综述：通过数据科学推进生命周期评估：算法、工具与数据挑战的批判性审视

《Sustainable Production and Consumption》：Advancing life cycle assessment through data science: A critical review of algorithms, tools, and data challenges

本文系统评述了数据科学（DS）与生命周期评估（LCA）的交叉领域，重点探讨了机器学习（ML）、本体论等DS技术如何解决LCA中的数据缺失、质量不佳、时空变异性等关键挑战。文章指出，极端梯度提升（XGBoost）、随机森林（RF）和人工神经网络（ANN）等ML算法在预测LCA结果（即替代LCA）方面表现优异，而语义网工具（如RDF）则有助于提升数据互操作性。综述为LCA研究者利用DS技术提升评估的准确性和效率提供了清晰的路径和机遇分析。

　　

摘要

一项执行良好的生命周期评估（LCA）需要跨所有相关流程的彻底数据收集，并结合先进的数据分析。LCA研究中常见的数据相关问题包括必要数据的缺失、数据质量低下、不一致性、不确定性以及未能考虑时间和地点上的变化。在此背景下，数据科学（Data Science, DS）——这门从数据中提取有意义见解的学科——有潜力应对这些挑战。尽管数据科学与LCA的整合具有巨大潜力，但其最佳应用场景取决于研究目标以及所需的数据类型和体量，这凸显了审视数据科学与LCA交叉领域的必要性。本研究使用系统综述和Meta分析的首选报告项目（PRISMA）方法，识别了探讨使用数据科学元素支持LCA的文献。它评估了哪些数据科学技术适用于特定的LCA阶段或问题领域，以及当前数据科学在LCA中应用的优势和劣势。识别出的关键机遇围绕着解决数据缺失或质量差、数据收集成本高昂/难以进行以及提高LCA结果准确性等方案展开。目前最可行的路径似乎涉及机器学习（Machine Learning, ML）技术的使用，因为这类研究进行得最多并产生了切实的成果。极端梯度提升（XGBoost）、随机森林（Random Forest, RF）和人工神经网络（Artificial Neural Network, ANN）是特别突出的算法选择。使用本体论和语义工具进行数据收集和可移植性也被强调为改善LCA数据流的重要策略，包括整合各种数据库和非LCA数据。

1. 引言

生命周期评估（LCA）是一个量化产品系统整个生命周期或“从摇篮到坟墓”的资源输入、输出、排放和环境影响的框架。其主要目标是表征和评估所有生命周期活动中的环境输入和输出，进行多标准影响评估，并支持建议/决策。LCA的整体性方法使其能够在监管、行业和消费者层面得到应用。根据ISO 14044标准，LCA涉及四个阶段：目标与范围定义、生命周期清单（Life Cycle Inventory, LCI）、生命周期影响评估（Life Cycle Impact Assessment, LCIA）和结果解释。LCA的LCI阶段侧重于根据目标与范围阶段描述的系统边界、方法、假设和数据质量目标进行数据收集和汇编。在此阶段，研究人员收集和建模产品系统内的流（输入和输出）。这些流包括原材料、能源输入、辅助输入、产品、副产品、废物、排放（到空气、土壤、水）和其他环境方面。LCI生成一份穿越系统边界的所有流量的详尽列表，包括技术圈（人类活动）和生态圈（自然），用于所研究的产品系统。

在LCI中，文档（元数据）、数据质量和适当的数据源对于实现目标与范围阶段设定的目标至关重要。数据收集应考虑类型和来源，因为前景过程（直接相关的元素）通常需要特定地点、高度细化的原始数据。原始数据（第一手测量数据）被认为是满足LCI数据要求的黄金标准，但由于资源有限，从业者通常依赖二手来源。高度特定的数据通常在LCI数据库中不可用，必须直接收集。

数据质量指的是可靠性、完整性（避免缺口）和代表性，通常使用关于技术、时间和地理考虑的质量评分谱系矩阵进行评估。不完整的数据、系统误表征或计算错误的测量/单位会导致错误，必须加以解决。当数据质量差时，从业者可能会参考类似过程、外部来源（即法律文件/法规）或通过质量/能量平衡或化学计量检查来验证输入/输出流。

