买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉四川农业大学;四川昱泽景观规划设计有限公司申请的专利一种多尺度城市园林碳汇提升与生态协同调控系统获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN121766734B 。

龙图腾网通过国家知识产权局官网在2026-05-12发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202610264907.1，技术领域涉及：G06Q10/0631；该发明授权一种多尺度城市园林碳汇提升与生态协同调控系统是由刘柿良;谢宇恒;王鑫玉;邬梦晞;陈其兵;王栩锐;杨文林设计研发完成，并于2026-03-05向国家知识产权局提交的专利申请。

本一种多尺度城市园林碳汇提升与生态协同调控系统在说明书摘要公布了：本发明涉及一种多尺度城市园林碳汇提升与生态协同调控系统，具体涉及城市园林领域，通过构建可计算、可进化的知识图谱，将多源数据与领域规则深度融合，动态驱动空间优化决策，其核心创新在于，将静态规划升级为一个“预测‑仿真‑学习”的闭环过程：优化算法利用知识图谱进行高效寻优，产生多目标均衡方案；数字孪生体对方案进行高保真度、含不确定性的长期动态推演与风险评估；仿真结果则通过元强化学习反馈校准知识规则，并从中萃取成功模式反哺知识库，该过程实现了规划知识、优化模型与仿真环境的协同自我进化，从而持续提升决策的精准性、鲁棒性与前瞻性，最终达成碳汇、生态、社会服务与经济成本的多尺度协同最优。

