数学建模-二氧化碳排放及时空分布测度

二氧化碳排放及时空分布测度

整体求解过程概述(摘要)

  面临全球气候变化的巨大挑战,我国积极响应《巴黎协定》的号召,提出“2030年前碳达峰,2060 年前实现碳中和”的碳排放发展目标,并将碳中和相关工作作为 2021 年的重点任务之一。目前我国主流的碳排放核算方法是基于产品、企业和项目的自下而上的方法,成本较大且效率较低,而且县级统计数据严重缺失,难以进行精细化的管理和政策指导。
  夜光灯数据被广泛应用在社会经济指标的测度中,并表现出良好的解释能力。本文结合夜光灯和社会经济数据,利用提升回归树(BRT)建立其与碳排放的关系,并采用贝叶斯法优化(BO)模型超参数。本文利用 2000-2017 年中国省级数据,进行有监督学习,并通过 K 折交叉验证法对模型的表现结果进行评价,结果表明BO-BRT 具有较高的拟合优度和泛化能力。
  基于 BO-BRT 模型,我们对 2000-2017 年中国县级碳排放数据进行测度,并结合标准差椭圆对中国碳排放空间分布进行分析,结果发现碳排放主轴逐渐向西旋转,表明中国发展过程内蒙古、新疆等西部地区碳排放量逐渐增加。
  本文结合夜光灯和社会经济数据建立的我国县域碳排放量的估计模型提供了一种成本低、精度高的小尺度碳排放核算方法,对我国县域碳排放测度、碳减排措施的落实乃至其经济发展都有着重要指导意义,同时针对中国全域碳排放分析的结果,对国家加强顶层设计、统筹协调各个地区碳排放具有重大实践意义。

问题分析

  在国内产业向低碳转型的过程中,宏观政府部门如何制定减排措施以及微观企业如何执行落实、我国区域经济结构如何协同发展都是各部门在未来计划里值得深入探讨的问题,而科学客观的碳排放数据则是政策实践强有力的理论支撑。科学测度碳排放,不仅可以对人类文明产业发展起到警示告诫作用,还能刺激各行业对于绿色和新清洁能源的技术创新与研究使用,推动促进中国作为世界第二大经济体进行绿色转型的模范作用,提早达到“碳高峰”对于人类社会发展与生态平衡二者之间的交锋也具有积极的示范意义。
  在此上述背景之下,寻找一种低成本又高精度的二氧化碳排放强度测算方法对于研究我国高速增长的经济和二氧化碳排放量之间的关系显得尤为重要。本文通过收集国家统计局数据库中 2000-2017 年各省的年度 GDP、人均 GDP、人口总数、城镇化率等面板数据以及中国碳核算数据库中估算的 1997 - 2017 年中国2735 个县域的 CO2 排放量数据结合,并且从经过统一后的 DMSP/OLS 和 NPP/VIIRS卫星图像中得到了具有高质量并且时间跨度范围广度的稳定夜间灯光数据,并据此建立中国小地域尺度下的二氧化碳排放量核算模型,提出相应规划与建议。本文提出的结果有助于弥补现有的数据差距,并有助于制定减少中国二氧化碳排放的战略。除了应用在碳排放领域具有借鉴价值,而且对于今后人口分布、GDP 预测和污染物估计等社会指标测度也提供着重要的参考意义。

模型的建立与求解整体论文缩略图

在这里插入图片描述
在这里插入图片描述

全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

(代码和文档not free)