由于数据限制，LCA建模通常依赖于全球或国家层面的清单数据，这些数据很少反映细粒度的空间或时间差异。这引入了在区域或地方层面误表征影响的风险，这一担忧自20世纪90年代以来已在LCA文献中得到认识。不恰当地使用通用数据可能导致重大误差，有时可达数量级之差。因此，使用空间和时间上适当的数据对于准确的影响估计至关重要，特别是当LCA结果可能为地方决策提供信息时。数据收集和计算方面的最新进展现在促进了前所未有的处理水平，可能有助于解决这些LCA数据挑战。

数据科学技术可以应对许多这些挑战。数据科学侧重于从数据中提取见解，强调检测模式和进行预测性或规范性分析。它结合了数学、统计学、计算机科学和工程学的元素，涉及收集、组织、分析并将结果转化为实际应用。数据科学包括数据分析、数据挖掘、大数据和机器学习等领域，近年来大部分注意力集中在ML上。它被用于银行、保险、在线商务和环境科学等多个行业。虽然数据科学与LCA的整合具有很高的潜力，但其最佳使用取决于研究目标、数据类型和体量。然而，迄今为止，尽管有这些优势，但很少有LCA研究纳入数据科学。

数据科学技术已与LCA整合，用于模型不确定性分析、LCA结果估计（也称为替代LCA）、估计特征化因子和敏感性分析。其他用途包括数据清理、提高数据质量和生成优化场景。将LCA与数据科学预测分析相结合，可以使用本地化的空间和时间数据支持现实的排放模型。考虑区域特定数据和空间差异（也称为区域化）的LCA研究会产生更准确和相关的结果。农业LCA研究尤其受益于区域化数据库和方法论更新，但农业系统中的高数据可变性和相关的收集成本使这具有挑战性。因此，数据科学技术对于在不收集大量数据的情况下表示可变性具有相关性。高通量数据分析工具可以提供所需的处理能力和支持，并支持改进LCA的空间和时间要求，强调了这两个学科结合的价值。

数据科学与LCA的交叉点在科学文献中尚不发达。存在一些综述，通常侧重于单一部门（即建筑）中ML与LCA的整合，或仅限于ML相关主题。虽然关于ML和LCA的综述提供了见解，但数据科学不仅仅包括ML，还包括数据结构、挖掘、管理等方面。尽管ML很受欢迎，但它不应掩盖数据科学其他方面对LCA研究的重要性。

事实上，对数据科学与LCA交叉点所有要素进行全面综述早已逾期。为了弥补这一空白，本综述考察了涉及数据科学和LCA的出版物。它确定了数据科学在LCA中可以服务的关键目的，将技术与LCA阶段或问题领域相匹配，并评估了当前应用的优势和劣势。具体来说，它提出了问题：“在LCA中利用数据科学技术的关键机会是什么，以及实施这些技术的最合适方式是什么？”。该综述支持分析LCA过程、解决LCA中数据相关问题或通过实施数据科学技术增强LCA研究的研究人员。

2. 方法

首选报告项目用于系统综述和Meta分析（PRISMA）方法被用来识别和处理相关文献以回答研究问题。同行评审的期刊文章是从Clarivate Web of Science（WoS）核心合集中通过结合使用“生命周期评估”与不同关键词组来识别的：“数据科学”、“大数据”、“机器学习”和“区域化”。文章搜索使用了三个独立的关键词组，其结果随后被合并。关键词组合搜索组增加了特异性，从更一般的LCA和数据科学术语开始，随后包含术语“区域化”，最后是包含术语“农业”的搜索。采用这种细化方法的主要理由是因为LCA中空间/时间可变性问题，这些问题在农业研究中尤其普遍，数据科学技术可能为此提供潜在的解决方案。在数据库/搜索接受的情况下使用了布尔运算符（AND, OR）。结果按年份（2000–2024）限制，以确保包含反映现代LCA实践和数据科学发展成果的研究。LCA方法论自2000年代初以来已显著发展，包括方法的标准化（即ISO 14044）以及相关数据库和数据科学应用的出现。此外，公认的数据科学学科在21世纪初开始获得关注，使得这一时期对于分析数据科学与LCA的交叉点更为相关。2000年之前的研究被排除，因为它们可能不符合当前的方法框架或反映整合数据科学与LCA的当代挑战和能力。如果出版物语言不是英语，或者无法通过机构方式获取全文，则排除搜索结果。此外，会议论文集、社论材料、勘误和对文章的评论不予考虑。根据描述的资格标准寻求记录进行检索并评估其纳入/排除。

