CN117575870A - 一种基于sd-flus模型的城市碳平衡优化方法 - Google Patents
一种基于sd-flus模型的城市碳平衡优化方法 Download PDFInfo
- Publication number
- CN117575870A CN117575870A CN202311527528.XA CN202311527528A CN117575870A CN 117575870 A CN117575870 A CN 117575870A CN 202311527528 A CN202311527528 A CN 202311527528A CN 117575870 A CN117575870 A CN 117575870A
- Authority
- CN
- China
- Prior art keywords
- carbon balance
- urban
- land
- model
- carbon
- 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.)
- Pending
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 184
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 180
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000005457 optimization Methods 0.000 title claims abstract description 19
- 238000004088 simulation Methods 0.000 claims abstract description 51
- 238000004364 calculation method Methods 0.000 claims abstract description 26
- 238000011161 development Methods 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims abstract description 15
- 230000008569 process Effects 0.000 claims abstract description 11
- 238000005516 engineering process Methods 0.000 claims abstract description 7
- 230000018109 developmental process Effects 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 210000004027 cell Anatomy 0.000 claims description 13
- 230000003044 adaptive effect Effects 0.000 claims description 12
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 230000008859 change Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000008520 organization Effects 0.000 claims description 6
- 230000001105 regulatory effect Effects 0.000 claims description 6
- 230000009471 action Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000011712 cell development Effects 0.000 claims description 3
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 229910002092 carbon dioxide Inorganic materials 0.000 description 4
