CN116342353B - 基于深度学习实现经济林碳汇量分析方法及系统 - Google Patents

基于深度学习实现经济林碳汇量分析方法及系统 Download PDF

Info

Publication number
CN116342353B
CN116342353B CN202310601077.3A CN202310601077A CN116342353B CN 116342353 B CN116342353 B CN 116342353B CN 202310601077 A CN202310601077 A CN 202310601077A CN 116342353 B CN116342353 B CN 116342353B
Authority
CN
China
Prior art keywords
vegetation
forestry
forestry area
carbon
carbon sink
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
Application number
CN202310601077.3A
Other languages
English (en)
Other versions
CN116342353A (zh
Inventor
朴依彤
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.)
Sequoia Tianyi Technology Group Co ltd
Original Assignee
Sequoia Tianyi Technology Group Co ltd
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 Sequoia Tianyi Technology Group Co ltd filed Critical Sequoia Tianyi Technology Group Co ltd
Priority to CN202310601077.3A priority Critical patent/CN116342353B/zh
Publication of CN116342353A publication Critical patent/CN116342353A/zh
Application granted granted Critical
Publication of CN116342353B publication Critical patent/CN116342353B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/903—Querying
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • 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)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Tourism & Hospitality (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Multimedia (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Primary Health Care (AREA)
  • Game Theory and Decision Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及数据分析领域，揭露一种基于深度学习实现经济林碳汇量分析方法及系统，该方法包括：识别待分析林业区的林业区环境和林业区植被，分析林业区植被的植被类型，检索林业区植被的生长周期，确定林业区植被的生长节点；记录林业区植被的长效数据，计算林业区植被的生物量增量，计算林业区植被的碳汇量；构建植被类型、生长周期以及碳汇量的关系曲线，分析生长周期和生物量增量之间的关联关系；构建待分析林业区的模拟生态系统，计算待分析林业区的碳汇量异常值；生成待分析林业区的植被预警报告，构建待分析林业区的碳汇量分析报告。本发明可以提高对待分析林业区碳汇量计算的准确性。

