CN112819365A - 碳汇检测方法、装置及存储介质和电子设备 - Google Patents
碳汇检测方法、装置及存储介质和电子设备 Download PDFInfo
- Publication number
- CN112819365A CN112819365A CN202110201916.3A CN202110201916A CN112819365A CN 112819365 A CN112819365 A CN 112819365A CN 202110201916 A CN202110201916 A CN 202110201916A CN 112819365 A CN112819365 A CN 112819365A
- Authority
- CN
- China
- Prior art keywords
- remote sensing
- carbon sink
- data
- sink
- carbon
- 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.)
- Pending
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 196
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 196
- 238000001514 detection method Methods 0.000 title claims abstract description 85
- 238000012512 characterization method Methods 0.000 claims abstract description 61
- 238000012544 monitoring process Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 49
- 238000010801 machine learning Methods 0.000 claims abstract description 31
- 238000004364 calculation method Methods 0.000 claims abstract description 21
- 238000001556 precipitation Methods 0.000 claims abstract description 15
- 230000005855 radiation Effects 0.000 claims abstract description 15
- 230000002708 enhancing effect Effects 0.000 claims abstract description 13
- 230000004907 flux Effects 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 31
- 238000005070 sampling Methods 0.000 claims description 30
- 238000007637 random forest analysis Methods 0.000 claims description 26
- 238000010606 normalization Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 230000029058 respiratory gaseous exchange Effects 0.000 claims description 7
- 230000009919 sequestration Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 238000002790 cross-validation Methods 0.000 claims description 4
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 229910002092 carbon dioxide Inorganic materials 0.000 description 5
- 239000001569 carbon dioxide Substances 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 238000004177 carbon cycle Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241001464837 Viridiplantae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明实施例提出碳汇检测方法、装置及可读存储介质和电子设备。方法包括：从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；将所述遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到所述目标检测点的碳汇。本发明实施例提高了碳汇检测速度和准确度。
Description
技术领域
本发明涉及遥感及生态学技术领域，尤其涉及碳汇检测方法、装置及存储介质和电子设备。
背景技术