- 239000001569 carbon dioxide Substances 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000001413 cellular effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000012271 agricultural production Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 244000144972 livestock Species 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于SD‑FLUS模型的城市碳平衡优化方法，包括：对城市进行碳平衡标准单元的划分；基于城市的多源数据，构建多源数据库；基于多源数据库和城市碳平衡标准单元，构建城市碳平衡模型；耦合数字化技术、传统城市规划和碳循环过程，结合城市碳平衡模型，构建城市碳平衡模拟系统；基于城市碳平衡模拟系统，在碳平衡目标导向下，通过SD模型对城市土地利用需求进行仿真计算，得到土地利用需求预测结果；将土地利用需求预测结果输入FLUS模型校准；以初始年份的土地利用实际数据和驱动因子数据为初始数据，模拟碳平衡发展下，城市碳平衡标准单元内部的土地利用空间分布情况；对城市的碳平衡水平进行优化。
Description
技术领域
本发明涉及超特大城市碳平衡优化领域，尤其涉及一种基于SD-FLUS模型的城市碳平衡优化方法。
背景技术
在我国的碳排放中，超特大城市贡献了其中约20％，是碳减排的主要阵地。超特大城市作为中国未来经济发展的增长极，人口、产业将在城镇空间进一步集聚，若要有效发挥超特大城市的新型城镇化推进空间主体作用并同步实现绿色低碳转型，不仅要依靠行政与规划管控，还要将城市发展理念与有效的技术结合作为支撑，超特大城市因其资源集聚程度高、治理问题复杂，推进数字化技术与城市治理的深度融合是实现低碳发展的主要方向。
Wang等学者运用定量分析城市紧凑性指数和多中心性指标，得出中国104个城市形态与二氧化碳排放的关系，用于指导城市空间结构进而实现低碳目标；黄贤金等学者基于IPAT和IBIS模型，分析了中国2060年的可行性以及国土利用碳汇分布情况，为优化国土空间分布格局提供决策参考。除了城市结构、布局、形态外，学者们也探索数字化技术应用于城市治理及国土空间规划落实低碳目标的挑战与难点内容，余光英等学者将碳平衡引入土地适宜性评价研究中，选取多目标规划在适宜性评价的基础上对城市圈的碳排放权进行优化配置研究；苑清敏等学者利用系统动力学方法建立了碳排放动力学模型，预测了天津市2013—2030年碳排放的变化趋势。
然而，现有对于超特大城市碳平衡的优化方案仍存在一些不足：一是缺乏对城市规划单元碳收支特征的监测与评估，对实现超特大城市精细化治理的支撑力不足；二是多源数据融合分析能力较弱，缺乏多层次影响因素多主体之间的交互耦合；三是碳平衡模拟过程缺乏数量表达与空间格局的耦合，空间可视化程度不足。
发明内容
本发明提供了一种基于SD-FLUS模型的城市碳平衡优化方法，用以解决现有对于超特大城市碳平衡的优化方案仍存在不足的技术问题。
为实现上述目的，本发明提供了一种基于SD-FLUS模型的城市碳平衡优化方法，包括以下步骤：
S1、根据城市主要道路、城市功能结构和城市功能分区，将城市划分为城市碳平衡标准单元；获取城市的多源数据，根据多源数据构建多源数据库；
S2、根据多源数据库和城市碳平衡标准单元，构建城市碳平衡模型；
S3、根据城市碳平衡模型，耦合数字化技术、传统城市规划和碳循环过程，构建城市碳平衡模拟系统；
S4、根据城市碳平衡模拟系统，在碳平衡目标导向下，通过SD模型(系统动力学模型)对城市土地利用需求和碳平衡进行仿真模拟计算，得到土地利用需求预测结果和碳平衡水平预测结果；
S5、将土地利用需求预测结果输入FLUS模型；以初始年份的土地利用实际数据和驱动因子数据为初始数据，模拟碳平衡发展情景下城市碳平衡标准单元中土地利用空间分布情况，并使用碳平衡水平预测结果对模拟碳平衡发展进行验证；
S6、根据土地利用空间分布情况，优化土地利用布局，进而对城市的碳平衡水平进行优化。
优选的，城市的多源数据包括政府数据、开放组织数据、互联网大数据、智慧设施数据；在根据多源数据构建多源数据库时，首先根据政府数据、开放组织数据、互联网大数据、智慧设施数据构建多源数据集以对多源数据进行分类，多源数据集包括基础地理数据、空间规划数据、社会经济数据、城市运行数据四大分类模块；再基于多源数据集构建多源数据库。
优选的，在S4中，通过SD模型进行仿真模拟计算时，选取非化石能源占比、第三产业占比、土地利用类型三个变量作为调控变量，在初始方案基础上，通过调整调控变量，建立模拟方案，基于模拟方案得到土地利用需求预测结果和碳平衡水平预测结果。
优选的，基于模拟方案得到土地利用需求预测结果和碳平衡水平预测结果包括：
模拟方案包括能源结构调整型、产业结构调整、土地利用变化调整和综合调控四种类型；通过系统动力学模型，调整模型中涉及参数的变化速率，得到四种类型下不同的土地利用需求预测结果和碳平衡水平预测结果。
优选的，在对碳平衡的优化过程中，涉及到碳平衡水平的计算，计算公式满足如下关系：
F＝CE—CA
其中，F为碳平衡水平；CE为碳排放，CE＝Cb+Ct+Ci+Cg+Cw；CA为碳排放；Cb为建筑碳排放，Ct为交通碳排放，Ci为工业碳排放，Cg为农业碳排放，Cw为废弃物碳排放；
当F＞0时，表示城市系统处于碳失衡状态；
当F≤0时，表示城市系统碳平衡状态稳定且呈现良性发展。