Description

基于深度学习实现经济林碳汇量分析方法及系统
技术领域
本发明涉及数据分析领域，尤其涉及一种基于深度学习实现经济林碳汇量分析方法及系统。
背景技术
林碳汇量管理是指通过计算森林生态系统吸收大气中的二氧化碳并将其固定在植被或土壤中的总量并进行管理的过程，通过对林碳汇量管理可以有效的分析每年碳吸收情况从而进行林业调节，保证了生态系统的稳定。
目前林碳汇量管理主要是通过分析林植被的生物量增量，再识别每种林植被的数量进行林碳汇量的计算，根据计算得到的林碳汇量对植被进行管理，这种方法在计算林植被的生物量增量时，忽略了同一类型的林植被不同的生长周期和生长环境都对该林植被的生物量增量程度具有影响，从而导致在经济林碳汇量分析中对林碳汇量的计算不够精准。
发明内容
为了解决上述问题，本发明提供了一种基于深度学习实现经济林碳汇量分析方法及系统，可以提高对待分析林业区碳汇量计算的准确性。
第一方面，本发明提供了一种基于深度学习实现经济林碳汇量分析方法，包括：
获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；
根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
在第一方面的一种可能实现方式中，所述分析所述林业区植被的植被类型，包括：
采集所述林业区植被的植被图像；
将所述植被图像与预设的植被类型库进行映射，得到映射植被图像；
计算所述植被图像与所述映射植被图像的相似度；
根据所述相似度，确定所述林业区植被的植被类型。
在第一方面的一种可能实现方式中，所述计算所述植被图像与所述映射植被图像的相似度，包括：
分别识别所述植被图像和所述映射植被图像局部细节，得到植被图像细节和映射植被图像细节；
根据所述植被图像细节和所述映射植被图像细节，利用下述公式计算所述植被图像与所述映射植被图像的相似度：
；
其中，表示相似度，/>表示植被图像/>的第/>个植被图像细节，/>表示映射植被图像细节/>的第/>映射植被图像细节，/>表示细节捕捉器。
在第一方面的一种可能实现方式中，所述根据所述生长周期，确定所述林业区植被的生长节点，包括：
对所述生长周期进行序列排序，得到周期序列；
分析所述周期序列的序列特征；
构建所述序列特征的特征矩阵；
根据所述特征矩阵，计算所述林业区植被的生长节点。
在第一方面的一种可能实现方式中，所述根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，包括：
根据所述植被类型对所述林业区植被进行分类，得到分类植被；
识别所述分类植被的分类植被面积；
根据所述长效数据，分析所述分类植被面积中单位面积的初始生物量和当前生物量；
根据所述初始生物量和所述当前生物量，利用下述公式计算所述分类植被的生物量增量：
；
其中，表示生物量增量，/>表示当前生物量，/>表示初始生物量。
在第一方面的一种可能实现方式中，所述根据所述生物量增量，计算所述林业区植被的碳汇量，包括：
分析所述生物量增量的生物量碳密度；
根据所述生物量碳密度，利用下述公式计算所述林业区植被的碳汇量：
；
其中，表示碳汇量，/>表示生物量碳密度，/>表示第/>个分类植被的分类植被面积，/>表示第/>个分类植被单位面积的生物量增量。
在第一方面的一种可能实现方式中，所述根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，包括：
根据所述长效数据，挖掘所述植被类型、所述生长周期以及所述碳汇量的关联关系；
分析所述关联关系的关系特征；
根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值；
根据所述关联值，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线。
在第一方面的一种可能实现方式中，所述根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值，包括：
根据所述关系特征，利用下述公式计算所述植被类型、所述生长周期以及所述碳汇量的关联值：
；
其中，表示关联值，/>表示第/>个关系特征，/>表示植被类型，/>表示生长周期，/>表示碳汇量，/>表示碳汇量的累计时间。
在第一方面的一种可能实现方式中，所述根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值，包括：
利用所述碳汇量异常分析网络的模拟层模拟所述模拟生态系统的生态发展，得到生态发展景象；
根据所述生态发展景象，利用所述碳汇量异常分析网络的异常识别层识别所述模拟生态系统的碳汇量异常点；
利用所述碳汇量异常分析网络的异常点挖掘层挖掘所述异常点的异常特征；
根据所述异常特征，利用所述碳汇量异常分析网络的异常值计算层计算所述碳汇量的碳汇量异常值。
第二方面，本发明提供了一种基于深度学习实现经济林碳汇量分析系统，所述系统包括：
生长周期确定模块，用于获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
碳汇量计算模块，用于根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
关系曲线构建模块，用于根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；
碳汇量异常监测模块，用于根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
碳汇量分析报告生成模块，用于根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
