基于多源数据的城市尺度能源强度评估方法

1.本发明属于能源评估技术领域，更具体地，本发明涉及一种基于多源数据的城市尺度能源强度评估方法。


背景技术：

2.随着城市化的发展，中国对能源的需求量逐年剧增。对煤炭、石油、天然气等不可再生能源过度依赖，使世界面临资源匮乏和环境污染等问题。在过度消耗化石燃料能源的过程中，大量排放了co2、so2和氮氧化物，其中co2影响了地气辐射平衡，加剧了温室效应，导致全球变暖，so2和氮氧化物对人类的呼吸系统产生危害，如何监测和减少温室气体成为学者们的研究热点。在“绿色”、“低碳”，“可持续”经济发展理念指导的背景下，快速精准获取中国各个地区的能源利用信息，并研究地区不同种类能源利用效率的时空变化，对于决策实现碳减排具有重要意义。
3.能源强度(energy intensity，ei)是生产一亿元国民生产总值所需消耗的标准煤量，通常以“吨标准煤/万元”计量单位，是衡量一个地区能源利用效率水平的重要指标。传统的能源统计数据通常以省级行政区划为单元，利用人工统计、抽样调查等方法获取数据，此方法获取的数据较为权威，但传统的能源数据的统计需要耗费大量的精力，且时效性差。当前官方只公布省级及以上尺度的能源统计数据，以省份为研究单元，一方面忽略了省内各地区在资源分配、经济发展等方面的差异，另一方面不可直接反映各城市的能源利用效率，导致无法实行因地制宜的能源政策。


技术实现要素：

4.本发明提供一种基于多源数据的城市尺度能源强度评估方法，旨在改善上述问题。
5.本发明是这样实现的，一种基于多源数据的城市尺度能源强度评估方法，所述方法包括如下步骤：
6.采用省级样本数据对随机森林模型或深度神经网络模型进行训练，形成总能源强度预估模型、煤类能源强度预估模型、油类能源强度预估模型、气类能源强度预估模型；
7.提取城市的市级样本特征，输入总能源强度预估模型、煤类能源强度预估模型、油类能源强度预估模型、气类能源强度预估模型，输出城市的总能源强度、煤类能源强度、油类能源强度、气类能源强度。
8.进一步的，针对总能源强度预估模型，省级样本数据的标签为：省级总能源强度，省级特征数据为：省级总夜间灯光亮度值、省级平均地表反射率、省级城市用地总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量；
9.对应的市级样本特征为：市级总夜间灯光亮度值、市级平均地表反射率、市级城市用地总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市
级平均no2浓度、市级平均so2浓度、市级co2排放总量。
10.进一步的，针对煤类能源强度预估模型，省级样本数据的标签是：省级煤类能源强度，省级特征数据为：省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量；
11.对应的市级样本特征为：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量
12.进一步的，针对油类能源强度预估模型，省级样本数据的标签是：省级油类能源强度，省级特征数据为省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地与交通用地总面积之和、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量；
13.对应的市级特征数据为：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地与交通用地总面积之和、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量；
14.进一步的，针对气类能源强度预估模型，省级样本数据的标签是：省级气类能源强度，省级特征数据为省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地与居民及活动用地之和总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级co2排放总量；
15.对应的市级特征数据为：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地与居民及活动用地之和总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级co2排放总量。
16.进一步的，省级煤类能源强度、省级油类能源强度、省级气类能源强度的获取方法具体如下：
