您所在的位置: 成果库 基于时空深度学习模型的碳储量预测方法

基于时空深度学习模型的碳储量预测方法

发布时间: 2026-01-22

基本信息

合作方式: 技术转让
成果类型: 新技术
行业领域:
新能源及节能技术,生态环境建设与保护技术
成果介绍
随着全球工业化和城市化的快速发展,大气中温室气体急剧增加,导致全球变暖、海平面上升以及极端气象灾害频发。中国作为全球最大的能源消费国和二氧化碳排放国,在应对气候变化方面发挥着至关重要的作用。为实现“碳达峰”和“碳中和”目标,减少碳排放和提升碳固存已成为学术界的研究热点和难点。然而,受区域经济、技术发展水平和生态环境差异的影响,不同区域的固碳能力呈现出显著的时空特征。为解决上述问题,本团队融合了图卷积网络(GCN)和双向长短期记忆网络(BiLSTM),构建GCN-BiLSTM模型,综合考虑空间和时间因素,并纳入城市绿化率、GDP等社会经济因素的影响,为区域碳储量研究提供了更精确的基础数据。该模型为区域碳循环过程的动态分析提供了技术支持,为科学制定减排政策和实现“双碳”目标提供了重要参考。
成果亮点
随着全球气候变化日益严峻,精准预测区域碳储量已成为实现“双碳”目标的关键技术手段。不同区域因经济发展、技术水平和生态环境的差异,其固碳能力呈现出显著的复杂性。本团队针对该问题,提出了一种融合图卷积网络(GCN)和双向长短期记忆网络(BiLSTM)的时空模型。该模型通过构建基于城市间的邻接矩阵,利用GCN的空间特征提取能力,捕捉邻近地区的影响因子和碳储量的相互作用,从而提升模型对区域间相互影响的理解和预测能力。此外,团队将GCN提取的空间特征与BiLSTM提取的时间特征相结合,实现了空间和时间维度的综合分析,使得模型能够更全面地理解碳储量数据中的复杂模式和依赖关 系,显著提升了预测的精度和鲁棒性,使其在面对不同城市数据时表现更为稳定。在模型优化过程中,团队采用Dropout优化、Adam优化器和L2正则化等技术手段,确保模型在复杂数据环境中的稳定性和准确性。同时,团队还创新性地将城市绿化率、GDP等社会经济因素纳入模型输入。此外,团队利用不同研究区域的植被类型,并结合生物量扩展因子法重新估算不同生态系统的碳密度,为区域碳储量研究提供了更精确的基础数据。
团队介绍
联系人: 庄老师 单位名称:常州市武进区科技成果转移中心
成果资料