CN113705015A - 一种林地多数据融合的林业碳汇算法 - Google Patents
一种林地多数据融合的林业碳汇算法 Download PDFInfo
- Publication number
- CN113705015A CN113705015A CN202111033572.6A CN202111033572A CN113705015A CN 113705015 A CN113705015 A CN 113705015A CN 202111033572 A CN202111033572 A CN 202111033572A CN 113705015 A CN113705015 A CN 113705015A
- Authority
- CN
- China
- Prior art keywords
- forest
- forest land
- accumulation
- parts
- land
- 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 91
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000004927 fusion Effects 0.000 title claims abstract description 26
- 238000009825 accumulation Methods 0.000 claims abstract description 130
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 239000002028 Biomass Substances 0.000 claims description 61
- 230000009919 sequestration Effects 0.000 claims description 21
- 210000000481 breast Anatomy 0.000 claims description 18
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 10
- 210000000056 organ Anatomy 0.000 claims description 10
- 239000007787 solid Substances 0.000 claims description 6
- 230000000694 effects Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Processing Of Solid Wastes (AREA)
Abstract
本发明涉及林业碳汇算法技术领域,且公开了一种林地多数据融合的林业碳汇算法,包括以下工作步骤:S1:生物量法测算法,利用生物量法测算法获得第一碳汇量。该一种林地多数据融合的林业碳汇算法,本发明的林业碳汇算法包括生物量法测算法、林地蓄积量测算法、模型测算法,将生物量法测算法、林地蓄积量测算法和模型测算法所各自求得的林地生物碳汇量的数据值加起来再求得平均值,求得本发明最终的林地多数据融合的林业碳汇量,本发明在最大程度上避免了估算所带来的偏差,本发明采用三种对林地林木碳汇量的计量方式,以三者的平均值作为最终的林业碳汇量,提高了本发明对林地林业碳汇量计量的准确性和科学性。
Description
技术领域
本发明涉及林业碳汇算法技术领域,尤其涉及一种林地多数据融合的林业碳汇算法。
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。
现有技术的林地多数据融合的林业碳汇算计量方式较为复杂,并且汇算的周期较长,树木生长同时又是一个动态的过程,所以需要经过大量的实地调查,不仅工作量十分巨大,实际操作起来并不现实,同时现有的技术往往只通过单一的数据融合汇算方式,存在较大的偏差和偶然性,则导致了降低林业碳汇算计量的效率和科学性。为此,我们提出一种林地多数据融合的林业碳汇算法。
发明内容
本发明主要是解决上述现有技术所存在的技术问题,提供一种林地多数据融合的林业碳汇算法。
为了实现上述目的,本发明采用了如下技术方案,一种林地多数据融合的林业碳汇算法,包括以下工作步骤:
S1:生物量法测算法,利用生物量法测算法获得第一碳汇量;
所述生物量法是根据林地内单位面积内生物量、林地内的森林面积、生物量在林木器官中的所占比例和林地内林木器官的平均含碳量呈参数计算而得;
S2:林地蓄积量测算法,利用林地蓄积量测算法获得第二碳汇量;
S201、林地蓄积量测算法是利用林地蓄积量的数据求得林地内生物量,将所求林地的总亩数分成20份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成20份小矩形后,在所在20份内的林地地区内挑选出有代表性的林地样地,在20份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把20份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将20份小林地的蓄积值全部算出,最后再将20分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第一蓄积量;
