CN115358644A - 一种基于机器学习的县域森林碳汇估算方法和装置 - Google Patents

一种基于机器学习的县域森林碳汇估算方法和装置 Download PDF

Info

Publication number
CN115358644A
CN115358644A CN202211290283.9A CN202211290283A CN115358644A CN 115358644 A CN115358644 A CN 115358644A CN 202211290283 A CN202211290283 A CN 202211290283A CN 115358644 A CN115358644 A CN 115358644A
Authority
CN
China
Prior art keywords
forest
carbon
county
fixed sample
machine learning
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.)
Granted
Application number
CN202211290283.9A
Other languages
English (en)
Other versions
CN115358644B (zh
Inventor
梁楠楠
董波
王嘉琪
陈怡桐
李倩
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.)
Zhejiang Lab
Original Assignee
Zhejiang Lab
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 Zhejiang Lab filed Critical Zhejiang Lab
Priority to CN202211290283.9A priority Critical patent/CN115358644B/zh
Publication of CN115358644A publication Critical patent/CN115358644A/zh
Application granted granted Critical
Publication of CN115358644B publication Critical patent/CN115358644B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Operations Research (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)

Abstract

本发明公开了一种基于机器学习的县域森林碳汇估算方法和装置，包括以下步骤：步骤S1：筛选固定样地，森林小班；步骤S2：计算所述固定样地的生物量、碳储量、蓄积量、生物量转扩因子、树种组成和每平方米株数，调取所述固定样地的平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；调取所述森林小班的变量因子；步骤S3：得到预处理数据集；步骤S4：确定估算模型；步骤S5：得到各县森林碳汇量。本发明实现了固定样地数据与森林小班数据融合视角下的县域森林碳储量估算，避免传统森林碳储量估算模型中变量数量有限、无法充分纳入所有林分因子变量导致森林碳储量估算偏差较大的缺点，更精确的估算县级尺度的森林碳储量。