与现有技术相比，本方案的技术原理及有益效果在于：
本发明实施例通过识别所述待分析林业区的林业区环境和林业区植被可以有效了解所述待分析林业区的基本信息，从而为后期进行林业区管理提高数据基础；进一步地，本发明实施例通过根据所述植被类型，检索所述林业区植被的生长周期可以通过所述生长周期详细记录所述林业区植被的碳汇量，从而提高计算所述林业碳汇量的准确度；本发明实施例通过根据所述生长节点，记录所述林业区植被的长效数据可以采集所述林业区植被长时间数据，保证了数据的完整性，提高了对所述林业区植被进行碳汇量计算的准确性；进一步地，本发明实施例通过根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线可以构建所述植被类型、所述生长周期以及所述碳汇量之间的逻辑关系，从而可以分析所述生长周期的不同与所述林业区植被吸收二氧化碳之间的关系，提高所述林业区植被碳汇量计算的准确性；再次，本发明实施例通过根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统可以根据已有数据进行所述待分析林业区的生态模拟，从而分析所述待分析林业区生态稳定性，提高对所述待分析林业区的碳汇量分析的准确性；最后，本发明实施例通过所述预警报告，构建所述待分析林业区的碳汇量分析报告可以在考虑碳汇量计算影响因素的情况下进行碳汇量分析，这样提高了对所述待分析林业区的碳汇量分析准确度。因此，本发明实施例提出的一种基于深度学习实现经济林碳汇量分析方法及系统，可以提高对待分析林业区碳汇量计算的准确性。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
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而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于深度学习实现经济林碳汇量分析方法的流程示意图；
图2为本发明一实施例提供的一种基于深度学习实现经济林碳汇量分析系统的模块示意图；
图3为本发明一实施例提供的实现基于深度学习实现经济林碳汇量分析方法的电子设备的内部结构示意图。
具体实施方式
应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不用于限定本发明。
本发明实施例提供一种基于深度学习实现经济林碳汇量分析方法及系统，所述基于深度学习实现经济林碳汇量分析方法及系统的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之，所述基于深度学习实现经济林碳汇量分析方法及系统可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content Delivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参阅图1所示，是本发明一实施例提供的基于深度学习实现经济林碳汇量分析方法的流程示意图。其中，图1中描述的基于深度学习实现经济林碳汇量分析方法包括：
S1、获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点。
本发明实施例中，所述待分析林业区是指需要进行管理的林业区，例如东北林区、西南林区、南方林区。
本发明实施例通过识别所述待分析林业区的林业区环境和林业区植被可以有效了解所述待分析林业区的基本信息，从而为后期进行林业区管理提高数据基础。其中，所述林业区环境是指所述待分析林业区的地理环境，例如、位置、日常气温、土壤类型等环境，所述林业区植被是指所述待分析林业区中的植被。
作为本发明的一实施例，所述识别所述待分析林业区的林业区环境和林业区植被，可以通过环境传感器和植被类别传感器来识别。
进一步地，本发明实施例通过分析所述林业区植被的植被类型可以确定所述林业区植被的种类从而更好的进行数据采集。其中，所述植被类型是指所述待分析林业区的种类，例如杉木、松木等种类。
作为本发明的一实施例，所述分析所述林业区植被的植被类型，包括：采集所述林业区植被的植被图像；将所述植被图像与预设的植被类型库进行映射，得到映射植被图像；计算所述植被图像与所述映射植被图像的相似度；根据所述相似度，确定所述林业区植被的植被类型。
其中，所述植被图像是指所述林业区植被的具体图像，所述映射植被图像是指通过和映射的植被类型库进行比对识别类似的植被图，所述相似度是指所述映射植被图像和所述植被图像的相似程度。
进一步地，本发明一可选实施中，所述计算所述植被图像与所述映射植被图像的相似度，包括：分别识别所述植被图像和所述映射植被图像局部细节，得到植被图像细节和映射植被图像细节；根据所述植被图像细节和所述映射植被图像细节，利用下述公式计算所述植被图像与所述映射植被图像的相似度：
；
其中，表示相似度，/>表示植被图像/>的第/>个植被图像细节，/>表示映射植被图像细节/>的第/>映射植被图像细节，/>表示细节捕捉器。
本发明实施例通过根据所述植被类型，检索所述林业区植被的生长周期可以通过所述生长周期详细记录所述林业区植被的碳汇量，从而提高计算所述林业碳汇量的准确度。其中，所述生长周期是指所述林业区植被生长过程，例如幼年期、成熟期、退化期等等过程。
作为本发明的一实施例，所述根据所述植被类型，检索所述林业区植被的生长周期可以通过分析所述林业区植被的植被属性，再通过所述植被属性，分析所述林业区植被的生长周期。其中，所述植被属性是指所述林业区植被的植被特性。
