CN114970119B - 一种带状区域内的树木碳汇量预测方法 - Google Patents
一种带状区域内的树木碳汇量预测方法 Download PDFInfo
- Publication number
- CN114970119B CN114970119B CN202210498147.2A CN202210498147A CN114970119B CN 114970119 B CN114970119 B CN 114970119B CN 202210498147 A CN202210498147 A CN 202210498147A CN 114970119 B CN114970119 B CN 114970119B
- Authority
- CN
- China
- Prior art keywords
- tree
- model
- climate
- annual average
- information
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 79
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000011176 pooling Methods 0.000 title description 2
- 239000002028 Biomass Substances 0.000 claims abstract description 39
- 239000002245 particle Substances 0.000 claims abstract description 20
- 230000009919 sequestration Effects 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000001556 precipitation Methods 0.000 claims description 35
- 210000000038 chest Anatomy 0.000 claims description 25
- 210000000481 breast Anatomy 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 230000001932 seasonal effect Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 238000012545 processing Methods 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 238000007621 cluster analysis Methods 0.000 abstract description 3
- 241000894007 species Species 0.000 description 11
- 244000050510 Cunninghamia lanceolata Species 0.000 description 10
- 239000002023 wood Substances 0.000 description 10
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000005192 partition Methods 0.000 description 3
- 244000153665 Ficus glomerata Species 0.000 description 2
- 235000012571 Ficus glomerata Nutrition 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000006386 neutralization reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229920000642 polymer Polymers 0.000 description 1
- 238000011158 quantitative evaluation Methods 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
-
- 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
Abstract
本发明涉及一种带状区域内的树木碳汇量预测方法，属于树木碳汇量计算方法领域。首先，采集目标区域内的树木、气候和区域空间等基础信息，对采集信息进行处理和计算，建立基础信息数据集；其次，划分区域方格，并对方格内多维数据进行聚类分析，构建气候因子模型；然后，引入温特乘法模型，融合气候因子模型、粒子群算法对模型进行优化，构建树木生长预测模型；最后，基于树木生长预测模型预测树木的生物量和碳汇量。本发明将气候因子模型、粒子群算法与温特乘法模型融合改进，构建树木生长预测模型，实现了对树木碳汇量的精确预测；创新性提出了针对带状区域树木碳汇量预测方法，可广泛用于公路、铁路等沿线树木碳汇量的预测分析。
Description
技术领域
一种带状区域内的树木碳汇量预测方法，属于碳汇量计算方法领域。
背景技术
人类两百多年的工业化进程，排放了大量的温室气体(主要为二氧化碳)到空气中，再加上大量林地被占用，导致大气层二氧化碳浓度升高，出现了温室效应。气候问题成为国际上的重要议题，在国内，为了完成2030年“碳达峰”和2060年“碳中和”的目标，国家正在加紧推动碳相关产业的创新与发展，从控制碳排放和碳汇两方面出发，对碳排放量进行控制，并通过植树造林等方式增加碳汇量。森林碳汇作为最主要的碳汇手段，在碳循环中起着非常重要的作用，将会随着“碳汇经济”的发展，为实现我国碳中和作出重要贡献。
