CN112884088A - 一种基于神经网络模型的森林碳储量计算方法 - Google Patents

一种基于神经网络模型的森林碳储量计算方法 Download PDF

Info

Publication number
CN112884088A
CN112884088A CN202110377010.7A CN202110377010A CN112884088A CN 112884088 A CN112884088 A CN 112884088A CN 202110377010 A CN202110377010 A CN 202110377010A CN 112884088 A CN112884088 A CN 112884088A
Authority
CN
China
Prior art keywords
forest
neural network
model
network model
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
Application number
CN202110377010.7A
Other languages
English (en)
Inventor
汤萃文
李春霖
王蕊
李波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Lanzhou Jiaotong University
Original Assignee
Lanzhou Jiaotong University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Lanzhou Jiaotong University filed Critical Lanzhou Jiaotong University
Priority to CN202110377010.7A priority Critical patent/CN112884088A/zh
Publication of CN112884088A publication Critical patent/CN112884088A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00Pattern recognition
    • G06F18/20Analysing
    • G06F18/21Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/048Activation functions
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/04Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/26Government or public services

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Human Resources & Organizations (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Educational Administration (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络模型的森林碳储量计算方法,涉及生态环境评价技术领域,所述方法包括:通过目标森林的DEM和TM图像提取目标森林的坡度、坡向、海拔和植被指数数据集;建立BP神经网络模型,以坡度、坡向、海拔和植被指数作为模型的输入,碳密度作为模型的输出;将步骤S1中的数据集分为训练集和验证集,将训练集输入模型对模型进行训练,通过验证集来验证模型的准确性;将待测试森林的坡度、坡向、海拔、植被指数输入模型中获取待测试森林的碳密度值。采用本发明的方法对森林碳储量进行估算时,准确度高,误差小。