大气圈与陆地生态系统间的水、碳、能量通量密切相关，陆地绿色植物通过光合作用吸收和固定二氧化碳，从而能够降低大气中的二氧化碳的浓度。因此，陆地生态系统碳汇时空分布的定量估计对于评估生态系统对于二氧化碳水平的响应有着至关重要的作用。而且陆地生态系统的碳源汇数值是能够确切反应是排放或者固定二氧化碳的重要指标，是调节二氧化碳含量的重要指示，是了解如何调控气候要素的重要途径。在这种情况下，对于解决全球环境变化的问题，准确地估算生态系统中碳、水等通量，能够提供有关碳和水流通有用的信息，对于分析和诊断过去以及未来的气候变化显得尤为重要。
在全球气候变化和相关气候政策决策的背景下，能够精确地估测与碳相关的参数是加强理解陆地生态系统与大气圈之间碳通量的重要目标。常见的碳汇数值估测方法有：
一、基于涡度相关观测技术的方法：站点尺度的测量覆盖的空间范围较小且分布较为稀疏，用来验证和校准不同模型的参数。
二、基于传统过程模型和经验算法的方法：可对大范围空间进行预测，但过程模型本身具有复杂的模型结构以及临时的地表参数。
发明内容
本发明实施例提出碳汇检测方法、装置及可读存储介质和电子设备，以提高碳汇检测的速度和准确度。
本发明实施例的技术方案是这样实现的：
一种碳汇检测方法，该方法包括：
从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
将所述遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到所述目标检测点的碳汇。
所述碳汇为：生态系统初级生产力总量、生态系统呼吸之一或组合。
所述从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据包括：
根据目标检测点的位置以及设定的检测范围，确定与所述目标检测点的位置和所述检测范围相对应的遥感卫星监测区域，从遥感卫星监测数据云平台上获取所述遥感卫星监测区域的遥感碳汇表征数据。
所述从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据之后、所述将所述碳汇表征数据输入已训练好的机器学习模型进行计算之前，进一步包括：
根据设定的空间分辨率和时间分辨率，对获取的所述遥感碳汇表征数据进行采样，将采样得到的遥感碳汇表征数据作为机器学习模型的输入数据；或/和，
采用归一化算法，对获取的所述遥感碳汇表征数据进行归一化处理。
所述遥感卫星监测数据云平台为：Google地球引擎云平台。
所述机器学习模型为随机森林回归模型；
所述从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据之前，进一步包括：
从遥感卫星监测数据云平台上获取第一时间范围内的全球遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
获取第一时间范围内地面实测的全球各通量站点的碳汇；
根据全球各通量站点的位置，对第一时间范围内的全球遥感碳汇表征数据进行空间采样，得到第一时间范围内全球各通量站点的遥感碳汇表征数据；
根据设定的时间分辨率，对第一时间范围内全球各通量站点的遥感碳汇表征数据以及第一时间范围内地面实测的全球各通量站点的碳汇分别进行时间采样；
将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练，并将模型的输出值与对应通量站点对应时间点的地面实测的碳汇进行比较，以检测所述模型的训练误差；
当所述训练误差满足设定条件时，停止训练，将此时的随机森林回归模型作为所述已训练好的随机森林回归模型。
所述将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练包括：
将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据进行归一化处理后输入随机森林回归模型进行训练；或/和，
在训练过程中，使用十倍交叉验证方法调整所述模型中的树的数量，以使得树的数量达到最佳值。
一种碳汇检测装置，该装置包括：
碳汇表征数据获取模块，用于从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
碳汇计算模块，用于将碳汇表征数据获取模块获取的所述遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到所述目标检测点的碳汇。
一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，所述指令在由处理器执行时使得所述处理器执行如上任一项所述的碳汇检测方法的步骤。
一种电子设备，包括如上所述的非瞬时计算机可读存储介质、以及可访问所述非瞬时计算机可读存储介质的所述处理器。
本发明实施例中，由于遥感碳汇表征数据是直接从遥感卫星监测数据云平台上获取的，因此，保证了碳汇表征数据的准确性，且保证了数据获取速度，将获取的遥感碳汇表征数据输入已训练好的机器学习模型进行计算，从而最终提高了碳汇检测的准确度和速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的碳汇检测方法流程图；
图2为本发明另一实施例提供的碳汇检测方法流程图；
图3为本发明实施例提供的随机森林回归模型训练方法示意图；
图4为本发明实施例提供的碳汇检测装置的结构示意图；
图5为本发明实施例提供的一种电子设备的示例性结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其他步骤或单元。
下面以具体实施例对本发明的技术方案进行详细说明。下面几个具体实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明一实施例提供的碳汇检测方法流程图，其具体步骤如下：