现在有关碳汇计算的相关专利，主要针对现存树木碳汇量进行计算。一类是通过传统的树木测量数据进行计算，比如申请公布号CN202110645638.0，申请者通过对城市总体规划层面的绿地碳储量进行抽样实地测量，从而得到城市主要树种乔灌木的数据以及总规层面各类绿地乔灌草垂直投影面积，计算各个样方内的城市绿地碳储量，再计算出碳汇总量。另一类是通过其他维度计算碳汇量，比如申请公布号CN201510178889.7，申请者使用在气体交换法的基础上，结合树冠表观特征、光能利用率和管养方式，构建城市单株乔木的碳汇计算模型，进行城市绿地碳汇能力的测算。
现有的相关专利都仅停留在计算当前树木碳汇量的角度，只是从不同维度计算出碳汇存量，但都未提出一种方法或模型实现碳汇量预测，不利于进行碳汇量的量化计算及调查研究。
发明内容
本发明的技术方案是：一种带状区域内的树木碳汇量预测方法，首先，采集目标区域内的树木、气候和区域空间等基础信息，对采集信息进行处理和计算，录入基础信息数据集；其次，划分区域方格，并对方格内多维数据进行聚类分析，构建气候因子模型；然后，引入温特乘法模型，融合气候因子模型、粒子群算法对模型进行优化，构建树木生长预测模型；最后，基于树木生长预测模型预测树木的生物量和碳汇量。具体步骤如下：
Step1：采集基础信息：采集树木信息、气候信息、区域空间信息、辅助信息；
Step2：构建基础信息数据集：基于Step1采集的数据，构建树木3D模型，根据树木3D模型计算出树高和胸径，最后构建基础信息数据集；
Step3：构建气候因子模型：针对目标带状区域，按气候和区域空间进行区域方格划分，并采用聚类算法对区域方格内的多维数据进行聚类分析，计算出不同方格内不同聚类中心点的气候因子取值范围；
Step4：构建树木生长预测模型：通过引入气候因子模型、粒子群算法对温特乘法模型进行改进优化，然后系统构建树木生长预测模型；
Step5：数据预测：根据Step4构建的树木生长预测模型，进行生物量、碳汇量预测。
具体地，Step1的具体实施步骤如下：
Step1.1：树木信息采集；设定树木编号为i，以间隔固定周期的形式，采用信息收集设备，基于三维坐标采集树木坐标数据，同时采集包括树种type、采集时间timei、经度longtitudeTreei、纬度latitudeTreei和海拔WhTreei(单位：米)信息；所采集的树木总量为count；
Step1.2：气候信息采集；通过当地气象局或实地调研或互联网平台或专家判断形式，收集目标带状区域包含年均等温线、年均等降水量线和年均日照等时线等信息的气象图；采集相邻两条年均等温线划分区域内的年均温度、相邻两条年均等降水量线划分区域内的年均降水量、相邻两条年均日照等时线划分区域内的年均日照时长；
Step1.3：区域空间信息采集；采用定位设备，收集目标带状区域所处的经度[longitudeAreaa,longitudeAreab]、纬度[latitudeAreaa,latitudeAreab]范围和海拔范围[WhAreaa,WhAreab]信息；
Step1.4：辅助信息采集；根据互联网或文献资料或专家判断形式，收集不同树种最适宜生长气候，收集得到不同树种对应的：最适宜年均降水量Wrftype、最适宜年均日照时间Wsftype、最适宜年均温度Wtftype和最适宜海拔Whftype，若气候信息为范围值则取范围中点数据为最适宜数据。
具体地，Step2的具体实施步骤如下：
Step2.1：数据导入；根据Step1.1中采集的树木三维坐标数据，构建树木3D模型；
Step2.2：数据处理；根据Step2.1构建的树木3D模型，计算出树木i对应的树高Hi(单位：米)和胸径Di(单位：厘米)；
树高Hi：即指树木从地面到树梢之间的距离，选取树木3D模型中Z轴上的点，Z轴垂直方向上差值最大的两个点即为树高；
其中，zmax表示Z轴方向上数值最大的点，zmin表示Z轴方向上数值最小的点；
胸径Di：根据树木的扫描数据，生成树木的点云，在距离Z轴上距离原点1.3m处的点云上拟合一个圆，在点云上所有点与拟合圆圆心距离的和最小的条件下得到最佳拟合圆，最佳拟合圆的直径为树木胸径；
D＝2R (3)
如公式(2)所示，其中(Dox，Doy)是拟合圆圆心坐标，(x，y)表示点云上点的坐标，R为拟合圆的半径，D为拟合圆的直径；
Step2.3：确定树木气候信息；根据Step1.2中采集的信息，根据树木所处的划分区域确定树木的年均降水量Wri、年均温度Wti和年均日照时间Wsi；
Step2.4：构建基础信息数据集；基于Step1中的树木信息、气候信息、区域空间信息、辅助信息及Step2中获取到的树木树高、胸径和气候信息构建基础信息数据集V1，基础信息数据集V1如下：
{树木编号i，测量时间Timei，树种type，树高Hi，胸径Di，年均降水量Wri，年均温度Wti，年均日照时间Wsi，经度longitudeT reei，纬度latitudeTr eei，海拔WhTreei}。
具体地，Step3的具体实施步骤如下：
Step3.1：区域方格划分；根据Step1.2中采集到的气象图和Step1.3中采集到的区域空间信息，对目标区域进行区域方格划分，划分原则具体为：所划分的区域方格内年均等温线、年均等降水量线、年均日照等时线各不超过K条，即区域方格内温度温差值不超过Kt摄氏度，降水量差值不超过Kr毫米，日照时间差值不超过Ks小时，将目标区域划分为Zj个区域方格。