Description

一种基于神经网络模型的森林碳储量计算方法
技术领域
本发明涉及生态环境评价技术领域,具体涉及一种基于神经网络模型的森林碳储量计算方法。
背景技术
近半个多世纪以来,由于全球人口数量增加,矿物燃料的大量使用以及森林面积的不断缩减,导致排入大气中的主要温室气体如CO2等的含量急剧上升。进一步导致全球变暖,海平面上升、病虫害增加、气候反常以及土地干旱、荒漠化面积增大等灾害的出现,已经威胁到了人类的生存和发展。所以在全球范围内控制和降低温室气体的排放已迫在眉睫。因此,准确地评估陆地生态系统碳循环对控制和准确计算未来大气CO2浓度、对陆地生态系统的影响以及预测全球气候变化具有重大意义。
森林生态系统作为一个大碳汇,它能在吸收空气中CO2的同时释放出O2,因此,通过研究森林生物量和碳储量的计算方法,对森林的生物量与碳储量做出准确的估测与评价,不仅可以为森林资源的经营与管理方面提供有效的科学依据,而且对揭示森林生态系统的主要碳汇过程,进而客观反映森林生态系统在全球碳循环和全球性气候变化中的作用具有非常重要的实际意义。
发明内容
为了更准确的对目标森林的碳储量进行计算,本发明采用的技术方案为:一种基于神经网络模型的森林碳储量计算方法,主要包括:
S1:通过目标森林的DEM和TM图像提取目标森林的坡度、坡向、海拔和植被指数数据集;
S2:建立BP神经网络模型,以坡度、坡向、海拔和植被指数作为模型的输入,碳密度作为模型的输出;
S3:将步骤S1中的数据集分为训练集和验证集,将训练集输入模型对模型进行训练,通过验证集来验证模型的准确性;
S4:将待测试森林的坡度、坡向、海拔、植被指数输入模型中获取待测试森林的碳密度值。
进一步地,所述步骤S1还包括对DEM影像图进行预处理:对DEM影像图进行腌膜裁剪,再采用高斯—克吕格投影及Xian_1980_3_Dregree_GK_CM_102E坐标系对经裁剪的研究区数字化林相图在GIS中进行定义投影、几何校正,得到目标森林的矢量图。
更进一步地,所述步骤S1中对DEM图像中坡度和坡向进行提取的工具为3DAnalyst。
更进一步地,步骤S1中对TM图像中植被指数提取的工具为ENVI5.0软件。
更进一步地,步骤S4中所述神经网络模型为BP神经网络模型,所述BP神经网络模型包括一个输入层、三个隐含层和一个输出层,隐藏层神经元数量分别为8,10,8,激活函数为sigmoid函数。
更进一步地,所述训练集和验证集数据比为5:3。
本发明的有益效果:
本发明以海拔、坡度、坡向和植被指数四个因子为输入,碳密度为输出,采用人工神经网络里面的BP神经网络进行森林碳储量的计算,不用进行实际勘测,能够快速估算出森林的碳储量,节省人力物力成本,而且误差小,精度高,计算更快捷,为全球碳循环的研究提供新的方法和思路。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例的一种基于神经网络模型的森林碳储量计算方法流程图;
图2是本发明实施例的预处理后的哈溪林的DEM图;
图3是本发明实施例的哈溪林坡度图;
图4是本发明实施例的哈溪林坡向图;
图5是本发明实施例的哈溪林植被等级图;
图6是本发明实施例的哈溪林采样点分布图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例
以祁连山哈溪保护站的森林为例,进行碳储量的计算来证明本发明方法的准确性。
祁连山位于中国西北干旱区,是横断欧亚大陆中心的草原和荒漠的一部分。哈溪保护站森林面积约14万公顷,其中林业用地面积约6万公顷,非林业用地面积将近8万公顷。全林区森林覆盖率为43.2%。全林区活立木总蓄积量达233.5837万立方米,其中有6902立方米的蓄积量来自于面积达到359.5公顷的已成林人工林。由于祁连山重要的地理位置,使得该区域在我国乃至全球碳循环的研究工作中具有重要的意义,所以本发明以祁连山为例,采用本发明的方法计算祁连山哈溪林的碳储量。
1.数据来源:
本发明计算碳密度所使用的基础数据是2010年祁连山哈溪保护站的森林资源样地清查数据、小班调查资料;海波、坡度、坡向和植被指数因子的提取采用的图像是从地理空间数据云里面下载的研究区的数字高程图(DEM)和TM遥感影像图。其中DEM选择空间分辨率为30米的图像,TM影像图在包含研究区的前提下尽量选择云量低的图像,本次下载的影像图的云量为5.1%。
2.数据处理及碳储量计算
采用生物量转化因子法来估算生物量,其估算方程为:
B=aV+b (1)
式中:B代表单位面积的生物量t/hm2,V代表单位面积的蓄积量(m3/hm2),而a和b代表不同树种的方程参数。
祁连山哈溪林区的乔木林植被类型主要有青海云杉林、祁连圆柏林、桦木林、杨树林、针叶混交林和针阔混交林,其生物量估算方程见表1:
表1 哈溪林区主要乔木林树种平均蓄积量与平均生物量的线性关系
代号 主要乔木林树种 线性回归方程
30 青海云杉林 B=0.493V+2.302
60 祁连圆柏林 B=1.103V-6.235
252 桦木林 B=0.9644V+0.8485
310 杨树林 B=0.4754V+30.6034
390 针叶混交林 B=0.493V+2.302
410 针阔混交林 B=0.8019V+12.2799
通过生物量乘以生物量中碳元素的含量(0.45-0.55)的方式来推算森林植被的碳储量,通过碳储量获得碳密度,获得的碳密度用于在模型训练时与模型输出的碳密度进行对比,调整优化模型参数。
参考图1,S1:通过目标森林的DEM和TM图像提取目标森林的坡度、坡向、海拔和植被指数数据集;
具体为:
数据来源:
从地理空间数据云里面下载的研究区的数字高程图(DEM)和TM遥感影像图。其中DEM选择空间分辨率为30米的图像,TM影像图在包含研究区的前提下尽量选择云量低的图像,本次下载的影像图的云量为5.1%。
预处理:
首先,用哈溪矢量数据对DEM图进行腌膜裁剪,然后采用高斯—克吕格投影以及Xian_1980_3_Dregree_GK_CM_102E坐标系对经裁剪的研究区数字化林相图在GIS中进行定义投影然后再进行几何校正,得到祁连山哈溪林区的矢量图。再用于对驱动因子坡度、坡向的提取。处理后的DEM图如图2所示。
从图2中可以看出,研究区的海拔范围在2070-4859米之间,研究区中西地区、西北地区以及西南地区的海拔相对较高,而东部地区以及东北地区的海拔相对较低。将经处理的DEM数据加载到图层中,然后在3D Analyst工具的栅格表面下执行坡度提取命令,结果如图3所示:
