Как использовать функцию transverse_tagged_databases в brightway2

Question

Я хотел бы знать, как использовать метод transverse_tagged_database в brightway2. Из документации мне не совсем понятно. Можем ли мы использовать, например, для агрегирования воздействий по isic-коду действий в модели системы продуктов?

Answer 1

Короткий ответ: да, агрегирование воздействий по коду ISIC в вашей модели системы продуктов переднего плана - это именно то, что вы можете сделать, используя traverse_tagged_databases,

Функция traverse_tagged_databases использует тот факт, что вы можете добавить произвольный key:value Привязка к действиям в Brightway позволит вам классифицировать ваши действия в модели переднего плана так, как вам нравится.

Например, скажем, ваши действия выглядят так:

('example_database', 'code_for_bread'):{ 'name': 'Bread', 'code': 'code_for_bread', 'categories':[], 'exchanges':[...], 'location':'GLO' 'unit':'kg', 'database':'example_database', 'isic_code':'1071' 'isic_classifier':'Manufacture of bakery products' },

Ты можешь сказать traverse_tagged_databases например, чтобы просмотреть вашу базу данных в поисках заданного ключа (тега) 'isic_code', или же 'isic_classifier' и агрегировать влияние на основе этих тегов.

Допустим, вы моделировали бутерброд с сыром, в вашей модели могут быть следующие коды ISIC:

Сэндвич: 1079 (Производство прочих пищевых продуктов, не включенных в другие категории)

Хлеб: 1071 (Производство хлебобулочных изделий)

Сыр: 1050 (Производство молочных продуктов)

Масло сливочное: 1050 (Производство молочных продуктов)

Ты можешь использовать traverse_tagged_databases чтобы увидеть общее влияние молочных продуктов (сыр и масло) против хлебобулочных изделий (хлеб).

Вы используете его аналогично LCA функция, определяя функциональную единицу как dict и метод как tupleс дополнительным tag аргумент. Как это:

fu = {('example_database', 'code_for_sandwich'):1} m = ('IPCC 2013', 'climate change', 'GWP 100a') result, tree = traverse_tagged_databases(fu, m, 'isic_classifier')

Функция возвращает два объекта (обозначенных result а также tree в строке выше)

Для этого анализа ваш result будет выглядеть примерно так:

defaultdict(int, {'Manufacture of other food products n.e.c.': 0, 'Manufacture of bakery products': 0.1875, 'Manufacture of dairy products': 0.55})

Это говорит о том, что молочные продукты в модели переднего плана имеют совокупное воздействие 0,55 кг CO2-экв, а хлебобулочные изделия имеют совокупное воздействие 0,1875 кг CO2-экв.

Немного пост-обработки вы можете превратить эти данные в круговые диаграммы, гистограммы и т.д.

Вы также получите tree, который выглядит так:

[{'activity': 'Sandwich' (kg, GLO, []), 'amount': 1, 'tag': 'Manufacture of other food products n.e.c.', 'impact': 0, 'biosphere': [], 'technosphere': [{'activity': 'Bread' (kg, GLO, []), 'amount': 0.75, 'tag': 'Manufacture of bakery products', 'impact': 0, 'biosphere': [{'amount': 0.1875, 'impact': 0.1875, 'tag': 'Manufacture of bakery products'}], 'technosphere': []}, {'activity': 'Butter' (kg, GLO, []), 'amount': 0.05, 'tag': 'Manufacture of dairy products', 'impact': 0, 'biosphere': [{'amount': 0.05, 'impact': 0.05, 'tag': 'Manufacture of dairy products'}], 'technosphere': []}, {'activity': 'Cheese' (kg, GLO, []), 'amount': 0.25, 'tag': 'Manufacture of dairy products', 'impact': 0, 'biosphere': [{'amount': 0.5, 'impact': 0.5, 'tag': 'Manufacture of dairy products'}], 'technosphere': []}]}]

Сначала это может показаться немного сложным для анализа, но по сути это набор вложенных словарей, начиная с корневого действия (функциональная единица = сэндвич), показывая techosphere обмен на другие виды деятельности, и biosphere обмен на выбросы.

Дерево здесь выглядит так (с amountс каждого продукта в скобках)

Bread +----(0.75 kg)----------+ | | | | Cheese +----(0.20 kg)----------+------(1.00 kg)--------> Sandwich | | | | Butter +----(0.05 kg)----------+

Опять же, с небольшой пост-обработкой, вы можете превратить эти данные в такие вещи, как диаграммы Санки или в тип диаграммы влияния, которую вы получаете в SimaPro.