一种城市群减污降评估方法技术

本发明专利技术公开了一种城市群减污降评估方法，用于数据分析，包括以下步骤：获取减污降碳强度变量和减污降碳强度驱动变量数据，对变量数据进行标准化处理，获得标准变量数据；利用软件对实测城市坐标与变量数据回归建模，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。本发明专利技术中采用RF以克服传统方法的不足，采用GTWR解释影响因素的时空非平稳性，其允许不同影响因素的回归系数变化，并对每个研究单元进行显著性检验。并对每个研究单元进行显著性检验。并对每个研究单元进行显著性检验。

【技术实现步骤摘要】
一种城市群减污降评估方法


[0001]本专利技术涉及数据分析
，特别涉及一种城市群减污降评估方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术的目的在于，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。
[0006]为了实现上述目的，本专利技术提供了如下技术方案：
[0007]一种城市群减污降评估方法，包括以下步骤：
[0008]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；
[0009]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；
[0010]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；
[0011]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。
[0012]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。
[0013]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；
[0014]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；
[0015]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。
[0016]优选的，所述GTWR模型表达式为：
[0017]Y
i
＝β0(μ
i
，v
i
，t
i
)+∑
k
β
k
(μ
i
，v
i
，t
i
)X
it
+ε
i
；
[0018]其中，(μ
i
，v
i
，t
i
)为长三角城市群第i个城市的时空坐标，μ
i
，v
i
，t
i
分别为第i个城市的经度、纬度和时间；β0(μ
i
，v
i
，t
i
) 表示第i个城市的回归常数，即模型中的常数项；ε
i
为残差；β
k
(μ
i
，v
i
，t
i
)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。
[0019]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β
k
(μ
i
，v
i
，t
i
)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(μ
i
，v
i
，t
i
)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；N
s
是所有训练样本的数量；X
left
是由y
i
(y
i
＜
y)组成的数据集；X
rigjt
是由y
i
(y
i
＞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(var
i
)是变量i的重要性；errOOB1
ij...

【技术保护点】

【技术特征摘要】
1.一种城市群减污降评估方法，其特征在于，包括以下步骤：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；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；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；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。2.根据权利要求1中所述的一种城市群减污降评估方法，其特征在于，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。3.根据权利要求1中所述的一种城市群减污降评估方法，其特征在于，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；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；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。4.根据权利要求1中所述的一种城市群减污降评估方法，其特征在于，所述GTWR模型表达式为：Y
i
＝β0(μ
i
,v
i
,t
i
)+∑
k
β
k
(μ
i
,v
i
,t
i
)X
it
+ε
i
；其中，(μ
i
,v
i
,t
i
)为长三角城市群第i个城市的时空坐标，μ
i
,v
i
,t
i
分别为第i个城市的经度、纬度和时间；β0(μ
i
,v
i
,t
i
)表示第i个城市的回归常数，即模型中的常数项；ε
i
为残差；β
k
(μ
i
,v
i
,t
i
)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。5.根据权利要求4中所述的一种城市群减污降评估方法，其特征在于，第i个城市的第k个回归参...

【专利技术属性】
技术研发人员：马伟波，李海东，王楠，赵立君，刘臣炜，张龙江，
申请(专利权)人：生态环境部南京环境科学研究所，
类型：发明
国别省市：