进一步地，本发明实施例通过根据所述生长周期，确定所述林业区植被的生长节点可以通过不同的所述生长节点确定所述林业区植被的碳吸收能力，从而提高对待分析林业区的林碳汇量计算的准确性。
其中，所述生长节点是指所述林业区植被生长过程的节点，例如幼年节点、成熟节点、退化节点等节点。
作为本发明的一实施例，所述根据所述生长周期，确定所述林业区植被的生长节点，包括：对所述生长周期进行序列排序，得到周期序列；分析所述周期序列的序列特征；构建所述序列特征的特征矩阵；根据所述特征矩阵，计算所述林业区植被的生长节点。
其中，所述周期序列是指将所述生长周期按时间序列进行排序后的周期集合，所述序列特征是指所述周期序列的特征，例如所述林业区植被生长快速、生长缓慢等特征，所述特征矩阵是指由所述序列特征构建的特征矩阵。
进一步地，本发明一可选实施中，所述分析所述周期序列的序列特征可以通过特征函数来实现。
S2、根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量。
本发明实施例通过根据所述生长节点，记录所述林业区植被的长效数据可以采集所述林业区植被长时间数据，保证了数据的完整性，提高了对所述林业区植被进行碳汇量计算的准确性。其中，所述长效数据是指通过对所述林业区植被进行长时间采集得到生长数据。
作为本发明的一实施例，所述根据所述生长节点，记录所述林业区植被的长效数据可以通过植被监测器对所述林业区植被进行时间监测实现。
本发明实施例通过根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量可以通过所述林业区植被长时间有效数据来分析所述生物量增量，提高所述林业区植被的碳汇量计算的精准性。其中，所述生物量增量是指所述林业区植被土壤、树干和树根等相关区域所增加了生物量元素。
作为本发明的一实施例，所述根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，包括：根据所述植被类型对所述林业区植被进行分类，得到分类植被；识别所述分类植被的分类植被面积；根据所述长效数据，分析所述分类植被面积中单位面积的初始生物量和当前生物量；根据所述初始生物量和所述当前生物量，计算所述分类植被的生物量增量。
其中，所述分类植被是指将所述林业区植被进行类别划分后得到的植被集合，所述分类植被面积是指每种所述分类植被多占的面积，所述初始生物量和所述当前生物量是指所述分类植被面积中所述分类植被的开始生物量和当前的生物量。
进一步地，本发明一可选实施中，所述根据所述初始生物量和所述当前生物量，计算所述林业区植被的生物量增量，包括：
；
其中，表示生物量增量，/>表示当前生物量，/>表示初始生物量。
本发明实施例通过根据所述生物量增量，计算所述林业区植被的碳汇量可以通过生物量的增加量来精准计算所述林业区植被的碳汇量。其中，所述碳汇量是指所述林业区植被的二氧化碳固定量。
作为本发明的一实施例，所述根据所述生物量增量，计算所述林业区植被的碳汇量，包括：分析所述生物量增量的生物量碳密度；根据所述生物量碳密度，利用下述公式计算所述林业区植被的碳汇量：
；
其中，表示碳汇量，/>表示生物量碳密度，/>表示第/>个分类植被的分类植被面积，/>表示第/>个分类植被单位面积的生物量增量。
S3、根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系。
本发明实施例通过根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线可以构建所述植被类型、所述生长周期以及所述碳汇量之间的逻辑关系，从而可以分析所述生长周期的不同与所述林业区植被吸收二氧化碳之间的关系，提高所述林业区植被碳汇量计算的准确性。其中，所述关系曲线是指所述植被类型、所述生长周期以及所述碳汇量之间的关系逻辑曲线图。
作为本发明的一实施例，所述根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，包括：根据所述长效数据，挖掘所述植被类型、所述生长周期以及所述碳汇量的关联关系；分析所述关联关系的关系特征；根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值：根据所述关联值，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线。
其中，所述关联关系是指所述植被类型、所述生长周期以及所述碳汇量之间的关系，所述关系特征是指所述关联关系的特征。
进一步地，本发明一可选实施中，所述根据所述关系特征，利用下述公式计算所述植被类型、所述生长周期以及所述碳汇量的关联值：
；
其中，表示关联值，/>表示第/>个关系特征，/>表示植被类型，/>表示生长周期，/>表示碳汇量，/>表示碳汇量的累计时间。
本发明实施例通过根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系可以进一步确定所述林业区植被的不同所述生长周期的二氧化碳吸收量不同，从而可以精准计算不同周期的所述林业区植被的二氧化碳吸收量，从而提高对所述待分析林业区的碳汇量计算的准确性。
作为本发明的一实施例，所述根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系可以通过对所述关系曲线进行数据可视化来实现。
S4、根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值。