S202、将所求林地的总亩数分成30份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成30份小矩形后,在所在30份内的林地地区内挑选出有代表性的林地样地,在30份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把30份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将30份小林地的蓄积值全部算出,最后再将30分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第二蓄积量;
S203、将所求林地的总亩数分成40份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成40份小矩形后,在所在40份内的林地地区内挑选出有代表性的林地样地,在40份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把40份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将40份小林地的蓄积值全部算出,最后再将40分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第三蓄积量;
S204、将第一蓄积量、第二蓄积量、第三蓄积量的总量加起来获得平均蓄积量,再利用平均蓄积量除三则获得最终的林地林木蓄积量;
S205、根据S204中获得的林地林木蓄积量获得第二碳汇量。
S3:模型测算法,利用模型测算法获得第三碳汇量;
S4:将S1中的第一碳汇量和S2中的第二碳汇量以及S3中的第三碳汇量参数相加起来,再拿获得的三个汇碳量总和除以三,获得本发明的最终汇碳量。
作为优选,所述S2中S206中计算第二碳汇量的公式为:
Cf=Vf×σ×ρ×γ=Vf×1.9×0.5×0.5;
其中:Cf表示第二碳汇量;Vf表示林地林木蓄积量;σ表示林地林木蓄积量换算成生物量蓄积的系数;ρ表示将林地林木蓄积转换成生物干质量的系数;γ表示生物干质量转换成固碳量的系数。
作为优选,S3的具体步骤包括以下:
S301、测量所求林地实际生物量数据参数,生物量数据参数包括林地林木内代表性林木高度、代表性林木胸径、代表性林木树龄和林地林木资源清查数据,林地林木资源清查数据包括平均林木高度、平均林木胸径和平均林木树龄;
S302、使用林地样地数据模拟出林地的林木模型,将生物量参数作为X,将自变量参数作为Y;
S303、将S302中的林木模型拟合林地林木资源清查数据中每个小班上的初始生物量,林地林木资源清查数据对应的自变量Y输入到林木模型中,获得所在林地的生物量估算值。
作为优选,所述S3的具体步骤还包括以下:
S304、将S303中获得的生物量估算值带入公式中,计算出第三碳汇量。
5.根据权利要求4所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S304中的计算公式如下:
Cf=Vl×σ×ρ×γ=Vf×1.9×0.5×0.5。
作为优选,所述S304中的计算公式中的Cf表示第三碳汇量,Vl表示生物量估算值,σ表示林地林木蓄积量换算成生物量蓄积的系数,ρ表示将林地林木蓄积转换成生物干质量的系数,γ表示生物干质量转换成固碳量的系数。
作为优选,S2中的S203之后还包括以下步骤:
将所求林地的总亩数分成50份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成50份小矩形后,在所在50份内的林地地区内挑选出有代表性的林地样地,在50份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把50份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将50 份小林地的蓄积值全部算出,最后再将50分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第四蓄积量。
有益效果
本发明提供了一种林地多数据融合的林业碳汇算法。具备以下有益效果:
(1)、该一种林地多数据融合的林业碳汇算法,本发明的林业碳汇算法包括生物量法测算法、林地蓄积量测算法、模型测算法,最后将生物量法测算法、林地蓄积量测算法和模型测算法所各自求得的林地生物碳汇量的数据值加起来再求得平均值,求得本发明最终的林地多数据融合的林业碳汇量,本发明在最大程度上避免了估算所带来的偏差,本发明采用三种对林地林木碳汇量的计量方式,最终以三者的平均值作为最终的林业碳汇量,不仅提高了本发明的科学性,而且还提高了本发明对林地林业碳汇量计量的准确性和科学性。
(2)、该一种林地多数据融合的林业碳汇算法,本发明林地蓄积量测算法中包括将所求林地的总亩数分成20份、将所求林地的总亩数分成30份、将所求林地的总亩数分成40份和将所求林地的总亩数分成50份,将获得的第一蓄积量、第二蓄积量、第三蓄积量和第四蓄积量的总和加起来后再求得平均值,从而获得林地蓄积量测算法中的第二碳汇量,第二碳汇量的计量不仅符合科学性,而且还在林地林业碳汇的计量当中起到了降低估算偏差的效果,从而提高了本发明林地林业碳汇量计量的准确性和科学性。
(3)、该一种林地多数据融合的林业碳汇算法,本发明林地蓄积量测算法中包括将所求林地的总亩数分成20份、将所求林地的总亩数分成30份、将所求林地的总亩数分成40份和将所求林地的总亩数分成50份,实现了将所测林地的整体区域分成多组小区域,并且通过各个小区域中的代表性林木进行取样测算,本发明林地蓄积量测算法采用了20、30、40和50的划分方式,避免了偶然情况的发生和出现,从而进一步地提高了本发明林地林业碳汇量计量的准确性和科学性。
