CN115310757B - 一种高精度动态可变分辨率的生态碳汇评估方法及系统 - Google Patents
一种高精度动态可变分辨率的生态碳汇评估方法及系统 Download PDFInfo
- Publication number
- CN115310757B CN115310757B CN202210766220.XA CN202210766220A CN115310757B CN 115310757 B CN115310757 B CN 115310757B CN 202210766220 A CN202210766220 A CN 202210766220A CN 115310757 B CN115310757 B CN 115310757B
- Authority
- CN
- China
- Prior art keywords
- data
- vegetation
- yibs
- carbon
- model
- 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
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
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种高精度动态可变分辨率的生态碳汇评估方法,该方法基于YIBs植被模型实现,所述方法在获得植被数据后,根据YIBs模型支持的空间分辨率和数据格式,通过在多空间尺度上修改数据的空间分辨率或/和格式,处理为统一的数据格式和空间分辨率,并适应YIBs植被模型对数据格式和空间分辨率的需求后,将数据输入到YIBs植被模型中,YIBs植被模型根据输入数据对生态碳汇相关变量进行评估计算并输出。本发明可使模型的各个输入数据的空间分辨率和格式达到统一,并满足区域模拟的精度要求。本发明采用自适应算法,实现了动态解析地表植被数据的分辨率,实时构建系统网格,获得了高精度高分辨率碳汇核算结果。
Description
技术领域
本发明涉及陆地生态碳汇评估领域,具体涉及一种高精度动态可变分辨率的生态碳汇评估方法及系统。
背景技术
评估陆地生态系统碳汇可通过站点观测、卫星反演以及动态植被模型模拟等方法实现。站点观测的空间覆盖率低,难以进行大范围、长时间的碳汇评估;卫星反演的评估结果则容易受到反演算法、云量覆盖等影响,具有较大的不确定性。利用动态植被模型对陆面生态系统中植被的碳固定进行模拟,是当前唯一兼具机理性和时空灵活性的碳汇评估方式。
当前国际上已有的动态植被模型(如参加全球碳收支2020评估的17个模型)将植物生理生化规律的数学表达、计算参数、初始化数据封装进计算机程序中,动态计算植被叶片尺度和固碳相关的过程,通过给定地理环境信息、陆面植被分类、动态气象驱动等信息,便可仿真在一定时空范围内的植被生长、物候变化、碳库更新,在区域尺度上求算生态系统和大气之间的碳水交换、能量平衡,并得到生态系统固碳能力相关的生态指标。但已有模型都采用固定分辨率,无法适用于不同尺度的应用需求。本发明拟利用自适应算法增强模型在精度和分辨率方面的可扩展性,以实现更灵活的碳汇评估应用。
目前的国际上使用的植被模型多服务于科研应用,虽然机理性强,但操作门槛高。大尺度运行多基于固定的全球模拟网格,在区域上应用需要针对分辨率专门适配,甚至使用不同的模型版本,灵活性差。鉴于此,科研导向的植被模型无法更好地发挥优势、适应广泛的民用需求。因此我们基于服务于一线科研的耶鲁动态生物圈模型(YIBs)开发了自适应算法,可以动态解析目标区域的分辨率,实时构建模型网格,可用于获得省市县等多空间分辨率下的高精度碳汇核算结果,以更好地服务于不同层次的生态碳汇评估需求。
发明内容
本发明的目的在于克服现有技术中对陆地生态系统碳汇评估不准确的问题。数值模型是评估区域碳汇资源和预估其未来变化的重要工具。现有的碳汇评估模型在空间分辨率上有固定的预设值,很难根据区域范围和评估需求进行动态调整。本申请研发了一个基于物理过程的高精度动态可变分辨率生态碳汇评估系统。
本发明提出了一种高精度动态可变分辨率的生态碳汇评估方法,该方法基于YIBs植被模型实现,所述方法在获得植被数据后,根据YIBs模型支持的空间分辨率和数据格式,通过在多空间尺度上修改数据的空间分辨率或/和格式,处理为统一的数据格式和空间分辨率,并适应YIBs植被模型对空间分辨率和数据格式的需求后,将数据输入到YIBs植被模型中,YIBs植被模型根据输入数据对生态碳汇相关变量进行评估计算并输出。
作为上述技术方案的改进之一,所述通过在多空间尺度上修改数据的空间分辨率或/和格式,包括:当所述植被数据格式为矢量数据格式时,直接通过空间插值方法修改分辨率得到栅格数据;当所述植被数据格式为站点类的文本格式时,先转化为矢量数据格式,再利用空间插值方法修改分辨率得到栅格数据;对于栅格数据,需要进一步对其空间分辨率进行判断并相应地对空间分辨率进行尺度升、降级,具体为:对于空间分辨率高于YIBs植被模型需求的数据,进行尺度降级,对于空间分辨率低于YIBs植被模型需求的数据,进行尺度升级。