Step3.2：数据聚类分析；针对某一区域方格Zj，根据Step2.4中的数据集V1，采用K-means++聚类算法对树木数据进行聚类，设置聚类半径和聚类数量，对区域方格内的树木按树种type、年均降水量Wri、年均日照时间Wsi、年均温度Wti和海拔WhTreei，进行聚类处理，获得u个聚类Clusteru，设定Zj区域方格内某一聚类中的气候因子为FZj(Wu)；
Step3.3：气候因子构建：根据Step3.2的聚类分析结果，选取某一聚类中心点对应的年均降水量Wru(单位：毫米)、年均日照时间Wsu(单位：小时)、年均温度Wtu(单位：摄氏度)和海拔Whu(单位：米)。将Step1.4中的树种对应的最适宜年均降水量Wrftype、最适宜年均日照时间Wsftype、最适宜年均温度Wtftype和最适宜海拔Whftype与聚类中心点的数据进行计算，确定该聚类的气候因子
的取值范围为
具体判断如下；
其中，C为常数，值取为2，当为负或零时，取大于0；
Step3.4：重复Step3.2和Step3.3，计算出各区域方格中所有聚类的气候因子取值范围。
具体地，Step4的具体实施步骤如下：
Step4.1：模型引入；基于温特乘法模型，预测区域方格Zj中对应的某一聚类的数据，根据Step2.4中的数据集V1数据，分别对树木胸径和树高进行预测；
其中，公式(6)中，lt表示平滑水平，α是水平的平滑参数，lt-1表示上一周期的预估水平，St-m表示上一周期的季节趋势，bt-1表示上一周期的预测趋势；bt表示当前的预测趋势，β是趋势的平滑参数；St表示当前的季节趋势，γ是季节的平滑参数，t+h为第h期的数据预期，h表示预测的期数，k为计算常数，Xt+h表示第h期的预测值，Xt表示当前的值，St+h-m(k+1)表示时刻预测期数时的季节趋势，[]表示取整计算；
Step4.2：模型优化；将Step3.3中的气候因子
代入Step4.1的温特乘法模型中，利用气候因子对温特乘法模型进行优化；
其中，
表示气候因子，[]表示取整运算；
Step4.3：模型寻优；代入数据集V1中的胸径和树高，结合Step3.3中的气候因子取值范围
利用气候因子优化温特乘法模型预测值，目标求解使得实测值的和与预测值的和相减绝对值最小，通过粒子群不断迭代找寻最优解得出聚类的最优气候因子；
其中，公式(8)中，viparticle是第iparticle颗粒子的速度，pbestiparticle是第iparticle颗粒子的个体最优数据，gbestiparticle是第iparticle颗粒子的全局最优数据，rand()是介于(0,1)间的随机数，xiparticle是当前粒子的位置，c1和c2是学习因子，取c1＝c2＝2；viparticle的最大值为vmax(大于0)，如果viparticle大于vmax，则viparticle＝vmax，ω为惯性因子，其值为非负；
其中，公式(9)中，xt+h为基于数据集V1获取的树木实测值，x(t+h)′为基于温特乘法模型计算的树木预测值，求解出最优气候因子，最优条件为实测值的和与预测值的和相减绝对值最小，
和
分别为
取值范围内的最大值和最小值；
Step4.4：将求解出的最优气候因子，与温特乘法模型融合建立树木生长预测模型
Step4.5：重复Step4.2至Step4.4，计算出各区域方格中所有聚类对应的最优气候因子
并代入公式(10)，建立基于各个气候因子的树木生长预测模型。
具体地，Step5的具体实施步骤如下：
Step5.1：胸径树高预测；根据Step4.5中的树木生长预测模型，对区域方格Zj中聚类Clusteru对应的树木i的胸径和树高进行预测，分别表示为
Step5.2：生物量预测；将Step5.1中的预测胸径
和预测树高
代入树木生物量计算公式，预测出未来一段时间内的树木预测生物量与实际生物量。
单棵树木实际生物量：Mi＝a×(Di pHi q) (11)
单棵树木预测生物量：
其中，
表示树木i的预测胸径，
表示树木i的预测树高；
目标区域预测树木生物量：
其中，a、p、q为回归常数，可根据树种和胸径从国家林业局发布的《中华人民共和国林业行业标准——立木生物量模型和碳计量参数》查询，生物量单位为千克；
Step5.3：碳汇量预测；根据树木生物量与碳汇量的关系，计算得出预测时间点的单棵和目标区域树木预测碳汇量；
单棵树木预测碳汇量：
具体的，如公式(14)因树木的碳汇量为生物量的增加量，所以需要用树木未来预期的生物量减去现存生物量。
其中，Tci为含碳系数，可根据树种从国家林业局发布的《中华人民共和国林业行业标准——立木生物量模型和碳计量参数》查询，碳汇量单位为千克。
目标区域树木预测碳汇量：
具体地，所述Step1.1中：树木的信息采集由无人机或其他设备的光波或毫米波雷达和摄像设备完成。
具体地，所述Step1.2中：划分区域指的是任意两条相邻年均等温线或年均等降水量线或年均日照等时线所划分的区域。
具体地，所述Step1.3中：所述的带状区域，指的是通过区域切割等方式将区域转化为带状区域，对原有区域形状不限定。
具体地，所述Step4.4中：所述的树木生长预测模型是指在温特乘法模型的基础上，引入气候因子模型和粒子群算法，利用粒子群算法对气候因子进行寻优，最终利用气候因子修正温特乘法模型预测结果。
本发明的有益效果是：本发明针对上述专利存在的局限性，从实际需求角度出发，在计算树木现存碳汇量的基础上，引入树木生长预测模型的概念，并通过构建气候因子模型以及粒子群算法寻优的方式，提升了树木碳汇量预测的准确性，重点解决了传统树木碳汇量计算的局限性，为树木碳汇量预测提供了一种新的方法。
附图说明
图1是本发明的总体流程示意图；
图2是本发明构建气候因子模型流程图；
图3是本发明构建树木生长预测模型环节流程示意图；
图4是区域气象图示意图；
图5是区域方格划分示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面通过附图和具体实施例，对本发明做进一步详细说明。
