一种城市群减污降评估方法与流程

1.本发明涉及数据分析技术领域，特别涉及一种城市群减污降评估方法。


背景技术：

2.随着城市化、工业化不断加速，中城市发展面临应对气候变化、生态环境保护和经济增长的多重压力。城市地区所排放的co2主要来源于城市经济、城市建筑和城市交通等领域的人类活动。同时，城市也是各类污染物排放相对集中的地区，有研究表明，温室气体与环境污染物排放具有同根同源同过程特点，如煤炭等化石燃料在燃烧过程中会排放颗粒物、so2等空气污染物，也会排放co2、黑碳等温室气体。因此，利用此特点，通过采取手段同时减少污染物排放简称“减污”和降低温室气体排放简称“降碳”是一种高效环境管理策略。然而，该策略在城市尺度的应用效果缺乏有用的评价手段，同时探究城市群尺度减污降碳时空驱动特征及其演变特征有助于更好地理解城市化与环境互动关系，可服务于城市可持续发展。
3.研究表明，城市的空间、人口和经济聚集特征对碳排放有确定性的影响，而城市化与碳排放之间存在倒u型曲线，且城市空间集聚在一定程度上有助于碳减排。整体上人口、gdp和ndvi对城市co2排放量均为正驱动力，但温度和降水量有负面影响；在污染物排放驱动方面，同样表现出稳定的空间集聚特征，城市化地区各项特征与污染物排放水平显著相关。如pm
2.5
与土地利用和经济产业结构均有显著的联系，但不同经济发展阶段的特征存在差异。尽管现有技术中减污降碳协同效应量化方法可以提供更为有效的减污降碳技术路径，但是减污降碳的驱动剖析案例仍然较少，对其驱动效应的内在机制分析不足。另外，现阶段城市群水平的减污降碳缺乏测度指标，无法支撑区域减污降碳一体谋划、部署和考核；并且在现有的驱动分析研究中，回归分析被广泛应用但传统的多元线性回归不能比较影响因素的重要性。
4.因此，本领域技术人员，亟需提供一种新的城市群减污降碳驱动因素研究方法以解决上述现有技术中存在的问题。