本发明实施例通过根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统可以根据已有数据进行所述待分析林业区的生态模拟，从而分析所述待分析林业区生态稳定性，提高对所述待分析林业区的碳汇量分析的准确性。其中，所述模拟生态系统是指模拟所述待分析林业区的日常生态环境和生态发展的系统。
作为本发明的一实施例，所述根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统可以通过生态模拟模型来实现。
本发明实施例通过根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值可以分析所述待分析林业区存在碳汇量吸收异常的地方从而进行生态恢复，从而提高所述待析林业区的碳汇量分析准确性。其中，所述碳汇量异常分析网络是通过异常值函数来构建的，主要可以计算所述待分析林业区碳汇量异常的区域。
作为本发明的一实施例，所述根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值，包括：利用所述碳汇量异常分析网络的模拟层模拟所述模拟生态系统的生态发展，得到生态发展景象；根据所述生态发展景象，利用所述碳汇量异常分析网络的异常识别层识别所述模拟生态系统的碳汇量异常点；利用所述碳汇量异常分析网络的异常点挖掘层挖掘所述异常点的异常特征；根据所述异常特征，利用所述碳汇量异常分析网络的异常值计算层计算所述碳汇量的碳汇量异常值。
其中，所述生态发展景象是指所述模拟生态系统进行模拟发展的模拟景象，所述模拟层是指进行所述模拟生态系统生态发展模拟的层，所述异常识别层是指识别所述碳汇量异常区域的层，所述异常点挖掘层是指来分析所述异常点异常属性特征的层，所述异常值计算层是指用来计算所述异常点异常程度的值。
进一步地，本发明一可选实施例中，所述利用所述碳汇量异常分析网络的模拟层模拟所述模拟生态系统的生态发展，得到生态发展景象可以通过推理函数来实现。
S5、根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
本发明实施例通过根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告可以根据所述植被预警报告，标记所述待分析林业区在碳汇量的计算过程中存在那些影响因素，从而提高在所述待分析林业区碳汇量计算的准确性。其中，所述植被预警报告是指对所述待分析林业区存在碳汇量计算影响因素预警分析报告。
作为本发明的一实施例，所述根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告可以通过所述碳汇量异常值区分异常等级并基于所述异常等级进行所述植被预警。
进一步地，本发明实施例通过所述预警报告，构建所述待分析林业区的碳汇量分析报告可以在考虑碳汇量计算影响因素的情况下进行碳汇量分析，这样提高了对所述待分析林业区的碳汇量分析准确度。
其中，所述碳汇量分析报告是指所述待分析林业区每年的二氧化碳吸收量的分析报告。
作为本发明的一实施例，所述通过所述预警报告，构建所述待分析林业区的碳汇量分析报告，包括：通过所述预警报告，确定所述待分析林业区的碳汇量影响因子和影响程度；根据所述碳汇量影响因子和所述影响程度，生成所述待分析林业区的碳汇量分析报告。其中，所述碳汇量影响因子是指所述待分析林业区影响碳汇量的因素，所述影响程度是指所述碳汇量影响因子影响所述待分析林业区碳汇量的层度。
可以看出，本发明实施例通过识别所述待分析林业区的林业区环境和林业区植被可以有效了解所述待分析林业区的基本信息，从而为后期进行林业区管理提高数据基础；进一步地，本发明实施例通过根据所述植被类型，检索所述林业区植被的生长周期可以通过所述生长周期详细记录所述林业区植被的碳汇量，从而提高计算所述林业碳汇量的准确度；本发明实施例通过根据所述生长节点，记录所述林业区植被的长效数据可以采集所述林业区植被长时间数据，保证了数据的完整性，提高了对所述林业区植被进行碳汇量计算的准确性；进一步地，本发明实施例通过根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线可以构建所述植被类型、所述生长周期以及所述碳汇量之间的逻辑关系，从而可以分析所述生长周期的不同与所述林业区植被吸收二氧化碳之间的关系，提高所述林业区植被碳汇量计算的准确性；再次，本发明实施例通过根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统可以根据已有数据进行所述待分析林业区的生态模拟，从而分析所述待分析林业区生态稳定性，提高对所述待分析林业区的碳汇量分析的准确性；最后，本发明实施例通过所述预警报告，构建所述待分析林业区的碳汇量分析报告可以在考虑碳汇量计算影响因素的情况下进行碳汇量分析，这样提高了对所述待分析林业区的碳汇量分析准确度。因此，本发明实施例提出的一种基于深度学习实现经济林碳汇量分析方法，可以提高对待分析林业区碳汇量计算的准确性。
如图2所示，是本发明基于深度学习实现经济林碳汇量分析系统功能模块图。
本发明所述基于深度学习实现经济林碳汇量分析系统及系统200可以安装于电子设备中。根据实现的功能，所述基于深度学习实现经济林碳汇量分析系统及系统可以包括生长周期确定模块201、碳汇量计算模块202、关系曲线构建模块203、碳汇量异常监测模块204以及碳汇量分析报告生成模块205。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本发明实施例中，关于各模块/单元的功能如下：
所述生长周期确定模块201，用于获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