从图3中可以看出研究区的坡度范围在0°-72°之间,而且研究区的中部、西南部以及西部地区的坡度分布较高,而研究区的东部地区的坡度分布较低。
将已处理的DEM数据加载到图层中,然后在3D Analyst工具的栅格表面下执行坡向命令,结果如图4所示:
从图4中可以看出,研究区的坡向范围在0°-360°之间,坡向分布差异较大。
NDVI作为遥感影像非常重要的植被指数之一,该指数可以用于监测植被生长的季节性变化,NDVI计算公式见公式(2):
NDVI =(TM4- TM3 )/ (TM4+ TM3) (2)
其中,TM3和TM4分别为Landsat TM 影像第3和第4波段。
将从地理空间数据云下载的研究区域的TM影像图加载到ENVI中,然后在ENVI5.0软件的【Toolbox】工具中搜索NDVI,执行相关操作,最终提取出研究区的植被指数,结果如图5所示,将结果保存到数据库中以便于后面的分析。
数据整理:
将目标森林的矢量图在GIS中打开,然后通过工具条中的编辑器设置点要素,命名采样点,然后在分布有碳储量的研究区域上手动均匀选取400个采样点。如图6所示:
然后在Spatial Analyst工具中执行多值提取至点功能,在弹出的数据框中,输入点要素选择采样点,输入上述得到的坡度、坡向、海拔、植被指数和碳密度值,即将哈溪矢量图上每个林班小班单位的坡度、坡向、海拔、植被指数、碳密度数据赋到了这400个采样点上,最后将属性表导出到excel中,整理出四种碳储量驱动因子及其对应的碳密度数据,见表2。
表2 采样点坡度、坡向、海拔、植被指数及碳密度数据汇总表
采样点 海拔 坡向 坡度 植被指数 碳密度
1 2651 35.9807 24.5553 0.0907 30.731
2 2952 180.567 27.0925 0.100841 18.406
3 3066 236.129 24.003 0.059302 18.406
4 3018 154.026 52.8179 0.099666 18.406
5 2781 33.8049 35.0284 0.107501 38.126
397 2718 90 6.93048 0.032676 38.126
398 3044 289.799 21.9848 0.122938 35.661
399 2860 53.6641 37.2622 0.082169 38.126
400 2924 302.471 21.6142 0.039585 35.661
S2:建立BP神经网络模型,以坡度、坡向、海拔和植被指数作为模型的输入,碳密度作为模型的输出;
S3:将步骤S1中的数据集分为训练集和验证集,将训练集输入模型对模型进行训练,通过验证集来验证模型的准确性;
首先,用Python语言编写BP神经网络的运行程序,然后将表2中的坡度、坡向、海拔和植被指数驱动因子作为网络模型的输入,将与之对应的碳密度作为输出。并将表2中的400组数据分为5:3的两部分,其中250组数据作为训练集对神经网络模型进行训练,剩余的150组数据作为验证集对神经网络模型进行精度验证。
本申请的BP神经网络模型隐含层层数为3,且隐含层神经元个数分别为8、10、8,激活函数为sigmoid函数。在经过250次网络训练后,网络结构中输入层和隐含层的权值和阈值如表3所示:
表3 BP神经网络模型训练结束后的权值和阈值表
隐含层节点 1 2 3 4 5 6 7 8
输入节点 1至隐含层节点权值 0.9826 0.7649 0.5360 2.2087 1.3546 1.8423 0.0477 -0.2989
输入节点 2至隐含层节点权值 -2.0307 -1.5941 -1.0839 0.3897 -1.6828 -1.7519 -0.6894 -0.8488
输入节点 3至隐含层节点权值 -0.2075 -0.3248 -1.4223 0.9110 0.4795 0.8085 -2.2728 1.0481
输入节点 4至隐含层节点权值 0.7460 0.1209 -2.8278 -0.8121 -2.5063 -0.4222 -0.5185 2.8157
隐含层阈值 0.8842 -0.6334 -0.7879 0.8002 -0.6541 1.0677 -0.6372 0.2958
通过上述训练好的神经网络模型估测了150个采样点的的森林碳密度,结果见表4,
表4 BP神经网络模型仿真模拟结果
采样点 1 2 3 4 5 147 148 149 150
预测值 20.44 16.09 20.13 9.45 56.87 40.67 39.63 109.80 13.52
实际值 18.40 18.41 23.33 8.55 52.92 45.52 35.66 99.75 12.50
绝对误差 2.04 2.31 3.20 0.91 5.55 4.85 3.97 10.13 1.02
相对误差 0.11 0.13 0.14 0.11 0.10 0.11 0.11 0.10 0.82
由表4可以看出,通过建立的BP神经网络模型来估测碳密度时,它的平均误差为10.11%,与现有的空间回归模型相比,神经网络的误差更小,精度更高,可靠性更高。
S4:将待测试森林的坡度、坡向、海拔、植被指数输入模型中获取待测试森林的碳密度值。
以前面BP神经网络建立后估测出来的150个采样点的碳密度与其所对应的各驱动因子的属性数据为基础来分析各驱动因子对植被碳密度空间分布的影响,进而可以得出植被碳密度与海拔、坡度、坡向以及植被指数的相关程度。表5是碳密度分别与海拔、坡度、坡向、植被指数的单项因子相关性分析的相关关系表。
表5 碳密度与各驱动因子的相关系数
采样点数 海拔 坡度 坡向 植被指数
150 0.475 0.548 0.437 0.813
从表5中可以看出,与碳密度相关性最大的是植被指数,相关系数达到0.815,其次是坡度和海拔,而与坡向的相关性最低,相关系数仅为0.437。这也说明了在各影响森林植被碳储量的各驱动因子中,植被指数是与植被碳密度最相关的,这也反映出植被指数对植被碳密度分布的影响是最大的,也充分表明了在哈溪林区植被碳密度的分布是与植被的分布状况密切相关的。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