技术实现要素：

5.本发明的目的在于，提供一种城市群减污降评估方法，解决上述现有技术中存在的问题。
6.为了实现上述目的，本发明提供了如下技术方案：
7.一种城市群减污降评估方法，包括以下步骤：
8.获取减污降碳强度变量和减污降碳强度驱动变量数据，对所述减污降碳强度驱动变量数据进行标准化处理，获得标准减污降碳强度驱动变量数据；
9.利用软件对实测城市坐标与所述减污降碳强度驱动变量数据回归建模，获得gtwr模型，输入所述减污降碳强度变量，获得减污降碳强度指标的时空驱动特征；
10.基于所述减污降碳强度驱动变量数据构建rf模型，输入所述减污降碳强度变量，
获取rf结果；其中，获取n次所述rf结果的均值为驱动因素重要性变迁特征；
11.利用所述时空驱动特征和所述驱动因素重要性变迁特征评估城市群减污降碳强度。
12.优选的，还包括对所述标准减污降碳强度驱动变量数据进行多重共线性检验。
13.优选的，所述减污降碳强度变量包括：城市减污降碳各细分项领域代表性指标和驱动指标；
14.其中，城市减污降碳各细分项领域代表性指标有业废水排放效率、工业二氧化硫排放效率、工业烟排放效率、二氧化碳排放强度；
15.所述驱动指标为经济发展水平、产业结构、人口、土地利用结构、能源消费水平、气候变化方面的具体指标。
16.优选的，所述gtwr模型表达式为：
17.yi＝β0(μi，vi，ti)+∑kβk(μi，vi，ti)x
it
+εi；
18.其中，(μi，vi，ti)为长三角城市群第i个城市的时空坐标，μi，vi，ti分别为第i个城市的经度、纬度和时间；β0(μi，vi，ti) 表示第i个城市的回归常数，即模型中的常数项；εi为残差；βk(μi，vi，ti)为第i个城市的第k个回归参数；x
it
为驱动因子自变量组成的矩阵。
19.优选的，第i个城市的第k个回归参数，采用以下表达式进行估计：
[0020][0021]
其中，为βk(μi，vi，ti)的估计值；x为自变量构成的矩阵；x
t
为矩阵x的转置；y为是时间尺度下长三角城市群减污降碳强度测度指标矩阵值；w(μi，vi，ti)为时空权重矩阵。
[0022]
优选的，选择高斯距离函数，利用bi-square空间权重函数得到时空权重矩阵，表达式为：
[0023][0024]
其中，d
ij
样本i和样本j之间的时空距离；δ为带宽。
[0025]
优选的，基于所述减污降碳强度驱动变量数据构建rf模型的步骤包括：
[0026]
基于所述减污降碳强度驱动变量数据随机获取训练集和测试集；
[0027]
构建所述rf模型，并采用所述训练集训练、所述测试集测试。
[0028]
优选的，所述训练集训练所述rf模型包括：
[0029]
训练多个c
art
；
[0030]
单个所述c
art
进行减污降碳强度变量遍历，根据切割后节点的不纯度，确定最佳切割变量和切割点获得单个树结果；
[0031]
综合所有所述树结果获得rf模型。
[0032]
优选的，所述节点不纯度的计算表达式为：
[0033][0034]
其中，x表示分切变量；y是x的分切值；ns是所有训练样本的数量；x
left
是由yi(yi＜
y)组成的数据集；x
rigjt
是由yi(yi＞y)组成的数据集；为x
left
的平均值；为x
rigjt
的平均值。
[0035]
优选的，通过所述rf模型可定量测度所述减污降碳强度变量的重要性：
[0036]
所述rf模型通过袋外误差样本估计所述减污降碳强度变量的表达式为：
[0037][0038]
其中imp(vari)是变量i的重要性；erroob1
ij
是根据
[0039]
cartj中变量i出袋数据计算的误差；erroob2
ij
是根据
[0040]
cartj中变量i出袋数据加上噪声干扰计算的误差；n为 cart数量。
[0041]
经由上述的内容可知与现有技术相比，本发明的有益效果在于：
[0042]
gtwr在地理加权回归的基础上引入时间因子，既解决了截面数据样本数量有限性的问题，还考虑了时间与空间非平稳性，能有效估计因子参数。在rf模型中虽然没有降低了单个cart在其对应的训练数据集上的表现，但是它能够降低所构建的不同树之间相关性，从而能够降低最终多个决策树平均后的减污降碳模型的方差。rf模型对变量重要性的测度imp可消除其他变量的间接影响。即，gtwr模型对减污降碳强度的具有较好的时空拟合能力，减污降碳强度指标时空效应显著；同时，基于模型输出结果可揭示城市群地区减污降碳的驱动机制和空间模式，同时根据模型输出结果可通过提高城市群提升能源利用效率、加大力度发展第三产业、优化土地利用结构促进城市群减污和降碳快速下降。
附图说明
[0043]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，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，还可以根据提供的附图获得其他的附图。
[0044]
图1为本发明方法框图；
[0045]
图2为实施例1长三角城市群减污降碳强度时空特征；
[0046]
图3为实施例1gtwr模型局部回归系统空间分布。
具体实施方式
[0047]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0048]
实施例1：
[0049]
本实施例公开了一种城市群减污降评估方法，在本实施例中以长江三角洲城市群为研究对象，基于碳排放水平和污染物排放数据构建了减污降碳强度指标，并通过时空地理加权回归gtwr方法和随机森林rf方法分析经济发展、产业结构、土地利用结构、人口以及气候变化对减污降碳强度指标的时空驱动特征及驱动因素重要性变迁特征。
[0050]
具体的：
[0051]