import numpy as np
import pandas as pd
import statsmodels.api as sm
import matplotlib.pyplot as plt
from statsmodels.graphics.tsaplots import plot_acf,plot_pacf
import itertools
from sklearn.metrics import r2_score as rs
import warningswarnings.filterwarnings("ignore")#忽略输出警告
plt.rcParams["font.sans-serif"]=["SimHei"]#用来正常显示中文标签
plt.rcParams["axes.unicode_minus"]=False#用来显示负号df=pd.read_excel("E:\or.xlsx"#指定Month列作为索引列#天然气CO2排放量
NGE=df1["Natural Gas Electric Power Sector CO2 Emissions"]
NGE.head()
#折线图
fig, ax=plt.subplots(figsize=(15,15))
NGE.plot(ax=ax,fontsize=15)
ax.set_title("天然气碳排放",fontsize=25)
ax.set_xlabel("时间(月)",fontsize=25)
ax.set_ylabel("碳排放量(百万总吨)",fontsize=25)
ax.legend(loc="best",fontsize=15)
ax.grid()
#分解时序
#STL(Seasonal and Trend decomposition using Loess)是一个非常通用和稳健强硬的分解时间序列的方法
import statsmodels.api as sm
#decompostion=tsa.STL(NGE).fit()报错,这里前面加上索引sm
decompostion=sm.tsa.STL(NGE).fit()#statsmodels.tsa.api:时间序列模型和方法
decompostion.plot()
#趋势效益
trend=decompostion.trend
#季节效应
seasonal=decompostion.seasonal
#随机效应
residual=decompostion.resid
#平稳性检验
#自定义函数用于ADF检查平稳性
from statsmodels.tsa.stattools import adfuller as ADF
def test_stationarity(timeseries,alpha):#alpha为检验选取的显著性水平adf=ADF(timeseries)p=adf[1]#p值critical_value=adf[4]["5%"]#在95%置信区间下的临界的ADF检验值test_statistic=adf[0]#ADF统计量if p<alpha and test_statistic<critical_value:print("ADF平稳性检验结果:在显著性水平%s下,数据经检验平稳"%alpha)return Trueelse:print("ADF平稳性检验结果:在显著性水平%s下,数据经检验不平稳"%alpha)return False
#将数据化为平稳数据
#一阶差分
NGE_diff1=NGE.diff(1)
#十二步差分
NGE_seasonal=NGE_diff1.diff(12)#非平稳序列经过d阶常差分和D阶季节差分变为平稳时间序列
print(NGE_seasonal)
#十二步季节差分平稳性检验结果
test_stationarity(NGE_seasonal.dropna(),1e-3)#使用dropna()去除NaN值
全部论文请见下方“ 只会建模 QQ名片” 点击QQ名片即可

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/198284.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

吉客云与金蝶云星辰业财一体化数据集成

吉客云与金蝶云星辰业财一体化数据集成为例&#xff0c;探讨如何利用轻易云数据集成平台高效整合企业系统。金蝶云星辰在供应链和财务管理方面具有显著优势&#xff0c;而吉客云则专注于订单处理和发货。两者的协同运作&#xff0c;是企业数字化转型的典型案例。 二、集成总体蓝…

python-学生管理|汉罗塔

1.编写程序&#xff0c;实现学生信息管理系统。 运行程序&#xff0c;在控制台输入“1”之后的结果如下所示&#xff1a; 学生管理系统 1.添加学生信息 2.删除学生信息 3.修改学生信息 4.显示所有学生信息 0.退出系统 请选择功能&#xff1a;1 请输入新学生的姓名:小红 请输入…

js的考试试题

一、填空题 JavaScript有两种引用数据类型 &#xff1a;数组_、对象。Javascript通过__setTimeout___延迟指定时间后&#xff0c;去执行某程序。Javascript里String对象通过__indexOf__方法取第一次出现子字符 串的字符位置。Javascript里取字符串的长度是__.length__,取数组的…

聊聊nginx的keepalive相关参数

序 本文主要研究一下nginx的keepalive相关参数 keepalive_timeout Syntax: keepalive_timeout timeout [header_timeout]; Default: keepalive_timeout 75s; Context: http, server, location默认是75s&#xff0c;客户端的一个keep-alive连接在服务端保持open的时间&#…

排序算法:n个0~1000之间的整数,将他们从大到小排序

上榜理由&#xff1a; 如果没见过这种排序题&#xff0c;可能首先想到的就是常用的排序算法&#xff0c;比如快速排序&#xff0c;归并排序&#xff0c;那如果输入的n足够大&#xff0c;时间复杂度肯定比较高。其实题目0-1000的范围是一个题眼&#xff0c;所以一定有更优的排序…

微信小程序加载动态svg数据图片

微信小程序加载动态svg数据图片 解决方案和步骤1. 获取svg数据2. 对数据进行转码3. 在wxml中使用 微信小程序如何加载动态的svg数据图片&#xff1f; 尝试过多种方式都不可行&#xff1a; 在使用在src以base64方式使用 解决方案和步骤 通过远程服务获取svg图片数据&#xff…

商务助理个人简历10篇

商务助理简历模板下载&#xff08;可在线编辑制作&#xff09;&#xff1a;来幻主简历&#xff0c;做好简历&#xff01; 商务助理简历1&#xff1a; 求职意向 求职类型&#xff1a;全职 意向岗位&#xff1a;国际商务、产品助理 意向城市&#xff1a;广东广州 …

ElasticSearch篇---第一篇

系列文章目录 文章目录 系列文章目录前言一、谈谈分词与倒排索引的原理二、说说分段存储的思想三、谈谈你对段合并的策略思想的认识前言 前些天发现了一个巨牛的人工智能学习网站,通俗易懂,风趣幽默,忍不住分享一下给大家。点击跳转到网站,这篇文章男女通用,看懂了就去分…

