现减排温室气体，量化监测跟踪是非常重要的环节。
[0004]IPCC核算方法存在诸多缺陷，而且每次核算排查都耗时几个月之久，核算成本也极高。针对该核算方法的缺点，Climate Trace在2021年举行COP26会议上，提出：使用卫星+图像识别AI算法的技术路线来快速核实碳排放的建议。这一技术路线可通过卫星图片的差异来分辨排放者主动上报数据的正确性，快速识别错报漏报。此项工作为核实碳排放做出了有益的探索，但也存在一些不足；2021年11月发表在《Science》上的一篇文章指出了这一技术在量化测量和时间刷新上的不足，并指出“卫星+传感器+预测模型算法”的技术路线将是下一代的最佳路线，欧美发达国家将在2023年实现并应用这一新技术。即卫星遥感将会是碳数据最核心的数据采集和计算手段。

技术实现思路

[0005]本申请的目的在于提供一种碳排放时空大数据的定位和计算方法，其能够对碳排放的监测、溯源和改进起到量化监管的作用，为绿色可再生能源的产业体系构建提供数字化指导，而且能在碳吸收方面起到及时发现生态问题和守护生态平衡的作用。
[0006]本申请的另一目的在于提供一种碳排放时空大数据的定位和计算系统，其能够运行一种碳排放时空大数据的定位和计算方法。
[0007]本申请的实施例是这样实现的：
[0008]第一方面，本申请实施例提供一种碳排放时空大数据的定位和计算方法，其包括建立卫星监测数据和无人机近地面获取数据的融合模型，获取化工园区碳排放的时空大数据；建立化工园区二氧化碳排放时空大数据数据库及开发可视化软件；通过BP神经网络和多元线性回归模型对化工园区企业碳排放进行预测分析，结合园区碳排放的时空大数据进行验证与改进建立化工园区的碳排放预测模型。
[0009]在本申请的一些实施例中，上述建立卫星监测数据和无人机近地面获取数据的融合模型，获取化工园区碳排放的时空大数据包括：通过卫星光谱、影像和近地面数据的融合模型进行定位和计算得到碳排放的时空大数据，实现对化工园区的碳排放的精准监测；收集空气质量数据，通过相应软件系统对收集的数据进行处理和分析，并进行可视化呈现。
[0010]在本申请的一些实施例中，上述还包括：无人机二氧化碳立体网格化监测以预设范围为一个监测单元，对多个监测单元的连续监测及数据分析和呈现。
[0011]在本申请的一些实施例中，上述建立化工园区二氧化碳排放时空大数据数据库及开发可视化软件包括：建立化工园区二氧化碳排放时空大数据数据库，并进行数据库功能的开发。
[0012]在本申请的一些实施例中，上述还包括：将Pythom、Flask作为系统的开发语言，并结合ArcGIS Engine的组件技术进行系统的二次开发可视化软件功能。
[0013]在本申请的一些实施例中，上述通过BP神经网络和多元线性回归模型对化工园区企业碳排放进行预测分析，结合园区碳排放的时空大数据进行验证与改进建立化工园区的碳排放预测模型包括：收集整理二氧化碳排放影响数据变量，开展二氧化碳代谢平衡机理分析和统计数据分析，建立BP神经网络和多元线性回归模型，通过神经网络仿真值和回归方程模拟值进行比较，并将回归模型应用于化工园区碳排放预测，实际进行实践验证。
[0014]在本申请的一些实施例中，上述还包括：通过多个变量的最优组合共同来预测或估计因变量，自变量由实际影响因素决定数量，方程如下所示，
[0015]Y
hat
＝β0+β1X1+β2X2+
…
+β
n
X
n
+e(1)
[0016]上式中，n是解释变量的个数；β
i
是常数项；β1～β
n
为回归系数；e是误差项的随机变量值，是去除n个自变量对影响后的随机误差。采用最小二乘法对上式中的待估回归系数β0，β1，
…
，β
n
，进行估计，求得β值，利用多元线性回归模型进行预测。
[0017]第二方面，本申请实施例提供一种碳排放时空大数据的定位和计算系统，其包括融合模型模块，用于建立卫星监测数据和无人机近地面获取数据的融合模型，获取化工园区碳排放的时空大数据；
[0018]数据库建立及软件发开模块，用于建立化工园区二氧化碳排放时空大数据数据库及开发可视化软件；