所述碳汇量计算模块202，用于根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
所述关系曲线构建模块203，用于根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；
所述碳汇量异常监测模块204，用于根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
所述碳汇量分析报告生成模块205，用于根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
详细地，本发明实施例中所述基于深度学习实现经济林碳汇量分析系统200中的所述各模块在使用时采用与上述的实施例中所述的基于深度学习实现经济林碳汇量分析方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
如图3所示，是本发明实现基于深度学习实现经济林碳汇量分析方法及系统的电子设备的结构示意图。
所述电子设备可以包括处理器30、存储器31、通信总线32以及通信接口33，还可以包括存储在所述存储器31中并可在所述处理器30上运行的计算机程序，执行如前述实施例中基于深度学习实现经济林碳汇量分析方法的程序。
其中，所述处理器30在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器30是所述电子设备的控制核心（ControlUnit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器31内的程序或者模块（例如执行基于深度学习实现经济林碳汇量分析方法的程序等），以及调用存储在所述存储器31内的数据，以执行电子设备的各种功能和处理数据。
所述存储器31至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器31在一些实施例中可以是电子设备的内部存储单元，例如该电子设备的移动硬盘。所述存储器31在另一些实施例中也可以是电子设备的外部存储设备，例如电子设备上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（Secure Digital，SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器31还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器31不仅可以用于存储安装于电子设备的应用软件及各类数据，例如数据库配置化连接程序的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线32可以是外设部件互连标准（peripheral componentinterconnect，简称PCI）总线或扩展工业标准结构（extended industry standardarchitecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器31以及至少一个处理器30等之间的连接通信。
所述通信接口33用于上述电子设备3与其他设备之间的通信，包括网络接口和用户接口。可选地，所述网络接口可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，所述用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理系统与所述至少一个处理器30逻辑相连，从而通过电源管理系统实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
应该了解，所述实施例仅为说明之用，在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器31存储的数据库配置化连接程序是多个计算机程序的组合，在所述处理器30中运行时，可以实现：
获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；
根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
具体地，所述处理器30对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述，在此不赘述。
进一步地，所述电子设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的，也可以是非易失性的。例如，所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或系统、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）。
本发明还提供一种存储介质，所述可读存储介质存储有计算机程序，所述计算机程序在被电子设备的处理器所执行时，可以实现：
获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；
根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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实施例方案的目的。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本发明的具体实施方式，使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。