步骤101：从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合。
一可选实施例中，遥感卫星监测数据云平台为：Google Earth Engine(地球引擎)云平台。
步骤102：将获取的遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到目标检测点的碳汇。
上述实施例中，由于遥感碳汇表征数据是直接从遥感卫星监测数据云平台上获取的，因此，保证了碳汇表征数据的准确性，且保证了数据获取速度，将获取的遥感碳汇表征数据输入已训练好的机器学习模型进行计算，从而最终提高了碳汇检测的准确度和速度。
一可选实施例中，碳汇为：生态系统初级生产力总量、生态系统呼吸之一或组合。
步骤101中的“从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据”包括：
根据目标检测点的位置以及设定的检测范围，确定与所述目标检测点的位置和所述检测范围相对应的遥感卫星监测区域，从遥感卫星监测数据云平台上获取所述遥感卫星监测区域的遥感碳汇表征数据。
且，在步骤101中的“从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据”之后、步骤102中的“将所述碳汇表征数据输入已训练好的机器学习模型进行计算”之前，进一步包括：
根据设定的空间分辨率和时间分辨率，对获取的该遥感卫星监测区域的遥感碳汇表征数据进行采样，将采样得到的遥感碳汇表征数据作为机器学习模型的输入数据；或/和，采用归一化算法，对获取的该遥感卫星监测区域的遥感碳汇表征数据进行归一化处理。
其中，对获取的该遥感卫星监测区域的遥感碳汇表征数据进行采样之后可进一步包括：对采样得到的遥感碳汇表征数据取平均值或累加值，此后，将该平均值或累加值作为机器学习模型的输入数据输入到机器学习模型进行计算。
图2为本发明另一实施例提供的碳汇检测方法流程图，其具体步骤如下：
步骤201：根据要进行碳汇检测的目标检测点的位置以及设定的检测范围，确定与目标检测点的位置和检测范围相对应的遥感卫星监测区域。
例如：检测范围可以设定为a*a，a的取值和单位可设定，则将以目标检测点为中心的a*a大小的正方形区域作为与目标检测点的位置和检测范围相对应的遥感卫星监测区域。
步骤202：从遥感卫星监测数据云平台上获取上述遥感卫星监测区域的遥感碳汇表征数据，遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合。
步骤203：根据设定的空间分辨率和时间分辨率，对获取的遥感碳汇表征数据进行采样。
步骤204：采用归一化算法，对采样得到的遥感碳汇表征数据进行归一化处理。
步骤205：对归一化后的遥感碳汇表征数据取平均值或累加值，将该平均值或累加值输入已训练好的机器学习模型进行计算，得到目标检测点的碳汇。
其中，当遥感碳汇表征数据包含多种数据时，如同时包含四种数据：增强植被指数、地表温度、短波辐射值、降水量中的两种、三种或四种时，要分别对每种数据取平均值或累加值，然后将每种数据的平均值或累加值输入到已训练好的机器学习模型进行计算。
一可选实施例中，机器学习模型可为随机森林回归模型。
图3为本发明实施例提供的随机森林回归模型训练方法示意图，其具体步骤如下：
步骤301：从遥感卫星监测数据云平台上获取第一时间范围内的全球遥感碳汇表征数据，遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合。
第一时间范围为预先设定的时间范围。
步骤302：获取第一时间范围内地面实测的全球各通量站点的碳汇。
碳汇为：生态系统初级生产力总量、生态系统呼吸之一或组合。
例如：可获取来自全球212个可用通量站点在第一时间范围内的每半小时总生态系统初级生产力总量数据和生态系统呼吸数据。
步骤303：根据全球各通量站点的位置，对第一时间范围内的全球遥感碳汇表征数据进行空间采样，得到第一时间范围内全球各通量站点的遥感碳汇表征数据。
步骤304：根据设定的时间分辨率，对第一时间范围内全球各通量站点的遥感碳汇表征数据以及第一时间范围内地面实测的全球各通量站点的碳汇分别进行时间采样。
采样过程要保证：同一时间点和同一位置的遥感碳汇表征数据和碳汇在时间和空间上对应。例如：分别以各个通量站点为中心，取各通量站点周围的1×1km(千米)区域的遥感碳汇表征数据，对每种碳汇表征数据(增强植被指数或者地表温度或者短波辐射值或者降水量)，取该种碳汇表征数据在该区域内的平均值或累加值作为空间采样后的该通量站点的该种碳汇表征数据。
碳汇表征数据和碳汇的时间分辨率要一致。例如：可采用8天的时间分辨率，此时，将进行空间采样后的遥感碳汇表征数据每8天采样一次，具体地，对每个通量站点的每种碳汇表征数据，取该种碳汇表征数据在每8天内的平均值或累加值作为时间采样后的该通量站点的该种碳汇表征数据；同时，对每个通量站点的每种碳汇(生态系统初级生产力总量或者生态系统呼吸)，取该种碳汇在每8天内的平均值或累加值作为时间采样后的该通量站点的该种碳汇。
步骤305：采用归一化算法，将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据进行归一化处理。
步骤306：将归一化后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练，并将模型的输出值与对应通量站点对应时间点的地面实测的碳汇进行比较，以检测模型的训练误差。
步骤307：当训练误差满足设定条件时，停止训练，将此时的随机森林回归模型作为已训练好的随机森林回归模型。
在训练过程中，使用十倍交叉验证方法调整所述模型中的树的数量，以使得树的数量达到最佳值。