17.读取各省的各类能源消耗数据，通过ipcc公布的标准折煤系数进行转换得到总能源消耗总量、煤类能源消耗总量、油类能源消耗总量、气类能源消耗总量，再与省级的gdp进行计算得到省级总能源强度、省级煤类能源强度、省级油类能源强度及省级气类能源强度。
18.进一步的，基于城市用地类型来计算省级及市级的工业用地面积、交通用地总面积、居民及活动用地面积，其中，城市用地类型的获取方法具体如下：
19.提取中国土地利用数据集clcd中的不透水层，作为城市土地利用分类范围；在arcgis中利用市级一级道路数据对城市用地进行切块，获取切块的遥感光谱及poi兴趣点作为特征，输入训练好的随机森林模型，输出各切块的城市用地类型，包括：工业用地、交通用地、居民及活动用地。
20.目前大多数研究主要基于省级单元研究各个省份的能源强度区域差异，忽视了更小尺度如地级市的能源强度时空格局动态研究，为弥补以上不足，本发明基于多源遥感数据，利用深度神经网络模型构建了城市尺度的总能源强度、煤类能源强度、油类能源强度、气类能源强度的预估模型，不仅能快速估算出城市尺度的各类能源强度，其估算精度也比较高，弥补统计数据的不足，可以从宏观的层面为政府制定节能减排政策提供科学参考，还可以为地方政府制定因地制宜的能源政策提供依据。
附图说明
21.图1为本发明实施例提供的基于多源数据的城市尺度能源强度评估方法流程图；
22.图2为本发明实施例提供的相互校准后中国夜间灯光值总和的变化趋势图。
具体实施方式
23.下面对照附图，通过对实施例的描述，对本发明的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本发明的发明构思、技术方案有更完整、准确和深入的理解。
24.图1为本发明实施例提供的基于多源数据的城市尺度能源强度评估方法流程图，结合该流程图对上述方法进行说明。
25.(一)对多源数据进行预处理，多源数据包括：夜间灯光数据、地表温度数据、地表反射率数据、土地利用数据、ndvi数据、pm2.5浓度数据、so2浓度数据、no2浓度数据、co2排放量数据。
26.(1)夜间灯光数据的预处理；
27.夜间灯光数据是人类活动的重要指标，也是评估能源消耗的理想数据。夜间灯光数据集从两个卫星传感器获取，包括dmsp/ols(卫星时间间隔从1992年到2013年)和npp/viirs(卫星时间间隔从2012年到2021年)。现有大多仅采用其中一种卫星传感器来估算消耗化石能源产生的碳排放量，这对进行长期的碳排放综合动态分析具有挑战性。该数据集中，dmsp/ols数据以1999年f12卫星的西西里地区为灯光亮度不变区，根据其他年份卫星数据的统计关系，通过二次多项式函数进行年际校正。此外，dmsp/ols是从四颗卫星(f14(1997-2003)、f15(2000-2007)、f16(2004-2009)和f18(2010-2013))获得的，卫星f15、卫星f16的时间存在交叉，采用公式(1)对dmsp/ols进行年内数据集整合，以保证夜间灯光总亮度值的连续性。
[0028][0029]
分别表示第y年卫星f15和卫星f16两个传感器校正前获得的i像元值，dn
(y,i)
表示第y年校正后的i像元值。npp/viirs数据会被年度积累并进行重采样，以达到1km
×
1km的空间分辨率，然后去噪，biphasic dose response模型校正，高斯低通滤波平滑得到bdrviirs产品，使得npp/viirs数据在空间分辨率上与dmsp/ols一致。图2显示了相互校准(相互标定)后中国夜间灯光值总和的变化趋势。
[0030]
(2)土地利用数据的预处理；
[0031]
土地利用类型与能源利用之间存在着密切的关系，其中城市建设用地承载着绝大多数的人类社会经济活动。本发明采用30米分辨率的土地利用数据集，提取2005-2020年的不透水层数据为研究区域。
[0032]
(3)modis产品数据预处理；
[0033]
modis是aqua卫星和terra卫星上的关键传感器，其扫描宽度为2330公里，包括36个通道，最高分辨率为250米。该传感器可以提供地表状况、地表温度、云顶温度、气溶胶等特征信息，因此，利用modis数据可以生成多种数据集产品。
[0034]
(31)地表温度的预处理；
[0035]
城市发展伴随着能源消耗。城市内部的人工供暖，建筑物和道路可以使地表温度明显高于城市外部。因此，地表温度与能源消耗的使用有关。本发明选择的地表温度产品是mod11a2v006，它是8天合成的平均地表温度，空间分辨率为1千米，单位是kelvin，温度值区间为[7500,65535]。在google earth engine去除影像中的云像元，再以年为单位合成每个波段的年度均值产品。