Claims (8)

1.一种基于深度学习实现经济林碳汇量分析方法，其特征在于，所述方法包括：
获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；其中，所述根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，包括：
根据所述长效数据，挖掘所述植被类型、所述生长周期以及所述碳汇量的关联关系；
分析所述关联关系的关系特征；
根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值；
根据所述关联值，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线；
其中，所述根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值，包括：
根据所述关系特征，利用下述公式计算所述植被类型、所述生长周期以及所述碳汇量的关联值：
；
其中，表示关联值，/>表示第/>个关系特征，/>表示植被类型，/>表示生长周期，表示碳汇量，/>表示碳汇量的累计时间；
根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
2.根据权利要求1所述的方法，其特征在于，所述分析所述林业区植被的植被类型，包括：
采集所述林业区植被的植被图像；
将所述植被图像与预设的植被类型库进行映射，得到映射植被图像；
计算所述植被图像与所述映射植被图像的相似度；
根据所述相似度，确定所述林业区植被的植被类型。
3.根据权利要求2所述的方法，其特征在于，所述计算所述植被图像与所述映射植被图像的相似度，包括：
分别识别所述植被图像和所述映射植被图像局部细节，得到植被图像细节和映射植被图像细节；
根据所述植被图像细节和所述映射植被图像细节，利用下述公式计算所述植被图像与所述映射植被图像的相似度：
；
其中，表示相似度，/>表示植被图像/>的第/>个植被图像细节，/>表示映射植被图像细节/>的第/>个映射植被图像细节，/>表示细节捕捉器。
4.根据权利要求1所述的方法，其特征在于，所述根据所述生长周期，确定所述林业区植被的生长节点，包括：
对所述生长周期进行序列排序，得到周期序列；
分析所述周期序列的序列特征；
构建所述序列特征的特征矩阵；
根据所述特征矩阵，计算所述林业区植被的生长节点。
5.根据权利要求1所述的方法，其特征在于，所述根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，包括：
根据所述植被类型对所述林业区植被进行分类，得到分类植被；
识别所述分类植被的分类植被面积；
根据所述长效数据，分析所述分类植被面积中单位面积的初始生物量和当前生物量；
根据所述初始生物量和所述当前生物量，利用下述公式计算所述分类植被的生物量增量：
；
其中，表示生物量增量，/>表示当前生物量，/>表示初始生物量。
6.根据权利要求1所述的方法，其特征在于，所述根据所述生物量增量，计算所述林业区植被的碳汇量，包括：
分析所述生物量增量的生物量碳密度；
根据所述生物量碳密度，利用下述公式计算所述林业区植被的碳汇量：
；
其中，表示碳汇量，/>表示生物量碳密度，/>表示第/>个分类植被的分类植被面积，表示第/>个分类植被单位面积的生物量增量。
7.根据权利要求1所述的方法，其特征在于，所述根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值，包括：
利用所述碳汇量异常分析网络的模拟层模拟所述模拟生态系统的生态发展，得到生态发展景象；
根据所述生态发展景象，利用所述碳汇量异常分析网络的异常识别层识别所述模拟生态系统的碳汇量异常点；
利用所述碳汇量异常分析网络的异常点挖掘层挖掘所述异常点的异常特征；
根据所述异常特征，利用所述碳汇量异常分析网络的异常值计算层计算所述碳汇量的碳汇量异常值。
8.一种基于深度学习实现经济林碳汇量分析系统，其特征在于，所述系统包括：
生长周期确定模块，用于获取待分析林业区，识别所述待分析林业区的林业区环境和林业区植被，分析所述林业区植被的植被类型，根据所述植被类型，检索所述林业区植被的生长周期，根据所述生长周期，确定所述林业区植被的生长节点；
碳汇量计算模块，用于根据所述生长节点，记录所述林业区植被的长效数据，根据所述长效数据和所述植被类型，计算所述林业区植被的生物量增量，根据所述生物量增量，计算所述林业区植被的碳汇量；
关系曲线构建模块，用于根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，根据所述关系曲线，分析所述生长周期和所述生物量增量之间的关联关系；其中，所述根据所述长效数据，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线，包括：
根据所述长效数据，挖掘所述植被类型、所述生长周期以及所述碳汇量的关联关系；
分析所述关联关系的关系特征；
根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值；
根据所述关联值，构建所述植被类型、所述生长周期以及所述碳汇量的关系曲线；
其中，所述根据所述关系特征，计算所述植被类型、所述生长周期以及所述碳汇量的关联值，包括：
根据所述关系特征，利用下述公式计算所述植被类型、所述生长周期以及所述碳汇量的关联值：
；
其中，表示关联值，/>表示第/>个关系特征，/>表示植被类型，/>表示生长周期，表示碳汇量，/>表示碳汇量的累计时间；
碳汇量异常监测模块，用于根据所述关联关系、所述长效数据以及所述林业区环境，构建所述待分析林业区的模拟生态系统，根据所述模拟生态系统的碳汇量异常分析网络计算所述待分析林业区的碳汇量异常值；
碳汇量分析报告生成模块，用于根据所述碳汇量异常值，利用所述模拟生态系统的植被预警网络生成所述待分析林业区的植被预警报告，通过所述预警报告，构建所述待分析林业区的碳汇量分析报告。
CN202310601077.3A 2023-05-26 2023-05-26 基于深度学习实现经济林碳汇量分析方法及系统 Active CN116342353B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310601077.3A CN116342353B (zh) 2023-05-26 2023-05-26 基于深度学习实现经济林碳汇量分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310601077.3A CN116342353B (zh) 2023-05-26 2023-05-26 基于深度学习实现经济林碳汇量分析方法及系统

