一种不同城市类型温室气体减排状态及差异评估及系统

本发明属于温室气体减排评估，尤其涉及一种不同城市类型温室气体减排状态及差异评估及系统。

背景技术：

1、全球变暖对区域生态环境和人类社会的可持续发展构成了严重威胁。全球就气候变暖采取了一系列的措施，如sdgs，巴黎协定等。面对气候变化、快速城市化和生态系统的退化，节能减排和低碳经济已经成为当今社会发展的主要目标。

2、由于不同层次的社会经济发展和产业结构的制约，城市具有不同的碳减排潜力。当前对于城市层面的碳排放的分析和考虑不够充分，缺乏将城市产业和经济结构与温室气体减排相关联的体系方法。

3、此外，城市特征分类方面，不同的聚类方法在非线性分布和混合特征参数方面的缺点可能导致城市聚类存在偏差。比如k-means具有简单、容易理解计算速度快的优点，但该算法初始值对聚类结果影响较大，容易陷入局部最优等缺点，som算法分类不准确等等。

技术实现思路

1、本发明针对现有技术的不足，利用som-k-means聚类算法根据城市的经济产业结构进行聚类，分析不同城市类型的温室气体减排趋势和状态，能够有效的探索不同类型城市达峰原因，根据不同城市的减排能力设计相关政策，有利用合理引导城市层面温室气体减排进程，为城市绿色低碳发展规划提供科学指导。在技术上，我们通过使用som-k-means算法，解决了k-means算法需要提前设定聚类数和聚类中心的问题，又克服了som算法中分类结果不准确的缺陷。

2、基于上述问题，本发明采用如下技术方案：

3、一种不同城市类型温室气体减排状态及差异评估方法，包括以下步骤：

4、步骤1、确定城市温室气体减排评估的研究区域和时间范围，获取长时间序列的碳排放数据集；

5、步骤2、收集城市聚类的经济结构和产业结构数据，并作数据预处理；

6、步骤3、对准备的长时间序列城市碳排放样本数据进行条件判断函数检测，并对长时间序列城市碳排放样本数据进行mann-kendall趋势检验；

7、步骤4、进行城市温室气体减排的判断与评估；

8、步骤5、基于som-k-means聚类算法对城市的经济和产业结构部进行聚类，得到城市特征标签；

9、步骤6、基于步骤4的温室气体减排趋势结果和步骤5的城市聚类结果，进一步利用统计方法得到不同城市类型的温室气体减排趋势状态。

10、进一步地，所述步骤1中的数据集包括碳排放值、衡量城市经济结构的从业人口数据和衡量城市产业结构的三大产业的国民生产总值数据。

11、进一步地，所述步骤3包括如下子步骤：

12、步骤3.1、进行条件判断函数检验，判断排放最大值年份之后城市时间序列的数据量是否大于等于设定值,若小于设定值，则认为该城市碳排放未达峰；

13、步骤3.2若排放最大值年份之后城市时间序列的数据量大于等于设定值，采用mann-kendall趋势检验判断峰值年以后排放是否有显著下降趋势；

14、步骤3.3构建衡量趋势大小的指标来判断下降趋势的程度。

15、进一步地，所述步骤3步骤3.2中其具体的实现方式是：

16、基于长时间序列的城市碳排放数据，构建城市碳排放标准统计量函数zmk，近似满足标准正态分布：

17、

18、其中，检验的统计变量s计算如下：

19、

20、

21、其中，检验的统计变量s的方差v(s)大致服从正态分布函数，表示为：

22、

23、式中：对于所有的i，j≤n，同时满足i≠j，n为最大值年份后城市的数据量即年份数目，xj为最大值年份后城市排放时间序列x的第j个数据值；g表示分组数，序列相同元素分为一组；ti表示第i个组的数据点的数目，在这里表示每组的数量为1即每年的碳排放，sgn为符号函数；

24、对于正态分布函数zmk，如果|zmk|≥z1-α/2，那么将拒绝原假设h0，即在置信水平α上，碳排放数据按时间序列存在明显的上升或下降趋势。

25、进一步地，所述步骤3步骤3.3中衡量碳排放趋势大小的指标用β来表示：

26、

27、式中：median()为中位数函数，n为最大值年份后城市的数据量即年份数目，满足1＜j＜i＜n，xi为最大值年份后城市排放时间序列x的第i个数据值，xj为最大值年份后城市排放时间序列x的第j个数据值，当β＞0时，代表碳排放样本数据呈上升趋势；β＜0时表示呈下降趋势。