[0036]
(32)地表反射率的预处理；
[0037]
地表反射率是地面反射辐射量与入射辐射量的比值，不同地物由于物理性质不同，相应的地表反射率也不同，因此，地表反射率在时空上的差异能够隐含地表达人类活动引起的地物变化，进而可知地表反射率与能源的使用有关。本发明选择的地表反射率产品是mod09a1.006产品，提供波段[1,7]在500米分辨率下的地表光谱反射率估计值，波段[1,7]的值均在[-100,16000]区间。在google earth engine去除影像中的云像元，再以年为单位合成每个波段的年度均值产品。
[0038]
(4)归一化植被指数(ndvi)的预处理；
[0039]
人类使用能源进行发展的过程中，会与自然界相互影响，导致植被的生长受到影响，因此植被生长与能源的使用有关。本发明选择mod13a2.006产品，该产品是16天合成的最佳可用像素，提供归一化植被指数和增强型植被指数(evi)，数值在[-2000,10000]区间，缩放系数是0.0001。研究采用ndvi作为植被覆盖数据。在google earth engine去除影像中的云像元，再以年为单位合成每个波段的年度均值产品。
[0040]
(5)omi卫星数据预处理；
[0041]
aura地球观测系统卫星装备了臭氧监测仪(omi)传感器，该传感器的轨道扫描幅宽为2600公里，一天可以全球覆盖一次。omi主要监测大气中的气溶胶、云、臭氧柱浓度，以及no2、so2、hcho等痕量气体。
[0042]
(51)no2数据的预处理；
[0043]
人类消耗化石燃料产生大量的no2，采用omi(https://disc.gsfc.nasa.gov)监测的no2柱浓度数据，时间分辨率为1天，空间分辨率可达0.25
°
，单位为mol/
㎡
。在giovanni(https://giovanni.gsfc.nasa.gov)对数据进行年度数据合成。
[0044]
(52)so2数据的预处理；
[0045]
人类消耗化石燃料产生大量的so2。采用omi(https://disc.gsfc.nasa.gov)监测的so2柱浓度数据，时间分辨率为1天，空间分辨率可达0.25
°
，单位为du。在giovanni(https://giovanni.gsfc.nasa.gov)对数据进行年度数据合成。
[0046]
(53)pm
2.5
数据的预处理；
[0047]
pm
2.5
数据来源chinahigh pm
2.5
数据集，利用机器学习生产的中国长时间、全覆盖、高分辨率的pm
2.5
数据集，从国家地球系统科学数据中心(http://www.geodata.cn)下载2005-2020年中国区域年度的pm
2.5
浓度数据。
[0048]
(54)co2数据的预处理；
[0049]
碳排放数据来源于全球环境研究中心(https://db.cger.nies.go.jp/dataset/)公布的人为二氧化碳公开数据清单，时间分辨率为月，空间分辨率为1km
×
1km，将数据进行年度合成，得到2005-2020年栅格尺度的碳排放数据。
[0050]
本发明所使用的行政边界来源于中科院地理所公布的省级和市级矢量数据(https://www.resdc.cn)。
[0051]
(二)对多源数据进行特征提取；
[0052]
能源强度是衡量区域能源利用情况和经济效率的指标，它受到人类活动和自然因素的影响。遥感技术可以提供大量地球观测数据，这些数据包含人类生产和自然环境的交互信息，如夜间灯光、地表温度和大气污染物等。通过对多源、多时相地球观测数据进行信息挖掘，我们可以实现能源强度的估算。然而，由于能源强度与这些数据之间存在高度非线性的复杂关系，传统的回归模型难以有效地估算能源强度。因此，采用了机器学习方法来提取数据中的高度非线性特征，并通过在省级数据上训练模型，将其应用于市级数据来估算2005年至2020年中国地区城市的总能源强度和分能源强度，包括煤类能源强度、油类能源强度及气类能源强度。
[0053]
在进行城市尺度的总能源强度、煤类能源强度、油类能源强度及气类能源强度的估算工作中，选取的多源遥感数据包括夜间灯光数据、地表温度数据、地表反射率数据、城市用地数据、人口数据、ndvi数据、pm
2.5
浓度数据、so2浓度数据、no2浓度数据、co2排放量数据。标签数据来源于中国统计年鉴公布的各省的各类能源消耗数据，通过ipcc公布的标准折煤系数进行转换得到总能源消耗总量、煤类能源消耗总量、油类能源消耗总量、气类能源消耗总量，再与省级的gdp进行计算得到省级的总能源强度、煤类能源强度、油类能源强度及气类能源强度。以下详细介绍多源数据的特征提取过程。