【每日一题】确定两个字符串是否接近

文章目录 Tag题目来源题目解读解题思路与实现方法一&#xff1a;计数 其他语言python3 写在最后 Tag 【计数】【字符串】 题目来源 1657. 确定两个字符串是否接近 题目解读 你可以进行以下两种操作&#xff1a; 操作 1&#xff1a;交换任意两个位置的字符&#xff1b;操作 …

浪涌保护器参数指南:浪涌保护器行业选型方案

浪涌保护器&#xff08;SPD&#xff09;是一种用于限制瞬态过电压和泄放浪涌电流的器件&#xff0c;可有效降低电子设备在雷击、电源故障等情况下受到的损害。其主要作用是当系统发生浪涌时&#xff0c;将过电压、过电流泄放到大地&#xff0c;从而保护设备和人身安全。然而浪涌…

什么是Amazon Lambda(无服务器计算服务)

Lambda 在高可用性计算基础设施上运行代码&#xff0c;用于执行计算资源的所有管理工作。这包括服务器和操作系统维护、容量调配和弹性伸缩、代码和安全补丁部署以及代码监控和日志记录。您只需要提供代码。 最近亚马逊云服务提供了超多免费的云服务&#xff0c;快来领取免费套…

【设计模式】单例模式代码设计

目录 单例模式简介饿汉单例模式懒汉单例模式线程安全的懒汉单例模式 橙色 详细可参考该篇文章&#xff1a;C设计模式 - 单例模式 单例模式简介 单例模式指的是&#xff0c;无论怎么获取&#xff0c;永远只能得到该类类型的唯一一个实例对象&#xff0c;那么设计一个单例就必须…

聊聊部署在不同K8S集群上的服务如何利用nginx-ingress进行灰度发布

前言 之前有篇文章聊聊如何利用springcloud gateway实现简易版灰度路由,里面的主人公又有一个需求&#xff0c;他们有个服务是没经过网关的&#xff0c;而是直接通过nginx-ingress暴露出去&#xff0c;现在这个服务也想做灰度&#xff0c;他知道在同个集群如何利用nginx-ingre…

Git 分支合并时 Merge, Rebase, Squash 的使用场景

前言 Git 的分支设计大大提升了并行开发的能力&#xff0c;但相应的&#xff0c;也就要解决如何进行分支合并。毕竟分久必合&#xff0c;最终还是要把大家的工作合并起来&#xff0c;进行统一发布的。在合并时&#xff0c;通常有三种操作&#xff1a; Merge commitsRebaseSqu…

Vue学习计划--Vue2(二)Vue代理方式

Vue data中的两种方式 对象式 data:{}函数式 data(){return {} }示例&#xff1a; <body><div id"app">{{ name }} {{ age}} {{$options}}<input type"text" v-model"value"></div><script>let vm new Vue({el: …

Linux操作系统之wget下载软件并安装

文章目录 前言一、apt下载二、wget下载1、新建目录存放文件2、根据下载地址使用wget下载安装包3、解压包4、命令指定目录&#xff0c;让其生效如有启发&#xff0c;可点赞收藏哟~ 前言 一般安装可以直接使用apt命令&#xff0c;不过安转的不是最新版本的&#xff0c;且没法指定…

Redis交互速度慢,频繁处理时经常报错 RedisSystemException: RedisException: Connection closed

Redis交互速度很慢&#xff0c;达到几十到一百毫秒一次&#xff0c;且压力测试下经常报错&#xff1a; org.springframework.data.redis.RedisSystemException: Redis exception; nested exception is io.lettuce.core.RedisException: Connection closedat org.springframewo…

西南科技大学C++程序设计实验四(类与对象三)

一、实验目的 1. 理解类的组合定义、说明与使用 2. 参数化列表的使用 3. 组合类的特例——string类 二、实验任务 重点:掌握组合类的定义与实现,丰富类的数据成员与成员函数,拓展其功能。 阅读分析、完善程序。下面是一个组合类 Teacher的定义,数据成员包括代表姓名的…

驱动开发--内核添加新功能

Ubuntu下这个文件为开发板ls命令的结果 内核的内容&#xff1a; mm&#xff1a;内存管理 fs&#xff1a;文件系统 net&#xff1a;网络协议栈 drivers&#xff1a;驱动设备 arch与init&#xff1a;跟启动相关 kernel与ipc&#xff1a;任务&#xff0c;进程相关 向内核增…

python-批量调整指定目录下所有图片文件的大小

前言&#xff1a; 在很多情况下我们都需要调整图片的大小到所需要的尺寸&#xff0c;比如在深度学习中批量调整图片大小可以使得数据预处理更加高效&#xff0c;如果图片过大&#xff0c;训练的时候会比较慢&#xff0c;而且占用内存空间&#xff0c;图片尺寸不一样的情况下&am…