【技术实现步骤摘要】
本专利技术涉及机器学习模型，具体涉及一种高精度人为热通量估算方法。
技术介绍
1、城市虽然只占全球陆地面积的2％，但消耗全球约70％的能源。随着城市化进程加快，城市能源需求进一步增加，人类活动的能源消耗产生大量污染物及人为废热，直接影响天气、空气质量乃至人类健康。在冬季高密度城区，人为热通量甚至可以超过城市所获取的净辐射能量，显著影响近地层的能量收支，成为产生城市热岛的主要原因之一。人为热排放作为地-气系统中外加的强迫热源，还可以加剧全球变暖。气温增暖又加剧能源使用，促使更多的人为热排放，从而形成人为热排放与气温增暖的正反馈效应。
2、人为热排放区域分布极不均匀的特征是其形成区域乃至全球气候效应的重要物理机制。近年来少数的几项研究明确指出人为热在全球变暖中起着不可忽视的作用，然而相关结论依然存在较大不确定性，这主要是由于城市尺度能耗数据难于获取，人为热估算结果的时空分辨率难以满足当前模式需求。
3、目前人为热排放的估算主要包括4种方法：能源清单法、地表能量平衡法、建筑能量模式法和统计回归法。其中能源清单法主要将能源消耗分为工业、建筑、交通、人体代谢等几部分。其中人口密度、夜间灯光和植被指数多源遥感数据被认为可以较好反映人类活动和经济发展水平，是目前实现人为热排放空间化广泛采用的数据。然而这些数据仍存在较大的局限性，夜灯数据存在城市中心像元溢出和过饱和等缺陷，基于多源遥感数据的空间化方法主要是提取城市建成区面积并与人为热排放建立线性拟合关系，难以对城市功能设施(工业、商业、居住、交通等)给出准确识别。越来越
4、尽管现有方法对于人为热通量估算方法有了较多实质性进展，但仍然存在以下几方面值得进一步探索和拓展。其一，人为热排放的空间格点化大多依赖于人口密度、夜灯数据及植被指数，在反映各类经济活动和识别城市功能区方面仍存在一定缺陷；其二，目前用于空间格点化的社会经济能耗统计数据都是省、市级总能耗，较为粗糙。通过在更小的行政单元收集社会经济能耗统计数据将有助于提高机器学习模型的准确性。
5、中国专利cn115204691a公开了一种基于机器学习和遥感技术的城市人为热排放量估算方法，该专利技术通过遥感信息和随机森林机器学习手段实现城市人为热排放量的估算。该专利技术使用的遥感数据获取便捷，应用性强，具有较强推广性。然而该专利将人为热排放量作为一个整体估算，没有进行分类；且忽略城市郊区人为热排放，与当前城市功能布局调整，特别是许多工厂(尤其是重工业)从城市中心迁移至郊区或农村从而排放大量工业人为热的事实不符，从而造成估算误差。
6、中国专利cn114139719a提出了一种基于机器学习的多源人为热时空量化方法。该专利技术将人为热通量分成工业、建筑和交通排放三类，基于市级能源消耗和社会经济数据利用代理数据为不同来源的人为热进行降尺度处理；基于梯度提升回归树和cubist两种机器学习算法训练模型，为不同热源选择最优算法建模，最终获得特定时间特定区域的多源人为热通量。然而该专利技术县级建筑和交通人为热的降尺度替代数据仅选取了区县人口，没有充分考虑其他城市功能区的影响；并且基于县级数据应用于较小行政区范围(如单个直辖市)，训练样本过少，使得模型可靠性不足。
技术实现思路
1、针对现有技术存在的不足，本专利技术的目的在于提供一种高精度人为热通量估算方法。
2、本专利技术具体包括如下步骤：
3、s1，获取省市级年度工业、建筑和交通总能耗；
4、s2，并依据区县和街道级社会经济产业结构数据、poi地理空间大数据，将所述工业、建筑和交通总能耗划分到各区县的街道；
5、s3，将划分到各区县街道的工业能耗、建筑能耗和交通能耗转换为人为热通量；
6、s4，计算人口新陈代谢的人为热通量；
7、s5，采用cubist机器学习模型对不同类型的街道的人为热通量进行空间格点化，得到高分辨率分类人为热通量数据集。
8、在本专利技术中，优选的，所述cubist机器学习模型的输入变量还包括多源遥感数据、poi地理空间大数据、建筑高度数据、腾讯位置大数据。
9、在本专利技术中，优选的，将离散的poi地理空间大数据转换为连续的poi密度栅格数据，利用距离栅格最近的欧几里得距离计算poi地理空间大数据之间的距离，得到poi距离栅格数据。
10、在本专利技术中，优选的，通过cubist的变量重要性分别确定所述poi密度栅格数据层、poi距离栅格层的权重系数。
11、在本专利技术中，优选的，poi地理空间大数据包括与工业相关的poi数据、与建筑相关的poi数据和与交通相关的poi数据，其中所述与建筑相关的poi数据包括酒店、教育机构、小区、银行、政府部门、医院、商场、公司、餐饮娱乐和生活设施10类图层；所述与交通相关的poi数据包括停车场、公交站、加油站、客运站、高速路收费站、汽车服务、火车站、地铁站、渡口口岸9类图层。
12、在本专利技术中，优选的，所述多源遥感数据包括与人类活动相关的路网以及夜间灯光、地表温度、归一化植被指数、guf建成区和数字高程模型变量。
13、在本专利技术中，优选的，步骤s2中，具体还包括如下步骤：
14、s21，收集区县和街道级社会经济产业结构数据，依据所述社会经济产业结构数据在全市的占比分别将工业总能耗、建筑总能耗、交通总能耗划分到各区县；
15、s22，获取poi地理空间大数据并分类为工业poi、建筑poi和交通poi，分析工业poi、建筑poi和交通poi与能耗之间的相关性，将工业总能耗、建筑总能耗、交通总能耗进一步划分到各区县的街镇级。
16、在本专利技术中，优选的，在步骤s22中，将工业总能耗划分到各区县的街道时，第一策略是依据各区县统计年鉴中给出的街镇级的工业总产值占该区比值将该区的工业能耗划分到各街镇级，第二策略是依据各街道工业poi总数将该区的工业能耗划分到各街镇级，取两个策略的平均值为最终的各街镇级的工业能耗。
17、在本专利技术中，优选的，还包括训练样本的建立，具体结合变量筛选和先验知识，不同来源的街道人为热量对数值分别采用以下变量在街道尺度的平均值：
18、1)工业人为热：工厂pois、ntl、guf、坡度、ndvi、lst、elevation、rd_den；
19、2)建筑人为热：建筑相关pois、ntl、ndvi、rd_den、guf、建筑高度、腾讯位置大数据；
20、3)交通人为热：交通相关pois、多种道路密度层、elevation和ntl；本文档来自技高网...
【技术保护点】
1.一种高精度人为热通量估算方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种高精度人为热通量估算方法，其特征在于，所述Cubist机器学习模型的输入变量还包括多源遥感数据、POI地理空间大数据、建筑高度数据、腾讯位置大数据。
3.根据权利要求2所述的一种高精度人为热通量估算方法，其特征在于，将离散的POI地理空间大数据转换为连续的POI密度栅格数据，利用距离栅格最近的欧几里得距离计算POI地理空间大数据之间的距离，得到POI距离栅格数据。
4.根据权利要求1所述的一种高精度人为热通量估算方法，其特征在于，通过Cubist的变量重要性分别确定所述POI密度栅格数据层、POI距离栅格层的权重系数。
5.根据权利要求4所述的一种高精度人为热通量估算方法，其特征在于，POI地理空间大数据包括与工业相关的POI数据、与建筑相关的POI数据和与交通相关的POI数据，其中所述与建筑相关的POI数据包括酒店、教育机构、小区、银行、政府部门、医院、商场、公司、餐饮娱乐和生活设施10类图层；所述与交通相关的POI数据包括停车场、公交站、加
6.根据权利要求2所述的一种高精度人为热通量估算方法，其特征在于，所述多源遥感数据包括与人类活动相关的路网以及夜间灯光、地表温度、归一化植被指数、GUF建成区和数字高程模型变量。
7.根据权利要求1所述的一种高精度人为热通量估算方法，其特征在于，步骤S2中，具体还包括如下步骤：
8.根据权利要求7所述的一种高精度人为热通量估算方法，其特征在于，在步骤S22中，将工业总能耗划分到各区县的街道时，第一策略是依据各区县统计年鉴中给出的街镇级的工业总产值占该区比值将该区的工业能耗划分到各街镇级，第二策略是依据各街道工业POI总数将该区的工业能耗划分到各街镇级，取两个策略的平均值为最终的各街镇级的工业能耗。
9.根据权利要求1所述的一种高精度人为热通量估算方法，其特征在于，还包括训练样本的建立，具体结合变量筛选和先验知识，不同来源的街道人为热量对数值分别采用以下变量在街道尺度的平均值：
10.根据权利要求9所述的一种高精度人为热通量估算方法，其特征在于，选取所述训练样本的80-90％作为训练集对所述Cubist机器学习模型进行训练，并将剩余的训练样本作为测试集对训练后的所述Cubist机器学习模型准确性进行测试，检验制表位均方根误差和决定系数。
...【技术特征摘要】
1.一种高精度人为热通量估算方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种高精度人为热通量估算方法，其特征在于，所述cubist机器学习模型的输入变量还包括多源遥感数据、poi地理空间大数据、建筑高度数据、腾讯位置大数据。
3.根据权利要求2所述的一种高精度人为热通量估算方法，其特征在于，将离散的poi地理空间大数据转换为连续的poi密度栅格数据，利用距离栅格最近的欧几里得距离计算poi地理空间大数据之间的距离，得到poi距离栅格数据。
4.根据权利要求1所述的一种高精度人为热通量估算方法，其特征在于，通过cubist的变量重要性分别确定所述poi密度栅格数据层、poi距离栅格层的权重系数。
5.根据权利要求4所述的一种高精度人为热通量估算方法，其特征在于，poi地理空间大数据包括与工业相关的poi数据、与建筑相关的poi数据和与交通相关的poi数据，其中所述与建筑相关的poi数据包括酒店、教育机构、小区、银行、政府部门、医院、商场、公司、餐饮娱乐和生活设施10类图层；所述与交通相关的poi数据包括停车场、公交站、加油站、客运站、高速路收费站、汽车服务、火车站、地铁站、渡口口岸9类图层。
6.根据权...
【专利技术属性】
技术研发人员：敖翔宇，杨续超，钱静，
申请(专利权)人：中国气象局上海台风研究所上海市气象科学研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。