实施例1：Step1本例中树木采用杉木作为树种，树木区域以某林场为例。
Step1.1：树木信息采集；在一年时间内，以一个月为间隔，使用信息收集设备，采集树木数据：树种为杉木，采集时间分别为一至十二月，树木经纬度和海拔如表1所示，所采集树木数量为10棵；
Step1.2：气候信息采集；通过当地气象局或实地调研，采集到树木种植区域的年均等温线、年均等降水量线和年均日照等时线的气象图，收集目标带状区域包含年均等温线、年均等降水量线、年均日照等时线等信息的气象图；采集年均等温线划分区域内的年均温度、年均等降水量线划分区域内的年均降水量、年均日照等时线划分区域内的年均日照时长；
Step1.3：区域空间信息采集；目标区域位于东经111°20′52″至111°21′35″，北纬23°56′36″至23°57′25″，海拔高度为83m至160m；
Step1.4：辅助信息采集；根据互联网或文献资料，收集得到杉木对应的：最适宜年均降水量为1400mm、最适宜年均日照时间为1600小时、最适宜年均温度为16℃和最适宜海拔为800米。
Step2.1：数据导入；根据Step1.1中采集的树木三维坐标数据，构建树木3D模型；
Step2.2：数据处理；根据Step2.1构建的树木3D模型，计算出树木i对应的树高Hi(单位：米)和胸径Di(单位：厘米)，所采集树高和胸径如表2和表3所示；
树高Hi：即指树木从地面到树梢之间的距离，选取树木3D模型中Z轴上的点，Z轴垂直方向上差值最大的两个点即为树高；
其中，zmax表示Z轴方向上数值最大的点，zmin表示Z轴方向上数值最小的点；
胸径Di：根据树木的扫描数据，生成树木的点云，在距离Z轴上距离原点1.3m处的点云上拟合一个圆，在点云上所有点与拟合圆圆心距离的和最小的条件下得到最佳拟合圆，最佳拟合圆的直径为树木胸径；
D＝2R
Step2.3：确定树木气候信息；根据Step1.2中采集的信息，根据树木所处的划分区域确定树木的年均降水量、年均温度摄氏度、年均日照时间如表1所示；
Step2.4：构建基础信息数据集；基于Step1中的树木信息、气候信息、区域空间信息、辅助信息及Step2中获取到的树木树高、胸径和气候信息构建基础信息数据集。基础信息数据集所含数据如表1至表3所示：
表1：基础信息数据集
| 树木编号 | 001 | 002 | 003 | 004 | 005 | 006 | 007 | 008 | 009 | 010 |
| 树种 | 杉木 | 杉木 | 杉木 | 杉木 | 杉木 | 杉木 | 杉木 | 杉木 | 杉木 | 杉木 |
| 海拔 | 113 | 112 | 116 | 136 | 138 | 115 | 137 | 108 | 130 | 134 |
| 年均温度 | 19.9 | 19.9 | 19.9 | 19.9 | 19.9 | 19.9 | 19.9 | 19.9 | 19.9 | 19.9 |
| 年均日照时间 | 1586.6 | 1586.6 | 1586.6 | 1586.6 | 1586.6 | 1586.6 | 1586.6 | 1586.6 | 1586.6 | 1586.6 |
| 年均降水量 | 1535.6 | 1535.6 | 1535.6 | 1535.6 | 1535.6 | 1535.6 | 1535.6 | 1535.6 | 1535.6 | 1535.6 |
| 经度 | 111°20′53″ | 111°20′52″ | 111°20′59″ | 111°21′8″ | 111°20′54″ | 111°20′55″ | 111°21′2″ | 111°21′18″ | 111°21′18″ | 111°21′19″ |
| 纬度 | 23°56′40″ | 23°56′38″ | 23°56′37″ | 23°57′20″ | 23°57′9″ | 23°56′39″ | 24°57′14″ | 23°56′56″ | 24°57′10″ | 24°57′16″ |
表2：树木胸径实测值
表3：树木树高实测值
Step3.1：区域方格划分；划分原则是在所划分区域内年均等温线、年均等降水量线和年均日照等时线各不超过3条，基于上述划分原则按照带状区域实际情况，将带状区域划分为1个区域方格；
Step3.2：数据聚类分析；根据Step2.4中的数据集，采用K-means++聚类算法，设置聚类半径为5，聚类数量为2，对不同区域方格的树木按树种、年均降水量、年均日照时间、年均温度和海拔，进行聚类处理，总共获得2个聚类，第一聚类树木编号为{001,002,003,006,008}，第二聚类树木编号为{004,005,007,009,010}，聚类中的树木数量都为5，设定聚类中的气候因子为
Step3.3：气候因子构建：选取第一个聚类中心点的年均降水量1535.6毫米、年均日照时间1586.6小时、年均温度19.9摄氏度和海拔113米。第二个聚类中心点的年均降水量1535.6毫米、年均日照时间1586.6小时、年均温度19.9摄氏度和海拔135米。将Step1.4中的树种对应的最适宜年均降水量、最适宜年均日照时间、最适宜年均温度和最适宜海拔与经过聚类后的气候中心点数据进行计算，确定聚类的气候因子
的取值范围。设置C值为2；
计算出结果得出聚类1的气候因子的取值范围为[0.792,1.208]；
Step3.4：重复Step3.3计算聚类2的气候因子取值范围为[0.82,1.18]；
Step4.1：模型引入；根据Step2.4中的数据集V1数据，基于温特乘法模型，分别对树木胸径和树高进行预测；