作为上述技术方案的改进之一,所述空间插值法包括最邻近插值法、反距离权重插值法、样条插值法和克里金插值法。
作为上述技术方案的改进之一,所述尺度升、降级采用重采样来完成;所述重采样包括最邻近法、双线性内插法、均值重采样法。
作为上述技术方案的改进之一,所述YIBs植被模型根据输入数据计算生态碳汇相关变量,包括:通过植被高度和物候变化算法求算植被叶面积指数,通过耦合的气孔导度方案和光合作用方案求算初级生产力和冠层水汽通量,通过凋落物算法更新土壤碳库,通过叶片微观碳水过程的相互耦合实现植被生理过程对气候和环境变化的响应。
作为上述技术方案的改进之一,所述YIBs植被模型将陆地植被分成独立的格点,并将所有的格点分为8-9种次网格,包括:常绿阔叶林、常绿针叶林、落叶阔叶林、低温适应灌木、干旱适应灌木、C3草和C4草,还包括C3农作物或/和C4农作物,并由权重因子决定次网格类型的混合比;每一个时间步长上,不同的植被类型次网格均独立评估计算生态碳汇相关变量,最后分别输出或采用面积加权平均的方式输出。
作为上述技术方案的改进之一,所述YIBs植被模型输出生态碳汇相关变量时,以逐小时、逐日或者逐月的时间尺度进行输出。
本发明还提出了一种用于实现上述之一所述方法的高精度动态可变分辨率的生态碳汇评估系统,所述系统包括输入模块、YIBs植被模型和输出模块,其特征在于,所述系统还包括:
数据整合模块,用于将植被数据根据YIBs模型支持的空间分辨率和数据格式,通过在多空间尺度上修改数据的空间分辨率或/和格式,处理为统一的数据格式和空间分辨率,并适应YIBs植被模型对空间分辨率和数据格式的需求后,输入到YIBs植被模型中。
作为上述技术方案的改进之一,所述输入模块,用于向所述系统输入信息,包括控制信息、计算参数、驱动数据、初始场数据和环境数据;
所述控制信息,包括系统运行起止时间、空间范围、输出方式;
所述计算参数,包括不同植被类型的光合速率参数、臭氧损伤敏感性参数和碳氮比参数等;
所述驱动数据,包括气温、相对湿度、气压、风速、光合有效辐射总量、光合有效散射辐射量;
所述初始场数据包括:植被叶面积指数、植被高度、土壤各层碳库情况等;
所述环境数据包括:CO2浓度、植被类型分布、土壤性质格点数据、全球陆地覆盖、作物生育期数据、近地面臭氧浓度等;
所述植被数据包括驱动数据、初始场数据、环境数据。
作为上述技术方案的改进之一,所述输出模块,用于输出YIBs植被模型评估计算得到的生态碳汇相关变量数据,包括:生态系统的碳水通量数据与植被生长数据、与大气化学相关的植被生化数据和描述生态系统碳储量的碳库数据;
所述生态系统的碳水通量数据包括:总初级生产力、净初级生产力、净生态系统生产力、陆地碳汇、冠层水汽通量和冠层感热潜热通量;
所述植被生长数据包括:叶面积指数、植被高度、根茎叶呼吸速率和物候指标;
所述植被生化数据包括:异戊二烯排放量、单萜烯排放量、CO2气孔通量、叶片细胞间二氧化碳浓度、臭氧气孔通量和臭氧植被损伤系数;
所述碳库数据,包括土壤碳库总量和植被碳库总量。
本发明与现有技术相比优点在于:
本发明提出的该系统基于经典的生物物理学原理,计算8-9种植被类型的逐小时光合速率、叶面积指数、自养呼吸、异养呼吸等变量,在此基础上动态评估区域生态系统的碳汇强度。本发明方法采用自适应算法,动态解析地表植被数据的分辨率,通过在多空间尺度上修改数据的空间分辨率或/和格式,处理为统一的数据格式和空间分辨率,并适应YIBs植被模型对数据格式和空间分辨率的需求,实时构建模型网格,获得高精度高分辨率碳汇核算结果。利用该方法,原有的YIBs模型无需修改代码即可快速便捷地开展不同分辨率的模拟和应用。综上,通过构建自适应系统,实现了从国家到省市县各级时空尺度的高精度生态碳汇评估。
附图说明
图1为本发明提出的高精度动态可变分辨率生态碳汇评估系统(HD-Carbon系统)组成框图;
图2为本发明提出的高精度动态可变分辨率生态碳汇评估方法的流程框图。
具体实施方式
以下结合实施例进一步说明本发明所提供的技术方案。
本发明提出了一种高精度动态可变分辨率生态碳汇评估系统,以下简称HD-Carbon系统。
1.1HD-Carbon系统结构
HD-Carbon系统是一个以陆面生物圈碳水过程及与近地表能量交换为核心、以陆地植被生长和物候动态模拟为基础、以生态系统和大气化学相互作用模拟为特色的模型系统。该系统运行需要Linux环境,默认使用Intel Fortran编译。使用HD-Carbon的工作流程大致分为输入信息准备、模型运行、结果输出、分析和展示几个部分。核心过程和变量简要展示在图1中。
