一种电-碳模型构建与生态碳汇测算系统的制作方法

本发明涉及碳排放监测与管理，具体是指一种电-碳模型构建与生态碳汇测算系统。

背景技术：

1、为实现减碳目标，需要高效、精准的碳排放监测和预测系统，传统电碳模型只依赖于单一的预测方法，没有考虑到不同方法带来的差异和适用性，且未能充分考虑影响碳排放的外部因素，导致模型的预测准确率低，缺乏鲁棒性；传统生态碳汇测算方法过于依赖某一种数据源，缺乏多源数据融合，无法充分利用不同数据的优势，且传统的高光谱图像特征提取时，忽略了图像的空间信息，无法充分揭示数据的内在结构特征，导致碳储量估算存在偏差。

技术实现思路

1、针对上述情况，为克服现有技术的缺陷，本发明提供了一种电-碳模型构建与生态碳汇测算系统，针对传统电碳模型只依赖于单一的预测方法，没有考虑到不同方法带来的差异和适用性，且未能充分考虑影响碳排放的外部因素，导致模型的预测准确率低，缺乏鲁棒性的问题，本方案通过引入多个影响碳排放的外部因素，使用lasso回归方法（leastabsolute shrinkage selection operator）进行特征选择，确保模型综合考虑外部因素，结合arima模型（autoregressive integrated moving average）和支持向量回归模型，同时处理数据的线性和非线性特征，提高模型预测的准确性和鲁棒性；针对传统生态碳汇测算方法过于依赖某一种数据源，缺乏多源数据融合，无法充分利用不同数据的优势，且传统的高光谱图像特征提取时，忽略了图像的空间信息，无法充分揭示数据的内在结构特征，导致碳储量估算存在偏差的问题，本方案通过整合激光雷达数据、高光谱图像数据、地形数据，构建随机森林回归模型，实现碳储量的估算，构建多尺度光谱特征网络，提取不同尺度的光谱特征，同时，构建多尺度空间特征网络，提取空间特征，进而提高生态系统碳储量的估算精度。

2、本发明提供的一种电-碳模型构建与生态碳汇测算系统，包括数据获取模块、构建电碳模型模块、生态碳汇测算模块；

3、所述数据获取模块获取电力数据和影响碳排放的外部因素，并计算目标省份的碳排放量；

4、所述构建电碳模型模块利用历史碳排放数据拟合arima模型，使用lasso回归方法对外部因素进行特征选择，得到选择后的特征，使用选择后的特征和目标省份的碳排放量建立支持向量回归模型，通过确定arima模型和支持向量回归模型的权重，构建组合模型；

5、所述生态碳汇测算模块整合激光雷达数据、高光谱影像、地形数据，从激光雷达数据、高光谱影像、地形数据中提取特征，利用递归特征消除算法从提取的特征中选择最优特征集，构建随机森林回归模型，实现碳储量的估算。