本发明授权一种多尺度城市园林碳汇提升与生态协同调控系统在权利要求书中公布了：1.一种多尺度城市园林碳汇提升与生态协同调控系统，其特征在于，具体包括：依次连接的决策因子库构建模块、优化方案生成模块、方案动态推演模块以及协同进化模块，其中； 决策因子库构建模块：响应于规划任务触发，集成土壤、气象、遥感、社区人口、成本历史及实时物联网监测数据在内的多源异构数据，构建以立地条件、植物物种、生态服务和资源消耗为实体的知识图谱，并通过可计算的关联规则动态表达实体间的量化关系，形成并输出一个包含静态属性与动态关联逻辑的、结构化的决策因子库知识包； 优化方案生成模块：调用决策因子库知识包中的关联规则动态组装多目标优化函数，将规划空间离散化为网格单元并定义植物配置与养护等级为决策变量，采用基于知识图谱预筛选解的改进NSGA-III算法对以碳汇、生态多样性、社会服务及经济成本为目标向量的函数进行求解，输出帕累托最优方案集合及其对应的资源分配蓝图与多维效益预估值； 方案动态推演模块：为帕累托最优方案集合中的每一个帕累托最优方案建立独立的数字孪生体，数字孪生体为集成植物生长模型、碳循环模型及人流模拟模型的混合仿真系统，在接入实时物联网监测数据并引入随机扰动因子模拟不确定事件的条件下，运行混合仿真系统以推演各帕累托最优方案在未来预设周期内的碳汇累积、生态指标、人流分布与养护成本的动态变化与风险状况，并生成包含各项推演结果的方案动态推演结果； 生成包含各项推演结果的方案动态推演结果，具体由以下三个子步骤完成： 子步骤E1、数据采集与聚合：在混合仿真运行过程中，持续采集并记录以下四类时间序列数据：第一类为碳汇累积量时间序列数据；第二类为表征生态状况的一个或多个生态指标的时间序列数据；第三类为累计养护成本时间序列数据；第四类为作为仿真驱动源的实时温度与降水量时间序列数据；同时，持续采集并记录以空间热力图形式表达的、用于评估社会服务效果的人流分布数据，以及记录仿真过程中所触发的所有随机扰动事件的信息，形成扰动事件日志； 子步骤E2、风险状况量化：针对从优化方案生成模块输出的、当前方案所对应的多维效益预估值中的碳汇目标函数值、生态多样性目标函数值、社会服务目标函数值及经济成本目标函数值，执行以下量化操作：通过对引入随机扰动因子的多次独立仿真运行，统计在子步骤E1中采集的、与上述目标函数值相对应的碳汇累积量、生态指标、由人流分布数据计算得到的社会服务量化指标及累计养护成本在仿真预设周期末的数值的概率分布；基于此概率分布，计算该仿真预设周期末的数值低于对应的多维效益预估值中该项数值预设百分比的风险概率值； 子步骤E3、结果封装：为每一个帕累托最优方案，将子步骤E1中采集记录的四类时间序列数据、人流分布数据及扰动事件日志，与子步骤E2中计算得到的各项风险概率值，共同封装为一个结构化的方案动态推演结果； 协同进化模块：将各帕累托最优方案的方案动态推演结果与其在优化方案生成模块中对应的多维效益预估值进行比对生成偏差矩阵，基于偏差矩阵通过元强化学习框架更新决策因子库知识包中对应关联规则的置信度与权重，并将方案动态推演结果中表现优异的方案特征抽象为新的关联规则反哺至知识图谱，实现决策因子库知识包、优化方案生成模块中的多目标优化函数与改进NSGA-III算法、以及方案动态推演模块中的数字孪生体与混合仿真系统三者的闭环协同进化； 将各帕累托最优方案的方案动态推演结果与其在优化方案生成模块中对应的多维效益预估值进行比对生成偏差矩阵的具体过程为： 针对方案动态推演模块输出的每一个帕累托最优方案的方案动态推演结果，提取其中在仿真预设周期末统计得到的碳汇累积量、子步骤E1中记录的第二类生态指标的时间序列数据的最终值、由人流分布数据计算得到的社会服务量化指标及累计养护成本的实际结果值；同时，从优化方案生成模块输出的该方案对应的多维效益预估值中，提取其碳汇目标函数值、生态多样性目标函数值、社会服务目标函数值及经济成本目标函数值作为对应的预期值；逐一计算碳汇、生态、社会服务及经济成本每个效益维度上实际结果值与预期值之间的相对偏差，对于碳汇、生态及社会服务指标，相对偏差为实际结果值减去预期值再除以预期值，对于经济成本，相对偏差为预期值减去实际结果值再除以预期值； 随后，执行偏差溯源操作：针对每一个帕累托最优方案在其每一个效益维度上计算得到的相对偏差，依据优化方案生成模块中碳汇目标函数、生态多样性目标函数、社会服务目标函数及经济成本目标函数的计算过程，确定决策因子库知识包中每一条参与构成该方案此效益维度预期值的关联规则，对该方案在此效益维度上的贡献度；然后，将此相对偏差值乘以该关联规则的贡献度与此效益维度预期值的比值，得到此关联规则因该方案而在该效益维度上产生的一个偏差信号；遍历所有帕累托最优方案及其所有效益维度，对每一条关联规则，累计其在所有方案的所有效益维度上获得的全部偏差信号，从而计算出该关联规则在每一个效益维度上的一个综合偏差量； 将所有关联规则及其在各效益维度上的综合偏差量组织成一个二维表格，即形成偏差矩阵； 基于偏差矩阵通过元强化学习框架更新决策因子库知识包中对应关联规则的置信度与权重，并将方案动态推演结果中表现优异的方案特征抽象为新的关联规则反哺至知识图谱的具体过程包括： 首先，基于偏差矩阵，以每条关联规则在碳汇、生态多样性、社会服务及经济成本各维度上的综合偏差量构建该规则的损失函数，损失函数的值为对各维度的预设偏好权重与对应综合偏差量平方的乘积进行求和的结果； 其次，引入一个元策略网络，该网络以每条关联规则的历史性能数据特征向量为输入，动态输出针对该规则进行参数更新的自适应学习率，自适应学习率包括用于更新置信度参数的第一学习率与用于更新权重参数的第二学习率； 然后，执行参数更新操作，该操作包含以下步骤：计算损失函数对关联规则置信度参数的偏导数，作为置信度参数的更新梯度；计算损失函数对关联规则权重参数的偏导数，作为权重参数的更新梯度；将关联规则当前的置信度参数减去第一学习率与置信度参数更新梯度的乘积，得到一个置信度参数中间值；将关联规则当前的权重参数减去第二学习率与权重参数更新梯度的乘积，得到一个权重参数中间值；将置信度参数中间值与权重参数中间值，分别限制在零到一的有效数值范围内，从而得到更新后的置信度参数与权重参数； 同时，执行表现优异方案的特征抽象与规则反哺操作，该操作包含依次进行的四个子步骤： 子步骤F1、优异方案筛选：根据方案动态推演结果中记录的各项风险概率值及在仿真预设周期末统计得到的实际结果值，设定碳汇、生态多样性、社会服务指标的达成率阈值及经济成本指标的控制率阈值，筛选出所有满足阈值条件的帕累托最优方案，构成一个表现优异的方案集合； 子步骤F2、特征模式挖掘：对筛选出的表现优异方案集合中所有方案的资源分配蓝图进行数据挖掘，识别其中反复共同出现的植物物种组合、该组合对应的土壤与气候条件范围，以及该组合在仿真中表现出的稳定的生态服务潜力、社会服务效果与资源消耗需求特征； 子步骤F3、新规则生成与形式化：将子步骤F2中识别出的稳定模式形式化为新的可计算关联规则，该规则的条件部分基于所识别出的土壤与气候条件范围及植物物种组合定义，输出部分包含对该组合的生态服务潜力估计值、社会服务潜力估计值与资源消耗需求估计值，并为该新规则赋予初始的置信度参数与初始的权重参数； 子步骤F4、知识库反哺：将子步骤F3中生成的所有新的可计算关联规则，添加至决策因子库知识包的可计算关联规则列表中，从而完成对知识图谱的扩充。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人四川农业大学;四川昱泽景观规划设计有限公司，其通讯地址为：610000 四川省成都市温江区惠民路211号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。