本发明实施例的有益技术效果如下：
一、通过碳循环多源空间数据准确提取与预处理，提高了碳汇检测的准确度和速度。
从Google Earth Engine云平台上获取各遥感卫星监测站点的增强植被指数、或/和地表温度、或/和短波辐射值、或/和降水量数据，提高了处理遥感图像的速度，根据检测区域的范围和检测时间，确定对应的通量站点，并确定与该通量站点对应的遥感卫星监测站点，从Google Earth Engine云平台上获取确定的遥感卫星监测站点在检测时间内的碳汇表征数据，对获取的碳汇表征数据进行空间和时间采样以及归一化等预处理后，输入机器学习模型，就可得到检测区域在检测时间内的碳汇，形成一套可用于遥感气象数据的程序，极大地提高了处理遥感图像的工作效率。
二、通过机器学习模型提高碳汇检测的准确度。
通过分析机器学习方法在分类与回归中识别的优势，省去传统过程模型固定的应用前提和背景、复杂的输入参数、繁杂的运行过程。结合碳循环数据的特点，提出基于多源遥感数据的机器学习建模方案，使其能够挖掘海量遥感数据和基准数据的特征信息。根据通量数据和遥感数据本身具有海量的特点，调整随机森林回归模型参数，从而使模型结合这些特点，进一步提高建模的准确度；使用遥感气象数据进行训练，并通过模型输出值与通量碳汇数据进行比较来对模型进行优化，得到最佳的随机森林回归模型。
图4为本发明实施例提供的碳汇检测装置的结构示意图，该装置主要包括：
碳汇表征数据获取模块41，用于从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合。
碳汇计算模块42，用于将碳汇表征数据获取模块41获取的遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到目标检测点的碳汇。
一可选实施例中，碳汇计算模块42得到的碳汇为：生态系统初级生产力总量、生态系统呼吸之一或组合。
一可选实施例中，碳汇表征数据获取模块41从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据包括：根据目标检测点的位置以及设定的检测范围，确定与所述目标检测点的位置和所述检测范围相对应的遥感卫星监测区域，从遥感卫星监测数据云平台上获取所述遥感卫星监测区域的遥感碳汇表征数据。
一可选实施例中，碳汇表征数据获取模块41从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据之后进一步包括：根据设定的空间分辨率和时间分辨率，对获取的所述遥感碳汇表征数据进行采样，将采样得到的遥感碳汇表征数据作为机器学习模型的输入数据；或/和，采用归一化算法，对获取的所述遥感碳汇表征数据进行归一化处理。
一可选实施例中，碳汇表征数据获取模块41从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据包括：从Google地球引擎云平台上获取目标检测点的遥感碳汇表征数据。
一可选实施例中，碳汇计算模块42将碳汇表征数据获取模块41获取的遥感碳汇表征数据输入已训练好的机器学习模型进行计算包括：将碳汇表征数据获取模块41获取的遥感碳汇表征数据输入已训练好的随机森林回归模型进行计算。
一可选实施例中，上述装置进一步包括：机器学习模型训练模块43，用于：
从遥感卫星监测数据云平台上获取第一时间范围内的全球遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
获取第一时间范围内地面实测的全球各通量站点的碳汇；
根据全球各通量站点的位置，对第一时间范围内的全球遥感碳汇表征数据进行空间采样，得到第一时间范围内全球各通量站点的遥感碳汇表征数据；
根据设定的时间分辨率，对第一时间范围内全球各通量站点的遥感碳汇表征数据以及第一时间范围内地面实测的全球各通量站点的碳汇分别进行时间采样；
将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练，并将模型的输出值与对应通量站点对应时间点的地面实测的碳汇进行比较，以检测所述模型的训练误差；
当所述训练误差满足设定条件时，停止训练，将此时的随机森林回归模型作为所述已训练好的随机森林回归模型。
一可选实施例中，机器学习模型训练模块43将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练包括：将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据进行归一化处理后输入随机森林回归模型进行训练；或/和，在训练过程中，使用十倍交叉验证方法调整所述模型中的树的数量，以使得树的数量达到最佳值。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储指令，所述指令在由处理器执行时可执行如上所述碳汇检测方法中的步骤。实际应用中，所述的计算机可读介质可以是上述实施例各设备/装置/系统所包含的，也可以是单独存在，而未装配入该设备/装置/系统中。其中，在计算机可读存储介质中存储指令，其存储的指令在由处理器执行时可执行如上碳汇检测方法中的步骤。
根据本申请公开的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质，例如可以包括但不限于：便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件，或者上述的任意合适的组合，但不用于限制本申请保护的范围。在本申请公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
