CN110162872B - 一种融合样地数据与森林资源清查数据的生物量估算方法 - Google Patents
一种融合样地数据与森林资源清查数据的生物量估算方法 Download PDFInfo
- Publication number
- CN110162872B CN110162872B CN201910411776.5A CN201910411776A CN110162872B CN 110162872 B CN110162872 B CN 110162872B CN 201910411776 A CN201910411776 A CN 201910411776A CN 110162872 B CN110162872 B CN 110162872B
- Authority
- CN
- China
- Prior art keywords
- forest
- biomass
- data
- regional
- sample plot
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 239000002028 Biomass Substances 0.000 title claims abstract description 70
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000007637 random forest analysis Methods 0.000 claims abstract description 16
- 238000012896 Statistical algorithm Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims abstract description 5
- 210000000038 chest Anatomy 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 4
- 210000000481 breast Anatomy 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000010801 machine learning Methods 0.000 abstract description 3
- 244000166124 Eucalyptus globulus Species 0.000 description 9
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 5
- 229910052799 carbon Inorganic materials 0.000 description 5
- 238000007726 management method Methods 0.000 description 4
- 238000013507 mapping Methods 0.000 description 4
- 239000002023 wood Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/84—Greenhouse gas [GHG] management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mining & Mineral Resources (AREA)
- Health & Medical Sciences (AREA)
- Geometry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Agronomy & Crop Science (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于森林管理技术领域，涉及一种森林生物量的估算技术。利用实测样地数据设计一种针对大面积森林资源清查数据的生物量估算技术。该技术主要由数据准备、样地数据训练随机森林模型、随机森林模型预测小班生物量和最优无偏线性估计小班生物量四个阶段构成。本发明考虑了空间异质性与相关性以及数据驱动的建模方式，将能够表征空间异质性与相关性的空间统计算法与数据驱动的高精度机器学习算法进行结合，为区域的森林生物量估算提供了一种有效高精度的估算模型。
Description
技术领域
本发明属于森林管理技术领域，涉及一种森林资源清查数据生物量的估算技术，尤其是涉及一种针对大面积亚热带森林资源清查数据生物量的估算技术。基于随机森林和最优无偏线性估计算法发明一种融合样地数据与森林资源清查数据的估算模型。
背景技术
森林生物量固定了陆地植被碳储量的80-90％，其不仅是陆地生态系统碳收支评估中的重要指标，也是研究诸多林业和生态问题(如物质循环、能量流动等)的基础。生物量精确估计可为可持续森林经营管理决策(例如森林砍伐、森林退化、温室气体排放等)提供精确的科学依据。结合遥感、异速方程模型、样地网络等技术，在大尺度上已开展了大量的森林生物量估计与制图。特别是价格昂贵的激光雷达数据与地面样地实测数据和模型(包括生态过程模型和经验拟合方程)的结合显著提高了生物量制图的精度，并在碳源汇的定量评估中取得了显著成果。然而，由于很多研究在大面积生物量估算的过程中采用不同的估算方法和数据来源，局部区域空间分布的差异在更大空间尺度范围内相互抵消。虽然大尺度生物量制图在总体估算结果上大致相同，但是在局部区域制图的空间分布上却存在巨大差异。因此，确定能够最大限度地利用现有信息并优化整合多源数据以改善区域尺度生物量评估的策略变得越来越重要。迫切需要探寻低成本、高精度和切实可行的大尺度生物量估算方法，作为评估差异的判定标准。