(4)、该一种林地多数据融合的林业碳汇算法,本发明采用模型测算法,模型测算法采用将生物量参数作为X,将自变量参数作为Y,林地林木资源清查数据对应的自变量Y输入到林木模型中,获得所在林地的生物量估算值,实现了本发明计量林地林业碳汇量的科学性和实效性,采用人工智能的方式进一步提高了本发明对林地林业碳汇量计量的准确性和科学性。
(5)、该一种林地多数据融合的林业碳汇算法,本发明采用生物量法测算法,利用生物量法测算法获得第一碳汇量,生物量法是根据林地内单位面积内生物量、林地内的森林面积、生物量在林木器官中的所占比例和林地内林木器官的平均含碳量呈参数计算而得,生物量法测算的方式不仅简单、高效,而且能够很直观和很实际地将生物量进行测算出,从而提高了本发明的实用性。
具体实施方式
下面将结合本发明实施例,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。
实施例一:一种林地多数据融合的林业碳汇算法,一种林地多数据融合的林业碳汇算法,包括以下工作步骤:
S1:生物量法测算法,利用生物量法测算法获得第一碳汇量;
所述生物量法是根据林地内单位面积内生物量、林地内的森林面积、生物量在林木器官中的所占比例和林地内林木器官的平均含碳量呈参数计算而得;生物量法测算的方式不仅简单、高效,而且能够很直观和很实际地将生物量进行测算出;
S2:林地蓄积量测算法,利用林地蓄积量测算法获得第二碳汇量;
S201、林地蓄积量测算法是利用林地蓄积量的数据求得林地内生物量,将所求林地的总亩数分成20份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成20份小矩形后,在所在20份内的林地地区内挑选出有代表性的林地样地,在20份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把20份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将20份小林地的蓄积值全部算出,最后再将20分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第一蓄积量;
S202、将所求林地的总亩数分成30份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成30份小矩形后,在所在30份内的林地地区内挑选出有代表性的林地样地,在30份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把30份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将30份小林地的蓄积值全部算出,最后再将30分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第二蓄积量;
S203、将所求林地的总亩数分成40份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成40份小矩形后,在所在40份内的林地地区内挑选出有代表性的林地样地,在40份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把40份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将40份小林地的蓄积值全部算出,最后再将40分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第三蓄积量;
S204、将所求林地的总亩数分成50份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成50份小矩形后,在所在50份内的林地地区内挑选出有代表性的林地样地,在50份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把50份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将50份小林地的蓄积值全部算出,最后再将50分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第四蓄积量;
S205、将第一蓄积量、第二蓄积量、第三蓄积量和第四蓄积量的总量加起来获得平均蓄积量,再利用平均蓄积量除四则获得最终的林地林木蓄积量;
S206、根据S205中获得的林地林木蓄积量获得第二碳汇量。
S206中计算第二碳汇量的公式为:
Cf=Vf×σ×ρ×γ=Vf×1.9×0.5×0.5
其中:Cf表示第二碳汇量;Vf表示林地林木蓄积量;σ表示林地林木蓄积量换算成生物量蓄积的系数;ρ表示将林地林木蓄积转换成生物干质量的系数;γ表示生物干质量转换成固碳量的系数。
S3:模型测算法,利用模型测算法获得第三碳汇量;
S301、测量所求林地实际生物量数据参数,生物量数据参数包括林地林木内代表性林木高度、代表性林木胸径、代表性林木树龄和林地林木资源清查数据,林地林木资源清查数据包括平均林木高度、平均林木胸径和平均林木树龄;
S302、使用林地样地数据模拟出林地的林木模型,将生物量参数作为X,将自变量参数作为Y;
S303、将S302中的林木模型拟合林地林木资源清查数据中每个小班上的初始生物量,林地林木资源清查数据对应的自变量Y输入到林木模型中,获得所在林地的生物量估算值;