[0019]预测模型模块，用于通过BP神经网络和多元线性回归模型对化工园区企业碳排放进行预测分析，结合园区碳排放的时空大数据进行验证与改进建立化工园区的碳排放预测模型。
[0020]在本申请的一些实施例中，上述包括：用于存储计算机指令的至少一个存储器；与上述存储器通讯的至少一个处理器，其中当上述至少一个处理器执行上述计算机指令时，上述至少一个处理器使上述系统执行：融合模型模块、数据库建立及软件发开模块及预测模型模块。
[0021]第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如一种碳排放时空大数据的定位和计算方法中任一项的方法。
[0022]相对于现有技术，本申请的实施例至少具有如下优点或有益效果：
[0023]通过时空大数据的获取处理、可视化与智能分析，可实现碳排放监测；通过卫星对地球大气遥感监测反演，可对碳排放量和空间分布、强度进行量化客观监测和溯源；通过生态保护和气候研究，监测记录自然资源数据，可保护促进碳汇，对地球气候生态深入研究；通过获得碳交易数据，可为构建完善的碳交易市场，提供底层数字支撑；通过获取行业组织低碳数字方案，可为行业、企业优化自身碳排放提供高效数字化方案。
附图说明
[0024]为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0025]图1为本申请实施例提供的一种碳排放时空大数据的定位和计算方法步骤示意图；
[0026]图2为本申请实施例提供的一种碳排放时空大数据的定位和计算系统模块示意图；
[0027]图3为本申请实施例提供的一种电子设备；
[0028]图4为本申请实施例提供的二氧化碳近地数据显示平台示意图；
[0029]图标：10
‑
融合模型模块；20
‑
数据库建立及软件发开模块；30
‑
预测模型模块；101
‑
存储本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种碳排放时空大数据的定位和计算方法，其特征在于，包括：建立卫星监测数据和无人机近地面获取数据的融合模型，获取化工园区碳排放的时空大数据；建立化工园区二氧化碳排放时空大数据数据库及开发可视化软件；通过BP神经网络和多元线性回归模型对化工园区企业碳排放进行预测分析，结合园区碳排放的时空大数据进行验证与改进建立化工园区的碳排放预测模型。2.如权利要求1所述的一种碳排放时空大数据的定位和计算方法，其特征在于，所述建立卫星监测数据和无人机近地面获取数据的融合模型，获取化工园区碳排放的时空大数据包括：通过卫星光谱、影像和近地面数据的融合模型进行定位和计算得到碳排放的时空大数据，实现对化工园区的碳排放的精准监测；收集空气质量数据，通过相应软件系统对收集的数据进行处理和分析，并进行可视化呈现。3.如权利要求2所述的一种碳排放时空大数据的定位和计算方法，其特征在于，还包括：无人机二氧化碳立体网格化监测以预设范围为一个监测单元，对多个监测单元的连续监测及数据分析和呈现。4.如权利要求1所述的一种碳排放时空大数据的定位和计算方法，其特征在于，所述建立化工园区二氧化碳排放时空大数据数据库及开发可视化软件包括：建立化工园区二氧化碳排放时空大数据数据库，并进行数据库功能的开发。5.如权利要求4所述的一种碳排放时空大数据的定位和计算方法，其特征在于，还包括：将Pythom、Flask作为系统的开发语言，并结合ArcGIS Engine的组件技术进行系统的二次开发可视化软件功能。6.如权利要求1所述的一种碳排放时空大数据的定位和计算方法，其特征在于，所述通过BP神经网络和多元线性回归模型对化工园区企业碳排放进行预测分析，结合园区碳排放的时空大数据进行验证与改进建立化工园区的碳排放预测模型包括：收集整理二氧化碳排放影响数据变量，开展二氧化碳代谢平衡机理分析和统计数据分析，建立BP神经网络和多元线性回归模型，通过神经网络仿真值和回归方程模拟值进行比较...

【专利技术属性】
技术研发人员：靳春江，徐雯佳，田力，许志辉，郑旭，刘涵，
申请(专利权)人：河北省水文工程地质勘查院河北省遥感中心，
类型：发明
国别省市：