我国从1973年开始进行全国森林资源清查，利用森林资源清查数据计算森林碳储量的方法目前主要包括平均碳储量法、生物量转换因子法(Biomass expansion factor，BEF)以及生物量转换因子连续函数法。这些都是通过测量样地数据结合森林资源清查数据大范围估计森林生物量的经典方法，并且取得了很多卓有成效的研究。然而这种关系在利用森林资源清查资料计算大尺度森林生物量时存在数学推理问题，无法实现样地尺度到区域尺度推算转换。
综上，开发一种融合样地数据与森林资源清查数据的估算模型十分必要。
发明内容
发明目的：使用机器学习和空间插值方法将有偏的样地数据与全面的森林资源清查数据融合，达到使用较小投入成本达到更高森林生物量估算精度的目的。
为达到上述目的，本发明采用以下技术方案：
一种基于随机森林和最优无偏线性估计算法融合样地数据与森林资源清查数据的估算模型，其特征在于，包括以下步骤：
步骤1，准备样地实测生物量数据及自变量(平均树高、平均胸径、中心经度、平均林龄)数据。首先，根据实际情况选定一定数量的样地(超过30个)，通过对样地做标准木、每木调查获取对应样地的实测生物量、平均树高、平均胸径、中心经度和平均林龄。同时准备好区域的森林资源清查数据(包括：林班平均树高、平均胸径、中心经度、林龄)。
步骤2，使用样地数据训练随机森林模型。将生物量作为因变量Y，自变量为X，利用样地数据输入随机森林模型，可以对参数做一些简单优化以取得更优的结果。
步骤3，使用步骤2得到的随机森林模型拟合森林资源清查数据中每个小班上的初始生物量。将森林资源清查数据中对应的自变量输入随机森林模型，得到区域生物量初始估算结果。
步骤4，使用步骤3得到的区域生物量初始估算结果与样地实测生物量数据，使用一种纠正样地位置有偏的空间统计算法构建最优无偏线性估计方程，这里采用的空间统计算法为P-BSHADE(Point estimation model of Biased Sentinel Hospital-based AreaDisease Estimation)算法，通过求解该方程实现区域森林资源清查数据与样地实测数据的数据融合估计每个小班上的最终生物量。具体估计方法如下：
式中，wij是第i个样地的总生物量对于第j个需要估算森林小班总生物量的权重(贡献)，权重是通过使用yi,yj *计算得到的，yi是第i个样地总生物量。yj *是第j个森林小班使用随机森林模型初始估计的总生物量，yj是第j个森林小班使用基于随机森林-P-BSHADE模型估计的总生物量。wij通过求解如下的方程得到。
其中bij是第i个样地的生物量与第j个森林小班初始估计生物量的比值，计算公式如下：
在求解出w后，带入公式(1)计算得到每个小班生物量。
本发明的有益效果如下：
本发明针对样地实测数据和森林资源清查数据提出了一种高精度的数据融合方法，实现多源数据融合下的森林生物量高精度估计。本发明提出的模型考虑了空间异质性与相关性以及数据驱动的建模方式，将能够表征空间异质性与相关性的空间统计算法与数据驱动的高精度机器学习算法进行结合，为区域森林生物量估算提供了一种有效高精度的模型。从结果证明二者的结合能够有效克服相互的缺点，从而获得更高精度的区域森林生物量估计。
附图说明
图1是本发明方法的流程图；
图2是试验区和样地分布图；
图3是一种基于随机森林和P-BSHADE算法估算生物量估计值与异速生长模型生物量估计值的对比散点图(虚线为1：1线)；
具体实施方式
以下实施例进一步说明本发明的内容，但不应理解为对本发明的限制。
实施例1：南靖县桉树人工林生物量估算
步骤1，数据准备，样地实测数据选择永丰林场进行采样，全面踏查1到7年的桉树林，每个年龄的桉树林均选择3个具有代表性的样地。选择好样地后，用木桩划定20×20m(400m2)样方，设置30个样方。对每个样方进行每木检尺，按照径级记录株数，计算该样方桉树的平均胸径和树高，并以此为依据选择3棵标准木进行破坏性测定，共计90棵标准木。通过烘干处理计算出90棵标准木的生物量。将上述90棵解析木构建的异速生长模型代入计算每棵桉树的森林生物量，然后统计到30个样地上(图2)。森林资源二类调查是以国有林场、自然保护区、森林公园等森林经营单位或县级行政区域为调查单位，以满足森林经营方案、总体设计、林业区划与规划设计需要而进行的森林资源调查。基于2009年的南靖县森林资源清查数据提取桉树的人工林林班。
步骤2，将30个样地测得的生物量数据作为Y，对应的平均树高、平均胸径、中心经度、平均林龄作为X，全部作为训练样本，训练随机森林模型。
步骤3，使用步骤2得到的随机森林模型，输入森林资源二类调查数据中每个桉树人工林林班的平均树高、平均胸径、中心经度、平均林龄，通过模型预测得到每个桉树人工林林班的初始生物量估计值，得到区域森林生物量初始估算结果。
步骤4，将30个样地作为yi，将区域森林生物量初始估算结果作为yj *，构建P-BSHADE方程求解，然后带入公式(1)求解出每个桉树人工林上小班生物量，这里选用异速生长模型的数据作为参考数据，检验模型精度(图3)，该方法具有超过0.9以上的R2，相关系数超过0.85，整体散点分布也是沿对角线分布，说明该模型在区域生物量估计上具有较高精度。
Claims (1)
1.一种融合样地数据与森林资源清查数据的生物量估算方法，其特征在于，包括以下步骤：
步骤1，数据准备，包括准备区域人工林的样地实测生物量数据及自变量和区域人工林的森林资源清查数据；其中，所述自变量包括：区域人工林的样地实测得到的平均树高、平均胸径、中心经度、平均林龄；所述区域人工林的森林资源清查数据包括：每个林班的平均树高、平均胸径、中心经度、平均林龄；
步骤2，使用区域人工林的样地实测生物量数据及自变量训练随机森林模型，将区域人工林的样地实测生物量数据作为Y，自变量为X；