Claims (6)

1.一种基于神经网络模型的森林碳储量计算方法,其特征在于,主要包括:
S1:通过目标森林的DEM和TM图像提取目标森林的坡度、坡向、海拔和植被指数数据集;
S2:建立BP神经网络模型,以坡度、坡向、海拔和植被指数作为模型的输入,碳密度作为模型的输出;
S3:将步骤S1中的数据集分为训练集和验证集,将训练集输入模型对模型进行训练,通过验证集来验证模型的准确性;
S4:将待测试森林的坡度、坡向、海拔、植被指数输入模型中获取待测试森林的碳密度值。
2.根据权利要求1所述的基于神经网络模型的森林碳储量计算方法,其特征在于,所述步骤S1还包括对DEM影像图进行预处理:采用目标森林的矢量数据对DEM影像图进行腌膜裁剪,再采用高斯—克吕格投影及Xian_1980_3_Dregree_GK_CM_102E坐标系对经裁剪的研究区数字化林相图在GIS中进行定义投影、几何校正,得到目标森林的矢量图。
3.根据权利要求1所述的基于神经网络模型的森林碳储量计算方法,其特征在于,所述步骤S1中对DEM图像中坡度和坡向进行提取的工具为3D Analyst。
4.根据权利要求1所述的基于神经网络模型的森林碳储量计算方法,其特征在于,步骤S1中对TM图像中植被指数提取的工具为ENVI5.0软件。
5.根据权利要求1所述的基于神经网络模型的森林碳储量计算方法,其特征在于,步骤S4中所述神经网络模型为BP神经网络模型,所述BP神经网络模型包括一个输入层、三个隐含层和一个输出层,隐藏层神经元数量分别为8,10,8,激活函数为sigmoid函数。
6.根据权利要求1所述的基于神经网络模型的森林碳储量计算方法,其特征在于,所述训练集和验证集数据比为5:3。
CN202110377010.7A 2021-04-08 2021-04-08 一种基于神经网络模型的森林碳储量计算方法 Pending CN112884088A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110377010.7A CN112884088A (zh) 2021-04-08 2021-04-08 一种基于神经网络模型的森林碳储量计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110377010.7A CN112884088A (zh) 2021-04-08 2021-04-08 一种基于神经网络模型的森林碳储量计算方法