为了进行彻底的文献综述，建议咨询多个搜索引擎。因此，使用与初始文献搜索相同的关键词和纳入/排除标准，在Google Scholar（GS）上进行了补充文献搜索。先前的研究发现，GS搜索结果在前200-300个结果之后可能变得不可靠。因此，每个关键词组合仅筛选了GS的前200个结果，总共600个结果。

本综述的一个重要标准是排除任何涉及数据包络分析（DEA）的LCA研究，因为它在搜索结果中频繁出现但与主题无关。DEA是一种广泛采用的方法，通常与LCA结合用于基准相对效率并识别最有效的生产模式。就本综述而言，如果所讨论的研究应用或回顾了高级数据科学分析方法（监督/无监督ML、自然语言处理、情感分析、神经网络或深度学习）来解决LCA中的数据相关问题或“大数据”概念（数据结构、管理），则承认其数据科学相关性。LCA相关性被确定为任何进行或回顾LCA的研究，包括仅关注某些环境影响的研究，例如碳足迹研究。如果研究摘要和/或全文似乎与LCA和数据科学概念都无关，则将该文章从待审阅文献中移除。对关键词搜索结果应用排除标准后，从搜索结果中总共选出33篇文章进行详细审阅。

记录了每篇出版物的一般信息：标题；作者；期刊；出版年份；国家；文章类型（科学文章或综述）。通过审阅每篇出版物的方法、结果和讨论部分，提取了相关信息。在适用/可用的情况下，从已识别的文献中提取了以下具体信息以回答研究问题：LCA主题（产品系统）；解决的数据问题及提出的解决方案；数据科学技术在研究中产生的结果。为了回答研究问题“在LCA中利用数据科学技术的关键机会是什么，以及实施这些技术的最合适方式是什么？”，阅读每篇文章并根据其解决的数据问题以及研究中建议的数据科学解决方案类型进行分类。记录了每项研究结果的摘要，重点介绍了基于报告评估分数（如AIC、R²等，特别是在ML相关研究中）表现最佳的技术或模型。文献中的总体主题和趋势在本文的后续部分进行了描述和考量。

主要WoS搜索检索到的研究初始总数为368篇。去除重复项并筛选标题和摘要后，剩下95篇研究进行评估，其中30篇被纳入本综述。从主要文献搜索中筛选掉不相关结果和重复项后，次要GS搜索产生了3篇额外研究。因此，总共选择了33篇发表于2000年至2024年间的研究进行详细审阅。这些研究中许多未指定或与特定国家相关（n = 22），但指定了国家的研究分布如下：n = 5（美国），n = 3（伊朗），n = 1（法国、中国、韩国）。在33篇研究中，大多数是LCA研究（n = 27），其余是综述文章（n = 3）、概念框架/方法文章（n = 2）和一本书的章节（n = 1）。研究中调查的主题（产品或系统）差异很大；许多被审阅的文献并未聚焦于特定的产品系统/部门，尽管相当一部分研究确实聚焦于农业。

3. 结果与讨论

3.1. 概述

对每篇文章内容的分类显示了文献中主题的划分，涵盖三个主要领域以及几个不太常见的主题。数据收集和传输相关的研究被置于中心位置，这反映了其在实现数据科学其他应用方面的作用。最常遇到的数据相关关注领域是预测LCA结果（n = 13），其次是围绕数据收集/传输的问题（n = 6）。最常提出的数据科学解决方案是ML（n = 19）和数据架构工具（n = 4）。文献结果中每个数据关注点/解决方案分组的详细考量将在本节进一步讨论。此外，观察到数据收集和ML研究通常是以应用案例研究文章的形式出现，而理论框架文章则更多地与LCA中的区域化和大数据问题相关。按类别分组的所有33篇综述文章的表格可在补充信息中找到。