选取前十个月作为训练组，后两个月作为校验组，用模型对后两个月的树木生长情况进行预测，结合实测值与预测值之间的差距，确定第一聚类的α、β、γ取值为：0.1、0.5、0.05，第二聚类的α、β、γ取值为：0.2、0.5、0.05分别对树木的一段时期后的胸径和树高进行预测，计算结果如表4和表5所示；
Step4.2：模型优化；将Step3.3中的气候因子
代入Step4.1的温特乘法模型中，利用气候因子对温特乘法模型进行优化；
其中，
表示气候因子，[]表示取整运算；
Step4.3：模型寻优；分别代入Step2.4数据集V1中的胸径和树高，结合Step3.3中的气候因子取值范围，利用气候因子优化温特乘法模型预测值，目标求解使得实测值的和与预测值的和相减绝对值最小，通过粒子群不断迭代找寻最优解得出聚类的最优气候因子
Step4.4：计算出第一聚类对应的最优气候因子为1.001，将第一聚类的最优气候因子与温特乘法模型融合建立树木生长预测模型；
第一聚类：F(P)＝(lt+hbt)1.001St+h-m(k+1)
Step4.5：重复Step4.2至Step4.4，计算出第二聚类对应的最优气候因子为0.999，建立其树木生长预测模型。
第二聚类：F(P)＝(lt+hbt)0.999St+h-m(k+1)
Step5.1：胸径树高预测；根据第一聚类和第二聚类的树木生长预测模型，对区域方格中各聚类对应的树木的胸径和树高进行预测，分别表示为
预测结果如表4和表5所示；
表4：树木胸径实际值和树木生长预测模型预测值对比
| 树木编号 | 11月实际值 | 11月预测值 | 12月实际值 | 12月预测值 |
| 001 | 4.2 | 4.23 | 4.3 | 4.32 |
| 002 | 3.5 | 3.51 | 3.7 | 3.53 |
| 003 | 3.6 | 3.62 | 3.7 | 3.75 |
| 004 | 4.7 | 4.69 | 4.8 | 4.85 |
| 005 | 4.7 | 4.78 | 4.8 | 4.95 |
| 006 | 4.1 | 4.13 | 4.2 | 4.23 |
| 007 | 4.6 | 4.52 | 4.7 | 4.69 |
| 008 | 3.5 | 3.58 | 3.7 | 3.68 |
| 009 | 5.4 | 5.39 | 5.6 | 5.55 |
| 010 | 5.2 | 5.12 | 5.3 | 5.21 |
表5：树木树高实际值和树木生长预测模型预测值对比
| 树木编号 | 11月实际值 | 11月预测值 | 12月实际值 | 12月预测值 |
| 001 | 3.9 | 3.92 | 3.9 | 3.94 |
| 002 | 4.0 | 3.92 | 4.0 | 4.01 |
| 003 | 3.6 | 3.61 | 3.6 | 3.63 |
| 004 | 4.7 | 4.71 | 4.7 | 4.78 |
| 005 | 4.6 | 4.62 | 4.7 | 4.69 |
| 006 | 4.0 | 4.04 | 4.1 | 4.12 |
| 007 | 4.0 | 4.06 | 4.0 | 4.06 |
| 008 | 3.7 | 3.71 | 3.8 | 3.73 |
| 009 | 4.9 | 4.94 | 5.0 | 4.94 |
| 010 | 4.9 | 4.88 | 5.0 | 4.96 |
Step5.2：生物量预测；将Step5.1中的预测树高
和预测胸径
代入树木生物量计算公式，计算出未来两个月内的树木预测生物量与实际生物量，计算数据如表7所示；
单棵树木实际生物量：Mi＝a×(Di pHi q)
单棵树木预测生物量：
其中，
表示树木i的预测胸径，
表示树木i的预测树高；a、p、q可根据树种从国家林业局发布的《中华人民共和国林业行业标准——立木生物量模型和碳计量参数》查询，如表6所示：
表6：树木生物量碳、汇量计算相关系数
目标区域预测树木生物量：
其中，a、p、q为回归常数；
Step5.3：碳汇量预测；根据树木生物量与碳汇量的关系，计算得出11月、12月相比10月的单棵和目标区域树木预测碳汇量，计算数据如表7和表8所示：
单棵树木预测碳汇量：
其中，Tci为含碳系数，可根据树种从国家林业局发布的《中华人民共和国林业行业标准——立木生物量模型和碳计量参数》查询，如表6所示；
目标区域树木预测碳汇量：
表7：树木生物量与碳汇量的实际值与预测值(树木生长预测模型)比较
表8：目标区域树木生物量与碳汇量的实际值与预测值(树木生长预测模型)的总量比较
本发明与现有技术相比：第一，基于树高、胸径、树木经纬度和海拔等在内的多元数据，融合进行模型构建、数值分析；第二，创新性的构建出气候因子模型，并将其与粒子群算法融合对温特乘法模型进行优化改进，构建树木生长预测模型，实现了对树木碳汇量的精确预测；第三，创新性提出了针对带状区域树木碳汇量预测方法，可广泛应用于公路、铁路等沿线树木碳汇量的预测分析，进一步推动了林业碳汇量的量化评估工作。
以上所述实施例仅表示本发明的实施方式，其描述较为具体和详细，但并不能理解为对本发明范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变型和改进，这些都属于本发明保护范围。
Claims (8)
1.一种带状区域内的树木碳汇量预测方法，其特征在于：包括如下步骤：
Step1：采集基础信息：采集树木信息、气候信息、区域空间信息、辅助信息；
Step2：构建基础信息数据集：基于Step1采集的数据，构建树木3D模型，根据树木3D模型计算出树高和胸径，最后构建基础信息数据集V1；
Step3：构建气候因子模型：针对目标带状区域，按气候和区域空间进行区域方格划分，并采用聚类算法对区域方格内的多维数据进行聚类分析，计算出不同方格内不同聚类中心点的气候因子
的取值范围
和
分别为
取值范围内的最大值和最小值；