Publications (1)

Publication Number Publication Date
CN112884088A true CN112884088A (zh) 2021-06-01

Family

ID=76040631

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110377010.7A Pending CN112884088A (zh) 2021-04-08 2021-04-08 一种基于神经网络模型的森林碳储量计算方法

Country Status (1)

Country Link
CN (1) CN112884088A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177744A (zh) * 2021-06-09 2021-07-27 西安建筑科技大学 一种城市绿地系统碳汇量估算方法及系统
CN114648705A (zh) * 2022-03-28 2022-06-21 王大成 一种基于卫星遥感的碳汇监测系统及方法
CN114757449A (zh) * 2022-06-13 2022-07-15 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种山水林田湖草综合地质碳汇监测系统
US11481904B1 (en) 2022-01-04 2022-10-25 Natural Capital Exchange, Inc. Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images
CN115358644A (zh) * 2022-10-21 2022-11-18 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
CN116563716A (zh) * 2023-07-07 2023-08-08 吉林省林业科学研究院(吉林省林业生物防治中心站) 用于森林碳汇数据采集的gis数据处理系统
CN118097441A (zh) * 2024-04-28 2024-05-28 四川省川建勘察设计院有限公司 一种光伏电站对区域碳储量影响评价方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009384A (zh) * 2017-12-26 2018-05-08 中国科学院东北地理与农业生态研究所 一种城市森林碳储量景观尺度推演方法
CN110059561A (zh) * 2019-03-18 2019-07-26 北京木业邦科技有限公司 一种基于机器学习的森林生长建模与预测的方法及装置
CN112182476A (zh) * 2019-07-01 2021-01-05 苏州五蕴明泰科技有限公司 木质生物质生物量碳储量变化量核算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009384A (zh) * 2017-12-26 2018-05-08 中国科学院东北地理与农业生态研究所 一种城市森林碳储量景观尺度推演方法
CN110059561A (zh) * 2019-03-18 2019-07-26 北京木业邦科技有限公司 一种基于机器学习的森林生长建模与预测的方法及装置
CN112182476A (zh) * 2019-07-01 2021-01-05 苏州五蕴明泰科技有限公司 木质生物质生物量碳储量变化量核算方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
徐芳: "基于Sentinel-2的红树林提取及碳储量估算研究", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》, 15 January 2021 (2021-01-15), pages 049 - 78 *
汪风华等: "基于径向基函数神经网络模型的桃江县森林碳储量估测", 《南林业科技》, 15 June 2020 (2020-06-15), pages 84 - 89 *
陆君等: "福州市森林碳储量定量估算及其对土地利用变化的响应", 《生态学报》, 15 January 2016 (2016-01-15), pages 5411 - 5420 *
魏安世等: "基于TM数据的森林植物碳储量估测方法研究", 《中南林业调查规划》, 30 November 2006 (2006-11-30), pages 44 - 47 *
齐国翠: "祁连山哈溪林乔木林碳储量空间分布及变异特征", 《中国优秀博硕士学位论文全文数据库(硕士)农业科技辑》, 15 April 2016 (2016-04-15), pages 049 - 59 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113177744A (zh) * 2021-06-09 2021-07-27 西安建筑科技大学 一种城市绿地系统碳汇量估算方法及系统
CN113177744B (zh) * 2021-06-09 2024-03-01 西安建筑科技大学 一种城市绿地系统碳汇量估算方法及系统
US11481904B1 (en) 2022-01-04 2022-10-25 Natural Capital Exchange, Inc. Automated determination of tree inventories in ecological regions using probabilistic analysis of overhead images
CN114648705A (zh) * 2022-03-28 2022-06-21 王大成 一种基于卫星遥感的碳汇监测系统及方法
CN114648705B (zh) * 2022-03-28 2022-11-22 王大成 一种基于卫星遥感的碳汇监测系统及方法
CN114757449A (zh) * 2022-06-13 2022-07-15 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种山水林田湖草综合地质碳汇监测系统
CN114757449B (zh) * 2022-06-13 2022-08-12 山东省地质矿产勘查开发局八〇一水文地质工程地质大队(山东省地矿工程勘察院) 一种山水林田湖草综合地质碳汇监测系统
CN115358644A (zh) * 2022-10-21 2022-11-18 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
CN116563716A (zh) * 2023-07-07 2023-08-08 吉林省林业科学研究院(吉林省林业生物防治中心站) 用于森林碳汇数据采集的gis数据处理系统
CN116563716B (zh) * 2023-07-07 2023-09-08 吉林省林业科学研究院(吉林省林业生物防治中心站) 用于森林碳汇数据采集的gis数据处理系统
CN118097441A (zh) * 2024-04-28 2024-05-28 四川省川建勘察设计院有限公司 一种光伏电站对区域碳储量影响评价方法
CN118097441B (zh) * 2024-04-28 2024-06-18 四川省川建勘察设计院有限公司 一种光伏电站对区域碳储量影响评价方法