优选的，在S5中，FLUS模型中采用三层BP神经网络模型，根据城市碳平衡模拟系统所选取的空间变量设置神经网络中各层的神经元个数，并通过选取的空间驱动因子与城市用地的历史分布的随机采样样本对神经网络算法进行训练，通过神经网络算法的计算得到元胞的发展概率；神经网络模型中栅格单元p在训练时间t时土地利用类型k的发生概率满足如下关系：
其中，p(p,k,t)为第k种用地类型在栅格p和时间t上的适宜性概率；wj,k是隐藏层和输出层之间的自适应权重；netj(p,t)为在隐含层中，神经元j在时间t从栅格单元p上的所有输入神经元接收的信号。
优选的，在S5中，将结合得到的元胞发展概率与元胞的邻域影响及自适应系数进行总体概率计算时，选取3×3的Moore邻域模型进行城市模拟，元胞邻域影响因子的计算模型表达式可以满足如下关系：
其中，表示N×N的窗口上，上一次迭代(t-1)结束后第k种用地类型的像元总个数；wk为考虑到不同用地类型的邻域作用强度不一样而设定的不同权重。
优选的，在S5中，计算每类用地的惯性系数时，根据当前的土地数量与土地需求的差距决定并在迭代中自适应调整，公式满足如下关系：
其中，表示第k种用地在迭代时间t上的惯性系数；/>分别表示上一次、上两次迭代时，第k种用地类型的像元数与需求数目的差。
优选的，在S5中，综合考虑栅格的适宜性概率、自适应惯性系数、邻域效应以及转换成本4个因素，获取栅格p在时刻t土地利用类型为k的总体转换概率满足如下关系：
其中，是像元p在迭代次数t时转化成用地类型k的总概率；spp,k是神经网络输出的适宜性概率；/>代表邻域作用；/>为k用地类型的惯性系数；scc→k为土地利用类型c转为类型k的成本，(1-scc→k)表示发生转化的难易程度。
本发明具有以下有益效果：
本发明的基于SD-FLUS模型的城市碳平衡优化方法，划分了碳平衡的标准单元，使得后续对于碳平衡的监测、评估和模拟精度更大，计算更为方便，模型模块化程度高，具备易复用性；基于城市碳平衡模型构建的城市碳平衡模拟系统具有数据多源，单元分明的特点，使得本方法能够更全面且准确地模拟城市碳平衡水平，实现多源数据体系与多维度核算体系耦合；本方法基于SD模型与FLUS模型耦合的模拟计算，实现了宏观用地总量需求和微观土地利用空间格局的模拟预测，实现了数量表达与空间格局耦合。本发明的基于SD-FLUS模型的城市碳平衡优化方法，对于实现超特大城市的碳平衡水平优化具有指导意义。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照附图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的方法流程图。
图2是本发明优选实施例的耦合SD模型和FLUS模型示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
参见图1，本发明优选实施例中，提供了一种基于SD-FLUS模型的城市碳平衡优化方法，包括以下步骤：
S1、根据城市主要道路、城市功能结构和城市功能分区，将城市划分为城市碳平衡标准单元；获取城市的多源数据，根据多源数据构建多源数据库。
本发明优选实施例中，利用道路缓冲区对面域进行切割，初步生成地块；对单元地块进行空间聚类，引入最小凸多边形自动生成“碳平衡”单元边界。
获取城市多源数据(政府数据、开放组织数据、互联网大数据、智慧设施数据等)，并进行数据融合得到多源数据库。基于已有数据，进行数据分类，可将数据大致分为基础地理数据、空间规划数据、社会经济数据、城市运行数据四大模块，建立多源数据库，对数据进行整合、储存、管理。
S2、根据多源数据库和城市碳平衡标准单元，构建城市碳平衡模型。
城市的多源数据包括政府数据、开放组织数据、互联网大数据、智慧设施数据；在基于多源数据构建多源数据库前，首先构建多源数据集以对数据进行分类，多源数据集包括基础地理数据、空间规划数据、社会经济数据、城市运行数据四大模块；基于多源数据集的四大模块最终构建多源数据库。
多源数据及构建多源数据库的作用是便于监测评估单元的碳排放情况，同时为SD模型和FLUS模型提供数据基础。
S3、根据城市碳平衡模型，耦合数字化技术、传统城市规划和碳循环过程，构建城市碳平衡模拟系统。
S4、据城市碳平衡模拟系统，在碳平衡目标导向下，通过SD模型对城市土地利用需求和碳平衡进行仿真模拟计算，得到土地利用需求预测结果和碳平衡水平预测结果。
SD模型作为一种综合仿真模拟预测模型，已广泛应用于国家、区域以及行业等不同尺度下能源消费、温室气体排放、环境治理的研究及管理中，其最大的优势是能够避免低维度以及单一预测的片面性，适合处理较复杂系统的非线性和长期性问题。
在S4中，通过SD模型进行仿真模拟计算时，选取非化石能源占比、第三产业占比、土地利用类型三个变量作为调控变量，在初始方案基础上，通过调整调控变量，建立模拟方案，基于模拟方案得到土地利用需求预测结果。初始方案指第一个方案，所有的数据变化速率不调整。
本发明优选实施例中，参见表1，模拟方案包括四种。
表1
模拟方案包括能源结构调整型、产业结构调整、土地利用变化调整和综合调控四种类型；通过系统动力学模型，调整模型中涉及参数的变化速率，即可得到四种类型下不同的土地利用需求预测结果和碳平衡水平预测结果。