如图5所示，本发明实施例还提供一种电子设备。如图5所示，其示出了本发明实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或一个以上处理核心的处理器51、一个或一个以上计算机可读存储介质的存储器52以及存储在存储器上并可在处理器上运行的计算机程序。在执行所述存储器52的程序时，可以实现上述碳汇检测方法。
具体的，实际应用中，该电子设备还可以包括电源53、输入输出单元54等部件。本领域技术人员可以理解，图5中示出的电子设备的结构并不构成对该电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器51是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器52内的软件程序和/或模块，以及调用存储在存储器52内的数据，执行服务器的各种功能和处理数据，从而对该电子设备进行整体监控。
存储器52可用于存储软件程序以及模块，即上述计算机可读存储介质。处理器51通过运行存储在存储器52的软件程序以及模块，从而执行各种功能应用以及数据处理。存储器52可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据服务器的使用所创建的数据等。此外，存储器52可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器52还可以包括存储器控制器，以提供处理器51对存储器52的访问。
该电子设备还包括给各个部件供电的电源53，可以通过电源管理系统与处理器51逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源53还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入输出单元54，该输入单元输出54可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。该输入单元输出54还可以用于显示由用户输入的信息或提供给用户的信息以及各种图像用户接口，这些图形用户接口可以由图形、文本、图标、视频和其任意组合来构成。
本申请附图中的流程图和框图，示出了按照本申请公开的各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或者代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应该注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同附图中所标准的顺序发生。例如，两个连接地表示的方框实际上可以基本并行地执行，它们有时也可以按照相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或者流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解，本公开的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，即使这样的组合或结合没有明确记载于本申请中。特别地，在不脱离本申请精神和教导的情况下，本申请的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合，所有这些组合和/或结合均落入本申请公开的范围。
Claims (10)
1.一种碳汇检测方法，其特征在于，该方法包括：
从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
将所述遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到所述目标检测点的碳汇。
2.根据权利要求1所述的方法，其特征在于，所述碳汇为：生态系统初级生产力总量、生态系统呼吸之一或组合。
3.根据权利要求1所述的方法，其特征在于，所述从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据包括：
根据目标检测点的位置以及设定的检测范围，确定与所述目标检测点的位置和所述检测范围相对应的遥感卫星监测区域，从遥感卫星监测数据云平台上获取所述遥感卫星监测区域的遥感碳汇表征数据。
4.根据权利要求3所述的方法，其特征在于，所述从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据之后、所述将所述碳汇表征数据输入已训练好的机器学习模型进行计算之前，进一步包括：
根据设定的空间分辨率和时间分辨率，对获取的所述遥感碳汇表征数据进行采样，将采样得到的遥感碳汇表征数据作为机器学习模型的输入数据；或/和，
采用归一化算法，对获取的所述遥感碳汇表征数据进行归一化处理。
5.根据权利要求1所述的方法，其特征在于，所述遥感卫星监测数据云平台为：Google地球引擎云平台。
6.根据权利要求1所述的方法，其特征在于，所述机器学习模型为随机森林回归模型；
所述从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据之前，进一步包括：
从遥感卫星监测数据云平台上获取第一时间范围内的全球遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
获取第一时间范围内地面实测的全球各通量站点的碳汇；
根据全球各通量站点的位置，对第一时间范围内的全球遥感碳汇表征数据进行空间采样，得到第一时间范围内全球各通量站点的遥感碳汇表征数据；
根据设定的时间分辨率，对第一时间范围内全球各通量站点的遥感碳汇表征数据以及第一时间范围内地面实测的全球各通量站点的碳汇分别进行时间采样；