[0054]
(1)夜间灯光数据特征的提取；
[0055]
通过对夜间灯光数据的预处理，得到了2005-2020年连续的夜间灯光数据。再通过使用省级的行政边界数据统计各省夜间灯光亮度总值，以此作为省级的年度夜间灯光特征数据。
[0056]
(2)地表反射率特征的提取；
[0057]
人类活动改变了土地利用类型，从而改变了地表反射率，使得地表接受或者反射太阳能量增加或减少，所以地表反射率与能源的消耗相关。例如，城市热岛效应会使城市中心温度高于周围地区。本发明选择2005-2020年的地表反射率产品是mod09a1.006产品，提供波段[1,7]在500米分辨率下的地表光谱反射率估计值。在google earth engine去除影像中的云像元，再以年为单位合成每个波段(b1波段、b2波段、b3波段、b4波段、b5波段、b6波段及b7波段)的年度均值产品。
[0058]
(3)提取城市用地特征；
[0059]
城市建设用地是支撑绝大多数人类社会经济活动的土地利用类型，这些用地又可以分为居民用地、交通用地等多种类型，且每种类型消耗各种能源的比重不同。本发明的目标是估算煤类、油类、气类三种能源强度，工业部门消耗煤类、油类、气类能源最多，交通部门消耗油类能源最多，服务部门消耗气类能源较多，综合考虑各种土地利用能源使用状况，将住宅用地、商业用地、公共管理和服务用地合并为一类，具体分类及其描述如表1所示。
[0060]
表1城市用地类型分类
[0061][0062]
本发明采用1990-2020年的中国土地利用数据集(china land cover dataset，clcd)，该土地利用数据主要分类为cropland(耕地)、forest(林地)、shrub(灌木)、grassland(草地)、barren(未利用地)、impervious(不透水层)、water(水域)、snow/ice(冰川)、wetland(湿地)九种地类，在google earth engine云平台上使用了335709景landsat影像，使用随机森林模型得到clcd数据集，总体精度达到79.31％。采用arcgis提取中国土地利用数据集clcd数据集中的不透水层为城市土地利用分类范围。
[0063]
下载openstreetmap道路数据中的市级一级道路共1127243条，其中openstreetmap路网数据为线状数据，而市级的道路为面状数据，因此，本发明参考国家市一级道路标准对osm路网建立缓冲区，生成宽度为23.5m的市一级道路矢量面数据。在arcgis中利用市级一级道路数据对城市用地进行切块。
[0064]
从高德地图爬取2018年兴趣点，这些poi兴趣点自带属性，在arcgis中，利用模糊查询工业、煤、油、气等字段提取工业用地poi数据，再利用模糊查询小区、学校、医院、政府、公园等字段提取居民及活动用地poi数据，利用模糊查询停车场、车站、机场等字段提取交通poi数据。
[0065]
由于时间范围为2005-2020年，而样本数据为2018年。可以使用大约2015的训练样本对2017年的影像进行分类。同时，采用modis evi和ndvi时间序列，landsat图像及其ndvi时间序列。具体来说，选取landsat ndvi时间序列(1985-2019)和modis evi/ndvi时间序列(2001-2019)的样本站点进行对比，如果其ndvi时间序列曲线是稳定的，则该站点被视为不变，确定其为分类标签。以2017年的分类样本为例，首先在goole earth engine云平台上以2018年的样本点数据提取2018年lc8_l1t_annual_ndvi产品的归一化植被指数，此后再提取2017年的lc8_l1t_annual_ndvi产品归一化植被指数，对比两年的归一化指数变化趋势以归一化指数的变化值，当ndvi年变化值在0.1以下，则保留该点为2017年的训练样点；将遥感光谱及poi兴趣点作为训练样本点的特征，对随机森林模型进行训练，训练完成后，基于随机森林模型来进行城市用地分类，获得2005-2020年中国栅格尺度的城市用地分类，在arcgis中使用省级的行政边界统计各类城市用地面积，以此作为各省年度城市用地特征。
[0066]
全球的遥感影像有2/3的区域被云覆盖，这不利于图像分类。landsat影像数据具有一个qa波段，用于评估每个像素的质量，因此qa波段最常用于遥感影像云像素的提取。在gee平台中对landsat 7/8影像去云，随后进行年度影像合成，合成后的影像保留了原始影
像的光谱等信息。
[0067]
(4)提取人口特征；
[0068]