6、进一步地，所述构建电碳模型模块包括建立arima模型模块、特征选择模块、建立支持向量回归模型模块和构建组合模型模块；

7、所述建立arima模型模块，使用历史碳排放数据拟合arima模型，步骤如下：

8、步骤s1：使用adf测试（augmented dickey-fuller）评估历史碳排放数据的平稳性，确定差分阶数；

9、步骤s2：构建自相关函数图和偏自相关函数图，比较不同arima模型的aic值，确定最优的arima模型参数；

10、步骤s3：基于最优的arima模型参数，建立arima模型，所用公式如下：

11、；

12、式中，、表示时间节点、的值，、表示系数，、表示白噪声误差项，、表示arima模型参数，表示常数项；

13、步骤s4：检验残差序列是否服从正态分布，利用arima模型进行短期预测，并将预测结果代入arima模型进行再次预测；

14、所述特征选择模块利用lasso回归方法进行特征选择，得到选择后的特征，所用公式如下：

15、；

16、式中，表示参数向量，表示参数向量的转置，表示数据集中的第个样本，表示样本数量，表示的范数，表示正则化参数，表示要找到一个参数向量最小化后面的表达式；

17、所述建立支持向量回归模型模块，使用碳排放数据和选择后的特征建立支持向量回归模型，包括以下步骤：

18、步骤a1：数据预处理，对碳排放数据和选择后的特征进行归一化处理，得到数据集；

19、步骤a2：数据划分，将数据集随机划分为训练集和测试集，分别用于模型训练和测试；

20、步骤a3：建立支持向量回归模型，所用公式如下：

21、+；

22、；

23、式中，表示拉格朗日乘子，表示模型容差，表示核函数，表示正则化参数，、表示样本索引；

24、步骤a4：计算预测结果，所用公式如下：

25、；

26、式中，表示预测函数，表示模型的系数向量，表示转置操作，表示映射函数，表示截距，表示核函数；

27、步骤a5：模型参数优化，利用网格搜索和交叉验证优化支持向量回归模型的参数；

28、步骤a6：模型评估，利用测试集评估模型拟合效果，采用均方根误差、平均绝对误差和平均绝对百分比误差作为评价指标；

29、所述构建组合模型模块通过最小化均方根误差确定arima模型和支持向量回归模型的权重，构建组合模型，所用公式如下：

30、；

31、；

32、式中，表示均方根误差，表示数据集中的总观测值数量，表示第个观测值的实际碳排放量，表示第个观测值的预测碳排放量，、分别表示分配给arima模型和支持向量回归模型的权重，、分别表示arima模型和支持向量回归模型对第个观测值的预测值。

33、进一步地，所述生态碳汇测算模块包括：数据收集模块、特征提取模块、开发机器学习模型模块、碳储量测算模块和评估模块；

34、所述数据收集模块收集激光雷达数据、高光谱影像、地形数据；

35、所述特征提取模块从激光雷达数据、高光谱影像、地形数据中提取特征，包括以下步骤：

36、步骤p1：将激光雷达数据进行预处理，获取树木级别特征；

37、步骤p2：利用多尺度光谱特征网络和多尺度空间特征网络从高光谱影像中提取光谱特征和空间特征，包括以下步骤：

38、步骤p21：将每个样本的光谱数据视为具有多个波长的点，通过波长分割实现多尺度分割，得到多个不同尺度的子集，每个尺度的光谱数据划分的具体计算公式如下：

39、；

40、；

41、式中，表示原始光谱数据，表示原始光谱数据中第个波长点的值，表示波长点数，表示原始光谱数据被分成部分后，第个分段区域包含的光谱数据；

42、步骤p22：将每个子集输入多尺度光谱特征网络进行特征提取，得到光谱特征；

43、步骤p23：将高光谱影像划分为多个大小相同的块，将每个块的高光谱影像数据输入到卷积长短期记忆网络，获取每个块的特征，将每个块的特征输入到下一个卷积长短期记忆网络中，得到空间特征；

44、步骤p3：从地形数据中提取高程、坡度和坡向地形特征；

45、所述开发机器学习模型模块利用递归特征消除算法从提取的特征中选择最优特征子集，使用随机森林回归模型预测森林高度、体积和地上生物量；

46、所述碳储量测算模块，利用预测得到的森林高度作为随机森林回归模型的一个额外预测变量，估算森林体积和地上生物量，根据预测的地上生物量计算碳储量；

47、所述评估模块使用均方根误差、相对均方根误差和平均绝对误差作为评估指标，评估随机森林回归模型预测的准确性。

48、采用上述方案本发明取得的有益效果如下：

49、（1）针对传统电碳模型只依赖于单一的预测方法，没有考虑到不同方法带来的差异和适用性，且未能充分考虑影响碳排放的外部因素，导致模型的预测准确率低，缺乏鲁棒性的问题，本方案通过引入多个影响碳排放的外部因素，使用lasso回归方法进行特征选择，确保模型综合考虑外部因素，结合arima模型和支持向量回归模型，同时处理数据的线性和非线性特征，提高模型预测的准确性和鲁棒性。

50、（2）针对传统生态碳汇测算方法过于依赖某一种数据源，缺乏多源数据融合，无法充分利用不同数据的优势，且传统的高光谱图像特征提取时，忽略了图像的空间信息，无法充分揭示数据的内在结构特征，导致碳储量估算存在偏差的问题，本方案通过整合激光雷达数据、高光谱图像数据、地形数据，构建随机森林回归模型，实现碳储量的估算，构建多尺度光谱特征网络，提取不同尺度的光谱特征，同时，构建多尺度空间特征网络，提取空间特征，进而提高生态系统碳储量的估算精度。