将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练，并将模型的输出值与对应通量站点对应时间点的地面实测的碳汇进行比较，以检测所述模型的训练误差；
当所述训练误差满足设定条件时，停止训练，将此时的随机森林回归模型作为所述已训练好的随机森林回归模型。
7.根据权利要求6所述的方法，其特征在于，所述将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据输入随机森林回归模型进行训练包括：
将时间采样后的第一时间范围内全球各通量站点的遥感碳汇表征数据进行归一化处理后输入随机森林回归模型进行训练；或/和，
在训练过程中，使用十倍交叉验证方法调整所述模型中的树的数量，以使得树的数量达到最佳值。
8.一种碳汇检测装置，其特征在于，该装置包括：
碳汇表征数据获取模块，用于从遥感卫星监测数据云平台上获取目标检测点的遥感碳汇表征数据，所述遥感碳汇表征数据包括：增强植被指数、地表温度、短波辐射值、降水量之一或任意组合；
碳汇计算模块，用于将碳汇表征数据获取模块获取的所述遥感碳汇表征数据输入已训练好的机器学习模型进行计算，得到所述目标检测点的碳汇。
9.一种非瞬时计算机可读存储介质，所述非瞬时计算机可读存储介质存储指令，其特征在于，所述指令在由处理器执行时使得所述处理器执行如权利要求1至7中任一项所述的碳汇检测方法的步骤。
10.一种电子设备，其特征在于，包括如权利要求9所述的非瞬时计算机可读存储介质、以及可访问所述非瞬时计算机可读存储介质的所述处理器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201916.3A CN112819365A (zh) | 2021-02-23 | 2021-02-23 | 碳汇检测方法、装置及存储介质和电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110201916.3A CN112819365A (zh) | 2021-02-23 | 2021-02-23 | 碳汇检测方法、装置及存储介质和电子设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112819365A true CN112819365A (zh) | 2021-05-18 |
Family
ID=75865091
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110201916.3A Pending CN112819365A (zh) | 2021-02-23 | 2021-02-23 | 碳汇检测方法、装置及存储介质和电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112819365A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926100A (zh) * | 2022-07-18 | 2022-08-19 | 中科海慧（北京）科技有限公司 | 一种基于卫星遥感的碳监控模型构建方法及系统 |
| CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2709377A1 (en) * | 2007-12-20 | 2009-07-09 | Imagetree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
| CN102592049A (zh) * | 2011-12-30 | 2012-07-18 | 中国科学院东北地理与农业生态研究所 | 一种区域尺度森林生态系统净碳收支获取方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN108647623A (zh) * | 2018-05-04 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 一种基于资源约束条件的森林潜在碳储量遥感估算方法 |
| CN110263299A (zh) * | 2019-05-31 | 2019-09-20 | 西南大学 | 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法 |
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
| CN111080173A (zh) * | 2019-12-31 | 2020-04-28 | 黑龙江工程学院 | 一种森林系统碳通量的估计方法 |
| CN112347992A (zh) * | 2020-12-01 | 2021-02-09 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
-
2021
- 2021-02-23 CN CN202110201916.3A patent/CN112819365A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA2709377A1 (en) * | 2007-12-20 | 2009-07-09 | Imagetree Corp. | Remote sensing and probabilistic sampling based method for determining the carbon dioxide volume of a forest |
