CN114663782A - 一种林地环境数据的林业碳源汇计量方法 - Google Patents
一种林地环境数据的林业碳源汇计量方法 Download PDFInfo
- Publication number
- CN114663782A CN114663782A CN202210388572.6A CN202210388572A CN114663782A CN 114663782 A CN114663782 A CN 114663782A CN 202210388572 A CN202210388572 A CN 202210388572A CN 114663782 A CN114663782 A CN 114663782A
- Authority
- CN
- China
- Prior art keywords
- soil
- carbon
- forestry
- data
- forest 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 173
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 173
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000002689 soil Substances 0.000 claims abstract description 116
- 239000002028 Biomass Substances 0.000 claims abstract description 49
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000003860 storage Methods 0.000 claims abstract description 14
- 238000009826 distribution Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 229920002488 Hemicellulose Polymers 0.000 claims description 21
- 239000004016 soil organic matter Substances 0.000 claims description 21
- 229920005610 lignin Polymers 0.000 claims description 20
- 229920002678 cellulose Polymers 0.000 claims description 19
- 239000001913 cellulose Substances 0.000 claims description 19
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 9
- 229910002092 carbon dioxide Inorganic materials 0.000 claims description 8
- 239000001569 carbon dioxide Substances 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000005416 organic matter Substances 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 239000011248 coating agent Substances 0.000 claims description 4
- 238000000576 coating method Methods 0.000 claims description 4
- 235000013399 edible fruits Nutrition 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 239000002023 wood Substances 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 3
- 238000001228 spectrum Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 abstract 1
- 230000006872 improvement Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 230000009919 sequestration Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011002 quantification Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30188—Vegetation; Agriculture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种林地环境数据的林业碳源汇计量方法，包括以下步骤：先获取林地环境数据，再对图像数据进行提取并增强，接着据土壤有机碳库贮量分布计算待计量林地区域的林业碳源量，最后将不同树种的碳汇量汇总并得到林地的林业碳汇量；本发明通过对林地环境数据进行对方位采集，使数据采集更全面，从而使后续的计量结果更为贴合实际，通过对图像进行特征提取，并进行增强处理，以便于后续的重合叠加处理，通过对获取的多种林地环境数据进行计算处理从而得到林业碳源量，通过不同树种中的碳密度和不同树种总的生物量计算得到林地的林业碳汇量，并与林业碳源量汇总，得到林业碳源汇量，相比传统计算方法更为准确。