Step4：构建树木生长预测模型：通过引入气候因子模型、粒子群算法对温特乘法模型进行改进优化，然后系统构建树木生长预测模型；
Step5：数据预测：根据Step4构建的树木生长预测模型，进行生物量、碳汇量预测；
Step4的具体步骤为：
Step4.1：模型引入；基于温特乘法模型，预测区域方格Zj中对应的某一聚类的数据，根据Step2中的数据集V1数据，分别对树木胸径和树高进行预测；
其中，公式(6)中，lt表示平滑水平，α是水平的平滑参数，lt-1表示上一周期的预估水平，St-m表示上一周期的季节趋势，bt-1表示上一周期的预测趋势；bt表示当前的预测趋势，β是趋势的平滑参数；St表示当前的季节趋势，γ是季节的平滑参数，t+h为第h期的数据预期，h表示预测的期数，k为计算常数，Xt+h表示第h期的预测值，Xt表示当前的值，St+h-m(k+1)表示时刻预测期数时的季节趋势，[]表示取整计算；
Step4.2：模型优化；将Step3中的气候因子
代入Step4.1的温特乘法模型中，利用气候因子对温特乘法模型进行优化；
其中，
表示气候因子，[]表示取整运算；
Step4.3：模型寻优；代入数据集V1中的胸径和树高，结合Step3中的气候因子取值范围
利用气候因子优化温特乘法模型预测值，目标求解使得实测值的和与预测值的和相减绝对值最小，通过粒子群不断迭代找寻最优解得出聚类的最优气候因子
其中，公式(8)中，viparticle是第iparticle颗粒子的速度，pbestiparticle是第iparticle颗粒子的个体最优数据，gbestiparticle是第iparticle颗粒子的全局最优数据，rand()是介于(0,1)间的随机数，xiparticle是当前粒子的位置，c1和c2是学习因子，取c1＝c2＝2；viparticle的最大值为vmax，vmax大于0，如果viparticle大于vmax，则viparticle＝vmax，ω为惯性因子，其值为非负；
其中，公式(9)中，xt+h为基于数据集V1获取的树木实测值，x(t+h)′为基于温特乘法模型计算的树木预测值，求解出最优气候因子，最优条件为实测值的和与预测值的和相减绝对值最小，
和
分别为
取值范围内的最大值和最小值；
Step4.4：将求解出的最优气候因子，与温特乘法模型融合建立树木生长预测模型
Step4.5：重复Step4.2至Step4.4，计算出各区域方格中所有聚类对应的最优气候因子
并代入公式(10)，建立基于各个气候因子的树木生长预测模型；
Step5的具体步骤为：
Step5.1：胸径树高预测；根据Step4.5中的树木生长预测模型，对区域方格Zj中聚类Clusteru对应的树木i的胸径和树高进行预测，分别表示为
Step5.2：生物量预测；将Step5.1中的预测胸径
和预测树高
代入树木生物量计算公式，预测出未来一段时间内的树木预测生物量与实际生物量；
单棵树木实际生物量：Mi＝a×(Di pHi q) (11)
单棵树木预测生物量：
其中，
表示树木i的预测胸径，
表示树木i的预测树高；
目标区域预测树木生物量：
其中，a、p、q为回归常数，Hi、Di为树木i对应的树高和胸径，count为所采集的树木总量；
Step5.3：碳汇量预测；根据树木生物量与碳汇量的关系，计算得出预测时间点的单棵和目标区域树木预测碳汇量；
单棵树木预测碳汇量：
其中，Tci为含碳系数；
目标区域树木预测碳汇量：
2.根据权利要求1所述的一种带状区域内的树木碳汇量预测方法，其特征在于：Step1的具体步骤为：
Step1.1：树木信息采集；设定树木编号为i，以间隔固定周期的形式，采用信息收集设备，基于三维坐标采集树木坐标数据，同时采集包括树种type、采集时间timei、经度longtitudeTreei、纬度latitudeTreei和海拔WhTreei信息；所采集的树木总量为count；
Step1.2：气候信息采集；通过当地气象局或实地调研或互联网平台或专家判断形式，收集目标带状区域包含年均等温线、年均等降水量线和年均日照等时线信息的气象图；采集相邻两条年均等温线划分区域内的年均温度、相邻两条年均等降水量线划分区域内的年均降水量、相邻两条年均日照等时线划分区域内的年均日照时长；
Step1.3：区域空间信息采集；采用定位设备，收集目标带状区域所处的经度[longitudeAreaa,longitudeAreab]、纬度[latitudeAreaa,latitudeAreab]范围和海拔范围[WhAreaa,WhAreab]信息；
Step1.4：辅助信息采集；根据互联网或文献资料或专家判断形式，收集不同树种最适宜生长气候，收集得到不同树种对应的：最适宜年均降水量Wrftype、最适宜年均日照时间Wsftype、最适宜年均温度Wtftype和最适宜海拔Whftype，若气候信息为范围值则取范围中点数据为最适宜数据。
3.根据权利要求2所述的一种带状区域内的树木碳汇量预测方法，其特征在于：Step2的具体步骤为：
Step2.1：数据导入；根据Step1.1中采集的树木三维坐标数据，构建树木3D模型；
Step2.2：数据处理；根据Step2.1构建的树木3D模型，计算出树木i对应的树高Hi和胸径Di；
树高Hi：即指树木从地面到树梢之间的距离，选取树木3D模型中Z轴上的点，Z轴垂直方向上差值最大的两个点即为树高；
其中，zmax表示Z轴方向上数值最大的点，zmin表示Z轴方向上数值最小的点；
胸径Di：根据树木的扫描数据，生成树木的点云，在距离Z轴上距离原点1.3m处的点云上拟合一个圆，在点云上所有点与拟合圆圆心距离的和最小的条件下得到最佳拟合圆，最佳拟合圆的直径为树木胸径；
D＝2R (3)
如公式(2)所示，其中(Dox,Doy)是拟合圆圆心坐标，(x,y)表示点云上点的坐标，R为拟合圆的半径，D为拟合圆的直径；