3.2. 数据收集与传输

被审阅文献中经常遇到的一个主题是关于使用数据科学技术来补救LCA中数据收集和传输方面的问题。持续存在的数据挑战阻碍了LCA过程，这些问题通常源于数据缺失或质量差、格式不一致、缺乏互操作性以及难以整合来自不同来源的数据。这些数据缺口源于LCA的跨学科性质，其中术语、数据结构和系统边界在不同领域可能差异很大。尽管收集和整理LCA数据是一项重大挑战，但更根本的障碍是缺乏统一的、可互操作的数据格式。没有互操作性，即使是精心整理的数据集也无法在ML应用中被有效使用或扩展。不完整或低质量的数据集限制了LCA结果的范围和可靠性。不一致的命名法是一个常见问题，例如同一化学化合物在不同领域有不同的名称。不兼容的数据格式和数据库结构使得数据传输和集成劳动密集且容易出错。当需要为单元过程或特征化模型整合非LCA数据时也存在障碍。传统的LCA软件依赖于关系数据库，这些数据库通常很僵化，不易适应新的或跨学科的数据源。即使数据格式看起来兼容，命名法缺乏共识也会阻止完全互操作性，增加错误或重复的风险。这些挑战共同影响了LCA研究的可靠性和效率，促使开发新的数据科学方法来应对它们。

为了解决这些问题，文献探索了多种数据科学方法。某些数据架构工具、本体论和语义框架被提出来克服LCA中的数据不可操作性和集成挑战。本体论是一种正式的数据结构，它定义了概念及其关系，通常使用资源描述框架（RDF），该框架将信息组织为主语-谓语-宾语“三元组”。RDF和类似的本体论方法不同于传统的关系数据库，它们支持更灵活、透明和可扩展的数据模型。它们有助于数据交换，允许轻松集成新的或外部（非LCA）数据，并支持跨不同来源的可追溯性和互操作性。此外，可以添加新的RDF“三元组”并进行注释，使得新数据可以轻松集成到模型中，同时保持可追溯性并使数据架构透明；它进一步支持非LCA数据在LCA建模中的集成。

RDF方法被几篇被审阅文献所使用。Ingwersen等人旨在开发一种使用RDF数据结构的LCA协调工具，以自动化方式提高化学品数据的互操作性。Bhat等人也将RDF数据结构方法应用于路面LCA研究，而Mittal等人使用Web本体语言（OWL）来增强化学数据结构和集成。发现RDF和OWL方法在新技术可用时都是可维护和可扩展的。Kuczenski等人提出了一个语义目录接口，使LCA研究人员能够查询和检索来自多个提供商的数据，改善了超越独立数据库的访问和解释。这些方法使LCA挑战（如不兼容性和命名法）与结果（如改进的数据集成和可用性）之间的联系在文献中变得明确。

额外的数据科学方法已被提出用于特定的LCA数据缺口。当处理复杂的产品系统时，准确量化并跟踪所有相关输入和输出可能变得具有挑战性，特别是如果地理分散在系统中普遍存在。Zhang等人提出的基于区块链的LCA等区块链框架，将区块链技术与大数据分析和物联网相结合，以改善复杂或地理分散产品系统中的可追溯性、数据收集和传播。虽然仍是概念性的，但此类方法为加强数据可靠性和透明度指明了有希望的方向。另一方面，数据挖掘技术有助于自动化和标准化清单数据映射。Sundaravaradan等人证明，聚类和回归方法，包括k近邻和非负最小二乘，可以将包含不同术语和命名约定的产品物料清单转换为标准的LCA数据库术语，减少了人工工作量并提高了 consistency。手动将新产品的组件映射到LCA数据库中已发布的等效物是当前的做法，但这非常耗时且成本高昂。总之，这些数据科学方法直接针对LCA挑战，瞄准特定缺口：用于互操作性和命名法的本体论和语义工具，用于可追溯性和数据完整性的区块链，以及用于自动化数据翻译的数据挖掘。迄今为止的文献表明这些方法是有效的，尽管它们的成功通常取决于结构良好的输入数据的可用性以及跨学科的持续合作。

3.3. 机器学习应用

ML是一种先进的分析和统计方法，用于研究各种问题和场景的数据并进行推断。它是人工智能（AI）的一个子集，采用算法从数据中学习，识别趋势并以最少的人工干预做出决策。三种主要类型是：监督学习、无监督学习和强化学习。监督ML涉及从标记数据中建模，其中输入（自变量）和输出（因变量或标签）都是已知的。这种基于标签的训练是区别于其他方法的关键特征。无监督ML用于在没有事先指定因变量或标签的情况下检测数据中有意义的模式。最后，强化ML用于在给定一组约束/奖励的情况下产生优化的计划。

超过一半的被审阅研究使用了ML。ML在文献结果中的主导地位反映了全球的ML趋势，以及它最近在LCA综述中频繁成为关注主题。大多数应用了监督（n = 11）或无监督ML（n = 3），主要应用于三个领域：预测LCA结果、支持决策制定和其他应用。

被审阅文献中最常见的ML用途是预测LCA结果，包括估计特征化因子、LCI数据和生成单元过程数据。应用ML预测LCA结果的方法用于所谓的“替代LCA”，通常在数据缺乏时针对新产品或系统进行。预测LCA结果或其他LCA相关信息的研究使用了各种ML模型，从线性回归到高度复杂的神经网络。某些算法/模型选择往往比其他表现更好。这是基于同一研究中使用的多个模型的比较观察到的。极端梯度提升（XGBoost）、随机森林（RF）和人工神经网络（ANN）是在准确性和预测能力方面最成功的三种模型，其次是梯度提升回归树（GBRT）算法。此外，XGBoost和RF被引用为具有快速计算时间，同时能够轻松处理大量高维、非线性数据。总体而言，结果还表明过于简单的模型表现不佳，例如线性模型和贝叶斯回归。

RF和XGBoost是两种强大的ML算法，用于分类和回归分析。它们都是集成技术，意味着它们通过聚合决策树预测来运作。RF依赖于许多决策树的袋装（bootstrap聚合），这些决策树是使用bootstrap抽样（从训练数据集中有放回地抽取样本）单独创建的，以产生高度准确和可靠的预测。另一方面，XGBoost依赖于提升，一次开发一个决策树，然后聚合结果。每棵树都在前一棵的基础上改进，从而逐步提高整体模型预测。尽管这两种ML算法之间存在关键差异，但它们基于相同的基本原理。ANN是另一种常用于预测目的的强大ML算法。其结构模仿人脑神经元网络，数据通过由边连接的节点层流动。ANN模型在处理大型、非结构化数据集时表现特别好。

除了预测之外，文献中的ML技术还用于决策支持。Prioux等人利用无监督学习作为初步的决策支持技术。使用多维缩放（一种可视化数据集内相似度水平的方法）和聚类方法来帮助选择过程和/或生物质来源，并将不同的环境影响特征化为簇，以帮助分析、解释和后续的决策制定步骤。ML的另一个用途是通过从APSIM（农业生产系统模拟器）模型获取训练数据集，重现更大区域的输出，并随后将其用于温室气体和气候变化模型，来补充农业模拟程序的输出。该研究报告XGBoost是模拟APSIM输出的最佳算法。

ML的其他应用包括不确定性评估。Chen等人探索了法国鳟鱼养殖的一个利基水产养殖系统，该系统可用于支持LCA建模的农场数据极其有限。这促使研究人员使用PCA和非参数bootstrap进行不确定性评估，以检测三种类型农场LCA结果之间的统计学显著差异。使用非参数bootstrap和95%置信区间来更好地估计比较统计值的不确定性。作者发现，bootstrapped PCA是一种适当的方法，可以在考虑高度不确定性的同时评估LCA结果之间的差异。本节包括的其他研究是综述文章和一本书的章节，其结论证实了本节总结的发现。Ghoroghi等人发现，在建筑/建造系统LCA研究的背景下，ANN是最常用的方法，并且由于数据缺失/不完整，ML技术主要用于LCI阶段的预测目的。Romeiko等人讨论了ML在LCA中的应用，发现大多数使用ML的LCA研究是为了回归目的以预测LCA值，即替代LCA。作者反思了在LCA中使用ML如何由于所选训练数据集的不确定性和各种模型选择（即算法和训练/验证程序）相关的不确定性，而增加了现有LCA模型结构的不确定性。两项研究都注意到ML和LCA都需要大量数据进行适当的模型开发，因此数据缺乏成为ML在LCA中应用的主要限制。尽管引入ML会给现有的LCA程序带来额外的不确定性，但在估计ML相关不确定性方面已经取得了进展。Baehr等人最近的概念验证工作展示了一种多方面的方通过使用ANN预测生命周期环境影响，并使用残差高斯过程回归（GPR）进行详细的不确定性和敏感性分析表征，最终形成了一个能够量化模型不确定性的混合ANN-残差GPR模型。他们发现他们的方法能够以低模型不确定性合理预测广泛类别的影响。Nemani等人对ML应用不确定性状况的全面评估发现，GPR是分析不确定性最强大的方法之一，并且现在正被应用于LCA研究。

这本书的章节详细解释和评估了当前最常用于估计LCA参数的ML技术，以及ML除了替代LCA之外的其他可能用途，例如清理LCI数据、估计单元过程的流数据、提高确定影响特征化因子的数据质量和数量以及生成清单数据。作者开发了一个可能的ML在LCA中实施的概念框架，显示了根据LCA阶段分组的监督、无监督和强化ML的应用，ML已经并且可能在不久的将来应用，考虑其在LCA之外类似领域的应用。为每个应用指定的ML类型是基于与应用程序相关的预期数据集或目标的一般建议。在审阅的文献中，仅发现监督和无监督ML技术被应用于解决LCA学科内的数据相关问题，而没有发现/评估进行LCA强化学习的研究——这与Algren等人的发现一致。然而，存在讨论ML在生命周期优化背景下应用的综述和研究，表明强化学习和其他类型的ML比本文献综述所捕获的更常用于此主题。

3.4. 使用区域化和动态LCA表示时空变异性

被审阅文献中另一个反复出现的主题是LCA中的时空数据问题。在LCA中考虑区域特定数据和空间差异被称为区域化（或区域化LCA）。其目的是提高LCA结果的准确性并减少不确定性。类似地，动态LCA指的是在LCA中考虑时间变化的数据，例如变化的特征化因子或技术进步、季节性或其他与系统相关的时间趋势。然而，动态LCA不仅限于使用时间变化的数据集；它越来越多地涉及实时数据流的集成，例如来自工厂、嵌入式传感器或工业物联网设备的数据。这使得能够进行近实时的影响计算，并且随着新数据的到达，LCA模型可以持续适应，反映实际运行条件。使用静态LCA可能不足以表征系统是LCA研究界中已知的问题。

Bos等人为将土地利用影响整合到LCA中考虑了一个区域化建模的概念框架。他们基于他们先前的方法（LANCA）使用GIS中的空间数据开发了一个计算区域化特征化因子的理论模型和框架。他们发现，与使用国家特定特征化因子相比，他们使用基于区域GIS的土地利用特征化因子的方法在正确表示土地和土壤的空间变异性方面更准确。另一项专注于农业系统中磷排放影响空间变异性的研究采用了类似的方法，结合并构建现有模型以生成一个在LCA中具有更适当空间分辨率的框架。该研究结合了USLE土壤流失模型（预测由径流引起的平均长期土壤流失）和SALCA模型（预测从土壤初始磷含量以及矿物和有机肥料施用到水体的磷排放）。研究发现，Ecoinvent数据库中的数据低估了磷排放高达一个数量级，进一步强调了在LCA数据库中表示区域变异性的必要性。另一项被审阅的研究提出了一种逐步的数据收集策略方法，供LCA研究人员和LCA数据库开发人员使用，该方法利用全局敏感性分析。所提出的方法分析并优先考虑了区域数据收集工作最好集中的领域，这些领域具有减少LCA结果不确定性的最大潜力。作者证明了他们的方法论框架在计算上是合理的，并准备好与开发人员合作集成到当前LCA软件的标准实践方法中。