人类活动消耗能源，所以人口数量与能源的消耗息息相关。本发明采用的是worldpop(https://www.worldpop.org/)公布的2005-2020年的人口数据集，利用google earth engine云平台统计出各省内部像元平均值，以此作为各省年度人口特征。
[0069]
(5)提取地表温度特征；
[0070]
城市扩张伴随着能源的使用，城市内部的人工发热、建筑物以及道路能够使城市内部的地表温度明显高于城市外部区域，因此地表温度与能源的使用有关。本发明选取的地表温度产品是mod11a2v006，该产品是8天合成的白昼地表温度产品。首先对该产品以年为单位，进行平均合成，之后通过省级行政边界数据统计出各省内部像元平均值，以此作为各省年度平均温度特征。
[0071]
(6)提取植被指数特征；
[0072]
人类活动消耗能源会影响自然环境，从而影响植被的生长，因此植被生长与能源消耗有关。本发明选择mod13a2.006产品，该产品是16天合成的最佳可用像素，研究采用ndvi作为植被覆盖数据。在google earth engine去除影像中的云像元，再以年为单位合成每个波段的年度均值产品，之后通过省级行政边界数据统计出各省内部像元平均值，以此作为各省年度植被特征。
[0073]
(7)提取pm
2.5
特征；
[0074]
人类活动消耗煤类能源和油类能源产生大量的pm
2.5
，因此pm
2.5
浓度大小与能源强度有关。本发明采用2005-2020年公布的chinahigh pm
2.5
年度数据集。利用机器学习生产的中国长时间、全覆盖、高分辨率的pm
2.5
数据集，通过省级行政边界数据统计出各省内部像元平均值，以此作为各省年度pm
2.5
特征。
[0075]
(8)提取no2特征；
[0076]
人类活动消耗煤类能源和油类能源产生大量的no2，因此no2浓度大小与能源强度有关。本发明在giovanni(https://giovanni.gsfc.nasa.gov)下载2005-2020年no2数据，并对no2数据进行年度数据合成，通过省级行政边界数据统计出各省内部像元平均值，以此作为各省年度no2特征。
[0077]
(9)提取so2特征；
[0078]
人类活动消耗煤类能源和油类能源产生大量的so2，因此so2浓度大小与能源强度有关。本发明在giovanni(https://giovanni.gsfc.nasa.gov)下载2005-2020年so2数据，并对so2数据进行年度数据合成，通过省级行政边界数据统计出各省内部像元平均值，以此作为各省年度so2特征。
[0079]
(10)提取co2特征；
[0080]
人类活动消耗能源产生大量的co2，因此co2排放量与能源强度有关。本发明使用的碳排放数据来源于全球环境研究中心公布的人为二氧化碳公开数据清单，时间分辨率为月，空间分辨率为1km
×
1km，将数据进行年度合成，在通过省级行政边界数据统计出各省内部像元平均值，以此作为各省年度co2特征。
[0081]
此外，在本发明实施例中，上述(1)至(10)给出的是省级各个因子的特征提取方法，省级各个因子的特征提取与市级各个因子的特征提取基本相同，只是提取区域由省级
变成了市级。
[0082]
(三)标签数据处理
[0083]
能源统计数据来源于中国碳核算数据库(https://www.ceads.net/)公布的省级能源消耗清单，包括农业、工业、建筑业、交通业、服务业中47个社会经济部门燃烧的17种化石燃料的消耗量。由于统计年鉴中未提供各省的总能源强度、煤类能源强度、油类能源强度、气类能源强度，因此从《中国统计年鉴》中收集2005-2020年中国各省的地区生产总值数据，根据能源强度计算公式进行计算，得到各省的总能源强度、煤类能源强度、油类能源强度、气类能源强度。能源强度计算公式如下所示：
[0084][0085]
公式(2)中，ei为省级的能源强度，单位为万吨标煤/亿元，ec以万吨标准煤为单位衡量的省级能源消耗总量，gdp为省级生产总值，单位为亿元。由于西藏的统计数据缺失，因此将青海省的能源强度数据赋给西藏自治区。通过以上处理，获得2005-2020年中国大区地区省份的总能源强度、煤类能源强度、油类能源强度、气类能源强度数据作为本发明的标签数据。
[0086]
(四)总能源强度、煤类能源强度、油类能源强度、气类能源强度的城市尺度评估
[0087]
使用皮尔逊系数分别探究各省的遥感特征数据与4种标签数据之间的相关性，获取总省级能源强度、煤类省级能源强度、油类省级能源强度、气类省级气类能源强度与各因子(pm
2.5
、so2、no2、co2、地表温度、归一化植被指数、人口、地表反射率、土地利用及夜间灯光)之间的相关分析，可以看出所有因子与省级能源强度均有强相关关系，均可作为模型的因子进行训练。值得注意的是，气类能源为清洁能源，消耗不会产生pm