S304、将S303中获得的生物量估算值带入公式中,计算出第三碳汇量;
S304中的计算公式如下:
Cf=Vl×σ×ρ×γ=Vf×1.9×0.5×0.5
Cf表示第三碳汇量;Vl表示生物量估算值;σ表示林地林木蓄积量换算成生物量蓄积的系数;ρ表示将林地林木蓄积转换成生物干质量的系数;γ表示生物干质量转换成固碳量的系数;
S4:将S1中的第一碳汇量和S2中的第二碳汇量以及S3中的第三碳汇量参数相加起来,再拿获得的三个汇碳量总和除以三,获得本发明的最终汇碳量。
本发明的工作原理:本发明的林业碳汇算法包括生物量法测算法、林地蓄积量测算法、模型测算法,最后将生物量法测算法、林地蓄积量测算法和模型测算法所各自求得的林地生物碳汇量的数据值加起来再求得平均值,求得本发明最终的林地多数据融合的林业碳汇量,本发明在最大程度上避免了估算所带来的偏差,本发明采用三种对林地林木碳汇量的计量方式,最终以三者的平均值作为最终的林业碳汇量,不仅提高了本发明的科学性,而且还提高了本发明对林地林业碳汇量计量的准确性和科学性。
本发明林地蓄积量测算法中包括将所求林地的总亩数分成20份、将所求林地的总亩数分成30份、将所求林地的总亩数分成40份和将所求林地的总亩数分成50份,将获得的第一蓄积量、第二蓄积量、第三蓄积量和第四蓄积量的总和加起来后再求得平均值,从而获得林地蓄积量测算法中的第二碳汇量,第二碳汇量的计量不仅符合科学性,而且还在林地林业碳汇的计量当中起到了降低估算偏差的效果,从而提高了本发明林地林业碳汇量计量的准确性和科学性,本发明林地蓄积量测算法中包括将所求林地的总亩数分成20份、将所求林地的总亩数分成30份、将所求林地的总亩数分成40份和将所求林地的总亩数分成50份,实现了将所测林地的整体区域分成多组小区域,并且通过各个小区域中的代表性林木进行取样测算,本发明林地蓄积量测算法采用了20、30、40和50的划分方式,避免了偶然情况的发生和出现,从而进一步地提高了本发明林地林业碳汇量计量的准确性和科学性。
本发明采用模型测算法,模型测算法采用将生物量参数作为X,将自变量参数作为Y,林地林木资源清查数据对应的自变量Y输入到林木模型中,获得所在林地的生物量估算值,实现了本发明计量林地林业碳汇量的科学性和实效性,采用人工智能的方式进一步提高了本发明对林地林业碳汇量计量的准确性和科学性,本发明采用生物量法测算法,利用生物量法测算法获得第一碳汇量,生物量法是根据林地内单位面积内生物量、林地内的森林面积、生物量在林木器官中的所占比例和林地内林木器官的平均含碳量呈参数计算而得,生物量法测算的方式不仅简单、高效,而且能够很直观和很实际地将生物量进行测算出,从而提高了本发明的实用性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种林地多数据融合的林业碳汇算法,其特征在于:包括以下工作步骤:
S1:生物量法测算法,利用生物量法测算法获得第一碳汇量;
所述生物量法是根据林地内单位面积内生物量、林地内的森林面积、生物量在林木器官中的所占比例和林地内林木器官的平均含碳量呈参数计算而得;
S2:林地蓄积量测算法,利用林地蓄积量测算法获得第二碳汇量;
S201、林地蓄积量测算法是利用林地蓄积量的数据求得林地内生物量,将所求林地的总亩数分成20份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成20份小矩形后,在所在20份内的林地地区内挑选出有代表性的林地样地,在20份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把20份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将20份小林地的蓄积值全部算出,最后再将20分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第一蓄积量;
S202、将所求林地的总亩数分成30份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成30份小矩形后,在所在30份内的林地地区内挑选出有代表性的林地样地,在30份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把30份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将30份小林地的蓄积值全部算出,最后再将30分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第二蓄积量;
S203、将所求林地的总亩数分成40份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成40份小矩形后,在所在40份内的林地地区内挑选出有代表性的林地样地,在40份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把40份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将40份小林地的蓄积值全部算出,最后再将40分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第三蓄积量;
S204、将第一蓄积量、第二蓄积量、第三蓄积量的总量加起来获得平均蓄积量,再利用平均蓄积量除三则获得最终的林地林木蓄积量;
S205、根据S204中获得的林地林木蓄积量获得第二碳汇量;
S3:模型测算法,利用模型测算法获得第三碳汇量;