获取减污降碳强度变量和减污降碳强度驱动变量数据，对减污降碳强度驱动变量数据进行标准化处理，获得标准减污降碳强度驱动变量数据；利用软件对实测城市坐标与减污降碳强度驱动变量数据回归建模，获得gtwr模型，输入减污降碳强度变量，获得减污降碳强度指标的时空驱动特征；基于减污降碳强度驱动变量数据构建rf模型，输入减污降碳强度变量，获取rf结果；其中，获取n次rf结果的均值为驱动因素重要性变迁特征；利用时空驱动特征和驱动因素重要性变迁特征评估城市群减污降碳强度。
[0052]
其中，减污降碳强度变量包括：城市减污降碳各细分项领域代表性指标和驱动指标；城市减污降碳各细分项领域代表性指标有业废水排放效率、工业二氧化硫排放效率、工业烟排放效率、二氧化碳排放强度；驱动指标为经济发展水平、产业结构、人口、土地利用结构、能源消费水平、气候变化方面的具体指标。
[0053]
在本实施例中为表征城市减污降碳整体效能，构建减污降碳强度指标ipcr，将多种污染物排放效率与温室气体排放效率纳入到1个指标，其计算公式如下：
[0054][0055]
其中，ipcr代表城市减污降碳强度指标，无量纲单位，其取值范围是0-1，越接近0则表示减污降碳的效果越显著，同时也表明经济发展的清洁程度更高；ei代表该城市减污降碳细分项指标，细分项指标采用0-1归一化方法以消除极值影响，同时细分项指标可随研究区特征条件而做出调整；qi代表细分项指标所对应的权重，权重和为1，权重确定方法为专家打分法。
[0056]
综合考虑数据的可获取性以及减污降碳各细分领域代表性指标，细分项指标选择工业废水排放效率、工业二氧化硫排放效率、工业烟 /粉排放效率以及二氧化碳排放强度(见表1)。考虑到当前减污和降碳工作重要性均非常突出，将二者权重均设为0.5；
[0057]
表1减污降碳指标及数据来源
[0058][0059][0060]
更进一步，在本实施例中基于arcgis10.5软件，采用现有技术中的gtwr插件，带宽采用aicc优化设置，实现研究减污降碳强度gtwr 模型；在做gtwr模型前，需对所有减污降碳强度变量进行标准化处理；同时，为避免在回归时出现伪回归现象，对标准化后的所有减污降碳强度变量进行多重共线性检验。如图2所示为本实施例中长三角城市群减污降碳强度时空特征。
[0061]
gtwr模型表达式为：
[0062]
yi＝β0(μi，vi，ti)+∑kβk(μi，vi，ti)x
it
+εi；
[0063]
其中，(μi，vi，ti)为长三角城市群第i个城市的时空坐标，μi，vi，ti分别为第i个城市的经度、纬度和时间；β0(μi，vi，ti) 表示第i个城市的回归常数，即模型中的常数项；εi为残差；βk(μi，vi，ti)为第i个城市的第k个回归参数；x
it
为驱动因子自变量组成的矩阵。
[0064]
第i个城市的第k个回归参数，采用以下表达式进行估计：
[0065][0066]
其中，为βk(μi，vi，ti)的估计值；x为自变量构成的矩阵；x
t
为矩阵x的
转置；y为是时间尺度下长三角城市群减污降碳强度测度指标矩阵值；w(μi，vi，ti)为时空权重矩阵。
[0067]
在本实施例中选择高斯距离函数，利用bi-square空间权重函数得到时空权重矩阵，表达式为：
[0068][0069]
其中，d
ij
样本i和样本j之间的时空距离；δ为带宽。
[0070]
另外，在本实施例中基于减污降碳强度驱动变量数据构建rf模型的步骤包括：
[0071]
基于减污降碳强度驱动变量数据随机获取训练集和测试集；
[0072]
构建rf模型，并采用训练集训练、测试集测试。
[0073]
优选的，训练集训练rf模型包括：
[0074]
训练多个cart；
[0075]
单个cart进行减污降碳强度变量遍历，根据切割后节点的不纯度，确定最佳切割变量和切割点获得单个树结果；
[0076]
综合所有树结果获得rf模型。需要说明的是，在本实施例中rf 回归模型采用r软件包“randomforest”和r编程语言实现；其中80％数据集随机被选为训练集，其余20％数据集被选为测试集。本实施例通过设置固定随机值，可保证rf结果可复现，同时采用10次结果均值作为驱动因素重要性变迁特征。
[0077]
节点不纯度的计算表达式为：
[0078][0079]
其中，x表示分切变量；y是x的分切值；ns是所有训练样本的数量；x
left
是由yi(yi＜y)组成的数据集；x
rigjt
是由yi(yi＞y)组成的数据集；为x
left
的平均值；为x
rigjt
的平均值。通过rf模型可定量测度变量的重要性：
[0080]
rf模型通过袋外误差样本估计变量的表达式为：
[0081][0082]
其中imp(vari)是变量i的重要性；erroob1
ij
是根据 cartj中变量i出袋数据计算的误差；erroob2
ij
是根据 cartj中变量i出袋数据加上噪声干扰计算的误差；n为 cart数量。
[0083]
对于，本实施例公开的方案结果表明，11项指标的方差膨胀因子均小于10，但gdp和园林绿地面积的膨胀系数较高，分别为9.16和 9.38。表2统计了回归模型精度评价结果，可以看出在考虑时间效应后，gtwr模型r2与adjusted r2均高于0.95，相比gwr模型的拟合精度和优度提升较大，r2提升0.1931，残差下降0.6493，且aicc下降了398.24。可见，gtwr回归模型能够较好地在时空尺度拟合11项具体驱动指标对减污降碳强度因变量的线性关系。
[0084]
表2减污降碳驱动模型精度评价
2007年和2008-2012年期间重要性分别为,3和第4，但在2013-2017年期间下降到第8名；同时 gdp的重要性也呈下降趋势。人口密度和人口总量虽然重要性排名靠后，但总体上重要性呈上升趋势。气候变化响应方面，年均气温、年降水量始终是排名最靠后的影响因素，说明气候变化对减污降碳的影响因素并不显著。
[0092]
表4减污降碳强度驱动因素重要性变迁
[0093][0094][0095]
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。