(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210965935.8 (22)申请日 2022.08.12 (65)同一申请的已公布的文献号 申请公布号 CN 115049160 A (43)申请公布日 2022.09.13 (73)专利权人 江苏省测绘工程院 地址 210013 江苏省南京市 鼓楼区北京西 路75号 (72)发明人 潘晓　王勇　周松　饶加旺　王皓　 陶金梅　邢策梅　李亚男　 (74)专利代理 机构 南京鼎辉知产专利代理事务 所(普通合伙) 32396 专利代理师 游富英 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06V 10/26(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (56)对比文件 CN 113158119 A,2021.07.23 CN 112183432 A,2021.01.0 5 CN 114581770 A,202 2.06.03 CN 114511128 A,202 2.05.17 JP 20120 03472 A,2012.01.0 5 周松.融合深度学习对象识别技 术的工业用 地效能分析评价— —以常州市武进区为例. 《第 二十二届华 东六省一市测绘学会学术交流会论 文集 （一） 》 .2021,第61- 64页. 李彦甫.基 于自注意力卷积网络的遥感图像 分类. 《北京林业大 学学报》 .2021,第43卷(第10 期),第81-8 8页. 审查员 刘近帮 (54)发明名称 时空大数据的平原工业型城市碳排放量评 估方法及系统 (57)摘要 本发明公开了时空大数据的平原工业型城 市碳排放量评估 方法及系统， 该方法包括以下步 骤： 训练神经网络模型， 并使用混淆矩阵计算神 经网络模型的精确率、 召回率、 F 1值和Kappa系数 指标来进行精度评价； 进行数据验证； 通过一组 包含目标地类特征的样本， 并使用U ‑Net模型进 行训练， 经精度评估达标后， 对目标地区的遥感 影像进行像素分类； 通过MA ‑Unet使用注意力模 块对遥感多类目标语义分割中不同类别精度差 和多尺度的问题进行解决。 以地块为单位清晰界 定区域内的碳源和碳汇的分布； 达到全面厘清碳 排放家底、 为地方政府达成碳达峰、 碳中和目标 提供辅助决策支持的目的。 权利要求书4页 说明书15页 附图6页 CN 115049160 B 2022.11.11 CN 115049160 B 1.时空大数据的平原工业型城市碳排放量评估方法， 其特征在于， 该方法包括以下步 骤： 使用Swish函数进行训练神经网络模型， 并使用混淆矩阵计算神经网络模型的精确率、 召回率、 F1值和Kap pa系数指标来进行精度评价； 进行数据验证， 若精度参数不符合评价标准时， 则调整样本及参数重新训练， 若符合， 则通过Gr ound Truth和prediction抽样对比， 最后通过像素分类及目标要素提取得到目标 地物范围； 通过一组包含目标地类特征的样本， 并使用U ‑Net模型进行训练， 经精度评估达标后， 对目标地区的遥感影 像进行像素分类； 通过MA‑Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺度的 问题进行解决； 其中， 所述Sw ish函数有上界无 下界， 其公式为： 其中， 参数 为常数， 是可训练的参数， x为变量， e为常数， sigmoid函数为Logistic函 数， 用于隐层神经 元输出， 取值范围为 （0， 1） ； 所述方法中包括 碳源计算， 进行 所述碳源计算时包括以下步骤： 根据待计算全年目标地区各 行业的耗电量计算全年全县各 行业的碳 排放量； 根据机动车保有量数据， 以及县域实时路况数据， 构建了拥堵指数 ‑车流量回归模型， 根据回归 模型计算县域 地面交通的日/小时碳 排放量； 建立行业与土地利用类型的映射关系， 以目标地区全域用地类型的面积为依据， 计算 各行业用地 面积； 根据待计算全年全县各行业的碳排放量， 以各行业占地面积为权重， 计算各类碳源地 块的碳排放系数； 计算单个地 块的碳排放量； 所述通过MA ‑Unet使用注意力模块对遥感多类目标语义分割中不同类别精度差和多尺 度的问题进行解决还 包括以下步骤： 数据收集： 收集包 含目标地类特 征的样本； 数据预处 理： 完成样本的数据标注验证、 归一 化及图像增强； 模型构建： 基于Unet结构且引 入四个注意力模块， 完成基于无参数注意模块的残差编 码器的构建， 并将Unet 最初的16次下采样增加到32次且利用MSA重建特征地图， 完成每个特 征点的语义表示和相关性的增强， 同时在不同的特征融合阶段引入空间注意力模块来增强 融合后的特 征表示； 模型训练： 若模型训练损失函数不再降低时， 保存 模型。 2.根据权利要求1所述的时空大数据的平原工业型城市碳排放量评估方法， 其特征在 于， 所述完成基于无参数注意模块的残差编码器的构建之后还 包括以下步骤： 在残差结构中添加无参数注意模块； 在特征映射被卷积后， 对每个神经元的重要性进行评估， 其中， 无参数注意模块根据能权　利　要　求　书 1/4 页 2 CN 115049160 B 2量函数推断注意权 重； 所述无参数注意模块 根据能量 函数推断注意权 重还包括以下步骤： 根据输入的特 征图X获得 特征空间平均值d： 式中dim为维度， X.mean为特定特征图的均值表示， 根据特征空间平均值 d， 求出特征图 宽度和高度在其 通道方向上的方差： 式中d.sum为dim维度下特征空间平均值和， H为特征图高度， W为特征图宽度； 计算特征图的分布 E： 式中： 为能量因子， 为特征图宽度和高度在通道方向上的方差， 为特征空间平均 值； 计算增强特 征图： 式中， 为特征图高度， 为特征图高度， 函数为逻辑函数， 用于结果的平滑， E 为特征图分布， 符号 ⊙表示同或运 算操作； 通过在残差结构的3 ╳3卷积核后加上无参数注意模块形成基于无参数注意模块的残 差结构， 且由五个基于无参数注 意模块的残差块和五个卷积核组成MA ‑UNet的编码 器， 步长 为2。 3.根据权利要求2所述的时空大数据的平原工业型城市碳排放量评估方法， 其特征在 于， 所述完成基于无参数注意模块的残差编码器的构建之后还包括重建多注意力的特征 图、 基于注意力增 加的特征融合、 改进损失函数及精度评估。 4.根据权利要求3所述的时空大数据的平原工业型城市碳排放量评估方法， 其特征在 于， 所述重建多注意力的特 征图还包括以下步骤： 将完全连接层作为输入向量， 生成查询向量、 关键向量和值向量； 查询向量对所有候选位置进行查询， 且找到与自身关系最密切的向量； 最终获得的注意力因子为： 式中，T为矩阵转置运算， 为由键值组成矩阵的转置形式， dk为词向量 k的特征空间平 均值， 为一组查询行为集合组成的矩阵， 为一组键值组成的矩阵， 为一组查询值组成 的矩阵； 多自注意力并行计算公式为：权　利　要　求　书 2/4 页 3 CN 115049160 B 3