2.5
、so2、no2。
[0088]
(1)总能源强度城市尺度评估
[0089]
构建样本1，放入样本集1中，样本1的标签数据为省级总能源强度，省级特征数据选取的是：省级总夜间灯光亮度值、省级平均地表反射率、省级城市用地总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量。
[0090]
将样本集1分为训练集和测试集，以3：1的比例随机分组，对随机森林模型或深度神经网络模型进行训练，训练完成后，提取城市的市级特征数据，包括：市级总夜间灯光亮度值、市级平均地表反射率、市级城市用地总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量，将市级特征数据输入训练好的随机森林模型或深度神经网络模型，输出各个城市的总能源强度。
[0091]
(2)煤类能源强度城市尺度评估
[0092]
构建样本2，放入样本集2中，样本2的标签数据是省级煤类能源强度，省级特征数据选择的是：省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量。
[0093]
将样本集2分为训练集和测试集，以3：1的比例随机分组，对随机森林模型或深度神经网络模型进行训练，训练完成后，提取各城市的市级特征数据，包括：市级总夜间灯光
亮度值、市级平均地表反射率、市级工业用地总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量，将市级特征数据输入训练好的随机森林模型或深度神经网络模型，输出各个城市的煤类能源强度。
[0094]
(3)油类能源强度城市尺度评估
[0095]
构建样本3，放入样本集3中，样本3的标签数据是省级油类能源强度，省级特征数据选择的是：省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地与交通用地总面积之和、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量。
[0096]
将样本集3分为训练集和测试集，以3：1的比例随机分组，对随机森林模型或深度神经网络模型进行训练，训练完成后，提取各城市的市级特征数据，包括：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地与交通用地总面积之和、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量，将市级特征数据输入训练好的随机森林模型或深度神经网络模型，输出各个城市的油类能源强度。
[0097]
(4)气类能源强度城市尺度评估
[0098]
构建样本4，放入样本集4中，样本4的标签数据是省级气类能源强度，省级特征数据选择的是：省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地与居民及活动用地之和总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级co2排放总量。
[0099]
将样本集4分为训练集和测试集，以3：1的比例随机分组，对随机森林模型或深度神经网络模型进行训练，训练完成后，提取各城市的市级特征数据，包括：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地与居民及活动用地之和总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级co2排放总量，将市级特征数据输入训练好的随机森林模型或深度神经网络模型，输出各个城市的气类能源强度。
[0100]
目前大多数研究主要基于省级单元研究各个省份的能源强度区域差异，忽视了更小尺度如地级市的能源强度时空格局动态研究，为弥补以上不足，本发明基于多源遥感数据，利用深度神经网络模型构建了城市尺度的总能源强度、煤类能源强度、油类能源强度、气类能源强度的预估模型，不仅能快速估算出城市尺度的各类能源强度，其估算精度也比较高，弥补统计数据的不足，可以从宏观的层面为政府制定节能减排政策提供科学参考，还可以为地方政府制定因地制宜的能源政策提供依据。
[0101]
本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

技术特征：