Similar Documents

Publication Publication Date Title
CN112884088A (zh) 一种基于神经网络模型的森林碳储量计算方法
Pecchi et al. Species distribution modelling to support forest management. A literature review
Karger et al. CHELSA-TraCE21k–high-resolution (1 km) downscaled transient temperature and precipitation data since the Last Glacial Maximum
Morisette et al. Validation of global moderate-resolution LAI products: A framework proposed within the CEOS land product validation subgroup
CN106372730B (zh) 利用机器学习的植被净初级生产力遥感估算方法
CN110895878B (zh) 一种基于ge-gan的交通状态虚拟检测器的生成方法
Thomas et al. Leveraging 35 years of Pinus taeda research in the southeastern US to constrain forest carbon cycle predictions: regional data assimilation using ecosystem experiments
CN111178786B (zh) 一种保障区域空气质量的排放源位置确定方法及系统
Bauerle et al. Carbon and water flux responses to physiology by environment interactions: a sensitivity analysis of variation in climate on photosynthetic and stomatal parameters
CN115374629B (zh) 一种预测森林碳汇变化及空间分布的方法及系统
CN112669976B (zh) 基于生态环境变化的人群健康评估方法及系统
CN116703236A (zh) 一种基于陆地生态系统的碳汇定量化核算方法及系统
Liu et al. Estimating surface carbon fluxes based on a local ensemble transform Kalman filter with a short assimilation window and a long observation window: an observing system simulation experiment test in GEOS-Chem 10.1
Yu et al. The critical role of tree species and human disturbance in determining the macrofungal diversity in Europe
CN110852149B (zh) 基于分类和回归树算法的植被指数预测方法、系统及设备
y Garcia et al. Evaluation of an improved daily solar radiation generator for the southeastern USA
Rezsöhazy et al. Application and evaluation of the dendroclimatic process-based model MAIDEN during the last century in Canada and Europe
CN115310757A (zh) 一种高精度动态可变分辨率的生态碳汇评估方法及系统
Adhikari et al. Various measures of potential evapotranspiration have species-specific impact on species distribution models
Terryn et al. Analysing individual 3D tree structure using the R package ITSMe
CN117391727B (zh) 一种负碳排放的碳中和方法及系统
Aricak et al. Determining a fire potential map based on stand age, stand closure and tree species, using satellite imagery (Kastamonu central forest directorate sample)
CN117035174A (zh) 一种木麻黄单木地上生物量的估算方法与系统
Krause et al. Strategic decisions in conservation: Using species distribution modeling to match ecological requirements to available habitat
Kwon et al. An assessment of the optimal scale for monitoring of MODIS and FIA NPP across the eastern USA

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210601