在对碳平衡的优化过程中，涉及到碳平衡水平的计算，计算公式为：
F＝CE—CA
其中，F为碳平衡水平；CE为碳排放，CE＝Cb+Ct+Ci+Cg+Cw；CA为碳排放，Cb为建筑碳排放，Ct为交通碳排放，Ci为工业碳排放，Cg为农业碳排放，Cw为废弃物碳排放。
当F＞0时，表示城市系统处于碳失衡状态。
当F≤0时，表示城市系统碳平衡状态稳定且呈现良性发展。
本发明优选实施例中，当F＞0时，垂直方向上的碳输出量大于碳输入量，即社会经济和自然系统释碳量大于自然系统的固碳量，此时大气中的二氧化碳浓度上升，城市系统处于碳失衡状态；当F≤0时，大气中二氧化碳的浓度不再升高，即自然系统能完全吸收社两个系统所排放的全部二氧化碳，城市系统碳平衡状态稳定且呈现良性发展。
本发明优选实施例中，基于系统动力学模型的碳平衡仿真模拟，目的是采用动态的系统模型定量地分析与土地利用碳排放有密切关系的各因素之间的反馈结构和因果关系。依据土地利用碳排放的发生机理和动力机制，主要从土地利用及经济社会发展对碳排放的影响综合考虑，结合系统边界和建模目的，将土地利用减碳增效系统划分为社会经济子系统、土地利用子系统以及碳排放子系统，3个子系统之间相互作用决定着复杂系统的结构和行为。社会经济子系统中主要涉及人口与GDP两个水平变量，人口不仅为经济发展提供劳动力，还通过对建设用地和耕地的需求影响土地利用系统，而且生活性能源和其他碳排放也是影响碳排放子系统的重要因素；经济发展所产生的能源碳排放是碳排放总量的主要来源之一，经济增长对工业产品的需求也刺激工业碳排放的发生，影响建设用地碳排放量，此外经济建设投资增加了建设用地的需求，进而对土地利用系统产生作用。土地利用子系统是经济社会活动的重要载体，对土地利用系统主要从农业生产和碳汇方面进行考虑，林地、园地、牧草地等是碳排放系统主要的碳汇来源，种植业和畜牧养殖业发展都离不开农用地，农业生产过程中产生的碳排放也是农业碳排放的重要部分之一。碳排放子系统是与社会经济、土地利用子系统相互联系的核心系统，其受到其他子系统的直接影响，其包含建设用地碳排放、农用地碳排放、其他碳排放及土地碳排放等变量，并通过减排目标进行碳排放约束，利用碳减排成本对社会经济子系统产生作用来实现系统反馈循环。
S5、将土地利用需求预测结果输入FLUS模型；以初始年份的土地利用实际数据和驱动因子数据为初始数据，模拟碳平衡发展情景下城市碳平衡标准单元中土地利用空间分布情况，并使用碳平衡水平预测结果对模拟碳平衡发展进行验证。
本发明优选实施例中，选择距模拟年份至少五年前的数据作为初始数据。
FLUS模型是用于模拟人类活动与自然影响下的土地利用变化以及未来土地利用情景的模型。该模型的原理源自元胞自动机，并在传统元胞自动机的基础上做了较大的改进。首先，FLUS模型采用神经网络算法(ANN)从一期土地利用数据与包含人为活动与自然效应的多种驱动力因子(气温、降水、土壤、地形、交通、区位、政策等方面)获取各类用地类型在研究范围内的适宜性概率。其次，FLUS模型采用从一期土地利用分布数据中采样的方式，能较好的避免误差传递的发生。另外，在土地变化模拟过程中，FLUS模型提出一种基于轮盘赌选择的自适应惯性竞争机制，该机制能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化时的不确定性与复杂性，使得FLUS模型具有较高的模拟精度并且能获得与现实土地利用分布相似的结果。
FLUS模型与传统元胞自动机模型相比较，新增了人工神经网络模型、随机种子机制等，既能较好地反映用地扩张的历史规律，也能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化时的不确定性与复杂性，使得模型具有较高的模拟精度并且能获得与现实土地利用分布相似的结果。
在S5中，FLUS模型中采用三层BP神经网络模型，根据城市碳平衡模拟系统所选取的空间变量设置神经网络中各层的神经元个数，并通过选取的空间驱动因子与城市用地的历史分布的随机采样样本对神经网络算法进行训练，通过神经网络算法的计算得到元胞的发展概率；神经网络模型中栅格单元p在训练时间t时土地利用类型k的发生概率表示为：
其中，p(p,k,t)为第k种用地类型在栅格p和时间t上的适宜性概率；wj,k是隐藏层和输出层之间的自适应权重；netj(p,t)为在隐含层中，神经元j在时间t从栅格单元p上的所有输入神经元接收的信号。
本发明优选实施例中，FLUS模型采用神经网络算法来获取自然要素和人类社会活动因子与不同土地类型之间的关系，进而推算出不同土地类别关于各种驱动因子的适宜性概率。
在S5中，将结合得到的元胞发展概率与元胞的邻域影响及自适应系数进行总体概率计算时，选取3×3的Moore邻域模型进行城市模拟，元胞邻域影响因子的计算模型表达式为：
其中，表示N×N的窗口上，上一次迭代(t-1)结束后第k种用地类型的像元总个数；wk为考虑到不同用地类型的邻域作用强度不一样而设定的不同权重。
本发明优选实施例中，邻域影响反映了城市周围单元与中心单元的相互影响，表示邻域范围内各用地单元间的作用。