1.一种基于多源数据的城市尺度能源强度评估方法，其特征在于，所述方法包括如下步骤：采用省级样本数据对随机森林模型或深度神经网络模型进行训练，形成总能源强度预估模型、煤类能源强度预估模型、油类能源强度预估模型、气类能源强度预估模型；提取城市的市级样本特征，输入总能源强度预估模型、煤类能源强度预估模型、油类能源强度预估模型、气类能源强度预估模型，输出城市的总能源强度、煤类能源强度、油类能源强度、气类能源强度。2.如权利要求1所述多源数据的城市尺度能源强度评估方法，其特征在于，针对总能源强度预估模型，省级样本数据的标签为：省级总能源强度，省级特征数据为：省级总夜间灯光亮度值、省级平均地表反射率、省级城市用地总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量；对应的市级样本特征为：市级总夜间灯光亮度值、市级平均地表反射率、市级城市用地总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量。3.如权利要求1所述多源数据的城市尺度能源强度评估方法，其特征在于，针对煤类能源强度预估模型，省级样本数据的标签是：省级煤类能源强度，省级特征数据为：省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量；对应的市级样本特征为：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量。4.如权利要求1所述多源数据的城市尺度能源强度评估方法，其特征在于，针对油类能源强度预估模型，省级样本数据的标签是：省级油类能源强度，省级特征数据为省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地与交通用地总面积之和、省级总人口数、省级平均地表温度、省级平均植被指数、省级平均pm
2.5
浓度、省级平均no2浓度、省级平均so2浓度、省级co2排放总量。对应的市级特征数据为：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地与交通用地总面积之和、市级总人口数、市级平均地表温度、市级平均植被指数、市级平均pm
2.5
浓度、市级平均no2浓度、市级平均so2浓度、市级co2排放总量。5.如权利要求1所述多源数据的城市尺度能源强度评估方法，其特征在于，针对气类能源强度预估模型，省级样本数据的标签是：省级气类能源强度，省级特征数据为省级总夜间灯光亮度值、省级平均地表反射率、省级工业用地与居民及活动用地之和总面积、省级总人口数、省级平均地表温度、省级平均植被指数、省级co2排放总量；对应的市级特征数据为：市级总夜间灯光亮度值、市级平均地表反射率、市级工业用地与居民及活动用地之和总面积、市级总人口数、市级平均地表温度、市级平均植被指数、市级co2排放总量。6.如权利要求2至5任一项所述多源数据的城市尺度能源强度评估方法，其特征在于，
省级煤类能源强度、省级油类能源强度、省级气类能源强度的获取方法具体如下：读取各省的各类能源消耗数据，通过ipcc公布的标准折煤系数进行转换得到总能源消耗总量、煤类能源消耗总量、油类能源消耗总量、气类能源消耗总量，再与省级的gdp进行计算得到省级总能源强度、省级煤类能源强度、省级油类能源强度及省级气类能源强度。7.如权利要求1所述多源数据的城市尺度能源强度评估方法，其特征在于，基于城市用地类型来计算省级及市级的工业用地面积、交通用地总面积、居民及活动用地面积，其中，城市用地类型的获取方法具体如下：提取中国土地利用数据集clcd中的不透水层，作为城市土地利用分类范围；在arcgis中利用市级一级道路数据对城市用地进行切块，获取切块的遥感光谱及poi兴趣点作为特征，输入训练好的随机森林模型，输出各切块的城市用地类型，包括：工业用地、交通用地、居民及活动用地。

技术总结
本发明公开一种于多源数据的城市尺度能源强度评估方法，包括如下步骤：采用省级样本数据对模型进行训练，形成总能源强度预估模型、煤类能源强度预估模型、油类能源强度预估模型、气类能源强度预估模型；提取城市的市级样本特征，输入总能源强度预估模型、煤类能源强度预估模型、油类能源强度预估模型、气类能源强度预估模型，输出城市的总能源强度、煤类能源强度、油类能源强度、气类能源强度。基于多源遥感数据利用深度神经网络模型构建了城市尺度的源强度预估模型，快速估算出城市尺度的各类能源强度，其估算精度也比较高，弥补统计数据的不足，为地方政府制定因地制宜的能源政策提供依据。策提供依据。策提供依据。


技术研发人员：麻金继 林锡文 万城 骆文慧 孙曦泽 刘世杰 曹卫东
受保护的技术使用者：安徽师范大学
技术研发日：2023.04.17
技术公布日：2023/7/25