Description

一种基于机器学习的县域森林碳汇估算方法和装置
技术领域
本发明涉及一种森林经营管理技术领域，尤其涉及一种基于机器学习的县域森林碳汇估算方法和装置。
背景技术
准确计算森林碳储量对落实碳中和具有重要支撑作用，可为未来森林生态系统的可持续发展提供科学依据。目前广泛使用的生物量因子法、生物转换因子连续函数法、遥感法、样地网络等技术均适用于省级及以上层面的大尺度区域的森林碳储量估算，若应用于更小颗粒度的森林碳储量估算将显著降低估算精度。而异速方程适用于计算单木碳储量，要实现所有县域森林全覆盖需要耗费巨大人力、物力和财力。县域作为森林经营管理主体，现有森林碳储量估算方法难以准确反映县域森林碳储量水平，阻碍县域森林碳汇治理工作开展。
因此，迫切需要一种高精度、低成本、可通用的县域森林碳储量估算方法。
发明内容
本发明的目的在于提供一种基于机器学习的县域森林碳汇估算方法和装置，解决了现有技术中缺少适用于县域森林碳储量估算方法的问题，如何以高效率、低成本、可通用的方式实现全省范围内各县域森林碳储量的精准估算的问题。
本发明采用的技术方案如下：
一种基于机器学习的县域森林碳汇估算方法，包括以下步骤：
步骤S1：在所有森林资源连续清查数据中筛选固定样地，在所有森林资源规划设计调查数据中筛选森林小班；
步骤S2：计算所述固定样地的生物量、碳储量、蓄积量、生物量转扩因子、树种组成和每平方米株数，调取所述固定样地的平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；调取所述森林小班的变量因子：树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；
步骤S3：将所述固定样地的蓄积量、树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度作为固定样地的变量因子，所述固定样地的生物量、碳储量、生物量转扩因子作为模型监督值，模型监督值和固定样地的变量因子构成数据集，并将所述数据集进行预处理，得到预处理数据集；
步骤S4：基于多种监督值、变量组合和决策树算法进行遍历建模，将所述预处理数据集分为训练集和测试集，利用所述训练集输入模型对模型进行训练，利用所述测试集并根据决定系数和均方根误差确定估算模型；
步骤S5：将所述森林小班的变量因子带入所述估算模型，获取小班碳储量，并对各个所述小班碳储量分县域加总，计算加总后的碳储量与上一年度碳储量的差值，得到各县森林碳汇量。
进一步地，所述步骤S1中所述筛选的方法包括数据集筛选法和特征变量筛选法，所述数据集筛选法为以地类类型为乔木林和疏林地进行筛选，所述特征变量筛选法为以所述固定样地和所述森林小班共有的林分因子作为特征变量进行筛选。
进一步地，所述S2中计算所述固定样地的树种组成的方式为：通过所述森林小班的树种组成十分法，根据各树种蓄积量占比换算得到固定样地的树种组成。
进一步地，所述S2中所述生物量转扩因子为所述固定样地的生物量与所述固定样地的蓄积量的比值。
进一步地，所述步骤S3中所述预处理具体为：采用一位有效编码将所述数据集中的离散型特征变量映射到多维空间，并利用standardscaler函数进行标准化处理，得到预处理数据集。
进一步地，所述步骤S4中利用随机森林、梯度提升决策树、轻量的梯度提升机、极端梯度提升和梯度提升+类别型特征的机器学习算法进行遍历建模。
进一步地，所述步骤S4中训练得到的多个模型，对多个模型计算决定系数和均方根误差，并对多个所述决定系数和多个所述均方根误差进行排序，将所述决定系数排序第一和所述均方根误差排序倒数第一的模型作为估算模型。
进一步地，所述步骤S5中获取小班碳储量计算路径的类型分为：
当所述估算模型中预测变量为生物量转扩因子，则结合活立木蓄积量、树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量为生物量，则结合树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量为碳储量，则无需再做进一步计算，得到小班碳储量。
本发明还提供一种基于机器学习的县域森林碳汇估算装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述任一项所述的一种基于机器学习的县域森林碳汇估算方法。
本发明还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述任一项所述的一种基于机器学习的县域森林碳汇估算方法。
本发明的有益效果是：本发明针对固定样地数据和森林小班数据提出了一种高效率、低成本、可推广的县域森林碳储量估算方法，实现了固定样地数据与森林小班数据融合视角下的县域森林碳储量估算。本发明提出的建模方法能够有效覆盖全省各类型森林特点，并体现在县域森林碳储量差异中。本建模方法采用了机器学习技术，避免了传统森林碳储量估算模型中变量数量有限、无法充分纳入所有林分因子变量导致森林碳储量估算偏差较大的缺点，且模型迁移应用的潜力更大，能更精确的估算县级尺度的森林碳储量。
附图说明
图1为本发明一种基于机器学习的县域森林碳汇估算方法的流程示意图；
图2为实施例的具体流程图；
图3为基于三个监督值的CatBoost算法与线性模型预测精度对比：决定系数；
图4为基于三个监督值的CatBoost算法与线性模型预测精度对比：均方根误差；
图5为本发明一种基于机器学习的县域森林碳汇估算装置的结构示意图。
具体实施方式
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。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的所有其他实施例，都属于本发明保护的范围。
参见图1，一种基于机器学习的县域森林碳汇估算方法，包括以下步骤：
步骤S1：在所有森林资源连续清查数据中筛选固定样地，在所有森林资源规划设计调查数据中筛选森林小班；
所述筛选的方法包括数据集筛选法和特征变量筛选法，所述数据集筛选法为以地类类型为乔木林和疏林地进行筛选，所述特征变量筛选法为以所述固定样地和所述森林小班共有的林分因子作为特征变量进行筛选。
步骤S2：计算所述固定样地的生物量、碳储量、蓄积量、生物量转扩因子、树种组成和每平方米株数，调取所述固定样地的平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；调取所述森林小班的变量因子：树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；
计算所述固定样地的树种组成的方式为：通过所述森林小班的树种组成十分法，根据各树种蓄积量占比换算得到固定样地的树种组成。
所述生物量转扩因子为所述固定样地的生物量与所述固定样地的蓄积量的比值。
步骤S3：将所述固定样地的蓄积量、树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度作为固定样地的变量因子，所述固定样地的生物量、碳储量、生物量转扩因子作为模型监督值，模型监督值和固定样地的变量因子构成数据集，并将所述数据集进行预处理，得到预处理数据集；
所述预处理具体为：采用一位有效编码将所述数据集中的离散型特征变量映射到多维空间，并利用standardscaler函数进行标准化处理，得到预处理数据集。
步骤S4：基于多种监督值、变量组合和决策树算法进行遍历建模，将所述预处理数据集分为训练集和测试集，利用所述训练集输入模型对模型进行训练，利用所述测试集并根据决定系数和均方根误差确定估算模型；
利用随机森林、梯度提升决策树、轻量的梯度提升机、极端梯度提升和梯度提升+类别型特征的机器学习算法进行遍历建模。
训练得到的多个模型，对多个模型计算决定系数和均方根误差，并对多个所述决定系数和多个所述均方根误差进行排序，将所述决定系数排序第一和所述均方根误差排序倒数第一的模型作为估算模型。
步骤S5：将所述森林小班的变量因子带入所述估算模型，获取小班碳储量，并对各个所述小班碳储量分县域加总，计算加总后的碳储量与上一年度碳储量的差值，得到各县森林碳汇量。
获取小班碳储量计算路径的类型分为：
当所述估算模型中预测变量为生物量转扩因子，则结合活立木蓄积量、树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量为生物量，则结合树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量为碳储量，则无需再做进一步计算，得到小班碳储量。
实施例：参见图2，一种基于机器学习的县域森林碳汇估算方法，包括以下步骤：
步骤S1：在所有森林资源连续清查数据中筛选固定样地，在所有森林资源规划设计调查数据中筛选森林小班；
所述筛选的方法包括数据集筛选法和特征变量筛选法，所述数据集筛选法为以地类类型为乔木林和疏林地进行筛选，所述特征变量筛选法为以所述固定样地和所述森林小班共有的林分因子作为特征变量进行筛选。
固定样地筛选规则为：地类类型为乔木林、疏林地，或同时包含乔木林和疏林地。在各固定样地的样木数据中筛选树种属于针叶树种、阔叶树种与经济树种中的活立木。
步骤S2：计算所述固定样地的生物量、碳储量、蓄积量、生物量转扩因子、树种组成和每平方米株数，调取所述固定样地的平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；调取所述森林小班的变量因子：树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；
计算所述固定样地的树种组成的方式为：通过所述森林小班的树种组成十分法，根据各树种蓄积量占比换算得到固定样地的树种组成。
确认固定样地的样木所述树种分类后（松、杉、硬阔1、硬阔2、软阔），利用生物量模型计算每棵样木生物量，并进一步乘以各树种含碳系数计算获得样木碳储量。利用材积模型计算每棵样木蓄积量。各固定样地中所有样木求和得到每个固定样地生物量、碳储量、蓄积量。
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为固定样地生物量
Figure DEST_PATH_IMAGE003
为固定样地蓄积量；
Figure DEST_PATH_IMAGE004
为固定样地碳储量；
所述生物量转扩因子为所述固定样地的生物量与所述固定样地的蓄积量的比值。
各固定样地生物量除以固定样地蓄积量获得固定样地生物量转扩因子（BCEFj）。
Figure DEST_PATH_IMAGE005
在固定样地数据库和森林小班数据库中筛选出两套数据库共有的林分因子作为特征变量输入备选，即活立木蓄积量、平均胸径，平均树高，树种组成（松组成，杉组成，硬阔1组成，硬阔2组成，软阔组成），龄组，起源（天然，人工），郁闭度，植被覆盖度，立木株数（棵/平方米）。根据每棵样木蓄积量与所属树种组成分类（松组成，杉组成，硬阔1组成，硬阔2组成，软阔之一），计算固定样地树种组成。
步骤S3：将所述固定样地的蓄积量、树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度作为固定样地的变量因子，所述固定样地的生物量、碳储量、生物量转扩因子作为模型监督值，模型监督值和固定样地的变量因子构成数据集，并将所述数据集进行预处理，得到预处理数据集；
所述预处理具体为：采用一位有效编码（One-Hot）将所述数据集中的离散型特征变量映射到多维空间，并利用standardscaler函数进行标准化处理，得到预处理数据集。
离散型特征变量为起源和树种组成。
步骤S4：基于多种监督值、变量组合和决策树算法进行遍历建模，将所述预处理数据集按照80%、20%划分为训练集和测试集，利用所述训练集输入模型对模型进行训练，利用所述测试集并根据决定系数R2和均方根误差RMSE确定估算模型；
利用随机森林、梯度提升决策树、轻量的梯度提升机、极端梯度提升和梯度提升+类别型特征的机器学习算法进行遍历建模。
训练得到的多个模型，对多个模型计算决定系数R2和均方根误差RMSE，并对多个所述决定系数R2和多个所述均方根误差RMSE进行排序，将所述决定系数R2排序第一和所述均方根误差RMSE排序倒数第一的模型作为估算模型。
Figure DEST_PATH_IMAGE006
式中，
Figure DEST_PATH_IMAGE007
分别代表固定样地的生物量转扩因子、生物量和碳储量的三个预测变量设计；
Figure DEST_PATH_IMAGE008
分别代表随机森林（Random Forest）、梯度提升决策树（GBDT）、轻量的梯度提升机（LightGBM）、极端梯度提升（XGBoost）、梯度提升+类别型特征（CatBoost）五种机器学习算法，
Figure DEST_PATH_IMAGE009
代表以平均胸径为基础，其与其他特征变量可能构成的所有变量组合。
采用选择决定系数R2最高、均方根误差RMSE最低的模型作为估算模型：
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
为监督值；
Figure DEST_PATH_IMAGE012
为预测值；
Figure DEST_PATH_IMAGE013
为样本均值；n为样本数量。
步骤S5：将所述森林小班的变量因子带入所述估算模型，获取小班碳储量，并对各个所述小班碳储量分县域加总，计算加总后的碳储量与上一年度碳储量的差值，得到各县森林碳汇量。
获取小班碳储量计算路径的类型分为：
当所述估算模型中预测变量
Figure DEST_PATH_IMAGE014
为生物量转扩因子，则结合活立木蓄积量、树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量
Figure 412609DEST_PATH_IMAGE014
为生物量，则结合树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量
Figure 595329DEST_PATH_IMAGE014
为碳储量，则无需再做进一步计算，得到小班碳储量。
以浙江省为例，进行浙江省各小班碳汇估算建模：
数据来源于浙江省所有林业调查固定样地数据和全省林业图班数据。按照本发明筛选出符合要求的固定样地5420个和森林小班3140598个。计算出固定样地蓄积量、生物量、碳储量。筛选并计算固定样地数据库和森林小班数据库中共有的特征变量。得到数据集如表1所示：
表1数据集汇总表
Figure DEST_PATH_IMAGE015
表2数据集汇总表（续表1）
Figure DEST_PATH_IMAGE016
将数据集按照80：20比例随机分为4336个训练集和1084个测试集。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语言编写基于机器学习算法的建模运行程序，将表1中的生物量转扩因子、生物量、碳储量密度作为监督值，其余作为模型输入备选。根据遍历建模，共建立4590个模型，筛选出预测精度最高的模型，参见图3-图4。
三个监督值精度最高的模型组合如表3所示。可见最优的估算模型是：监督值为生物量，算法为梯度提升+类别型特征CatBoost，变量组合为平均胸径，平均树高，郁闭度，植被覆盖度，立木株数/m2，龄组，蓄积量，树种组成。
表3最优建模路径
Figure DEST_PATH_IMAGE017
表4基于生物量最优预测模型的预测结果
Figure DEST_PATH_IMAGE018
最后为将森林小班特征变量输入到最优的估算模型中，计算的森林小班的碳储量，并对两期碳储量相减获得碳汇量。
与前述一种基于机器学习的县域森林碳汇估算方法的实施例相对应，本发明还提供了一种基于机器学习的县域森林碳汇估算装置的实施例。
参见图5，本发明实施例提供的一种基于机器学习的县域森林碳汇估算装置，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现上述实施例中的一种基于机器学习的县域森林碳汇估算方法。
本发明一种基于机器学习的县域森林碳汇估算装置的实施例可以应用在任意具备数据处理能力的设备上，该任意具备数据处理能力的设备可以为诸如计算机等设备或装置。装置实施例可以通过软件实现，也可以通过硬件或者软硬件结合的方式实现。以软件实现为例，作为一个逻辑意义上的装置，是通过其所在任意具备数据处理能力的设备的处理器将非易失性存储器中对应的计算机程序指令读取到内存中运行形成的。从硬件层面而言，如图5所示，为本发明一种基于机器学习的县域森林碳汇估算装置所在任意具备数据处理能力的设备的一种硬件结构图，除了图5所示的处理器、内存、网络接口、以及非易失性存储器之外，实施例中装置所在的任意具备数据处理能力的设备通常根据该任意具备数据处理能力的设备的实际功能，还可以包括其他硬件，对此不再赘述。
上述装置中各个单元的功能和作用的实现过程具体详见上述方法中对应步骤的实现过程，在此不再赘述。
对于装置实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本发明方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
本发明实施例还提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时，实现上述实施例中的一种基于机器学习的县域森林碳汇估算方法。
所述计算机可读存储介质可以是前述任一实施例所述的任意具备数据处理能力的设备的内部存储单元，例如硬盘或内存。所述计算机可读存储介质也可以是任意具备数据处理能力的设备的外部存储设备，例如所述设备上配备的插接式硬盘、智能存储卡（Smart Media Card，SMC）、SD卡、闪存卡（Flash Card）等。进一步的，所述计算机可读存储介质还可以既包括任意具备数据处理能力的设备的内部存储单元也包括外部存储设备。所述计算机可读存储介质用于存储所述计算机程序以及所述任意具备数据处理能力的设备所需的其他程序和数据，还可以用于暂时地存储已经输出或者将要输出的数据。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)

1.一种基于机器学习的县域森林碳汇估算方法，其特征在于，包括以下步骤：
步骤S1：在所有森林资源连续清查数据中筛选固定样地，在所有森林资源规划设计调查数据中筛选森林小班；
步骤S2：计算所述固定样地的生物量、碳储量、蓄积量、生物量转扩因子、树种组成和每平方米株数，调取所述固定样地的平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；调取所述森林小班的变量因子：树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度；
步骤S3：将所述固定样地的蓄积量、树种组成、每平方米株数、平均胸径、平均树高、龄组、起源、郁闭度和植被覆盖度作为固定样地的变量因子，所述固定样地的生物量、碳储量、生物量转扩因子作为模型监督值，模型监督值和固定样地的变量因子构成数据集，并将所述数据集进行预处理，得到预处理数据集；
步骤S4：基于多种监督值、变量组合和决策树算法进行遍历建模，将所述预处理数据集分为训练集和测试集，利用所述训练集输入模型对模型进行训练，利用所述测试集并根据决定系数和均方根误差确定估算模型；
步骤S5：将所述森林小班的变量因子带入所述估算模型，获取小班碳储量，并对各个所述小班碳储量分县域加总，计算加总后的碳储量与上一年度碳储量的差值，得到各县森林碳汇量。
2.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述步骤S1中所述筛选的方法包括数据集筛选法和特征变量筛选法，所述数据集筛选法为以地类类型为乔木林和疏林地进行筛选，所述特征变量筛选法为以所述固定样地和所述森林小班共有的林分因子作为特征变量进行筛选。
3.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述S2中计算所述固定样地的树种组成的方式为：通过所述森林小班的树种组成十分法，根据各树种蓄积量占比换算得到固定样地的树种组成。
4.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述S2中所述生物量转扩因子为所述固定样地的生物量与所述固定样地的蓄积量的比值。
5.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述步骤S3中所述预处理具体为：采用一位有效编码将所述数据集中的离散型特征变量映射到多维空间，并利用standardscaler函数进行标准化处理，得到预处理数据集。
6.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述步骤S4中利用随机森林、梯度提升决策树、轻量的梯度提升机、极端梯度提升和梯度提升+类别型特征的机器学习算法进行遍历建模。
7.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述步骤S4中训练得到的多个模型，对多个模型计算决定系数和均方根误差，并对多个所述决定系数和多个所述均方根误差进行排序，将所述决定系数排序第一和所述均方根误差排序倒数第一的模型作为估算模型。
8.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法，其特征在于，所述步骤S5中获取小班碳储量计算路径的类型分为：
当所述估算模型中预测变量为生物量转扩因子，则结合活立木蓄积量、树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量为生物量，则结合树种含碳系数计算得到小班碳储量；
当所述估算模型中预测变量为碳储量，则无需再做进一步计算，得到小班碳储量。
9.一种基于机器学习的县域森林碳汇估算装置，其特征在于，包括存储器和一个或多个处理器，所述存储器中存储有可执行代码，所述一个或多个处理器执行所述可执行代码时，用于实现权利要求1-8中任一项所述的一种基于机器学习的县域森林碳汇估算方法。
10.一种计算机可读存储介质，其特征在于，其上存储有程序，该程序被处理器执行时，实现权利要求1-8中任一项所述的一种基于机器学习的县域森林碳汇估算方法。
CN202211290283.9A 2022-10-21 2022-10-21 一种基于机器学习的县域森林碳汇估算方法和装置 Active CN115358644B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211290283.9A CN115358644B (zh) 2022-10-21 2022-10-21 一种基于机器学习的县域森林碳汇估算方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211290283.9A CN115358644B (zh) 2022-10-21 2022-10-21 一种基于机器学习的县域森林碳汇估算方法和装置

Publications (2)

Publication Number Publication Date
CN115358644A true CN115358644A (zh) 2022-11-18
CN115358644B CN115358644B (zh) 2023-01-31

Family

ID=84008364

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211290283.9A Active CN115358644B (zh) 2022-10-21 2022-10-21 一种基于机器学习的县域森林碳汇估算方法和装置

Country Status (1)

Country Link
CN (1) CN115358644B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070080A (zh) * 2023-03-06 2023-05-05 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) 一种森林碳储量与碳汇价值监测系统及动态评估方法
CN116561498A (zh) * 2023-04-10 2023-08-08 武汉大学 一种全球森林固碳潜力高精度计算方法及系统
CN116992351A (zh) * 2023-09-26 2023-11-03 云南省林业调查规划院 一种森林碳汇潜力预测方法及装置
CN117036944A (zh) * 2023-08-09 2023-11-10 中科海慧（天津）科技有限公司 基于点云数据和图像识别的树木碳汇量计算方法及系统
CN117423011A (zh) * 2023-11-09 2024-01-19 滁州学院 一种森林碳储量遥感估算方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162872A (zh) * 2019-05-17 2019-08-23 中国科学院城市环境研究所 一种多源数据融合的森林资源清查生物量估算模型
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
CN112884088A (zh) * 2021-04-08 2021-06-01 兰州交通大学 一种基于神经网络模型的森林碳储量计算方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110162872A (zh) * 2019-05-17 2019-08-23 中国科学院城市环境研究所 一种多源数据融合的森林资源清查生物量估算模型
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
CN112884088A (zh) * 2021-04-08 2021-06-01 兰州交通大学 一种基于神经网络模型的森林碳储量计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
项茂林等: "基于市县联动监测的县域森林植被生物量评估", 《浙江林业科技》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116070080A (zh) * 2023-03-06 2023-05-05 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) 一种森林碳储量与碳汇价值监测系统及动态评估方法
CN116070080B (zh) * 2023-03-06 2023-07-07 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) 一种森林碳储量与碳汇价值监测系统及动态评估方法
CN116561498A (zh) * 2023-04-10 2023-08-08 武汉大学 一种全球森林固碳潜力高精度计算方法及系统
CN116561498B (zh) * 2023-04-10 2024-03-29 武汉大学 一种全球森林固碳潜力高精度计算方法及系统
CN117036944A (zh) * 2023-08-09 2023-11-10 中科海慧（天津）科技有限公司 基于点云数据和图像识别的树木碳汇量计算方法及系统
CN117036944B (zh) * 2023-08-09 2024-03-01 中科海慧（天津）科技有限公司 基于点云数据和图像识别的树木碳汇量计算方法及系统
CN116992351A (zh) * 2023-09-26 2023-11-03 云南省林业调查规划院 一种森林碳汇潜力预测方法及装置
CN116992351B (zh) * 2023-09-26 2023-11-28 云南省林业调查规划院 一种森林碳汇潜力预测方法及装置
CN117423011A (zh) * 2023-11-09 2024-01-19 滁州学院 一种森林碳储量遥感估算方法、系统、设备及介质

Also Published As

Publication number Publication date
CN115358644B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN115358644B (zh) 一种基于机器学习的县域森林碳汇估算方法和装置
CN114663782A (zh) 一种林地环境数据的林业碳源汇计量方法
CN114792169A (zh) 基于MIC-XGBoost算法的居民用水量预测方法
CN115859450A (zh) 一种基于bim技术的建筑建模数据处理方法及系统
CN115758074A (zh) 基于多源数据的高空间分辨率海水二氧化碳分压重构方法
CN106776782A (zh) 基于人工智能的语义相似度获取方法及装置
CN116957356B (zh) 一种基于大数据的景区碳中和管理方法和系统
CN117408167A (zh) 基于深度神经网络的泥石流灾害易发性预测方法
Lilleleht et al. Spatial forest structure reconstruction as a strategy for mitigating edge-bias in circular monitoring plots
CN117114194A (zh) 碳汇量确定、碳汇效益优化的方法、装置及相关设备
CN116337146B (zh) 基于改进遥感生态指数的生态质量评价与分区方法及装置
Newton Croplanner: A stand density management decision-support software suite for addressing volumetric yield, end-product and ecosystem service objectives when managing boreal conifers
Ruotsalainen et al. The effects of sample plot selection strategy and the number of sample plots on inoptimality losses in forest management planning based on airborne laser scanning data
CN115049160B (zh) 时空大数据的平原工业型城市碳排放量评估方法及系统
Garcia A generic approach to spatial individual-based modelling and simulation of plant communities
Sahin et al. Estimation of tree height with machine learning techniques in coppice-originated pure sessile oak (Quercus petraea (Matt.) Liebl.) stands
Pommerening Analysing and modelling spatial woodland structure
CN115270921A (zh) 基于组合预测模型的电力负载预测方法、系统及存储介质
CN115130924A (zh) 一种源网荷储背景下微电网电力设备资产评估方法及系统
CN115223055A (zh) 一种基于多源卫星遥感的碳汇估算方法
Nilsson et al. Exploring cyclone evolution with hierarchical features
Ma et al. Poisson Surface Reconstruction from LIDAR for Buttress Root Volume Estimation
Alder Simple diameter class and cohort modelling methods for practical forest management
CN112884286B (zh) 一种航空装备地面试验方案的综合评价方法
Nolan et al. Historical maps confirm the accuracy of zero‐inflated model predictions of ancient tree abundance in English wood‐pastures

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