HD-Carbon基于耶鲁动态生物圈模型(YIBs)构建。通过计算植被高度和物候变化求算动态植被叶面积指数,并考虑冠层的辐射分配和辐射成分对叶片固碳过程的影响,通过耦合的气孔导度方案和光合作用方案求算植物蒸散、光合效率,进而求算冠层碳水通量。进一步考虑根、茎、叶的呼吸作用和碳同化物的分配,并通过计算凋落物量更新土壤碳库。其中臭氧损伤和异戊二烯排放与光合作用、气孔导度等叶片微观过程相互耦合,实现植被和大气化学组分的交互影响。其核心计算基于独立的格点,在所有的陆地植被格点上又分为8-9种次网格,分别为:常绿阔叶林、常绿针叶林、落叶阔叶林、低温适应灌木、干旱适应灌木、C3草、C4草、农作物(C3或者C4),并考虑沙土和泥土两种裸土地表,由权重因子决定次网格类型的混合比。在不考虑植被竞争的情况下,每一个时间步长上,不同的植被类型次网格均独立计算,最后分别输出或采用面积加权平均的方式输出。
HD-Carbon系统依赖复杂的信息输入。这些信息按类别分为:控制信息,模型科学计算参数,气象场等驱动数据,初始场数据,环境数据(详见表1)。
表1.HD-Carbon系统输入信息表
HD-Carbon系统的输出数据主要有三种,生态系统的碳水通量数据和植被生长数据、和大气化学相关的植被生化数据、描述生态系统碳储量的碳库数据。HD-Carbon系统输出数据格式为NetCDF格式。在时间尺度上,HD-Carbon系统可以支持在模拟时段内进行逐小时、逐日或者逐月尺度的输出。具体情况见表2:
表2.HD-Carbon系统输出一览表
1.2多尺度高精度可变分辨率模拟的实现方式
数值模型由于开发难度大周期长,在代码的更新迭代方面存在一定的时效瓶颈。在模型开发阶段,为简化相关过程,往往采用固定的空间分辨率来构建模型网格。例如,科研用的YIBs模型仅支持1°×1°固定的空间分辨率。区域上进行模拟时需要分辨率一致、格式统一的驱动数据和区域环境信息,即需要对所有配套数据进行复杂的前处理。这限制了模型在国家及省市县区域内服务于各层次生态碳汇评估的能力。本发明主要针对上述应用缺点进行改进。
我们开发了在多空间尺度上进行可变分辨率模拟所需的一整套输入数据自适应匹配程序(图2)。在提供了包括模拟区域、空间分辨率、模拟时段等控制信息之后,自适应匹配程序可通过空间插值自动修改初始驱动数据、初始场数据、环境数据的分辨率以满足模拟需求。此外,特定区域的环境信息可通过格式转换、栅格数据的升降尺度整合入相应的输入数据中,以提高模型的精细化模拟效果。这一套自动化流程可使模型的各个输入数据的空间分辨率和格式达到统一,并满足区域模拟的精度要求。此外,本项目自主开发构建了自动化运行脚本以实现整个工作流程的封装运行,在将输入数据自动化处理为统一的数据格式和空间分辨率后,整合结果将自动输入到植被模型中,计算生态碳汇相关变量并输出和展示。
在自适应算法中,空间插值方法可采用最邻近、反距离权重、样条和克里金等空间插值算法。模型默认的驱动数据、初始场数据和环境数据可直接通过插值方法修改分辨率。站点类的文本格式环境变量数据被首先转化为矢量数据格式,再利用空间插值方法插值成规定分辨率的栅格数据。针对空间分辨率不满足既定需求的栅格数据,如MODIS遥感产品数据等,自适应算法将其进行尺度升降级的操作,即对于空间分辨率高于需求的数据,进行尺度降级,对于空间分辨率低于需求的数据,进行尺度升级。尺度升降级通常采用重采样的方式来完成,本项目中集成的重采样的方法主要有最邻近法、双线性内插法、均值重采样法等。
1.3应用案例
利用HD-Carbon系统可以方便快捷地开展不同分辨率的碳汇模拟评估。在测试中,对同一套基于卫星反演的地表植被覆盖率数据进行插值,获得1°×1°,0.2°×0.2°和0.05°×0.05°三种不同分辨率的中国总初级生产力(Gross Primary Productivity,GPP)和净生态系统交换率(Net Ecosystem Exchange,NEE)的分布。相比原始1°×1°分辨率,分辨率提高到0.2°×0.2°甚至0.05°×0.05°后,中国GPP和NEE总量呈现出~5%的变化,各省市碳汇格局更精细化地呈现,更有利于开展模型参数本地化验证和区域高分辨率应用。因此,HD-Carbon系统既发挥了YIBs植被模型在碳汇模拟评估方面的优越性能,又克服YIBs模型采用固定分辨率在精细化模拟方面的不足。
从上述对本发明的具体描述可以看出,本发明采用自适应算法,实现了动态解析地表植被数据的分辨率,实时构建系统网格,获得了高精度高分辨率碳汇核算结果。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种高精度动态可变分辨率的生态碳汇评估方法,该方法基于YIBs植被模型实现,所述方法在获得植被数据后,根据YIBs模型支持的空间分辨率和数据格式,通过在多空间尺度上修改数据的空间分辨率或/和格式,处理为统一的数据格式和空间分辨率,并适应YIBs植被模型对空间分辨率和数据格式的需求后,将数据输入到YIBs植被模型中,YIBs植被模型根据输入数据对生态碳汇相关变量进行评估计算并输出;