步骤3，使用步骤2训练得到的随机森林模型，输入区域人工林的森林资源清查数据中每个林班的平均树高、平均胸径、中心经度、平均林龄，通过模型预测得到区域人工林的每个林班的初始生物量估算值；
步骤4，使用步骤3得到的区域人工林的每个林班的初始生物量估算值与步骤1得到的区域人工林的样地实测生物量数据，使用纠正样地位置有偏的空间统计算法构建最优无偏线性估算方程，所述空间统计算法为P-BSHADE算法，通过求解该方程实现区域人工林的森林资源清查数据与区域人工林的样地实测生物量数据的数据融合，得到区域人工林的更精确的生物量估算结果；
其中，所述步骤4具体通过如下步骤来得到所述区域人工林的更精确的生物量估算结果：
式中，wij是第i个区域人工林的样地的实测生物量数据对于第j个需要估算的区域人工林的林班的生物量的权重，权重是通过使用yi,Xj*计算得到的，yi是第i个区域人工林的样地的实测生物量数据；Xj*是使用随机森林模型预测得到的区域人工林的第j个林班初始生物量估算值，Xj是区域人工林的第j个林班使用公式(1)估算的生物量；具体地，wij通过求解如下的方程得到：
其中bij是第i个区域人工林的样地的实测生物量数据与使用随机森林模型预测得到的区域人工林的第j个林班初始估算生物量估算值的比值，bij的计算公式如下：
在求解出wij后，带入公式(1)计算得到区域人工林的每个林班的估算的生物量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910411776.5A CN110162872B (zh) | 2019-05-17 | 2019-05-17 | 一种融合样地数据与森林资源清查数据的生物量估算方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910411776.5A CN110162872B (zh) | 2019-05-17 | 2019-05-17 | 一种融合样地数据与森林资源清查数据的生物量估算方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110162872A CN110162872A (zh) | 2019-08-23 |
| CN110162872B true CN110162872B (zh) | 2022-11-29 |
Family
ID=67631288
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910411776.5A Active CN110162872B (zh) | 2019-05-17 | 2019-05-17 | 一种融合样地数据与森林资源清查数据的生物量估算方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110162872B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111814397B (zh) * | 2020-07-03 | 2023-03-24 | 中国科学院城市环境研究所 | 结合源解析与机器学习的森林生物量估算方法 |
| US11978227B2 (en) | 2021-08-19 | 2024-05-07 | Forest Carbon Works, PBC | Systems and methods for forest surveying |
| CN114091613B (zh) * | 2021-11-26 | 2023-03-24 | 安徽师范大学 | 一种基于高分联合组网数据的森林生物量估算方法 |
| CN114882361B (zh) * | 2022-05-13 | 2024-05-28 | 东南大学 | 基于多源遥感融合的深度学习估算森林地上生物量方法 |
| CN115358644B (zh) * | 2022-10-21 | 2023-01-31 | 之江实验室 | 一种基于机器学习的县域森林碳汇估算方法和装置 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4219819B2 (ja) * | 2002-02-13 | 2009-02-04 | 株式会社環境総合テクノス | リモートセンシング高解像度データによる森林・樹木のバイオマス推定方法 |
| JP3865764B1 (ja) * | 2006-08-15 | 2007-01-10 | アルスマエヤ株式会社 | 森林資源調査方法および森林資源調査装置 |
| CN108959705B (zh) * | 2018-05-30 | 2023-04-07 | 中国科学院城市环境研究所 | 一种预测亚热带森林生物量的方法 |
| CN109472304B (zh) * | 2018-10-30 | 2021-04-16 | 厦门理工学院 | 基于sar与光学遥感时序数据的树种分类方法、装置和设备 |
-
2019
- 2019-05-17 CN CN201910411776.5A patent/CN110162872B/zh active Active
Non-Patent Citations (3)
| Title |
|---|
| A B-SHADE based best linear unbiased estimation tool for biased samples;Mao-Gui Hu et al;《Environmental Modelling & Software》;20130715;全文 * |
| 大型数据库中多维空间数据智能插值方法仿真;陈虹;《计算机仿真》;20171015(第10期);全文 * |