28、进一步地，所述步骤5包括如下子步骤：

29、步骤5.1使用som对数据集进行初始聚类，具有相近特征的特征向量视为同一类，样本数据从而聚成不同的类别，以获得聚类的数量和初始聚类中心；

30、步骤5.2利用获得的聚类的数量和初始聚类中心的结果作为初始值输入，并进一步聚类形成最终的聚类结果；

31、步骤5.3使用s_dbw指数评估算法的聚类效果。

32、进一步地，所述步骤5.1具体为：

33、权重初始化：设定wj(j＝1，2…，p)为连接输入节点和第j个输出节点的权重向量，并给它分配一个随机数，设初始周期数t＝1；

34、寻找最优节点：对于每个输入向量xk(k＝1，2…，m)，求wj中与xk距离最小的连接权值向量，其中欧氏距离作为判别函数：

35、||xi-wg||＝min||xi-wj||

36、其中赢家为单元g，ng(t)为赢家的邻域，调整邻域中每个单元的连接权重向量，使之向xi靠拢，公式为：

37、wj(t+1)＝wj(t)+η(t)hgj(t)[xi(t)-wj(t)]

38、η(t)为第t次的学习率，随训练次数的增加而递减；hgj(t)为第i个输入节点与第j个输出节点之间的连接权值，其中j∈ng(t)；

39、随着学习迭代t的增加，重复第二和第三步，当网络权重稳定时，则认为它已经收敛了；

40、收敛后，输出聚类数目k和聚类中心z＝(z1，z2，...，zk)。

41、进一步地，所述步骤5.2具体为：

42、k-means利用第步骤5，1中的聚类数目k和聚类中心结果作为初始值输入，遍历所有数据，计算数据点到聚类中心的聚类，并将其划分到最近的中心点中，形成k个簇。

43、使用误差平方和sse作为聚类的目标函数，其中k表示粗类数目，cjj表示第j个聚类中心，dist表示的是欧几里得距离，簇的最小化sse的簇中心即簇中所有点的均值，计算每个簇的平均值，将其作为新的簇中心：

44、

45、直至簇中心不再发生改变，则视为已经收敛，输出城市聚类结果。

46、进一步地，所述步骤5.3具体为：

47、簇间密度用来评估含有两个簇的簇群密度，和单个簇的密度的关系，若两个簇结合之后的密度，显著小于每个单独的簇的密度，表示聚类效果最优，簇间密度计算如公式所示，

48、

49、簇内方差计算如公式所示：

50、

51、其中，dens_bw(k)表示簇间密度，用来评估含有两个簇的簇群密度和单个簇的密度的关系，k表示簇的数目，density(u)用来表示u周围点的数目，ca，cb分别表示簇a和簇b的簇中心，uab表示ca，cb连线的中点；scat(k)表示簇内方差，用来表示簇之间的平均分散度；σ(va)表示簇a的方差，σ(s)表示数据集s的方差；

52、用s_dbw(k)表示簇类效果评估指数

53、s_dbw(k)＝scat(k)+dens_bw(k)

54、经过迭代聚类，达到最优的聚类。

55、本发明还提供一种不同城市类型温室气体减排状态及差异评估系统，包括：

56、模块一、确定城市温室气体减排评估的研究区域和时间范围，获取长时间序列的碳排放数据集；

57、模块二、收集城市聚类的经济结构和产业结构数据，并做数据预处理；

58、模块三、对准备的长时间序列城市碳排放样本数据进行条件判断函数检测，并对长时间序列城市碳排放样本数据mann-kendall趋势检验；

59、模块四、进行城市温室气体减排的判断与评估；

60、模块五、基于som-k-means聚类算法对城市的经济和产业结构部进行聚类，得到城市特征标签；

61、模块六、基于模块四的温室气体减排趋势结果和模块五的城市聚类结果，进一步利用统计方法得到不同城市类型的温室气体减排趋势状态。

62、与现有技术相比，本发明具有如下有益效果：

63、本发明利用som-k-means聚类算法根据城市的经济产业结构进行聚类，分析不同城市类型的温室气体减排趋势和状态，能够有效的分析不同类型城市达峰原因，根据不同城市的减排能力设计相关政策，有利用合理有效引导城市层面温室气体减排进程，为城市绿色低碳发展规划提供科学指导。