所述通过在多空间尺度上修改数据的空间分辨率或/和格式,包括:当所述植被数据格式为矢量数据格式时,直接通过空间插值方法修改分辨率得到栅格数据;当所述植被数据格式为站点类的文本格式时,先转化为矢量数据格式,再利用空间插值方法修改分辨率得到栅格数据;对于栅格数据,需要进一步对其空间分辨率进行判断并相应地对空间分辨率进行尺度升、降级,具体为:对于空间分辨率高于YIBs植被模型需求的数据,进行尺度降级,对于空间分辨率低于YIBs植被模型需求的数据,进行尺度升级;
所述YIBs植被模型根据输入数据计算生态碳汇相关变量,包括:通过植被高度和物候变化算法求算植被叶面积指数,通过耦合的气孔导度方案和光合作用方案求算初级生产力和冠层水汽通量,通过凋落物算法更新土壤碳库,通过叶片微观碳水过程的相互耦合实现植被生理过程对气候和环境变化的响应。
2.根据权利要求1所述的高精度动态可变分辨率的生态碳汇评估方法,其特征在于,所述空间插值方法包括最邻近插值法、反距离权重插值法、样条插值法和克里金插值法。
3.根据权利要求1所述的高精度动态可变分辨率的生态碳汇评估方法,其特征在于,所述尺度升、降级采用重采样来完成;所述重采样包括最邻近法、双线性内插法、均值重采样法。
4.根据权利要求1所述的高精度动态可变分辨率的生态碳汇评估方法,其特征在于,所述YIBs植被模型将陆地植被分成独立的格点,并将所有的格点分为8或9种次网格,包括:常绿阔叶林、常绿针叶林、落叶阔叶林、低温适应灌木、干旱适应灌木、C3草和C4草,还包括C3农作物或/和C4农作物,并由权重因子决定次网格类型的混合比;每一个时间步长上,不同的植被类型次网格均独立评估计算生态碳汇相关变量,最后分别输出或采用面积加权平均的方式输出。
5.根据权利要求1所述的高精度动态可变分辨率的生态碳汇评估方法,其特征在于,所述YIBs植被模型输出生态碳汇相关变量时,以逐小时、逐日或者逐月的时间尺度进行输出。
6.一种用于实现权利要求1-5之一所述方法的高精度动态可变分辨率的生态碳汇评估系统,所述系统包括输入模块、YIBs植被模型和输出模块,其特征在于,所述系统还包括:
数据整合模块,用于将植被数据根据YIBs模型支持的空间分辨率和数据格式,通过在多空间尺度上修改数据的空间分辨率或/和格式,处理为统一的数据格式和空间分辨率,并适应YIBs植被模型对空间分辨率和数据格式的需求后,输入到YIBs植被模型中。
7.根据权利要求6所述的高精度动态可变分辨率的生态碳汇评估系统,其特征在于,所述输入模块,用于向所述系统输入信息,包括控制信息、计算参数、驱动数据、初始场数据和环境数据;
所述控制信息,包括系统运行起止时间、空间范围、输出方式;
所述计算参数,包括不同植被类型的光合速率参数、臭氧损伤敏感性参数和碳氮比参数;
所述驱动数据,包括气温、相对湿度、气压、风速、光合有效辐射总量、光合有效散射辐射量;
所述初始场数据包括:植被叶面积指数、植被高度、土壤各层碳库情况;
所述环境数据包括:CO2浓度、植被类型分布、土壤性质格点数据、全球陆地覆盖、作物生育期数据、近地面臭氧浓度;
所述植被数据包括驱动数据、初始场数据、环境数据。
8.根据权利要求6所述的高精度动态可变分辨率的生态碳汇评估系统,其特征在于,所述输出模块,用于输出YIBs植被模型评估计算得到的生态碳汇相关变量数据,包括:生态系统的碳水通量数据与植被生长数据、与大气化学相关的植被生化数据和描述生态系统碳储量的碳库数据;
所述生态系统的碳水通量数据包括:总初级生产力、净初级生产力、净生态系统生产力、陆地碳汇、冠层水汽通量和冠层感热潜热通量;
所述植被生长数据包括:叶面积指数、植被高度、根茎叶呼吸速率和物候指标;
所述植被生化数据包括:异戊二烯排放量、单萜烯排放量、CO2气孔通量、叶片细胞间二氧化碳浓度、臭氧气孔通量和臭氧植被损伤系数;
所述碳库数据,包括土壤碳库总量和植被碳库总量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766220.XA CN115310757B (zh) | 2022-07-01 | 2022-07-01 | 一种高精度动态可变分辨率的生态碳汇评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210766220.XA CN115310757B (zh) | 2022-07-01 | 2022-07-01 | 一种高精度动态可变分辨率的生态碳汇评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115310757A CN115310757A (zh) | 2022-11-08 |
CN115310757B true CN115310757B (zh) | 2023-06-06 |