| CN102592049A (zh) * | 2011-12-30 | 2012-07-18 | 中国科学院东北地理与农业生态研究所 | 一种区域尺度森林生态系统净碳收支获取方法 |
| CN106372730A (zh) * | 2016-08-25 | 2017-02-01 | 三亚中科遥感研究所 | 利用机器学习的植被净初级生产力遥感估算方法 |
| CN106446564A (zh) * | 2016-09-29 | 2017-02-22 | 华南农业大学 | 一种植被净初级生产力遥感估算方法 |
| CN108647623A (zh) * | 2018-05-04 | 2018-10-12 | 中国科学院遥感与数字地球研究所 | 一种基于资源约束条件的森林潜在碳储量遥感估算方法 |
| CN110263299A (zh) * | 2019-05-31 | 2019-09-20 | 西南大学 | 一种基于遥感的高寒草甸生态系统呼吸碳排放估算方法 |
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
| CN111080173A (zh) * | 2019-12-31 | 2020-04-28 | 黑龙江工程学院 | 一种森林系统碳通量的估计方法 |
| CN112347992A (zh) * | 2020-12-01 | 2021-02-09 | 中国林业科学研究院 | 一种荒漠地区时序agb遥感估算方法 |
Non-Patent Citations (2)
| Title |
|---|
| 任润东;吴秋兰;潘宁宁;梁勇;: "基于物联网的森林碳汇遥感测量的探讨", 测绘通报, no. 1, 10 October 2012 (2012-10-10), pages 444 - 446 * |
| 张坤 等: "数据驱动的植被总初级生产力估算方法研究", 遥感技术与应用, vol. 35, no. 4, 31 August 2020 (2020-08-31), pages 943 - 949 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114926100A (zh) * | 2022-07-18 | 2022-08-19 | 中科海慧（北京）科技有限公司 | 一种基于卫星遥感的碳监控模型构建方法及系统 |
| CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
| CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| Du et al. | Return period and risk analysis of nonstationary low-flow series under climate change | |
| JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
| CN110334816B (zh) | 一种工业设备检测方法、装置、设备及可读存储介质 | |
| CN105045950A (zh) | 一种基于三维激光扫描的桥梁安全评估系统 | |
| CN112819365A (zh) | 碳汇检测方法、装置及存储介质和电子设备 | |
| CN105740991A (zh) | 基于改进bp神经网络拟合多种气候模式的气候变化预测方法及系统 | |
| CN112330184B (zh) | 施工风险的预测方法、装置、设备和介质 | |
| CN103778630A (zh) | 基于android的田间病害程度图像识别方法 | |
| CN113777236A (zh) | 基于排放源的空气质量监控方法和装置 | |
| CN110737876A (zh) | 区域电网光伏功率预测优化方法和装置 | |
| CN117057671A (zh) | 一种基于人工智能的矿山生态修复工程验收系统和方法 | |
| CN103778306B (zh) | 一种基于ei和逐步消减法的传感器优化布设方法 | |
| CN113486295B (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
| CN111062970A (zh) | 一种基于热力图的轨迹生成方法及系统 | |
| CN112016744B (zh) | 一种基于土壤水分的森林火灾预测方法、装置及存储介质 | |
| CN113516406A (zh) | 一种基于实时观测分析的高铁沿线降水测点布置方法 | |
| JP2016206825A (ja) | 画像登録装置およびその方法 | |
| CN116757321A (zh) | 太阳直接辐射量预测方法、系统、设备及存储介质 | |
| CN111047160A (zh) | 污染原因分析方法、装置、可读存储介质及电子设备 | |
| CN115239105A (zh) | 一种在役风电场的风资源的评估方法以及装置 | |
| CN112697724A (zh) | 基于无人机高光谱田间烟叶氧化钾含量预测方法及系统 | |
| CN113917107A (zh) | 一种农田土壤重金属污染决策系统及方法 | |
| WO2020105151A1 (ja) | 設備保守点検支援システム及び点検順序決定方法 | |
| CN116362118B (zh) | 基于多源异构遥感数据的长时间序列碳排放空间化方法 |
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 |