| 异质时空数据插值方法研究;樊子德;《测绘学报》;20170515(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110162872A (zh) | 2019-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110162872B (zh) | 一种融合样地数据与森林资源清查数据的生物量估算方法 | |
| Estoque et al. | Quantifying landscape pattern and ecosystem service value changes in four rapidly urbanizing hill stations of Southeast Asia | |
| Zhu et al. | Ecosystem carbon storage under different scenarios of land use change in Qihe catchment, China | |
| CN110874454B (zh) | 基于混合概率密度的区域尺度毛竹碳储量精确测算方法 | |
| CN106952170A (zh) | 一种基于随机森林的县域耕地自然质量评价方法 | |
| Kheybari et al. | Corn cultivation location selection for bioethanol production: An application of BWM and extended PROMETHEE II | |
| CN109934514A (zh) | 一种基于云模型的森林土壤肥力人工智能综合评价方法 | |
| CN109214591B (zh) | 一种木本植物地上生物量预测方法及系统 | |
| CN110245882A (zh) | 一种闽楠天然次生林健康评价模型及健康评价方法 | |
| Multazam et al. | Wind farm site selection base on fuzzy analytic hierarchy process method; Case study area Nganjuk | |
| Arseniou et al. | Fractal dimension of tree crowns explains species functional‐trait responses to urban environments at different scales | |
| CN109710889A (zh) | 一种基于树木年轮精确估计森林生产力的取样方法 | |
| CN115718746A (zh) | 基于机器学习的稻田甲烷排放量预测方法 | |
| CN111914488B (zh) | 一种基于对抗神经网络的有资料地区水文参数率定方法 | |
| CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
| Nong et al. | Incorporating competition factors in a mixed-effect model with random effects of site quality for individual tree above-ground biomass growth of Pinus kesiya var. langbianensis | |
| CN115358587A (zh) | 区域多部门协同的基础设施规划方法及系统 | |
| CN107977727A (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
| CN113919215A (zh) | 架空输电线路走廊植被生长分析预警方法 | |
| CN113128871A (zh) | 一种气候变化条件下落叶松分布变化和生产力协同估算方法 | |
| Zhang | The Optimization of spatial art pattern of vegetation landscape in the bay area | |
| AYDINHAN et al. | Use of some multicriteria decision-making methods such as grey relational analysis (GRA), the complex proportional assessment (COPRAS), and weighted aggregated sum product assessment (WASPAS) in selection of some Anatolian pine (Pinus nigra Arnold.) origi | |
| Marra et al. | Radiocarbon estimates of age and growth for a dominant Amazon palm species | |
| Chen et al. | Entropy-based combining prediction of grey time series and its application | |
| Ma et al. | Determining the location of a Swine farming facility based on grey correlation and the TOPSIS method |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |