数字工程碳排放数据确定方法、系统、设备及存储介质

专利主权项内容

1.数字工程碳排放数据确定方法，其特征在于，包括以下步骤：基于卫星遥感图像，采用图像处理和支持向量机，进行土地使用与植被监测，并生成土地使用和植被变化数据集；基于所述土地使用和植被变化数据集，采用克里金插值法，进行碳排放热点分析，并生成热点分布图，生成碳排放热点分布图；基于BIM模型数据，采用生命周期评估和建筑能源模拟技术，进行能效和材料使用分析，并生成评估报告，生成建筑碳足迹报告；基于所述土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告；基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告；基于所述碳排放影响因素分析报告和供应链碳足迹优化报告，采用深度Q网络，进行工业生产碳排放优化，并生成工业生产碳排放优化策略；所述土地使用和植被变化数据集包括土地类型分布、植被覆盖程度，所述碳排放热点分布图具体指多区域碳排放量的空间分布情况，所述建筑碳足迹报告包括能源消耗量、材料使用情况，所述碳排放影响因素分析报告包括关键影响因素、发展趋势，所述供应链碳足迹优化报告包括碳排放热点分析、减排策略，所述工业生产碳排放优化策略具体为生产参数调整、环境适应性策略；基于所述土地使用和植被变化数据集及建筑碳足迹报告，采用卷积神经网络和循环神经网络，进行影响因素分析，并生成碳排放影响因素分析报告的步骤具体为；基于所述土地使用和植被变化数据集，采用数据清洗和整理技术处理数据，生成处理后的土地使用数据；基于所述处理后的土地使用数据和建筑碳足迹报告，采用卷积神经网络进行特征提取， 生成空间特征分析结果；基于所述空间特征分析结果，采用循环神经网络进行时间序列分析，生成时间序列分析结果；综合所述空间特征分析结果和时间序列分析结果，采用多变量分析方法，生成碳排放影响因素分析报告；所述数据清洗包括缺失值填充和异常值处理，所述卷积神经网络具体为利用TensorFlow 框架进行多层特征提取，所述循环神经网络具体为 PyTorch 框架下的 LSTM网络应用，所述多变量分析方法具体为使用 SPSS 进行相关性和回归分析；基于供应链数据，采用遗传算法和模拟退火算法，进行碳足迹优化分析，生成供应链碳足迹优化报告的步骤具体为；基于供应链数据，采用遗传算法进行碳足迹初始优化，生成初始碳足迹优化结果；基于所述初始碳足迹优化结果，采用模拟退火算法进行迭代优化，生成深度碳足迹优化结果；对所述深度碳足迹优化结果进行优化路径评估和算法参数微调，提高优化效率，生成参数调整后的碳足迹优化结果；整合所述参数调整后的碳足迹优化结果，优化策略的总结内容项，编制最终的供应链碳足迹优化报告；所述遗传算法包括种群初始化、适应度函数设计、选择策略、交叉操作和变异操作，所述模拟退火算法包括温度控制的随机搜索过程，接受准则和冷却计划的应用。