Family
ID=83854674
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210766220.XA Active CN115310757B (zh) | 2022-07-01 | 2022-07-01 | 一种高精度动态可变分辨率的生态碳汇评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115310757B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601201B (zh) * | 2022-10-21 | 2023-05-30 | 中国科学院大气物理研究所 | 一种生态系统总初级生产力的计算方法 |
CN116128377B (zh) * | 2023-04-04 | 2023-07-07 | 山东省海洋资源与环境研究院(山东省海洋环境监测中心、山东省水产品质量检验中心) | 一种近海岸区域的碳汇效果评估方法、装置和电子设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105284338A (zh) * | 2015-09-01 | 2016-02-03 | 黑龙江省科学院自然与生态研究所 | 确定天然湿地固碳增汇植被种植的方法 |
CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9152994B2 (en) * | 2009-02-02 | 2015-10-06 | Planetary Emissions Management, Inc. | Systems and methods for managing global warning |
CN109933873B (zh) * | 2018-11-02 | 2022-07-01 | 中国林业科学研究院资源信息研究所 | 一种荒漠化地区土壤有机碳密度高空间遥感估测的方法 |
CN113837673A (zh) * | 2021-11-29 | 2021-12-24 | 中国环境科学研究院 | 一种陆地生态系统固碳功能的生态保护红线划定方法 |
-
2022
- 2022-07-01 CN CN202210766220.XA patent/CN115310757B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105284338A (zh) * | 2015-09-01 | 2016-02-03 | 黑龙江省科学院自然与生态研究所 | 确定天然湿地固碳增汇植被种植的方法 |
CN114021348A (zh) * | 2021-11-05 | 2022-02-08 | 中国矿业大学(北京) | 一种精细土地利用类型的矿区植被碳汇遥感反演方法 |
Non-Patent Citations (2)
Title |
---|
中国陆地生态系统总初级生产力VPM遥感模型估算;陈静清;闫慧敏;王绍强;高艳妮;黄玫;王军邦;肖向明;;第四纪研究(第04期);全文 * |
基于IBIS模型的1960―2006年中国陆地生态系统碳收支格局研究;杨延征;马元丹;江洪;朱求安;刘金勋;彭长辉;;生态学报(第13期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115310757A (zh) | 2022-11-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115310757B (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 | |
Tubiello et al. | Testing CERES–Wheat with Free‐Air Carbon Dioxide Enrichment (FACE) Experiment Data: CO2 and Water Interactions | |
Jones | Decision support systems for agricultural development | |
Vos et al. | Functional–structural plant modelling: a new versatile tool in crop science | |
Sun et al. | Remote sensing and modeling fusion for investigating the ecosystem water-carbon coupling processes | |