S4:将S1中的第一碳汇量和S2中的第二碳汇量以及S3中的第三碳汇量参数相加起来,再拿获得的三个汇碳量总和除以三,获得本发明的最终汇碳量。
2.根据权利要求1所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S2中S206中计算第二碳汇量的公式为:
Cf=Vf×σ×ρ×γ=Vf×1.9×0.5×0.5;
其中:Cf表示第二碳汇量;Vf表示林地林木蓄积量;σ表示林地林木蓄积量换算成生物量蓄积的系数;ρ表示将林地林木蓄积转换成生物干质量的系数;γ表示生物干质量转换成固碳量的系数。
3.根据权利要求1所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S3的具体步骤包括以下:
S301、测量所求林地实际生物量数据参数,生物量数据参数包括林地林木内代表性林木高度、代表性林木胸径、代表性林木树龄和林地林木资源清查数据,林地林木资源清查数据包括平均林木高度、平均林木胸径和平均林木树龄;
S302、使用林地样地数据模拟出林地的林木模型,将生物量参数作为X,将自变量参数作为Y;
S303、将S302中的林木模型拟合林地林木资源清查数据中每个小班上的初始生物量,林地林木资源清查数据对应的自变量Y输入到林木模型中,获得所在林地的生物量估算值。
4.根据权利要求1所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S3的具体步骤还包括以下:
S304、将S303中获得的生物量估算值带入公式中,计算出第三碳汇量。
5.根据权利要求4所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S304中的计算公式如下:
Cf=Vl×σ×ρ×γ=Vf×1.9×0.5×0.5。
6.根据权利要求5所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S304中的计算公式中的Cf表示第三碳汇量,Vl表示生物量估算值,σ表示林地林木蓄积量换算成生物量蓄积的系数,ρ表示将林地林木蓄积转换成生物干质量的系数,γ表示生物干质量转换成固碳量的系数。
7.根据权利要求1所述的一种林地多数据融合的林业碳汇算法,其特征在于:所述S2中的S203之后还包括以下步骤:
将所求林地的总亩数分成50份,通过遥感成像和航拍卫星定位技术将所拍摄的林地图分成50份小矩形后,在所在50份内的林地地区内挑选出有代表性的林地样地,在50份林地内把所具有代表性区域内的林木胸径、林木树高、分类种类等进行测量和标记,然后把50份各自林地小区域内的所有单株林木蓄积累加起来,所得每个小林地的蓄积值,按照相同的操作步骤,将50份小林地的蓄积值全部算出,最后再将50分别小林地获得的蓄积值再整体加起来获得所测林地内林木的所有蓄积量,即获得第四蓄积量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111033572.6A CN113705015A (zh) | 2021-09-03 | 2021-09-03 | 一种林地多数据融合的林业碳汇算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111033572.6A CN113705015A (zh) | 2021-09-03 | 2021-09-03 | 一种林地多数据融合的林业碳汇算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113705015A true CN113705015A (zh) | 2021-11-26 |
Family
ID=78659602
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111033572.6A Pending CN113705015A (zh) | 2021-09-03 | 2021-09-03 | 一种林地多数据融合的林业碳汇算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113705015A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128678A (zh) * | 2021-11-29 | 2022-03-04 | 福州市晋安区绅士养蜂专业合作社 | 一种监测蜂群增强植物碳汇能力的方法及其系统 |
CN114881805A (zh) * | 2022-04-21 | 2022-08-09 | 山东高速云南发展有限公司 | 一种基于碳汇密度的林业碳汇规划方法 |
CN114894254A (zh) * | 2022-07-13 | 2022-08-12 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种单株木碳汇动态计量方法 |
WO2024141089A1 (zh) * | 2022-12-30 | 2024-07-04 | 汉熵通信有限公司 | 一种生成式人工智能(aigc) |
-
2021
- 2021-09-03 CN CN202111033572.6A patent/CN113705015A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114128678A (zh) * | 2021-11-29 | 2022-03-04 | 福州市晋安区绅士养蜂专业合作社 | 一种监测蜂群增强植物碳汇能力的方法及其系统 |