Step2.3：确定树木气候信息；根据Step1.2中采集的信息，根据树木所处的划分区域确定树木的年均降水量Wri、年均温度Wti和年均日照时间Wsi；
Step2.4：构建基础信息数据集；基于Step1中的树木信息、气候信息、区域空间信息、辅助信息及Step2中获取到的树木树高、胸径和气候信息，构建基础信息数据集V1，基础信息数据集V1如下：
{树木编号i，测量时间Timei，树种type，树高Hi，胸径Di，年均降水量Wri，年均温度Wti，年均日照时间Wsi，经度longitudeTreei，纬度latitudeTreei，海拔WhTreei}。
4.根据权利要求3所述的一种带状区域内的树木碳汇量预测方法，其特征在于：Step3的具体步骤为：
Step3.1：区域方格划分；根据Step1.2中采集到的气象图和Step1.3中采集到的区域空间信息，对目标区域进行区域方格划分，划分原则具体为：所划分的区域方格内年均等温线、年均等降水量线、年均日照等时线各不超过K条，即区域方格内温度温差值不超过Kt摄氏度，降水量差值不超过Kr毫米，日照时间差值不超过Ks小时，将目标区域划分为Zj个区域方格；
Step3.2：数据聚类分析；针对某一区域方格Zj，根据Step2.4中的数据集V1，采用K-means++聚类算法对树木数据进行聚类，设置聚类半径和聚类数量，对区域方格内的树木按树种type、年均降水量Wri、年均日照时间Wsi、年均温度Wti和海拔WhTreei，进行聚类处理，获得u个聚类Clusteru，设定Zj区域方格内某一聚类中的气候因子为
Step3.3：气候因子构建：根据Step3.2的聚类分析结果，选取某一聚类中心点对应的年均降水量Wru、年均日照时间Wsu、年均温度Wtu和海拔Whu，将Step1.4中的树种对应的最适宜年均降水量Wrftype、最适宜年均日照时间Wsftype、最适宜年均温度Wtftype和最适宜海拔Whftype与聚类中心点的数据进行计算，确定该聚类的气候因子
的取值范围为
具体判断如下；
其中，C为常数，值取为2；当
为负或零时，取大于0；
Step3.4：重复Step3.2和Step3.3，计算出各区域方格中所有聚类的气候因子取值范围。
5.根据权利要求2所述的一种带状区域内的树木碳汇量预测方法，其特征在于：所述Step1.1中：树木的信息采集由无人机或其他设备的光波或毫米波雷达和摄像设备完成。
6.根据权利要求2所述的一种带状区域内的树木碳汇量预测方法，其特征在于：所述Step1.2中：划分区域指的是任意两条相邻年均等温线或年均等降水量线或年均日照等时线所划分的区域。
7.根据权利要求2所述的一种带状区域内的树木碳汇量预测方法，其特征在于：所述Step1.3中：所述的带状区域，指的是通过区域切割方式将区域转化为带状区域，对原有区域形状不限定。
8.根据权利要求1所述的一种带状区域内的树木碳汇量预测方法，其特征在于：所述Step4.4中：所述的树木生长预测模型是指在温特乘法模型的基础上，引入气候因子模型和粒子群算法，利用粒子群算法对气候因子进行寻优，最终利用气候因子修正温特乘法模型预测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210498147.2A CN114970119B (zh) | 2022-05-09 | 2022-05-09 | 一种带状区域内的树木碳汇量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210498147.2A CN114970119B (zh) | 2022-05-09 | 2022-05-09 | 一种带状区域内的树木碳汇量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114970119A CN114970119A (zh) | 2022-08-30 |
| CN114970119B true CN114970119B (zh) | 2023-04-18 |
Family
ID=82981858
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210498147.2A Active CN114970119B (zh) | 2022-05-09 | 2022-05-09 | 一种带状区域内的树木碳汇量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114970119B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115829812B (zh) * | 2022-12-09 | 2023-06-23 | 浙江智慧划云科技有限公司 | 一种基于生态系统模拟的碳汇量测算方法及系统 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710889A (zh) * | 2018-12-13 | 2019-05-03 | 北京林业大学 | 一种基于树木年轮精确估计森林生产力的取样方法 |
| CN111353628A (zh) * | 2018-12-24 | 2020-06-30 | 北京林业大学 | 一种中国主导树种标准生长指数研建方法 |
| CN112183802A (zh) * | 2019-07-02 | 2021-01-05 | 北京林业大学 | 中国28种乔木树种相对生长预测预报方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11263707B2 (en) * | 2017-08-08 | 2022-03-01 | Indigo Ag, Inc. | Machine learning in agricultural planting, growing, and harvesting contexts |