Description
技术领域
本发明涉及林业碳源汇计量技术领域，尤其涉及一种林地环境数据的林业碳源汇计量方法。
背景技术
林地是全球陆地生态系统的主体之一，在其生物量和土壤中贮存大量的碳，碳汇一般是指从空气中清除二氧化碳的过程、活动、机制，在林业中主要是指植物吸收大气中的二氧化碳并将其固定在植被或土壤中，从而减少该气体在大气中的浓度，而林业碳汇就是指利用森林的储碳功能，通过植树造林、加强森林经营管理、减少毁林、保护和恢复森林植被等活动，吸收和固定大气中的二氧化碳，并按照相关规则与碳汇交易相结合的过程、活动或机制，碳源是指产生二氧化碳之源，它既来自自然界，也来自人类生产和生活过程，其与碳汇是两个相对的概念，为了对林业碳源汇功能进行有效评估，需要对林地的林业碳源汇量进行明确的量化。
目前，对林地的林业碳源汇进行量化计算的方法主要包括蓄积量发、生物量清单法、涡旋相关法和涡度协方差法，但这些方法大都流程繁琐，操作复杂，且获取的林地数据较为单一，不够全面，导致计算结果与实际数据偏差较大，准确性较低，无法保证林业碳源汇量量化的精准度，从而不便于用户对林地的林业碳源汇功能进行有效评估，因此，本发明提出一种林地环境数据的林业碳源汇计量方法以解决现有技术中存在的问题。
发明内容
针对上述问题，本发明的目的在于提出一种林地环境数据的林业碳源汇计量方法，解决现有的林地林业碳源汇量化计算方法存在流程复杂以及计算精度较低的问题。
为了实现本发明的目的，本发明通过以下技术方案实现：一种林地环境数据的林业碳源汇计量方法，包括以下步骤：
步骤一：先获取待计量林地区域的树木植被覆盖图和土壤覆盖图，再采集待计量林地区域的不同树种生物量数据、土壤类型面积数据和土壤有机质数据，然后根据不同树种生物量数据计算不同树种木材密度，并根据土壤有机质数据获取土壤有机碳密度数据，得到林地环境数据；
步骤二：基于深度学习神经网络模型对树木植被覆盖图和土壤覆盖图进行图像提取，分别提取图像中的树木植被覆盖区以及土壤覆盖区，再对提取后的图像进行增强处理；
步骤三：先通过土壤类型面积数据和土壤有机碳密度数据，计算单元土壤中有机碳库贮量，再通过将增强后的土壤覆盖区图和树木植被覆盖区图重合叠加，计算不同植被类型下土壤有机碳库贮量分布，然后根据土壤有机碳库贮量分布计算待计量林地区域的林业碳源量；
步骤四：将林地不同树种中的碳密度和不同树种总的生物量相乘，得到不同树种的碳含量，根据碳元素分子质量在二氧化碳分子质量中的比例计算不同树种的碳汇量，将不同树种的碳汇量汇总，得到林地的林业碳汇量，最后将林业碳源量和林业碳汇量汇总，得到林业碳源汇量。
进一步改进在于：所述步骤一中，所述林地区域的树木植被图和土壤图采用卫星遥感技术测定，所述土壤有机质数据通过土壤有机质测量仪测定。
进一步改进在于：所述步骤一中，采集不同树种生物量数据时，将林地树木的生物量分为树干、树皮、树枝、树叶、果实和树根生物量，再确定树干生物量占树木总生物量的比例，由树干生物量推算出不同树种总的生物量。
进一步改进在于：所述步骤二中，对提取后的图像进行的增强处理方法选自图像空间增强处理、图像辐射增强处理、图像光谱增强处理中的一种或多种。
进一步改进在于：所述步骤三中，土壤有机碳密度数据的计算公式为：
SOC＝CDE(1-G)/10
式中，C为土壤有机碳含量，D为土壤容重，E为土壤涂层厚度，G为大于2mm的石砾所占土壤的体积百分比。
进一步改进在于：针对缺失数据的土种剖面有机碳密度，先参照类型相近土种的数据结果，建立土壤容重和土壤深度与土壤有机质含量之间的关联模型，再计算缺失数据的土种剖面的容重，通过拟合建立土壤有机质含量与土壤深度之间的关联模型，然后计算缺失数据的土种剖面不同深度土壤有机质的含量，最后根据获得的不同剖面深度的容重和有机碳含量结果，计算缺失数据的土壤有机密度。
进一步改进在于：所述步骤四中，在林地的不同树种中，根据纤维素、半纤维素和木质素的组成比例，以及纤维素、半纤维素和木质素中碳元素所占重量比例，得到不同树种的含碳率，即碳密度。
进一步改进在于：根据纤维素、半纤维素和木质素的分子式，得到碳元素站纤维素重量的44.5％，碳元素占半纤维素重量的45.4％，碳元素占木质素重量的82.2％，则不同树种的含碳率计算公式为：含碳率＝纤维素含量×44.5％+半纤维素含量×45.4％+木质素含量×82.2％。
本发明的有益效果为：本发明通过将树木植被覆盖图、土壤覆盖图、不同树种生物量数据、土壤类型面积数据和土壤有机质数据作为林地环境数据进行采集，使数据采集更全面，从而使后续的计量结果更为贴合实际，通过对图像进行特征提取，并进行增强处理，以便于后续的重合叠加处理，通过对获取的多种林地环境数据进行计算处理从而得到林业碳源量，通过不同树种中的碳密度和不同树种总的生物量计算得到林地的林业碳汇量，并与林业碳源量汇总，得到林业碳源汇量，相比传统计算方法更为准确，且计量过程简单，易于操作，且可以保证林业碳源汇量量化的精准度，便于后续用户对林地的林业碳源汇功能进行有效评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明的方法流程示意图。
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作出创造性劳动前提下所获得所有其他实施例，都属于本发明保护的范围。
实施例一
参见图1，本实施例提供了一种林地环境数据的林业碳源汇计量方法，包括以下步骤：
步骤一：先采用卫星遥感技术测定待计量林地区域的树木植被覆盖图和土壤覆盖图，再采集待计量林地区域的不同树种生物量数据和土壤类型面积数据，并通过土壤有机质测量仪测定土壤有机质数据，采集不同树种生物量数据时，将林地树木的生物量分为树干、树皮、树枝、树叶、果实和树根生物量，再确定树干生物量占树木总生物量的比例，最后由树干生物量推算出不同树种总的生物量，然后根据不同树种生物量数据计算不同树种木材密度，并根据土壤有机质数据获取土壤有机碳密度数据，得到林地环境数据，通过将树木植被覆盖图、土壤覆盖图、不同树种生物量数据、土壤类型面积数据和土壤有机质数据作为林地环境数据进行采集，使数据采集更全面，从而使后续的计量结果更为贴合实际；
步骤二：基于深度学习神经网络模型对树木植被覆盖图和土壤覆盖图进行图像提取，分别提取图像中的树木植被覆盖区以及土壤覆盖区，再对提取后的图像进行增强处理，对提取后的图像进行的增强处理方法为图像空间增强处理，通过基于深度学习神经网络模型对图像进行特征提取，并进行增强处理，从而使图像更为清晰，数据量更小，以便于后续的重合叠加处理；
步骤三：先通过土壤类型面积数据和土壤有机碳密度数据，计算单元土壤中有机碳库贮量，再通过将增强后的土壤覆盖区图和树木植被覆盖区图重合叠加，计算不同植被类型下土壤有机碳库贮量分布，然后根据土壤有机碳库贮量分布计算待计量林地区域的林业碳源量，通过对步骤一中获取的多种数据进行计算处理从而得到林业碳源量，相比传统的计算方法更为准确，提高了林业碳源量的计量精度，土壤有机碳密度数据的计算公式为：
SOC＝CDE(1-G)/10
式中，C为土壤有机碳含量，D为土壤容重，E为土壤涂层厚度，G为大于2mm的石砾所占土壤的体积百分比，而针对缺失数据的土种剖面有机碳密度，先参照类型相近土种的数据结果，建立土壤容重和土壤深度与土壤有机质含量之间的关联模型，再计算缺失数据的土种剖面的容重，通过拟合建立土壤有机质含量与土壤深度之间的关联模型，然后计算缺失数据的土种剖面不同深度土壤有机质的含量，最后根据获得的不同剖面深度的容重和有机碳含量结果，计算缺失数据的土壤有机密度，通过上述计算方法，使缺失数据的土种剖面有机碳密度也可以得到准确计算，进一步提高了计量结果的准确性；
步骤四：将林地不同树种中的碳密度和不同树种总的生物量相乘，得到不同树种的碳含量，根据碳元素分子质量在二氧化碳分子质量中的比例计算不同树种的碳汇量，将不同树种的碳汇量汇总，得到林地的林业碳汇量，在林地的不同树种中，根据纤维素、半纤维素和木质素的组成比例，以及纤维素、半纤维素和木质素中碳元素所占重量比例，得到不同树种的含碳率，即碳密度，根据纤维素、半纤维素和木质素的分子式，得到碳元素站纤维素重量的44.5％，碳元素占半纤维素重量的45.4％，碳元素占木质素重量的82.2％，则不同树种的含碳率计算公式为：含碳率＝纤维素含量×44.5％+半纤维素含量×45.4％+木质素含量×82.2％，最后将林业碳源量和林业碳汇量汇总，得到林业碳源汇量，通过不同树种中的碳密度和不同树种总的生物量计算得到林地的林业碳汇量，并与林业碳源量汇总，得到林业碳源汇量，计量过程简单，易于操作，且可以保证林业碳源汇量量化的精准度，便于后续用户对林地的林业碳源汇功能进行有效评估。
实施例二
参见图1，本实施例提供了一种林地环境数据的林业碳源汇计量方法，包括以下步骤：
步骤一：先采用卫星遥感技术测定待计量林地区域的树木植被覆盖图和土壤覆盖图，再采集待计量林地区域的不同树种生物量数据和土壤类型面积数据，并通过土壤有机质测量仪测定土壤有机质数据，采集不同树种生物量数据时，将林地树木的生物量分为树干、树皮、树枝、树叶、果实和树根生物量，再确定树干生物量占树木总生物量的比例，最后由树干生物量推算出不同树种总的生物量，然后根据不同树种生物量数据计算不同树种木材密度，并根据土壤有机质数据获取土壤有机碳密度数据，得到林地环境数据，通过将树木植被覆盖图、土壤覆盖图、不同树种生物量数据、土壤类型面积数据和土壤有机质数据作为林地环境数据进行采集，使数据采集更全面，从而使后续的计量结果更为贴合实际；
步骤二：基于深度学习神经网络模型对树木植被覆盖图和土壤覆盖图进行图像提取，分别提取图像中的树木植被覆盖区以及土壤覆盖区，再对提取后的图像进行增强处理，对提取后的图像进行的增强处理方法为图像辐射增强处理和图像光谱增强处理，通过基于深度学习神经网络模型对图像进行特征提取，并进行增强处理，从而使图像更为清晰，数据量更小，以便于后续的重合叠加处理；
步骤三：先通过土壤类型面积数据和土壤有机碳密度数据，计算单元土壤中有机碳库贮量，再通过将增强后的土壤覆盖区图和树木植被覆盖区图重合叠加，计算不同植被类型下土壤有机碳库贮量分布，然后根据土壤有机碳库贮量分布计算待计量林地区域的林业碳源量，通过对步骤一中获取的多种数据进行计算处理从而得到林业碳源量，相比传统的计算方法更为准确，提高了林业碳源量的计量精度，土壤有机碳密度数据的计算公式为：
SOC＝CDE(1-G)/10
式中，C为土壤有机碳含量，D为土壤容重，E为土壤涂层厚度，G为大于2mm的石砾所占土壤的体积百分比，而针对缺失数据的土种剖面有机碳密度，先参照类型相近土种的数据结果，建立土壤容重和土壤深度与土壤有机质含量之间的关联模型，再计算缺失数据的土种剖面的容重，通过拟合建立土壤有机质含量与土壤深度之间的关联模型，然后计算缺失数据的土种剖面不同深度土壤有机质的含量，最后根据获得的不同剖面深度的容重和有机碳含量结果，计算缺失数据的土壤有机密度，通过上述计算方法，使缺失数据的土种剖面有机碳密度也可以得到准确计算，进一步提高了计量结果的准确性；
步骤四：将林地不同树种中的碳密度和不同树种总的生物量相乘，得到不同树种的碳含量，根据碳元素分子质量在二氧化碳分子质量中的比例计算不同树种的碳汇量，将不同树种的碳汇量汇总，得到林地的林业碳汇量，在林地的不同树种中，根据纤维素、半纤维素和木质素的组成比例，以及纤维素、半纤维素和木质素中碳元素所占重量比例，得到不同树种的含碳率，即碳密度，根据纤维素、半纤维素和木质素的分子式，得到碳元素站纤维素重量的44.5％，碳元素占半纤维素重量的45.4％，碳元素占木质素重量的82.2％，则不同树种的含碳率计算公式为：含碳率＝纤维素含量×44.5％+半纤维素含量×45.4％+木质素含量×82.2％，最后将林业碳源量和林业碳汇量汇总，得到林业碳源汇量，通过不同树种中的碳密度和不同树种总的生物量计算得到林地的林业碳汇量，并与林业碳源量汇总，得到林业碳源汇量，计量过程简单，易于操作，且可以保证林业碳源汇量量化的精准度，便于后续用户对林地的林业碳源汇功能进行有效评估。
以上所述仅为本发明的较佳实施例而已，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 (8)
1.一种林地环境数据的林业碳源汇计量方法，其特征在于，包括以下步骤：
步骤一：先获取待计量林地区域的树木植被覆盖图和土壤覆盖图，再采集待计量林地区域的不同树种生物量数据、土壤类型面积数据和土壤有机质数据，然后根据不同树种生物量数据计算不同树种木材密度，并根据土壤有机质数据获取土壤有机碳密度数据，得到林地环境数据；
步骤二：基于深度学习神经网络模型对树木植被覆盖图和土壤覆盖图进行图像提取，分别提取图像中的树木植被覆盖区以及土壤覆盖区，再对提取后的图像进行增强处理；
步骤三：先通过土壤类型面积数据和土壤有机碳密度数据，计算单元土壤中有机碳库贮量，再通过将增强后的土壤覆盖区图和树木植被覆盖区图重合叠加，计算不同植被类型下土壤有机碳库贮量分布，然后根据土壤有机碳库贮量分布计算待计量林地区域的林业碳源量；
步骤四：将林地不同树种中的碳密度和不同树种总的生物量相乘，得到不同树种的碳含量，根据碳元素分子质量在二氧化碳分子质量中的比例计算不同树种的碳汇量，将不同树种的碳汇量汇总，得到林地的林业碳汇量，最后将林业碳源量和林业碳汇量汇总，得到林业碳源汇量。
2.根据权利要求1所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：所述步骤一中，所述林地区域的树木植被图和土壤图采用卫星遥感技术测定，所述土壤有机质数据通过土壤有机质测量仪测定。
3.根据权利要求1所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：所述步骤一中，采集不同树种生物量数据时，将林地树木的生物量分为树干、树皮、树枝、树叶、果实和树根生物量，再确定树干生物量占树木总生物量的比例，由树干生物量推算出不同树种总的生物量。
4.根据权利要求1所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：所述步骤二中，对提取后的图像进行的增强处理方法选自图像空间增强处理、图像辐射增强处理、图像光谱增强处理中的一种或多种。
5.根据权利要求1所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：所述步骤三中，土壤有机碳密度数据的计算公式为：
SOC＝CDE(1-G)/10
式中，C为土壤有机碳含量，D为土壤容重，E为土壤涂层厚度，G为大于2mm的石砾所占土壤的体积百分比。
6.根据权利要求5所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：针对缺失数据的土种剖面有机碳密度，先参照类型相近土种的数据结果，建立土壤容重和土壤深度与土壤有机质含量之间的关联模型，再计算缺失数据的土种剖面的容重，通过拟合建立土壤有机质含量与土壤深度之间的关联模型，然后计算缺失数据的土种剖面不同深度土壤有机质的含量，最后根据获得的不同剖面深度的容重和有机碳含量结果，计算缺失数据的土壤有机密度。
7.根据权利要求1所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：所述步骤四中，在林地的不同树种中，根据纤维素、半纤维素和木质素的组成比例，以及纤维素、半纤维素和木质素中碳元素所占重量比例，得到不同树种的含碳率，即碳密度。
8.根据权利要求7所述的一种林地环境数据的林业碳源汇计量方法，其特征在于：根据纤维素、半纤维素和木质素的分子式，得到碳元素站纤维素重量的44.5％，碳元素占半纤维素重量的45.4％，碳元素占木质素重量的82.2％，则不同树种的含碳率计算公式为：含碳率＝纤维素含量×44.5％+半纤维素含量×45.4％+木质素含量×82.2％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210388572.6A CN114663782A (zh) | 2022-04-13 | 2022-04-13 | 一种林地环境数据的林业碳源汇计量方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210388572.6A CN114663782A (zh) | 2022-04-13 | 2022-04-13 | 一种林地环境数据的林业碳源汇计量方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114663782A true CN114663782A (zh) | 2022-06-24 |
Family
ID=82034396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210388572.6A Pending CN114663782A (zh) | 2022-04-13 | 2022-04-13 | 一种林地环境数据的林业碳源汇计量方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114663782A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270043A (zh) * | 2022-07-27 | 2022-11-01 | 重庆地质矿产研究院 | 一种用于西南岩溶矿区生态碳汇的计算方法 |
| CN115374629A (zh) * | 2022-08-19 | 2022-11-22 | 生态环境部环境规划院 | 一种预测森林碳汇变化及空间分布的方法及系统 |
| CN116342353A (zh) * | 2023-05-26 | 2023-06-27 | 红杉天枰科技集团有限公司 | 基于深度学习实现经济林碳汇量分析方法及系统 |
| CN116992191A (zh) * | 2023-09-27 | 2023-11-03 | 西安中碳环境科技有限公司 | 多源遥感数据驱动的森林碳汇动态监测与评估系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
| WO2020240083A1 (en) * | 2019-05-24 | 2020-12-03 | Hiilinieluntuottajat Hnt Oy | A system and a method for utilizing a carbon sink formed by soil and/or forest in emission trading systems |
| CN112525830A (zh) * | 2020-11-20 | 2021-03-19 | 北京观微科技有限公司 | 基于退耕还林还草的土壤有机碳储量变化的研究方法 |
| CN112782385A (zh) * | 2020-12-14 | 2021-05-11 | 南京信息工程大学 | 一种土壤有机碳密度和储量估算方法 |
-
2022
- 2022-04-13 CN CN202210388572.6A patent/CN114663782A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020240083A1 (en) * | 2019-05-24 | 2020-12-03 | Hiilinieluntuottajat Hnt Oy | A system and a method for utilizing a carbon sink formed by soil and/or forest in emission trading systems |
| CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
| CN112525830A (zh) * | 2020-11-20 | 2021-03-19 | 北京观微科技有限公司 | 基于退耕还林还草的土壤有机碳储量变化的研究方法 |
| CN112782385A (zh) * | 2020-12-14 | 2021-05-11 | 南京信息工程大学 | 一种土壤有机碳密度和储量估算方法 |
Non-Patent Citations (1)
| Title |
|---|
| 顾凯平等: "森林碳汇计量方法的研究", 《南京林业大学学报(自然科学版)》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115270043A (zh) * | 2022-07-27 | 2022-11-01 | 重庆地质矿产研究院 | 一种用于西南岩溶矿区生态碳汇的计算方法 |
| CN115374629A (zh) * | 2022-08-19 | 2022-11-22 | 生态环境部环境规划院 | 一种预测森林碳汇变化及空间分布的方法及系统 |
| CN116342353A (zh) * | 2023-05-26 | 2023-06-27 | 红杉天枰科技集团有限公司 | 基于深度学习实现经济林碳汇量分析方法及系统 |
| CN116342353B (zh) * | 2023-05-26 | 2023-08-25 | 红杉天枰科技集团有限公司 | 基于深度学习实现经济林碳汇量分析方法及系统 |
| CN116992191A (zh) * | 2023-09-27 | 2023-11-03 | 西安中碳环境科技有限公司 | 多源遥感数据驱动的森林碳汇动态监测与评估系统 |
| CN116992191B (zh) * | 2023-09-27 | 2023-12-08 | 西安中碳环境科技有限公司 | 多源遥感数据驱动的森林碳汇动态监测与评估系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114663782A (zh) | 一种林地环境数据的林业碳源汇计量方法 | |
| Nilsson et al. | Full carbon account for Russia | |
| Brown et al. | Biomass estimates for tropical forests | |
| Htun et al. | Tree species composition and diversity at different levels of disturbance in Popa Mountain Park, Myanmar | |
| Atsbha et al. | Carbon sequestration potential of natural vegetation under grazing influence in Southern Tigray, Ethiopia: implication for climate change mitigation | |
| Mu et al. | Exploring how groundwater buffers the influence of heatwaves on vegetation function during multi-year droughts | |
| CN110378925B (zh) | 一种机载LiDAR和多光谱遥感技术的生态水储量估算方法 | |
| Klosterhalfen et al. | Source partitioning of H 2 O and CO 2 fluxes based on high-frequency eddy covariance data: a comparison between study sites | |
| Bechtold et al. | Forest age influences in-stream ecosystem processes in Northeastern US | |
| Thakrey et al. | Impact of disturbance on biomass, carbon, and nitrogen storage in vegetation and on soil properties of tropical dry deciduous forest in Chhattisgarh, India | |
| Kusumoto et al. | Determinant factors influencing the spatial distributions of subtropical lianas are correlated with components of functional trait spectra | |
| Neill et al. | Structural changes to forests during regeneration affect water flux partitioning, water ages and hydrological connectivity: Insights from tracer-aided ecohydrological modelling | |
| Lagergren et al. | Time shift between net and gross CO 2 uptake and growth derived from tree rings in pine and spruce | |
| Yu et al. | Terrestrial laser scanning‐derived canopy interception index for predicting rainfall interception | |
| Guevara-Escobar et al. | Machine learning estimates of eddy covariance carbon flux in a scrub in the Mexican highland | |
| Bārdule et al. | Estimation of litter input in hemiboreal forests with drained organic soils for improvement of GHG inventories | |
| Heidenreich et al. | Assessing forest vitality and forest structure using 3D data: a case study from the Hainich National Park, Germany | |
| Adeyemi et al. | Assessment of land-cover changes and carbon sequestration potentials of tree species in j4 section of Omo Forest Reserve, Ogun State, Nigeria | |
| Hyman et al. | Soil carbon storage potential of acid soils of Colombia's Eastern High Plains | |
| Nandal et al. | Advance methodological approaches for carbon stock estimation in forest ecosystems | |
| CN109657994A (zh) | 一种生态类自然保护地的保护成效评估方法及系统 | |
| Jenkins et al. | FC woodland carbon code: Carbon assessment protocol | |
| Fonti et al. | Intraseasonal climatic signal in tree rings of conifers in the permafrost zone of Siberia | |
| CN115561432A (zh) | 一种农田土壤有机碳空间分布图获取方法 | |
| Tang et al. | Understanding the effects of revegetated shrubs on fluxes of energy, water, and gross primary productivity in a desert steppe ecosystem using the STEMMUS–SCOPE model |
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 |
Application publication date: 20220624 |
|
| RJ01 | Rejection of invention patent application after publication |