Publications (2)

Publication Number Publication Date
CN116342353A CN116342353A (zh) 2023-06-27
CN116342353B true CN116342353B (zh) 2023-08-25

Family

ID=86884336

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310601077.3A Active CN116342353B (zh) 2023-05-26 2023-05-26 基于深度学习实现经济林碳汇量分析方法及系统

Country Status (1)

Country Link
CN (1) CN116342353B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117310124B (zh) * 2023-10-07 2024-06-25 深圳碳中和生物燃气股份有限公司 基于生物炭负碳排放的土壤固碳量测算方法及相关装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6319704B1 (ja) * 2017-12-25 2018-05-09 勝幸 冨田 林産事業作業日報分析プログラム
CN114663782A (zh) * 2022-04-13 2022-06-24 中科海慧（天津）科技有限公司 一种林地环境数据的林业碳源汇计量方法
CN115082273A (zh) * 2022-05-07 2022-09-20 上海忒尔苏斯环境科技合伙企业(有限合伙) 一种精细区域植被碳汇可视化方法及系统
CN115829812A (zh) * 2022-12-09 2023-03-21 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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6319704B1 (ja) * 2017-12-25 2018-05-09 勝幸 冨田 林産事業作業日報分析プログラム
CN114663782A (zh) * 2022-04-13 2022-06-24 中科海慧（天津）科技有限公司 一种林地环境数据的林业碳源汇计量方法
CN115082273A (zh) * 2022-05-07 2022-09-20 上海忒尔苏斯环境科技合伙企业(有限合伙) 一种精细区域植被碳汇可视化方法及系统
CN115829812A (zh) * 2022-12-09 2023-03-21 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

Also Published As

Publication number Publication date
CN116342353A (zh) 2023-06-27

Similar Documents

Publication Publication Date Title
CN116342353B (zh) 基于深度学习实现经济林碳汇量分析方法及系统
CN112306835B (zh) 用户数据监控分析方法、装置、设备及介质
CN116186594B (zh) 基于决策网络结合大数据实现环境变化趋势智能检测方法
CN110136841A (zh) 疾病发病预测方法、装置及计算机可读存储介质
CN113139743A (zh) 污水排放指标分析方法、装置、电子设备及存储介质
CN114612194A (zh) 产品推荐方法、装置、电子设备及存储介质
CN114792169A (zh) 基于MIC-XGBoost算法的居民用水量预测方法
CN115062200A (zh) 基于人工智能的用户行为挖掘方法及系统
CN113343306B (zh) 基于差分隐私的数据查询方法、装置、设备及存储介质
CN116091852B (zh) 树木倒伏预测方法、装置、电子设备及可读存储介质
CN117743985A (zh) 基于移动互联网的在线培训课程推荐方法及系统
CN116030940A (zh) 一种基于大数据的心理评测管理方法及系统
CN113901092B (zh) 一种用于赛场运行监测的文件管理方法及系统
CN113139129B (zh) 虚拟阅读轨迹图生成方法、装置、电子设备及存储介质
CN115327675A (zh) 气象装备运行状态监控方法、系统、设备及存储介质
CN114495137A (zh) 票据异常检测模型生成方法与票据异常检测方法
CN113962508A (zh) 用电对象的识别方法及识别装置、电子设备
CN115688433B (zh) 一种碳排放影响测度方法及装置
CN113420843A (zh) 一种基于微型流化床的热量测试方法、装置、设备及介质
CN116579796B (zh) 基于深度学习实现智慧门店的效益分析方法及装置
CN113868093B (zh) 垃圾文件监测方法、装置、设备及存储介质
Nurwarsito et al. Imputation of missing microclimate data of coffee-pine agroforestry with machine learning
CN118569651B (zh) 基于多维动态可视化的城市环境风险区域预测方法及系统
CN115034506B (zh) 基于降雨数据的防洪方案生成方法、装置、设备及介质
CN115801845B (zh) 基于边缘计算的工业互联网数据采集方法及相关设备

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