CN114128678B (zh) * | 2021-11-29 | 2022-11-08 | 福州市晋安区绅士养蜂专业合作社 | 一种监测蜂群增强植物碳汇能力的方法及其系统 |
CN114881805A (zh) * | 2022-04-21 | 2022-08-09 | 山东高速云南发展有限公司 | 一种基于碳汇密度的林业碳汇规划方法 |
CN114894254A (zh) * | 2022-07-13 | 2022-08-12 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种单株木碳汇动态计量方法 |
CN114894254B (zh) * | 2022-07-13 | 2022-11-08 | 四川省林业和草原调查规划院(四川省林业和草原生态环境监测中心) | 一种单株木碳汇动态计量方法 |
US11921097B2 (en) | 2022-07-13 | 2024-03-05 | Sichuan Provincial Institute of Forestry and Grassland Inventory and Planning | Method for dynamic measurement of individual tree carbon sink |
WO2024141089A1 (zh) * | 2022-12-30 | 2024-07-04 | 汉熵通信有限公司 | 一种生成式人工智能(aigc) |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113705015A (zh) | 一种林地多数据融合的林业碳汇算法 | |
CN103401236B (zh) | 一种基于风电场流动相关性的风电场机组分组方法 | |
CN111488902A (zh) | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 | |
CN104486435B (zh) | 基于传感器网络的低能耗生态环境监控节点部署方法 | |
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 | |
CN115358644B (zh) | 一种基于机器学习的县域森林碳汇估算方法和装置 | |
CN105353656A (zh) | 一种基于模糊推理的智能温室灌溉控制装置 | |
Cheng et al. | The effects of urbanization on ecosystem services for biodiversity conservation in southernmost Yunnan Province, Southwest China | |
CN114663782A (zh) | 一种林地环境数据的林业碳源汇计量方法 | |
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 | |
CN113052386A (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
Bressan et al. | On the optimal shape of tree roots and branches | |
CN116992351A (zh) | 一种森林碳汇潜力预测方法及装置 | |
CN112651576A (zh) | 长期风电功率预测方法及装置 | |
CN117421686B (zh) | 一种水肥一体化灌溉用量数据收集方法 | |
CN110751323A (zh) | 一种基于动态建模的渔场渔情预测方法 | |
CN106228277B (zh) | 一种基于数据挖掘的水库调度预报信息有效精度识别方法 | |
CN114970355A (zh) | 一种基于交叉验证和神经网络模拟新疆杨蒸腾耗水的方法 | |
CN115481366A (zh) | 一种基于空间降尺度回归模型的耕地资源生产潜力测算方法 | |
Donkor et al. | Estimation and mapping of carbon stocks in Bosomkese Forest Reserve | |
Mezouari et al. | Towards smart farming through machine learning-based automatic irrigation planning | |
CN113344247A (zh) | 一种基于深度学习的电力设施选址预测方法与系统 | |
Del Grosso et al. | History of Ecosystem Model Development at Colorado State University and Current Efforts to Address Contemporary Ecological Issues | |
Azad et al. | Study on wind energy potential by eight numerical methods of Weibull distribution | |
CN118446032B (zh) | 样地尺度森林地上生物量精准估测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |