CN116151413A - 一种乡村生态系统碳储量预测方法 - Google Patents

一种乡村生态系统碳储量预测方法 Download PDF

Info

Publication number
CN116151413A
CN116151413A CN202211406775.XA CN202211406775A CN116151413A CN 116151413 A CN116151413 A CN 116151413A CN 202211406775 A CN202211406775 A CN 202211406775A CN 116151413 A CN116151413 A CN 116151413A
Authority
CN
China
Prior art keywords
land
data
carbon
total
land utilization
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
CN202211406775.XA
Other languages
English (en)
Other versions
CN116151413B (zh
Inventor
徐宁
池麦
王姁
郑琳
段皓然
成玉宁
潘可欣
何雪馨
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.)
Southeast University
Original Assignee
Southeast University
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 Southeast University filed Critical Southeast University
Priority to CN202211406775.XA priority Critical patent/CN116151413B/zh
Priority to PCT/CN2022/132094 priority patent/WO2024098444A1/zh
Publication of CN116151413A publication Critical patent/CN116151413A/zh
Application granted granted Critical
Publication of CN116151413B publication Critical patent/CN116151413B/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
    • G06Q10/04—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
    • 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
    • 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
    • G06N3/0409—Adaptive resonance theory [ART] networks
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/206—Drawing of charts or graphs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2219/00—Indexing scheme relating to application aspects of data processing equipment or methods
    • G06F2219/10—Environmental application, e.g. waste reduction, pollution control, compliance with environmental legislation
    • 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)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Mathematics (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)

Abstract

本发明公开一种乡村生态系统碳储量预测方法，属于生态环境技术领域；预测方法包括：S1，获取研究区域的初始土地利用数据和气候情景数据，建立土地利用和气候情景数据库，气候情景数据为共享社会经济路径；对研究区域进行等距网格划分，在气候情景中选取驱动力因子组成驱动力数据；并计算模拟区域内栅格到土地利用变化驱动因子的距离；S2，构建CARA模型，计算出生物量的年总增量和四大碳库数据，并与初始土地利用数据进行线性回归分析，得到一定时空下土地碳储量的演变模型；S3，构建FLUS模型，并得到土地利用模拟结果；S4，构建InVEST模型，并将四大碳库数据和土地利用模拟结果输入InVEST模型，得出对应年份研究区域土地碳储量的分布情况。

Description

一种乡村生态系统碳储量预测方法
技术领域
本发明属于生态环境技术领域，具体涉及一种乡村生态系统碳储量预测方法。
背景技术
生态系统通过增加和减少大气中的温室气体来调节地球气候。其中，森林、草原、泥炭沼泽和其他陆地生态系统储存的碳比大气储存的多得多。通过将碳储存在木材、其他生物质和土壤中，生态系统会将导致气候变化的CO2排除在大气之外，从而影响气候。火灾、疾病或植被转换等会扰乱生态系统，从而释放大量的CO2；而其他管理变化，如森林恢复或替代农业实践，则会储存大量CO2。因此，管理生态系统的方式对于调节影响CO2驱动的气候至关重要。
气候变化是影响未来生态系统碳储量变化的重要因素。气候变化情景是人们对未来社会经济发展、温室气体变化趋势以及全球升温幅度等协同演进场景的一种刻画和表述；其中，社会经济发展与气候情景的关联可通过共享社会经济路径(SharedSocioeconomic Pathways,SSPs)反映；基于人类适应和缓解气候变化两个维度，SSPs确立了可持续发展(SSP1)、中度发展(SSP2)、局部或不一致发展(SSP3)、不均衡发展(SSP4)、常规发展(SSP5)五个可能影响未来社会经济发展趋势的基础路径；
生态系统服务的定量评估方法分为直接评估和间接评估，直接评估有主观和客观评估法，间接评估则分为最终、中间物质转换法和能值转换法。能值转换法目前的指标体系与转换方法并不完善，中间物质转换法由于空间数据、方法等的选取存在不确定性，最终物质转换法和直接评估法需要克服以点代面、空间分辨率低的问题。
在最终物质转换法中，InVEST模型(Integrated Valuation of EcosystemServices and Trade-offs，生态系统服务和权衡的综合评估模型)是当前广泛使用的工具，通常采用生产功能方法来量化和评估生态系统服务。与其他更复杂的工具相比，InVEST模型具有较低的数据要求，可以对陆地、淡水及海洋生态系统服务价值实现动态且可持续的评估。
InVEST碳储存和封存模型是InVEST模型中的一个子模型，根据当前或未来的土地利用/土地覆被(LULC)地图汇总四个碳库(地上生物量、地下生物量、土壤和死亡有机物)中储存的生物物理碳量，从而估计当前储存的碳量；但InVEST模型中的土地情景模拟较少，无法灵活满足研究要求。
FLUS模型(Future Land Use Simulation，未来土地利用变化情景模拟模型)是当前广泛使用的模拟人类活动与自然影响下的土地利用变化以及未来土地利用情景的模型，耦合了“自上而下”的系统动力学模型和“自下而上”的元胞自动机(CA)模型。FLUS模型采用神经网络算法(ANN)结合土地利用数据与包含人类活动与自然效应的多种驱动力因子，计算各用地类型在研究范围内的适宜性概率，更适用于乡村复杂多变的土地情景。此外，在土地变化模拟过程中，FLUS模型提出一种基于轮盘赌选择的自适应惯性竞争机制，该机制能有效处理多种土地利用类型在自然作用与人类活动共同影响下发生相互转化时的不确定性与复杂性，使FLUS模型具有较高的模拟精度并且能获得与现实土地利用分布相似的结果。
现有研究技术中，已存在采用FLUS-InVest模型耦合进行碳储量计算的方法，但往往使用的是已知数据，时效不足，未对未来碳库变化进行模拟。
发明内容
针对现有技术的不足，本发明的目的在于提供一种乡村生态系统碳储量预测方法，解决了背景技术中提到的技术问题。
本发明的目的可以通过以下技术方案实现：
一种乡村生态系统碳储量预测方法，其特征在于，包括以下步骤：
S1，获取研究区域的初始土地利用数据和气候情景数据，建立土地利用和气候情景数据库，气候情景数据为共享社会经济路径；对研究区域进行等距网格划分，在气候情景中选取驱动力因子组成驱动力数据；
S2，构建CARA模型，计算出生物量的年总增量和四大碳库数据，并与S11中的初始土地利用数据进行线性回归分析，得到一定时空下土地碳储量的演变模型；
S3，构建FLUS模型，并得到土地利用模拟结果；
S4，构建InVest模型；并将S2得到的四大碳库数据和S3得到的土地利用模拟结果输入InVEST模型，得出对应情景(SSP1、SSP2、SSP5)研究区域土地碳储量的分布情况。
进一步地，构建CARA模型的步骤包括：
S21，在CARA模型中建立净初级生产力与共享社会经济路径中归一化植被指数的关系模型，应用驱动力数据计算得出对应年份土地像元的净初级生产力，之后对得出的研究区域各年份净初级生产力进行线性回归分析，建立研究区域土地净初级生产力的时空演变模型；
S22，应用S21中计算出的各年份土地净初级生产力，建立土地净初级生产力与生物量的关系模型，并计算出生物量的年总增量；
S23，建立土地净初级生产力、生物量的年总增量与生物量总碳储量之间的关系模型；之后根据植物不同部位生物量碳库的比例，计算出研究区域土地各碳库数据；
S24，将S22中计算出的生物量年总增量与S1中的初始土地利用数据进行线性回归分析，得到一定时空下土地碳储量的演变模型。
本发明的有益效果：能够较好结合当前的新排放情景，较为有效地集成可收集度较高的数据，对研究区域土地碳储量分布作出较为准确的时空演变模拟与预测，从而为优化地区控制碳排放策略提供有效参考。
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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是在SSPs情景下的乡村生态系统碳储量预测方法的流程图；
图2是2010年A省初始土地利用分类图；
图3是SSP1情景下各类土地利用变化的驱动因子集合图；
图4是SSP1情景下模拟2020年A省土地利用分布图；
图5是SSP2情景下模拟2020年A省土地利用分布图；
图6是SSP5情景下模拟2020年A省土地利用分布图；
图7是比对验证模拟结果的2020年A省实际土地利用分布图；
图8是CARA模型中输出的2020年A省乡村地区各类用地四大碳库数值结果图；
图9是SSPs1情景下本发明实施例输出的2020年A省乡村地区满足情景目标的碳储量评估结果图；
图10是SSPs2情景下本发明实施例输出的2020年A省乡村地区满足情景目标的碳储量评估结果图；
图11是SSPs5情景下本发明实施例输出的2020年A省乡村地区满足情景目标的碳储量评估结果图。
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的所有其它实施例，都属于本发明保护的范围。
如图1所示，一种乡村生态系统碳储量预测方法包括以下步骤：
S1，建立数据库，并对数据预处理，具体包括：
S11，获取研究区域的初始土地利用数据和气候情景数据，建立土地利用和气候情景数据库；初始土地利用数据首先通过获取研究区域初始土地高分影像并进行预处理，其次对预处理后的高分影像解译得到分类后的影像，最后从分类后的影像获取初始土地利用数据；气候情景数据为共享社会经济路径(SSPs)。
S12，对研究区域进行等距网格划分；在该气候情景中选取影响土地利用变化的驱动力因子(坡度、湿度、温度、人口、数字高程、到市区的距离等)组成驱动力数据；并对初始土地利用数据规定好模拟区域的范围与标准栅格影像大小，用欧式距离公式计算模拟区域内栅格到土地利用变化驱动因子的距离，在ArcMap(地理信息系统编辑软件)中生成与标准栅格影像图幅大小一致的栅格距离数据；根据现有植被指数、树叶、树根和树干生物量比例，建立植被自身碳库比例数据集；其中采用空间欧式距离公式计算空间栅格到驱动力因子的距离的计算公式为：
Figure SMS_1
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示计算的的欧式距离。
S2，构建农村地区碳积累CARA(Carbon Accumulation in Rural Area)模型，具体步骤为：
S21，在CARA模型中建立净初级生产力(NPP)与共享社会经济路径(SSPs)中归一化植被指数(NDVI)的关系模型，应用驱动力数据计算得出对应年份土地像元的净初级生产力(NPP)，之后对得出的研究区域各年份净初级生产力(NPP)进行线性回归分析，建立研究区域土地净初级生产力(NPP)的时空演变模型；具体计算过程为：
NPPx,t＝APARx,t×εx,t (2)
APARx,t为像元x在t月份吸收的光合有效辐射；εx,t为像元x在t月份的实际光能利率；
εx,t＝f1x,t×f2x,t×Wx,t×εmax (3)
f1x,t和f2x,t表示低温和高温对光能利用率的胁迫作用(无单位)，Wx,t为水分胁迫影响系数(无单位)反映水分条件的影响,εmax是理想条件下的最大光利用率(单位：gC·MJ-1)，f1，f2和W的值为常数；
植被吸收的光合有效辐射取决于总太阳辐射和光合有效辐射分量(FPAR)，模型如下：
APARx,t＝Sx,t×FPARx,t×0.5 (4)
Sx,t为像元x在t月份的总太阳辐射量；FPARx,t为植被层对入射光合有效辐射的吸收比例；常数0.5表示植被所能利用的太阳有效辐射(波长为0.38～0.71μm)占总太阳辐射的比例；其中FPAR和NDVI、比值植被指数(SR)表现出较好的线性关系；
Figure SMS_2
SRmin和SRmax分别对应各植被类型NDVI的5％和95％下侧百分位数；SRx,t可由NDVIx,t求得：
Figure SMS_3
NDVIxt为像元x在t月份的NDVI；由于NDVI来源于NDVIMOD13Q1数据集，本发明可直接获取所需年份的月时序NDVI数据集，从而计算出各个年份的NPP；之后对得出的研究区域各年份净初级生产力(NPP)进行线性回归分析，建立研究区域土地净初级生产力(NPP)的时空演变模型。
S22，应用S21中计算出的各年份土地净初级生产力(NPP)，建立土地净初级生产力(NPP)与生物量的关系模型，并计算出生物量的年总增量(GAI)；计算公式如下：
建立生物量的年总增量(GAI)与净初级生产力(NPP)之间的关系模型：
GAI＝rB*(1-B/K)-Σkj*εi*B-H(7)
其中，B是代表种植物的长期生物量(吨C/公顷)，r是内在增长率(年-1)，K是承载能力(吨C/公顷)，εi和kj代表各自的比例占总生物质和周转率(年-1)的不同形态(叶、大小分枝、茎、根)，H是收获率(吨公顷-1年-1)。
S23，建立土地净初级生产力(NPP)、生物量的年总增量(GAI)与生物量总碳储量之间的关系模型；之后根据植物不同部位生物量碳库的比例，计算出研究区域土地各碳库数据Cabove、Cbelow、Cdead、Csoil(Cabove表示地上生物碳密度；Cbelow地下植物根系碳密度；Csoil土壤中的有机碳密度；Cdead植物凋零物及死亡生物的碳密度)；
研究区域土地各碳库数据的计算步骤包括：
建立生物量总枯落碳储量Ltotal(Mg C·a-1)与生物量的年总增量(GAI)和净初级生产力(NPP)之间的关系模型，计算出生物量总枯落碳储量Ltotal，进而计算得出凋落物碳库：
GAI+Ltotal＝NPP(8)
Cdead＝Ltotal(9)
之后根据植物不同部位生物量碳库的比例，建立各碳库与生物量的年总增量(GAI)的比例关系模型：
Cabove,x＝GAIx *(mF+mS) (10)
Cbelow,x＝GAIx*mR(11)
其中，mF、mR、mS分别为植物叶、根、茎生物量碳库的比例；x表示一类土地利用类型，GAIx表示x类用地的生物量的年总增量；Cabove,x表示x类用地的地上生物碳密度；Cbelow,x表示x类用地的地下植物根系碳密度。
S24，将S22中计算出的生物量年总增量(GAI)与S11中的初始土地利用数据进行线性回归分析，得到一定时空下土地碳储量的演变模型。
S3，构建FLUS模型，具体步骤为：
S31，对驱动力数据与初始土地利用数据进行随机点采样，获得采样数据，使用采样数据对参数自适应神经网络(ANN)算法进行训练，由训练好的神经网络计算全部的驱动力数据，以获取每种土地利用类型在模拟区域内的分布概率；
获取各种土地利用类型在模拟区域内的分布概率的计算步骤为：
采用均匀采样策略或比例采样策略对驱动力数据和初始土地利用数据进行随机点采样；均匀采样模式中，各类别用地的采样点数相同；而随机采样模式中，各类用地的采样点数量与各类用地所占的比例相关；采样后的样本公式表示为：
X＝[x1,x2,…,xn]T (12)
其中xn表示第一个采样点抽取的第n个驱动力因子的变量，T为转置；
使用采样数据对输入参数自适应神经网络算法进行训练之前，需要对采样数据进行归一化处理，归一化处理计算公式为：
Figure SMS_4
其中maxw和minw分别是第w个驱动力因子的最大和最小值；
参数自适应神经网络算法可表示如下：
Figure SMS_5
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、(1，1.1)；
参数自适应神经网络算法包括输入层、隐藏层和输出层，全体驱动力数据通过输入层输入训练好的神经网络，驱动力输入数据经输入层、隐藏层和输出层依次处理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层第i个神经元为xi，则隐藏层中神经元j在t时刻从网格细胞p上的所有输入层神经元接收到的信号为：
netj(p,t)＝Σiwi,j·xi(p,t) (15)
wi,j为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值，神经自适应网络中的优化器会根据损失函数产生的数值对权值进行训练和校准；xi(p,t)是在时刻t网格细胞p上与输入神经元i相关的第i个变量；
输入层和隐藏层之间的连接由sigmoid激活函数构建：
Figure SMS_6
输出层的每个神经元对应一个特定的土地利用类型，输出层第l个神经元的值将生成一个值，表示网格单元第l个土地使用类型的发生概率；数值越高，说明目标土地利用类型特定网格单元发生的概率越大；时刻t时网格单元p上土地利用类型k的发生概率记为p(t,k,t)：
Figure SMS_7
wj,k是隐藏层和输出层之间的权重参数，和wi,j相似；最终的p(p,k,t)即为训练好的神经网络计算所得的各种土地利用类型在模拟区域内的分布概率。
S32，设定好邻域大小、转换限制矩阵和每种用地类型的像元个数，将S31输出的分布概率与S11中的初始土地利用数据在土地利用模拟模块中进行迭代；迭代扫描初始土地利用数据的像元，计算每个像元在邻域内包含的土地利用类型和在邻域内所占的比例，与S31输出的分布概率、转换限制矩阵共同合成每个像元上各类土地利用类型的总分布概率；
每个像元上各类土地利用类型的总分布概率的具体计算步骤为：
通过邻域函数构建一个扫描窗口，统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域函数的定义如下：
Figure SMS_8
Figure SMS_9
是在第t次迭代时特定网格单元p处土地利用类型k的邻域开发密度，
Figure SMS_10
表示在最后迭代时间t-1时以像元p为中心的N·N窗口内为土地利用类型为k的网格细胞的总数，con是条件函数，/>
Figure SMS_11
表示邻域内的当前被扫描到的像元，/>
Figure SMS_12
表示检测邻域内的当前被扫描的像元类型是否为第k类，wk是不同土地利用类型间的变权值，因为不同土地利用类型存在不同的邻域效应；
FLUS模型利用自适应惯性表示以往土地利用类型的继承，根据三种情况定义惯性系数：
Figure SMS_13
Figure SMS_14
表示在时刻t时土地利用类型k的惯性系数，/>
Figure SMS_15
表示土地利用类型k在迭代时间t-1时宏观需求和分配数量之间的差异；三种情况分别为：
如果特定的土地利用类型k的发展趋势满足宏观需求，即
Figure SMS_16
则迭代时刻t的惯性系数保持不变；
如果宏观需求具体土地利用类型k小于当前分配数量，并且土地利用类型k的发展趋势与宏观需求相矛盾，即
Figure SMS_17
则惯性系数迭代时间t将略有减少，将之前的系数乘/>
Figure SMS_18
如果特定土地利用类型k的宏观需求大于当前的分配数量，且土地利用类型k的发展趋势与宏观需求相矛盾，即
Figure SMS_19
则迭代时刻t的惯性系数将之前的系数乘
Figure SMS_20
会略有增加；
如此通过对CA迭代中各土地利用类型的惯性系数进行动态调整，实现不同土地利用类型的分配相互竞争，从而使各土地利用类型的分配与宏观土地利用需求相匹配；
转换成本是影响土地利用动态的另一个因素，FLUS中的转换成本是固定不变的，对于每个土地利用对c和k，由c变化到k的土地利用转换成本表示为scc→k，取值范围为(0,1)；
综合发生概率、邻域效应、惯性系数和转换成本，计算某一特定土地利用类型占用小区的综合概率计算公式，即构成轮盘赌的全局总概率合成公式为：
Figure SMS_21
Figure SMS_22
表示在迭代时刻t时网格单元p从原始土地利用类型转换到目标类型k的组合概率，Pp,k为网格单元p上土地利用类型为k的发生概率，/>
Figure SMS_23
为迭代时间t时土地利用类型k对网格单元p的邻域效应，/>
Figure SMS_24
为迭代时刻土地利用类型k的惯性系数，scc→k原土地利用类型c向目标类型k的转换成本。
S33，将每个像元上的各类土地利用类型的总分布概率构成轮盘，通过轮盘赌的方法，使区域内各种土地利用类型在像元上竞争，竞争获胜的土地利用类型占据该像元。
S34，转到S32，直到迭代完一副影像的全部有效像元，所述有效像元即土地利用数据中像元值不为空值的像元，然后返回S31刷新初始影响进入下一次迭代；输入初始土地利用数据和S31中合成的总分布概率和约束用地变化的限制数据，设置迭代次数到达迭代次数后停止，输出的结果即为土地利用的最终模拟结果。
S4，构建InVest模型；将S23中计算得出的四大碳库数据(Cabove、Cbelow、Cdead、Csoil)与S34中模拟的土地利用数据输入InVEST模型，得出对应年份研究区域土地碳储量的分布情况；最终为研究区域进一步控制碳排放提供有效参考。
下面结合具体实施例来阐述本发明的实施过程：
本发明中的研究对象为A省的乡村地区；本研究区域中采用的数据为：2010年的A省乡村的四大碳库数据(Cabove、Cbelow、Cdead、Csoil)、土地利用数据以及气候情景数据，建立碳储量数据库；其中，2010年A省乡村碳储量数据，由2010年A省总碳储量通过A省农村城市植物覆盖比例估算各算得出，2010年A省乡村四大碳库数据通过A省乡村碳储量数据依照比例计算得出。A省归一化植被指数(normalized difference vegetation index，NDVI)来源于NDVI MOD13Q1数据集，本发明可直接获取所需年份的月时序NDVI数据集，从而计算出A省2010-2019年份NPP数据；最终通过叠加计算得到2020年份A省乡村四大碳库数据；采用2020年的A省乡村四大碳库数据作为验证数据，2020年A省乡村四大碳库数据来源与2010年A省四大碳库来源方式相同；
土地利用数据由初始土地高分影像解译而成，分为耕地、林地、草地、水体、建设用地和未利用地6类；采用2020年的初始土地高分影像解译的土地利用变化数据作为验证数据，2010年的A省土地利用变化数据与2020年的数据具有相同的土地利用分类系统；根据土地利用变化模拟的研究经验结合A省乡村的历史数据和现有数据，本次实例共选取11种土地利用土地覆盖变化的驱动力因子。驱动力因子分别为DEM、坡度、行政区划矢量、降水、气温、人口密度、到高速公路的距离、到区县中心的距离、到省道的距离、到市中心的距离、到铁路的距离、到县道的距离；InVEST碳储存和封存模型估计景观中当前储存的碳量，并评估随时间推移的固碳量；该模型首先根据土地利用/土地覆被(LULC)汇总四个碳库中储存的生物物理碳量，其次根据未来的LULC估计碳储量随时间推移的变化。
气候情景数据为共享社会经济路径(SSPs)作为模拟的初始数据，探讨A省碳储量的变化趋势，选择可持续发展路径(SSP1)、中间发展路径(SSP2)、区域竞争路径(SSP3)以及化石燃料发展路径(SSP5)四种共享社会经济情景，需要指出的是目前中国面临着巨大的发展潜力和减排挑战，以低减排和高适应挑战为特征的SSP4情景与中国实际国情并不相符，因此本文没有选取SSP4情景。
本发明研究对象选择A省乡村地区的原因主要在于：近年来A省社会经济发展迅速。城市化进程的加快对乡村建设用地的需求增大，会侵占大量的土地资源，导致A省乡村的景观格局发生了较大变化，景观格局的改变对A省的生态环境产生了重要影响；乡村生态环境受到了剧烈的负面影响，大气中二氧化碳含量逐年增加，土地碳储量也随之变化，给乡村种植业与建设都带来了负面的影响；在碳中和的背景下，通过SSPs几种模式下，预测未来A省形态及土地利用变化，并评估土地利用变化对生碳储量的影响，对A省的乡村建设规划具有重要的意义。
如图1所示，预测方法包括以下步骤：
第1步：根据国家统计局官网上查询的城乡分类三位数代码，首位代码为1的区域划定为城镇，首位代码为2的区域划定为乡村。在Arcgis10.7中对A省城市和乡村区域进行划分；
第2步：利用SSPs情景，从SSP1、SSP2、SSP3、SSP4及SSP5五种共享社会经济情景中，在考虑气候政策的条件下，选取SSP1、SSP2、SSP5作为应用的情景。之后在选定的气候情景中选取温度，湿度，辐射，人口，排放，相关政策六种影响土地利用变化的驱动力因子组成驱动力数据。在GIS中生成与标准栅格影像图幅大小一致的土地利用图(图2)和驱动因子数据(图3)。根据现有NDVI、树叶、树根和树干生物量比例，建立植被自身碳库比例数据集。其中采用空间欧式距离公式计算空间栅格到驱动力因子的距离计算公式为：
Figure SMS_25
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示计算的的欧式距离。
第3步：选取单位像元内3～4种优势种群植物作为代表种，建立净初级生产力(NPP)与光合有效辐射的关系模型，应用SSPs情景下相关数据计算得出对应年份土地像元的净初级生产(NPP)：
NPPx,t＝APARx,t×εx,t (2)
APARx,t为像元x在t月份吸收的光合有效辐射；εx,t为像元x在t月份的实际光能利率；
εx,t＝f1x,t×f2x,t×Wx,t×εmax (3)
f1x,t和f2x,t表示低温和高温对光能利用率的胁迫作用(无单位)，Wx,t为水分胁迫影响系数(无单位)反映水分条件的影响,εmax是理想条件下的最大光利用率(单位：gC·MJ-1)，f1，f2和W的值为常数；
植被吸收的光合有效辐射取决于总太阳辐射和光合有效辐射分量(FPAR)，模型如下：
APARx,t＝Sx,t×FPARx,t×0.5 (4)
Sx,t为像元x在t月份的总太阳辐射量；FPARx,t为植被层对入射光合有效辐射的吸收比例；常数0.5表示植被所能利用的太阳有效辐射(波长为0.38～0.71μm)占总太阳辐射的比例；其中FPAR和NDVI、比值植被指数(SR)表现出较好的线性关系；
Figure SMS_26
SRmin和SRmax分别对应各植被类型NDVI的5％和95％下侧百分位数；SRx,t可由NDVIx,t求得：
Figure SMS_27
将2010年A省NDVI数据置入ArcGIS工具统计计算，通过累计百分比确定一个置信区间，一般是2％-90％，这里分别取累计百分比在5％和95％时的NDVI值作为最小值和最大值，如表1所示：
NDVI Min(5％) Max(95％) Average
耕地 0.55 0.87 0.82
林地 0.75 0.95 0.87
草地 0.38 0.76 0.52
水域 -0.19 0.13 -0.11
建设用地 0.23 0.84 0.45
未利用地 0.31 0.75 0.49
表1
将表1中的NDVI代入式(6)，得表2：
SRMin SRMax SR
耕地 3.44 14.38 10.11
林地 7.00 39.01 14.38
草地 2.23 7.33 3.17
水域 0.68 1.30 0.80
建设用地 1.59 11.5 2.64
未利用地 1.90 7.00 2.92
表2
将表2中的SR相关数据代入式(3)、式(4)，得到表3：
Figure SMS_28
表3
NDVIxt为像元x在t月份的NDVI。由于各土地像元类型固定，且NDVI(归一化植被指数：NDVI＝(Nir-Rad)/(Nir+Rad)Nir近红外波段，Rad红光波段)一般每年随季节呈周期性变化，由于一定地域内每年相同时间点的气候情况基本相同，一定地域内每年同一时间点的同种类型土地像元的NDVI基本保持不变，因此在此发明的后续预测中将NDVI视为常数。
由于本发明可直接获取所需年份的月时序SSPs情境(125)下的温度和湿度数据(即不同年份、不同排放情景下的f1、f2与W常数不同)，重复第3步上述内容，根据公式(3)(2)从而计算出各个年份的NPP，如表4所示：
Figure SMS_29
表4 SSPs情境(1、2、5)下各参数及变化
之后对得出的各年份的研究区域净初级生产力(NPP)进行线性回归分析，建立研究区域土地净初级生产力(NPP)的时空演变模型；
第4步：建立生物量的年总增量(GAI)的计算模型及其与净初级生产力(NPP)之间的关系模型：
GAI＝rB*(1-B/K)-Σkj*εi*B-H (7)
其中B是代表种植物的长期生物量(吨C/公顷)，r是内在增长率(年-1)，K是承载能力(吨C/公顷)，εi和kj代表各自的比例占总生物质和周转率(年-1)的不同形态(叶、大小分枝、茎、根)，H是收获率(吨公顷-1年-1)；
根据建立的生物量总枯落碳储量Ltotal(Mg C·a-1)与生物量的年总增量(GAI)和净初级生产力(NPP)之间的关系模型,计算出生物量总枯落碳储量Ltotal，进而计算得出凋落物碳库：
GAI+Ltotal＝NPP(8)
Cdead＝Ltotal(9)
之后根据植物不同部位生物量碳库的比例，建立各碳库与生物量的年总增量(GAI)的比例关系模型：
Cabove,x＝GAIx *(mF+mS) (10)
Cbelow,x＝GAIx*mR(11)
其中，mF、mR、mS分别为植物叶、根、茎生物量碳库的比例；x表示一类土地利用类型，GAIx表示x类用地的生物量的年总增量；Cabove,x表示x类用地的地上生物碳密度；Cbelow,x表示x类用地的地下植物根系碳密度。
将A省每种类型的土地像元内所选出的3-4种代表种植物的长期生物量、内在增长率、承载能力等数据代入式(7)，计算得出A省乡村各类土地像元的生物量年总增量；再将步骤3中得出的各年份NPP值代入式(8)，进而通过式(9)、(10)、(11)计算得出2010-2020年A省乡村各土地利用类型的碳密度(Mg/ha)，如图8所示：
Figure SMS_30
表5SSPs情景(1)下预测2020年A省乡村各土地利用类型的碳密度(Mg/ha)
Figure SMS_31
表6SSPs情景(2)下预测2020年A省乡村各土地利用类型的碳密度(Mg/ha)
Figure SMS_32
表7SSPs情景(5)下预测2020年A省乡村各土地利用类型的碳密度(Mg/ha)
图8
第5步(验证)：将第3步得出的NPP数据与将第4步中计算出的生物量年总增量(GAI)与第一步中2010年A省乡村土地碳储量数据进行线性回归分析，得出2020年A省乡村土地碳储量数据，并与实测2020年A省乡村土地碳储量数据进行比对；如表8所示：
Figure SMS_33
Figure SMS_34
表8实测2020年A省乡村各土地利用类型的碳密度(Mg/ha)
第6步：采用均匀采样策略或比例采样策略对初始土地利用数据(图2)和驱动力数据(图3)进行随机点采样。均匀采样模式中，各类别用地的采样点数相同；而随机采样模式中，各类用地的采样点数量与各类用地所占的比例相关。采样后的样本公式表示为：
X＝[x1,x2,…,xn]T (12)
其中xn表示第一个采样点抽取的第n个驱动力因子的变量，T为转置；
使用采样数据对输入参数自适应神经网络算法进行训练之前，需要对采样数据进行归一化处理，归一化处理计算公式为：
Figure SMS_35
其中maxw和minw分别是第w个驱动力因子的最大和最小值；
参数自适应神经网络算法可表示如下：
Figure SMS_36
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、(1，1.1)；
参数自适应神经网络算法包括输入层、隐藏层和输出层，全体驱动力数据通过输入层输入训练好的神经网络，驱动力输入数据经输入层、隐藏层和输出层依次处理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层第i个神经元为xi，则隐藏层中神经元j在t时刻从网格细胞p上的所有输入层神经元接收到的信号为：
netj(p,t)＝∑iwi,j·xi(p,t) (15)
wi,j为输入层和隐藏层之间一一对应的参数，也就是两个层级间的权重值，神经自适应网络中的优化器会根据损失函数产生的数值对权值进行训练和校准；xi(p,t)是在时刻t网格细胞p上与输入神经元i相关的第i个变量；
输入层和隐藏层之间的连接由sigmoid激活函数构建：
Figure SMS_37
输出层的每个神经元对应一个特定的土地利用类型，输出层第l个神经元的值将生成一个值，表示网格单元第l个土地使用类型的发生概率；数值越高，说明目标土地利用类型特定网格单元发生的概率越大；时刻t时网格单元p上土地利用类型k的发生概率记为p(t,k,t)：
Figure SMS_38
wj,k是隐藏层和输出层之间的权重参数，和wi,j相似；最终的p(p,k,t)即为训练好的神经网络计算所得的各种土地利用类型在模拟区域内的分布概率。
第7步：通过邻域函数构建一个扫描窗口，然后统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域函数的定义如下：
Figure SMS_39
Figure SMS_40
是在第t次迭代时特定网格单元p处土地利用类型k的邻域开发密度，
Figure SMS_41
表示在最后迭代时间t-1时以像元p为中心的N·N窗口内为土地利用类型为k的网格细胞的总数，con是条件函数，/>
Figure SMS_42
表示邻域内的当前被扫描到的像元，
Figure SMS_43
表示检测邻域内的当前被扫描的像元类型是否为第k类，wk是不同土地利用类型间的变权值，因为不同土地利用类型存在不同的邻域效应；
FLUS模型利用自适应惯性表示以往土地利用类型的继承，根据三种情况定义惯性系数：
Figure SMS_44
Figure SMS_45
表示在时刻t时土地利用类型k的惯性系数，/>
Figure SMS_46
表示土地利用类型k在迭代时间t-1时宏观需求和分配数量之间的差异；三种情况分别为：
如果特定的土地利用类型k的发展趋势满足宏观需求，即
Figure SMS_47
则迭代时刻t的惯性系数保持不变；
如果宏观需求具体土地利用类型k小于当前分配数量，并且土地利用类型k的发展趋势与宏观需求相矛盾，即
Figure SMS_48
则惯性系数迭代时间t将略有减少，将之前的系数乘/>
Figure SMS_49
如果特定土地利用类型k的宏观需求大于当前的分配数量，且土地利用类型k的发展趋势与宏观需求相矛盾，即
Figure SMS_50
则迭代时刻t的惯性系数将之前的系数乘
Figure SMS_51
会略有增加；
如此通过对CA迭代中各土地利用类型的惯性系数进行动态调整，实现不同土地利用类型的分配相互竞争，从而使各土地利用类型的分配与宏观土地利用需求相匹配；
转换成本是影响土地利用动态的另一个因素，FLUS中的转换成本是固定不变的，对于每个土地利用对c和k，由c变化到k的土地利用转换成本表示为scc→k，取值范围为(0,1)；
综合发生概率、邻域效应、惯性系数和转换成本，计算某一特定土地利用类型占用小区的综合概率计算公式，即构成轮盘赌的全局总概率合成公式为：
Figure SMS_52
Figure SMS_53
表示在迭代时刻t时网格单元p从原始土地利用类型转换到目标类型k的组合概率，Pp,k为网格单元p上土地利用类型为k的发生概率，/>
Figure SMS_54
为迭代时间t时土地利用类型k对网格单元p的邻域效应，/>
Figure SMS_55
为迭代时刻土地利用类型k的惯性系数，scc→k原土地利用类型c向目标类型k的转换成本。
第8步：输入初始土地利用数据(图2)和第7步中合成的总分布概率和约束用地变化的限制数据，设置迭代次数300，到达迭代次数后停止，输出的结果即为土地利用的最终模拟结果(图4、图5、图6)。
第9步：与2020年A省实际土地利用分布图对比检验预测准确性(图7)。
第10步：将S23中计算得出的四大碳库数据(图8)与S34中模拟的土地利用数据输入InVEST模型，得出对应情景研究区域土地碳储量的分布情况(图9、图10、图11)；最终为研究区域进一步控制碳排放提供有效参考。
以上显示和描述了本发明的基本原理、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。

Claims (10)

1.一种乡村生态系统碳储量预测方法，其特征在于，包括以下步骤：
S1，获取研究区域的初始土地利用数据和气候情景数据，建立土地利用和气候情景数据库，气候情景数据为共享社会经济路径；对研究区域进行等距网格划分，在气候情景中选取驱动力因子组成驱动力数据；并计算模拟区域内栅格到土地利用变化驱动因子的距离；
S2，构建CARA模型，计算出生物量的年总增量和四大碳库数据，并与S11中的初始土地利用数据进行线性回归分析，得到一定时空下土地碳储量的演变模型；
S3，构建FLUS模型，并得到土地利用模拟结果；
S4，构建InVest模型；并将S2得到的四大碳库数据和S3得到的土地利用模拟结果输入InVEST模型，得出对应年份研究区域土地碳储量的分布情况。
2.根据权利要求1所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S1中，采用空间欧式距离公式计算空间栅格到驱动力因子的距离，计算公式为：
Figure FDA0003936892000000011
其中(x0，y0)表示驱动力因子的坐标，(xn，yn)表示空间栅格的坐标，dise表示计算的的欧式距离。
3.根据权利要求1所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S2中，构建CARA模型的步骤包括：
S21，在CARA模型中建立净初级生产力与共享社会经济路径中归一化植被指数的关系模型，应用驱动力数据计算得出对应年份土地像元的净初级生产力，之后对得出的研究区域各年份净初级生产力进行线性回归分析，建立研究区域土地净初级生产力的时空演变模型；
S22，应用S21中计算出的各年份土地净初级生产力，建立土地净初级生产力与生物量的关系模型，并计算出生物量的年总增量；
S23，建立土地净初级生产力、生物量的年总增量与生物量总碳储量之间的关系模型；之后根据植物不同部位生物量碳库的比例，计算出研究区域土地各碳库数据；
S24，将S22中计算出的生物量年总增量与S1中的初始土地利用数据进行线性回归分析，得到一定时空下土地碳储量的演变模型。
4.根据权利要求3所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S21中，各年份净初级生产力的计算过程为：
NPPx,t＝APARx,t×εx,t (2)
APARx,t为像元x在t月份吸收的光合有效辐射；εx,t为像元x在t月份的实际光能利率；
εx,t＝f1x,t×f2x,t×Wx,t×εmax (3)
f1x,t和f2x,t表示低温和高温对光能利用率的胁迫作用(无单位)，Wx,t为水分胁迫影响系数(无单位)反映水分条件的影响，εmax是理想条件下的最大光利用率(单位：gC·MJ-1)，f1，f2和W的值为常数；
植被吸收的光合有效辐射取决于总太阳辐射和光合有效辐射分量，模型如下：
APARx,t＝Sx,t×FPARx,t×0.5 (4)
Sx,t为像元x在t月份的总太阳辐射量；FPARx,t为植被层对入射光合有效辐射的吸收比例；常数0.5表示植被所能利用的太阳有效辐射(波长为0.38～0.71μm)占总太阳辐射的比例；其中光合有效辐射分量和植被指数、比值植被指数(SR)表现出较好的线性关系；
Figure FDA0003936892000000031
SRmin和SRmax分别对应各植被类型NDVI的5％和95％下侧百分位数；SRx,t可由NDVIx,t求得：
Figure FDA0003936892000000032
NDVIxt为像元x在t月份的植被指数。
5.根据权利要求4所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S22中，计算生物量的年总增量(GAI)的公式如下：
GAI＝rB*(1-B/K)-Σkj*εi*B-H (7)
其中，B是代表种植物的长期生物量(吨C/公顷)，r是内在增长率(年-1)，K是承载能力(吨C/公顷)，εi和kj代表各自的比例占总生物质和周转率(年-1)的不同形态(叶、大小分枝、茎、根)，H是收获率(吨公顷-1年-1)。
6.根据权利要求5所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S23中，研究区域土地各碳库数据的计算步骤包括：
建立生物量总枯落碳储量Ltotal(Mg C·a-1)与建立土地净初级生产力(NPP)、生物量的年总增量(GAI)的关系模型，计算出生物量总枯落碳储量Ltotal，进而计算得出凋落物碳库：
GAI+Ltotal＝NPP (8)
Cdead＝Ltotal (9)
之后根据植物不同部位生物量碳库的比例，建立各碳库与生物量的年总增量的比例关系模型：
Cabove,x＝GAIx*(mF+mS) (10)
Cbelow,x＝GAIx*mR (11)
其中，mF、mR、mS分别为植物叶、根、茎生物量碳库的比例；x表示一类土地利用类型，GAIx表示x类用地的生物量的年总增量；Cabove,x表示x类用地的地上生物碳密度；Cbelow,x表示x类用地的地下植物根系碳密度。
7.根据权利要求3所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S3中，得到土地利用模拟结果的步骤包括：
S31，对驱动力数据与初始土地利用数据进行随机点采样，获得采样数据，使用采样数据对参数自适应神经网络(ANN)算法进行训练，由训练好的神经网络计算全部的驱动力数据，以获取每种土地利用类型在模拟区域内的分布概率；
S32，设定好邻域大小、转换限制矩阵和每种用地类型的像元个数，将S31输出的分布概率与S1中的初始土地利用数据在土地利用模拟模块中进行迭代；迭代扫描初始土地利用数据的像元，计算每个像元在邻域内包含的土地利用类型和在邻域内所占的比例，与S31输出的分布概率、转换限制矩阵共同合成每个像元上各类土地利用类型的总分布概率；
S33，将每个像元上的各类土地利用类型的总分布概率构成轮盘，通过轮盘赌的方法，使区域内各种土地利用类型在像元上竞争，竞争获胜的土地利用类型占据该像元；
S34，转到S32，直到迭代完一副影像的全部有效像元，所述有效像元即土地利用数据中像元值不为空值的像元，然后返回S31刷新初始影响进入下一次迭代；输入初始土地利用数据和S31中合成的总分布概率和约束用地变化的限制数据，设置迭代次数到达迭代次数后停止，输出的结果即为土地利用的最终模拟结果。
8.根据权利要求7所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S31中，获取各种土地利用类型在模拟区域内的分布概率的计算步骤为：
1)对驱动力数据和初始土地利用数据进行随机点采样，采样后的样本公式表示为：
X＝[x1,x2,…,xn]T (12)
其中xn表示第一个采样点抽取的第n个驱动力因子的变量，T为转置；
2)使用采样数据对输入参数自适应神经网络算法进行训练之前，需要对采样数据进行归一化处理，归一化处理计算公式为：
Figure FDA0003936892000000051
其中maxw和minw分别是第w个驱动力因子的最大和最小值；
参数自适应神经网络算法可表示如下：
Figure FDA0003936892000000052
其中η(n)是第n次迭代的学习率，E(n)和E(n-1)是相邻两次迭代的神经网络输出的均方根误差，a，b，c是常数，取值范围分别为(1，2)、(0，1)、(1，1.1)；
3)参数自适应神经网络算法包括输入层、隐藏层和输出层，全体驱动力数据通过输入层输入训练好的神经网络，驱动力输入数据经输入层、隐藏层和输出层依次处理后，获得每种土地利用类型在模拟区域内的分布概率；
设输入层第i个神经元为xi，则隐藏层中神经元j在t时刻从网格细胞p上的所有输入层神经元接收到的信号为：
netj(p,t)＝∑iwi,j·xi(p,t) (15)
wi,j为输入层和隐藏层之间一一对应的参数，也是两个层级间的权重值，神经自适应网络中的优化器会根据损失函数产生的数值对权值进行训练和校准；
xi(p,t)是在时刻t网格细胞p上与输入神经元i相关的第i个变量；
输入层和隐藏层之间的连接由sigmoid激活函数构建：
Figure FDA0003936892000000061
输出层的每个神经元对应一个特定的土地利用类型，输出层第l个神经元的值将生成一个值，表示网格单元第l个土地使用类型的发生概率；数值越高，说明目标土地利用类型特定网格单元发生的概率越大；时刻t时网格单元p上土地利用类型k的发生概率记为p(p,k,t)：
Figure FDA0003936892000000062
wj,k是隐藏层和输出层之间的权重参数，和wi,j相似；最终的p(p,k,t)即为训练好的神经网络计算所得的各种土地利用类型在模拟区域内的分布概率。
9.根据权利要求8所述的一种乡村生态系统碳储量预测方法，其特征在于，所述S32中，每个像元上各类土地利用类型的总分布概率的具体计算步骤为：
1)通过邻域函数构建一个扫描窗口，统计扫描窗口内的各类像元的数量来衡量各种土地利用类型在空间上的相互影响，邻域函数如下：
Figure FDA0003936892000000063
Figure FDA0003936892000000064
是在第t次迭代时特定网格单元p处土地利用类型k的邻域开发密度，
Figure FDA0003936892000000065
表示在最后迭代时间t-1时以像元p为中心的N·N窗口内为土地利用类型为k的网格细胞的总数，con是条件函数，/>
Figure FDA0003936892000000066
表示邻域内的当前被扫描到的像元，
Figure FDA0003936892000000071
表示检测邻域内的当前被扫描的像元类型是否为第k类，wk是不同土地利用类型间的变权值；
2)FLUS模型利用自适应惯性表示以往土地利用类型的继承，根据三种情况定义惯性系数：
Figure FDA0003936892000000072
Figure FDA0003936892000000073
表示在时刻t时土地利用类型k的惯性系数，/>
Figure FDA0003936892000000074
表示土地利用类型k在迭代时间t-1时宏观需求和分配数量之间的差异；
3)综合发生概率、邻域效应、惯性系数和转换成本，计算某一特定土地利用类型占用小区的综合概率计算公式，即构成轮盘赌的全局总概率合成公式为：
Figure FDA0003936892000000075
Figure FDA0003936892000000076
表示在迭代时刻t时网格单元p从原始土地利用类型转换到目标类型k的组合概率，Pp,k为网格单元p上土地利用类型为k的发生概率，/>
Figure FDA0003936892000000077
为迭代时间t时土地利用类型k对网格单元p的邻域效应，/>
Figure FDA0003936892000000078
为迭代时刻土地利用类型k的惯性系数，scc→k为原土地利用类型c向目标类型k的转换成本。
10.根据权利要求9所述的一种乡村生态系统碳储量预测方法，其特征在于，在所述S32的第2)步中，三种情况分别为：
1)特定的土地利用类型k的发展趋势满足宏观需求，即
Figure FDA0003936892000000079
则迭代时刻t的惯性系数保持不变；
2)宏观需求具体土地利用类型k小于当前分配数量，并且土地利用类型k的发展趋势与宏观需求相矛盾，即
Figure FDA00039368920000000710
则惯性系数迭代时间t将略有减少，将之前的系数乘
Figure FDA00039368920000000711
3)特定土地利用类型k的宏观需求大于当前的分配数量，且土地利用类型k的发展趋势与宏观需求相矛盾，即
Figure FDA0003936892000000081
则迭代时刻t的惯性系数将之前的系数乘
Figure FDA0003936892000000082
/>
CN202211406775.XA 2022-11-10 2022-11-10 一种乡村生态系统碳储量预测方法 Active CN116151413B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202211406775.XA CN116151413B (zh) 2022-11-10 2022-11-10 一种乡村生态系统碳储量预测方法
PCT/CN2022/132094 WO2024098444A1 (zh) 2022-11-10 2022-11-15 一种乡村生态系统碳储量预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211406775.XA CN116151413B (zh) 2022-11-10 2022-11-10 一种乡村生态系统碳储量预测方法

Publications (2)

Publication Number Publication Date
CN116151413A true CN116151413A (zh) 2023-05-23
CN116151413B CN116151413B (zh) 2024-04-26

Family

ID=86355168

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211406775.XA Active CN116151413B (zh) 2022-11-10 2022-11-10 一种乡村生态系统碳储量预测方法

Country Status (2)

Country Link
CN (1) CN116151413B (zh)
WO (1) WO2024098444A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116596095A (zh) * 2023-07-17 2023-08-15 华能山东发电有限公司众泰电厂 基于机器学习的碳排放量预测模型的训练方法及装置
CN116976526A (zh) * 2023-09-20 2023-10-31 北京师范大学 耦合ViViT和ANN的土地利用变化预测方法
CN117172140A (zh) * 2023-11-03 2023-12-05 北京师范大学 基于土地系统类型变化的碳储量预测方法及装置
CN117494860A (zh) * 2023-07-31 2024-02-02 华北水利水电大学 一种基于土地资源的生态系统评价方法及相关设备
CN117892053A (zh) * 2023-07-14 2024-04-16 中国矿业大学(北京) 结合多目标规划生态系统碳储量遥感预测方法及系统
CN117974401A (zh) * 2024-03-29 2024-05-03 南京大学 基于多源数据和模型集成的生态修复区域智能识别方法
CN118097441A (zh) * 2024-04-28 2024-05-28 四川省川建勘察设计院有限公司 一种光伏电站对区域碳储量影响评价方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055220A1 (en) * 2009-07-31 2011-03-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
CN113222316A (zh) * 2021-01-15 2021-08-06 中山大学 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN114494865A (zh) * 2022-01-17 2022-05-13 南京信息工程大学 一种山地生态系统未来情景的cset方法
CN115049164A (zh) * 2022-08-15 2022-09-13 四川师范大学 耦合社会网络模型和碳抵消的生态网络优化方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140156549A1 (en) * 2012-11-19 2014-06-05 Syracuse University Method for estimating carbon sequestration in grasslands
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
CN112836610B (zh) * 2021-01-26 2022-05-27 平衡机器科技(深圳)有限公司 一种基于遥感数据的土地利用变化与碳储量定量估算方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110055220A1 (en) * 2009-07-31 2011-03-03 Carbon Auditors Inc. Greenhouse gas grid and tracking system
CN113222316A (zh) * 2021-01-15 2021-08-06 中山大学 一种基于flus模型和生物多样性模型的变化情景模拟方法
CN114494865A (zh) * 2022-01-17 2022-05-13 南京信息工程大学 一种山地生态系统未来情景的cset方法
CN115049164A (zh) * 2022-08-15 2022-09-13 四川师范大学 耦合社会网络模型和碳抵消的生态网络优化方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
邓元杰 等: "退耕还林还草工程对生态系统碳储存服务的影响――以黄土高原丘陵沟壑区子长县为例", 自然资源学报, 26 April 2020 (2020-04-26), pages 826 - 844 *
黄康有;郑卓;CHEDDADI R.;LAURENT J.M.;FRANOIS L.;: "CARAIB陆地碳循环模型研究进展及其应用", 热带地理, no. 06, 15 November 2007 (2007-11-15) *

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117892053A (zh) * 2023-07-14 2024-04-16 中国矿业大学(北京) 结合多目标规划生态系统碳储量遥感预测方法及系统
CN116596095A (zh) * 2023-07-17 2023-08-15 华能山东发电有限公司众泰电厂 基于机器学习的碳排放量预测模型的训练方法及装置
CN116596095B (zh) * 2023-07-17 2023-11-07 华能山东泰丰新能源有限公司 基于机器学习的碳排放量预测模型的训练方法及装置
CN117494860A (zh) * 2023-07-31 2024-02-02 华北水利水电大学 一种基于土地资源的生态系统评价方法及相关设备
CN116976526A (zh) * 2023-09-20 2023-10-31 北京师范大学 耦合ViViT和ANN的土地利用变化预测方法
CN116976526B (zh) * 2023-09-20 2023-12-15 北京师范大学 耦合ViViT和ANN的土地利用变化预测方法
CN117172140A (zh) * 2023-11-03 2023-12-05 北京师范大学 基于土地系统类型变化的碳储量预测方法及装置
CN117172140B (zh) * 2023-11-03 2024-01-09 北京师范大学 基于土地系统类型变化的碳储量预测方法及装置
CN117974401A (zh) * 2024-03-29 2024-05-03 南京大学 基于多源数据和模型集成的生态修复区域智能识别方法
CN118097441A (zh) * 2024-04-28 2024-05-28 四川省川建勘察设计院有限公司 一种光伏电站对区域碳储量影响评价方法

Also Published As

Publication number Publication date
WO2024098444A1 (zh) 2024-05-16
CN116151413B (zh) 2024-04-26

Similar Documents

Publication Publication Date Title
CN116151413B (zh) 一种乡村生态系统碳储量预测方法
Kumari et al. Deep learning models for solar irradiance forecasting: A comprehensive review
Berger et al. Agent‐based modelling of climate adaptation and mitigation options in agriculture
Sharma et al. Wheat crop yield prediction using deep LSTM model
CN113222316B (zh) 一种基于flus模型和生物多样性模型的变化情景模拟方法
Blanco et al. The effect of forest owner decision-making, climatic change and societal demands on land-use change and ecosystem service provision in Sweden
Sleeter et al. An integrated approach to modeling changes in land use, land cover, and disturbance and their impact on ecosystem carbon dynamics: a case study in the Sierra Nevada Mountains of California
CN114970184B (zh) 同步反演高分辨率人为co2排放与自然co2通量的同化方法及系统
Akpoti et al. Mapping land suitability for informal, small-scale irrigation development using spatial modelling and machine learning in the Upper East Region, Ghana
WO2024098445A1 (zh) 一种乡村生境质量评估及预测方法
Li et al. Two-stage hybrid deep learning with strong adaptability for detailed day-ahead photovoltaic power forecasting
Deng et al. Spatially explicit optimization of the forest management tradeoff between timber production and carbon sequestration
Chaudhari et al. Spatial wheat yield prediction using crop simulation model, GIS, remote sensing and ground observed data
Jia et al. Grassland biomass spatiotemporal patterns and response to climate change in eastern Inner Mongolia based on XGBoost model estimates
Yu et al. A new detection method to assess the influence of human activities and climate change of CO2 emissions in coal field
Narita et al. Evaluating the robustness of project performance under deep uncertainty of climate change: A case study of irrigation development in Kenya
Euskirchen et al. Assessing dynamic vegetation model parameter uncertainty across Alaskan arctic tundra plant communities
Tatarinov et al. Effect of climate change and nitrogen deposition on central-European forests: Regional-scale simulation for South Bohemia
Guilló et al. Land capital and emissions convergence in an extended Green Solow model
Sadenova et al. Modelling of forecasting crop yields based on earth remote sensing data and remote sensing methods
Shvidenko et al. Full verified carbon account of forest ecosystems as a fuzzy system: An attempt to assess uncertainty
Oda et al. Uncertainty associated with fossil fuel carbon dioxide (CO2) gridded emission datasets
Ran et al. Prediction model of forest fire area based on the improved Extreme Gradient Boosting
Danylo et al. Accounting uncertainty for spatial modeling of greenhouse gas emissions in the residential sector: fuel combustion and heat production.
Gusti et al. Sensitivity of marginal abatement cost curves to variation of G4M parameters

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