Dai等人提出了一种使用多级建模（MLM）的新方法，以支持编译一个保留变异性的LCI数据库，该数据库包含与数据相关联的地理和时间特征。MLM支持在保留原始数据中发现的所有变异性的同时，估计缺失数据并预测未来数据。这种方法建立了一个模型，为进行LCA提供及时和区域特定的估计。与本节先前讨论的文献结果类似，作者发现使用MLM产生的估计比国家层面汇总的估计更准确和具有代表性。MLM还与其它类型的模型如普通最小二乘法（OLS）和多元线性回归（MLR）进行了比较。在这两种情况下，MLM都被认为更合适，主要是因为处理时空数据时，OLS和MLR所需的独立观测数据假设被违反。

Bhinge等人在他们开发数据密集型动态LCA框架的方法中讨论了时间变异性。研究人员在他们的LCA方法中结合了几个时间相关的方面：一个概率S曲线来模拟技术随时间推移的性能（技术演进曲线）和一个劣化曲线（价值随时间下降和可回收性随时间变化）。将两条曲线结合并随后用于LCA模型。这项研究的结果表明，使用不考虑产品/系统时间变异性的传统LCA方法计算出的环境影响比考虑时间变异性时低42%到47%。

上述研究展示了数据科学的元素，因为它们利用模型和工具来可视化和集成大数据和预测模型作为其提出的框架和方法论方法的基础。处理时空数据通常涉及具有数据内部相关性元素的大型数据集，要么是时间自相关，要么是由于局部变异性和空间关系而产生的空间相关。考虑到GIS与LCA集成的创新尤其值得注意；需要付出巨大努力将空间考虑纳入使用GIS，以将LCA从简单的定量分析推进到领土分析。这类问题需要创造性的方法，也许它们乍一看并不像数据科学的一个明显分支（例如与专注于ML的研究相比）。然而，它们绝对是本综述中考虑LCA研究中数据相关问题的一个重要类别。LCA中许多已识别的问题源于系统内的时空变异性、缺乏高粒度数据以及许多常用LCA软件平台中可用于处理这些问题的资源短缺。

3.5. 大数据与LCA集成的概念框架

被审阅文献还包括两篇讨论在LCA中应用大数据的理论模型/概念框架以及数据存储/工程的文章。“大数据”一词被定义为可用且以快速增长速度扩展的多样化数字信息，产生大量使用传统数据处理工具难以管理的数据。大数据的存在源于信息的丰富性，来自传感器、仪器、互联网交易、电子邮件、在线点击以及许多其他方式。LCA背景下的大数据不仅限于静态或定期更新的数据集，还涉及可以直接馈入动态LCA模型的实时数据流。例如，嵌入制造设备或供应链中的传感器可以提供关于能源使用、排放、生产速率等的连续数据，这些数据随后被集成到LCA中以产生动态影响评估。这种实时集成使LCA能够从一个回顾性工具转变为一个用于持续、最新环境管理和决策的平台。

大数据需要能够处理如此大量信息的技术和技术，包括存储/管理（Hadoop, Spark等）、数据库（NoSQL, MongoDB等）、分析和数据挖掘方法（ML, 深度学习算法, 可视化）。Cooper等人撰写的一篇短专栏式文章谈到了大数据在LCA中的整合。作者阐述了他们认为数据补充在LCA中将永远是必要的，因为新产品和技术的出现，这与其他人持有的观点相似。Cooper等人开发了一个将大数据分析整合到LCA中的整体概念框架，有趣的是，它涉及了本综述中讨论的几个方面，包括用于互操作性的语义网工具和数据库以及区域化。作者提出的一个引人入胜的观点是关于他们如何看待开放获取的LCA存储库作为LCA数据收集的众包工具，这提供了巨大的效用，但也带来了数据集成、互操作性和协调的新挑战。Li等人进行的一项文献综述研究了当前关于将大数据与LCA耦合的研究状况，并提出了一个概念框架（Universal BigLCA）作为未来的方向来实现这一目标。BigLCA框架的目标是提升传统的LCA方法论，整合大数据技术以实现多维链接和时空变化，以便在ISO合规LCA的每个阶段（目标和范围、LCI、LCIA和解释）都包含大数据集成。

LCA整合了来自许多来源的大量数据，可能使数据收集成为一项相当困难的任务。此外