本发明优选实施例中，自适应惯性竞争机制的核心是自适应惯性系数。每类用地的惯性系数是根据当前的土地数量与土地需求的差距(差异)决定并在迭代中自适应调整，使得各类用地的数量在模拟过程中向目标数量逐渐接近。
在S5中，计算每类用地的惯性系数时，根据当前的土地数量与土地需求的差距决定并在迭代中自适应调整，公式为：
其中，表示第k种用地在迭代时间t上的惯性系数；/>分别表示上一次、上两次迭代时，第k种用地类型的像元数与需求数目的差。
本发明优选实施例中，自适应惯性系数是该机制的重要内容，每种用地类型的惯性系数根据现有土地需求与现有土地数量的差距决定并在迭代中自适应调整。例如，当未来规划需要更多耕地，而在模拟中耕地反而减少时，耕地的惯性系数会增加以阻止耕地的减少并鼓励其他用地转化为耕地。
在S5中，综合考虑栅格的适宜性概率、自适应惯性系数、邻域效应以及转换成本4个因素，获取栅格p在时刻t土地利用类型为k的总体转换概率为：
其中，是像元p在迭代次数t时转化成用地类型k的总概率；spp,k是神经网络输出的适宜性概率；/>代表邻域作用；/>为k用地类型的惯性系数；scc→k为土地利用类型c转为类型k的成本，(1-scc→k)表示发生转化的难易程度。
本发明优选实施例中，在估算每次迭代的总体概率之后，FLUS模型采用轮盘选择机制来确定哪种土地利用类型将占据像元。通过轮盘选择机制，具有较高总体概率的土地利用类型更可能被分配为占用土地利用类型，并且具有相对较低组合概率的土地利用类型仍然有机会被分配。该机制的随机特征更好的考虑了土地类型之间的竞争。
本发明优选实施例中，参见图2，耦合SD(系统动力学)模型和FLUS模型，充分利用系统动力学模型在情景模拟和宏观驱动因素反映上的优势与FLUS模型在微观土地利用空间格局反映上的优势，从宏观用地总量需求和微观土地供给相平衡的角度，在同时考虑土地利用系统宏观驱动因素复杂性和微观格局演化复杂性特征的基础上，对超特大城市碳平衡单元内部未来土地利用情景变化过程进行了模拟。
S6、根据土地利用空间分布情况，优化土地利用布局，进而实现对城市的碳平衡水平的优化。
本发明优选实施例中，通过选择综合调控模式，根据模拟结果，优化土地利用结构和空间布局。
综上可知，本发明的基于SD-FLUS模型的城市碳平衡优化方法，划分了碳平衡的标准单元，使得后续对于碳平衡的监测、评估和模拟精度更大，计算更为方便，模型模块化程度高，具备易复用性；基于城市碳平衡模型构建的城市碳平衡模拟系统具有数据多源，单元分明的特点，使得本方法能够更全面且准确地模拟城市碳平衡水平，实现多源数据体系与多维度核算体系耦合；本方法基于SD模型与FLUS模型耦合的模拟计算，实现了宏观用地总量需求和微观土地利用空间格局的模拟预测，实现了数量表达与空间格局耦合。本发明的基于SD-FLUS模型的城市碳平衡优化方法，对于实现超特大城市的碳平衡水平优化具有指导意义。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，包括以下步骤：
S1、根据城市主要道路、城市功能结构和城市功能分区，将城市划分为城市碳平衡标准单元；获取城市的多源数据，根据所述多源数据构建多源数据库；
S2、根据所述多源数据库和城市碳平衡标准单元，构建城市碳平衡模型；
S3、根据所述城市碳平衡模型，耦合数字化技术、传统城市规划和碳循环过程，构建城市碳平衡模拟系统；
S4、根据所述城市碳平衡模拟系统，在碳平衡目标导向下，通过SD模型对城市土地利用需求和碳平衡进行仿真模拟计算，得到土地利用需求预测结果和碳平衡水平预测结果；
S5、将所述土地利用需求预测结果输入FLUS模型；以初始年份的土地利用实际数据和驱动因子数据为初始数据，模拟碳平衡发展情景下城市碳平衡标准单元中土地利用空间分布情况，并使用所述碳平衡水平预测结果对所述模拟碳平衡发展进行验证；
S6、根据所述土地利用空间分布情况，优化土地利用布局，进而对城市的碳平衡水平进行优化。
2.根据权利要求1所述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，所述城市的多源数据包括政府数据、开放组织数据、互联网大数据、智慧设施数据；在根据所述多源数据构建多源数据库时，首先根据政府数据、开放组织数据、互联网大数据、智慧设施数据构建多源数据集以对多源数据进行分类，所述多源数据集包括基础地理数据、空间规划数据、社会经济数据、城市运行数据四大分类模块；再基于多源数据集构建多源数据库。
3.根据权利要求2所述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，在S4中，通过SD模型进行仿真模拟计算时，选取非化石能源占比、第三产业占比、土地利用类型三个变量作为调控变量，在初始方案基础上，通过调整所述调控变量，建立模拟方案，基于模拟方案得到土地利用需求预测结果和碳平衡水平预测结果。
4.根据权利要求3所述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，所述基于模拟方案得到土地利用需求预测结果和碳平衡水平预测结果包括：
所述模拟方案包括能源结构调整型、产业结构调整、土地利用变化调整和综合调控四种类型；通过系统动力学模型，调整模型中涉及参数的变化速率，得到四种类型下不同的土地利用需求预测结果和碳平衡水平预测结果。
5.根据权利要求4所述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，在对碳平衡的优化过程中，涉及到碳平衡水平的计算，计算公式满足如下关系：
F＝CE—CA
其中，F为碳平衡水平；CE为碳排放，CE＝Cb+Ct+Ci+Cg+Cw；CA为碳排放；Cb为建筑碳排放，Ct为交通碳排放，Ci为工业碳排放，Cg为农业碳排放，Cw为废弃物碳排放；
当F＞0时，表示城市系统处于碳失衡状态；
当F≤0时，表示城市系统碳平衡状态稳定且呈现良性发展。
6.根据权利要求5述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，在S5中，FLUS模型中采用三层BP神经网络模型，根据所述城市碳平衡模拟系统所选取的空间变量设置神经网络中各层的神经元个数，并通过选取的空间驱动因子与城市用地的历史分布的随机采样样本对神经网络算法进行训练，通过神经网络算法的计算得到元胞的发展概率；神经网络模型中栅格单元p在训练时间t时土地利用类型k的发生概率满足如下关系：
其中，p(p,k,t)为第k种用地类型在栅格p和时间t上的适宜性概率；wj,k是隐藏层和输出层之间的自适应权重；netj(p,t)为在隐含层中，神经元j在时间t从栅格单元p上的所有输入神经元接收的信号。
7.根据权利要求6述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，在S5中，将结合得到的元胞发展概率与元胞的邻域影响及自适应系数进行总体概率计算时，选取3×3的Moore邻域模型进行城市模拟，元胞邻域影响因子的计算模型表达式满足如下关系：
其中，表示N×N的窗口上，上一次迭代(t-1)结束后第k种用地类型的像元总个数；wk为考虑到不同用地类型的邻域作用强度不一样而设定的不同权重。
8.根据权利要求7述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，在S5中，计算每类用地的惯性系数时，根据当前的土地数量与土地需求的差距决定并在迭代中自适应调整，公式满足如下关系：
其中，表示第k种用地在迭代时间t上的惯性系数；/>分别表示上一次、上两次迭代时，第k种用地类型的像元数与需求数目的差。
9.根据权利要求8述的基于SD-FLUS模型的城市碳平衡优化方法，其特征在于，在S5中，综合考虑栅格的适宜性概率、自适应惯性系数、邻域效应以及转换成本4个因素，获取栅格p在时刻t土地利用类型为k的总体转换概率满足如下关系：
其中，是像元p在迭代次数t时转化成用地类型k的总概率；spp,k是神经网络输出的适宜性概率；/>代表邻域作用；/>为k用地类型的惯性系数；scc→k为土地利用类型c转为类型k的成本，(1-scc→k)表示发生转化的难易程度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311527528.XA CN117575870A (zh) | 2023-11-15 | 2023-11-15 | 一种基于sd-flus模型的城市碳平衡优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311527528.XA CN117575870A (zh) | 2023-11-15 | 2023-11-15 | 一种基于sd-flus模型的城市碳平衡优化方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117575870A true CN117575870A (zh) | 2024-02-20 |
Family
ID=89861866
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311527528.XA Pending CN117575870A (zh) | 2023-11-15 | 2023-11-15 | 一种基于sd-flus模型的城市碳平衡优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117575870A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469216A (zh) * | 2024-05-21 | 2024-08-09 | 南京大学 | 一种多尺度精细化低碳国土空间优化利用方法 |
-
2023
- 2023-11-15 CN CN202311527528.XA patent/CN117575870A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118469216A (zh) * | 2024-05-21 | 2024-08-09 | 南京大学 | 一种多尺度精细化低碳国土空间优化利用方法 |
