Brightway替换LCA特征因子遇InconsistentGlobalIndex错误求助

问题场景 #

尝试通过datapackage指定新值修改LCA特征因子（C矩阵），执行代码时触发错误：

import bw2data as bd
import bw_processing as bwp
import numpy as np
import bw2calc as bc

mobility_db = bd.Database('Mobility example')
combustion_car_driving = mobility_db.get(name='Driving an combustion car')
co2 = mobility_db.get(name='CO2')

# create datapackage with alternative values for the GWP of CO2
indices_array = np.array([(co2.id,co2.id)],dtype=bwp.INDICES_DTYPE)
values_array = np.array([[10,12]])
dp_c = bwp.create_datapackage()
dp_c.add_dynamic_array(
    matrix='characterization_matrix',
    indices_array=indices_array,
    interface=values_array,
)

fu, data_objs , _ = bd.prepare_lca_inputs({combustion_car_driving:1},
                                          method=('IPCC','simple'))
lca = bc.LCA(demand=fu,
       method=('IPCC','simple'),
       data_objs=data_objs+[dp_c],
       use_arrays=True)
lca.lci()
lca.lcia()

触发错误 #

InconsistentGlobalIndex错误：Multiple global index values found: [1, None]. If multiple LCIA datapackages are present, they must use the same value for GLO, the global location, in order for filtering for site-generic LCIA to work correctly

手动添加bd.method.geomapping[bd.method.config.global_location]作为global_index后计算可继续，但next(lca)结果始终不变。

问题分析与解决 #

1. InconsistentGlobalIndex错误修复 #

当同时加载原LCIA方法的datapackage和自定义datapackage时，两者必须共享相同的global_index（全局位置GLO的索引值），否则会触发位置过滤一致性校验。

修复方式：创建自定义datapackage时，显式指定与原方法一致的global_index值，直接通过bd.method.geomapping[bd.method.config.global_location]获取即可。

2. 结果不更新的核心原因 #

你的indices_array结构错误：characterization_matrix（C矩阵）的索引格式应为(生物流ID, LCIA方法类别ID)，而非(生物流ID, 生物流ID)。原方法的特征因子绑定到特定方法类别，错误索引会导致自定义值无法匹配正确计算维度，自然不会影响结果。

修正后的完整代码 #

import bw2data as bd
import bw_processing as bwp
import numpy as np
import bw2calc as bc

# 加载基础对象
mobility_db = bd.Database('Mobility example')
combustion_car_driving = mobility_db.get(name='Driving an combustion car')
co2 = mobility_db.get(name='CO2')
method_key = ('IPCC', 'simple')

# 获取LCIA方法关键参数
method = bd.Method(method_key)
_, method_data = method.load()
# 获取方法对应的类别ID（单类别方法取第一个因子的类别ID即可）
category_id = bd.MethodCategory(method_data[0][1]).id
# 获取全局位置索引
global_index = bd.method.geomapping[bd.method.config.global_location]

# 创建正确的自定义datapackage
indices_array = np.array([(co2.id, category_id)], dtype=bwp.INDICES_DTYPE)
values_array = np.array([[10, 12]])

dp_c = bwp.create_datapackage(global_index=global_index)
dp_c.add_dynamic_array(
    matrix='characterization_matrix',
    indices_array=indices_array,
    interface=values_array,
    # 设置kind='replace'替换原特征因子，默认kind='add'为叠加值
    kind='replace'
)

# 执行LCA计算
fu, data_objs, _ = bd.prepare_lca_inputs({combustion_car_driving: 1}, method=method_key)
lca = bc.LCA(
    demand=fu,
    method=method_key,
    data_objs=data_objs + [dp_c],
    use_arrays=True
)
lca.lci()
lca.lcia()

# 查看结果
print("LCIA Score:", lca.score)
# 动态参数场景下迭代查看结果
for score in lca:
    print("Dynamic Score:", score)

关键修正点 #

• 全局索引一致性：创建datapackage时通过global_index参数指定与原方法一致的全局位置索引，避免校验错误。
• 索引结构正确：将indices_array的第二个元素改为LCIA方法的类别ID，确保自定义特征因子匹配正确计算维度。
• 值的替换/叠加：通过kind='replace'设置自定义值完全替换原特征因子，默认kind='add'会计算原因子与自定义值的总和。

内容的提问来源于stack exchange，提问作者mfastudillo