| CN110853699A (zh) * | 2019-10-30 | 2020-02-28 | 北京林业大学 | 一种建立大区域条件下单木生长模型的方法 |
| 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 |
-
2022
- 2022-05-09 CN CN202210498147.2A patent/CN114970119B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710889A (zh) * | 2018-12-13 | 2019-05-03 | 北京林业大学 | 一种基于树木年轮精确估计森林生产力的取样方法 |
| CN111353628A (zh) * | 2018-12-24 | 2020-06-30 | 北京林业大学 | 一种中国主导树种标准生长指数研建方法 |
| CN112183802A (zh) * | 2019-07-02 | 2021-01-05 | 北京林业大学 | 中国28种乔木树种相对生长预测预报方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114970119A (zh) | 2022-08-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Sun et al. | Estimating the spatial distribution of solar photovoltaic power generation potential on different types of rural rooftops using a deep learning network applied to satellite images | |
| CN113177744B (zh) | 一种城市绿地系统碳汇量估算方法及系统 | |
| CN101916337B (zh) | 一种基于地理信息系统的水稻生产潜力动态预测方法 | |
| CN108958329B (zh) | 一种滴灌水肥一体化智能决策方法 | |
| CN110008982B (zh) | 一种基于光伏发电出力聚类的气象监测点选择方法 | |
| Zhi et al. | Analysis of land surface temperature driving factors and spatial heterogeneity research based on geographically weighted regression model | |
| KR101383617B1 (ko) | 일사량 예측 방법 및 장치 | |
| CN108649611B (zh) | 一种全球大型风电基地开发潜力评估方法 | |
| CN110501761B (zh) | 一种不同预见期区域作物ETc预测预报方法 | |
| CN108981616B (zh) | 一种由无人机激光雷达反演人工林有效叶面积指数的方法 | |
| CN114970119B (zh) | 一种带状区域内的树木碳汇量预测方法 | |
| CN114881805B (zh) | 一种基于碳汇密度的林业碳汇规划方法 | |
| CN106156906A (zh) | 一种用于光伏电站设计的太阳能资源分析评估方法 | |
| CN114462518A (zh) | 考虑多要素空间依赖性的区域蒸散发变化归因分析方法 | |
| CN112931166A (zh) | 一种变量灌溉管理决策方法 | |
| CN115952702A (zh) | 一种基于forcchn模型和遥感数据的森林nep的计算方法 | |
| CN104239662A (zh) | 一种定量评价区域风能资源开发潜力的方法 | |
| CN111553459A (zh) | 一种基于遥感信息的灌溉地区逐日实际蒸散发估算方法 | |
| Tang et al. | Simulating spatiotemporal dynamics of Sichuan grassland net primary productivity using the CASA model and in situ observations | |
| CN110470336A (zh) | 基于温湿度核算全国规模化禽畜养殖场氨排放量的方法 | |
| CN116362402A (zh) | 一种基于天气预报与表型信息监测的灌溉制度优化系统 | |
| CN116757357A (zh) | 一种耦合多源遥感信息的土地生态状况评估方法 | |
| Faridi et al. | Degree-Day Index for Estimating the Thermal Requirements of a Greenhouse Equipped with an Air-Earth Heat Exchanger System | |
| CN116109031A (zh) | 一种考虑生态服务价值的可再生能源选址方法 | |
| AU2021100706A4 (en) | An Integrated Assessment Method of Climate Change Based on Multi-Source Carbon Data |
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 |