| CN118469216B (zh) * | 2024-05-21 | 2024-10-22 | 南京大学 | 一种多尺度精细化低碳国土空间优化利用方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A seasonal GM (1, 1) model for forecasting the electricity consumption of the primary economic sectors | |
| Ren et al. | Carbon emission forecasting and scenario analysis in Guangdong Province based on optimized Fast Learning Network | |
| Liu et al. | A future land use simulation model (FLUS) for simulating multiple land use scenarios by coupling human and natural effects | |
| Li et al. | Evaluation of urban green space landscape planning scheme based on PSO-BP neural network model | |
| CN106920008A (zh) | 一种基于改进粒子群优化bp神经网络的风电功率预测方法 | |
| CN104899431B (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
| CN107316099A (zh) | 基于粒子群优化bp神经网络的弹药贮存可靠性预测方法 | |
| CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 | |
| CN113361761A (zh) | 一种基于误差修正的短期风电功率集成预测方法及系统 | |
| CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
| Ning et al. | GA-BP air quality evaluation method based on fuzzy theory. | |
| Li et al. | A comparative study on prediction methods for China's medium-and long-term coal demand | |
| CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
| CN103136707B (zh) | 一种土地利用分层配置方法 | |
| CN112182951A (zh) | 一种考虑多重不确定性的土地利用规划方法 | |
| CN114723142A (zh) | 一种基于非支配排序遗传算法和flus模型的多目标土地利用模拟系统与方法 | |
| CN117575870A (zh) | 一种基于sd-flus模型的城市碳平衡优化方法 | |
| CN110414115A (zh) | 一种基于遗传算法的小波神经网络番茄产量预测方法 | |
| CN107392446A (zh) | 一种基于敏感性分析的梯级水电站调度方案评价方法 | |
| Guo et al. | Prediction of agricultural carbon emissions in China based on a GA-ELM model | |
| Haibo et al. | Tai’an land use analysis and prediction based on RS and Markov model | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| CN117634678A (zh) | 基于实际运行场景的低碳园区碳排放预测方法 | |
| Zhang et al. | Daily reservoir inflow forecasting combining QPF into ANNs model | |
| Mesgari et al. | Modeling the spatial distribution of crop cultivated areas at a large regional scale combining system dynamics and a modified Dyna-CLUE: A case from Iran |
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 |