Aguirre-Gutiérrez et al. | Pantropical modelling of canopy functional traits using Sentinel-2 remote sensing data | |
JP6544453B1 (ja) | 栽培作物選定支援装置、栽培作物選定支援方法、及びプログラム | |
Tang et al. | Light interception efficiency analysis based on three-dimensional peach canopy models | |
Lee et al. | Estimating the leaf area index of bell peppers according to growth stage using ray-tracing simulation and a long short-term memory algorithm | |
Ban et al. | Assimilating MODIS data-derived minimum input data set and water stress factors into CERES-Maize model improves regional corn yield predictions | |
da Costa et al. | Spatiotemporal variability of atmospheric CO2 concentration and controlling factors over sugarcane cultivation areas in southern Brazil | |
Grisafi et al. | Fruit tree crop models: an update | |
Gutiérrez-Hernández et al. | Relationship between precipitation and species distribution | |
Sarkar et al. | A novel approach for retrieving GPP of evergreen forest regions of India using random forest regression | |
Chowdhury et al. | Mega–environment concept in agriculture: A review | |
Debaeke et al. | Sunflower agronomy: 10 years of research in partnership within the “Sunflower” Technological Joint Unit (UMT) in Toulouse | |
Bhatia | Crop growth simulation modeling | |
Nayak et al. | Spatiotemporal variability of soil organic carbon content over India based on an ecosystem model and regional databases | |
Biswal et al. | Spatialization of crop growth simulation model using remote sensing | |
Lv et al. | Planting suitability of China’s main grain crops under future climate change | |
Ahmad et al. | Decision support system for precision farming | |
Mtongori | Climate change and the impacts on crop-agriculture in Tanzania | |
Laurito et al. | Estimation of Xco 2 in Rice and Sugarcane Crops with an Ensemble of Wofost and Random Forest | |
El-Houda et al. | Contribution of MODIS image to hydrologic and erosion modeling. | |
Kalra et al. | Advanced computational procedures for the understanding of agricultural processes |
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 |