CN116561498A - 一种全球森林固碳潜力高精度计算方法及系统 - Google Patents

一种全球森林固碳潜力高精度计算方法及系统 Download PDF

Info

Publication number
CN116561498A
CN116561498A CN202310383022.XA CN202310383022A CN116561498A CN 116561498 A CN116561498 A CN 116561498A CN 202310383022 A CN202310383022 A CN 202310383022A CN 116561498 A CN116561498 A CN 116561498A
Authority
CN
China
Prior art keywords
forest
height
tree
carbon sequestration
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.)
Granted
Application number
CN202310383022.XA
Other languages
English (en)
Other versions
CN116561498B (zh
Inventor
朱宁宁
杨必胜
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN202310383022.XA priority Critical patent/CN116561498B/zh
Publication of CN116561498A publication Critical patent/CN116561498A/zh
Application granted granted Critical
Publication of CN116561498B publication Critical patent/CN116561498B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F17/15—Correlation function computation including computation of convolution operations
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Databases & Information Systems (AREA)
  • Algebra (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Multimedia (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明针对目前不同森林固碳潜力预估方法所需的基础数据不同，数据获取的方式不同，导致固碳潜力预估具有极大不确定性的问题，本发明公开了一种全球森林固碳潜力高精度计算方法及系统，提出利用胸径‑树高‑冠幅以及树高‑树龄函数关系推导森林未来的树高和郁闭度，结合固碳潜力模型对自然生长和变化区域的全球森林固碳潜力进行计算和更新。本发明发展了基于遥感的全球森林固碳潜力计算模型，克服了实地勘测耗时费力、损益法地域性强的问题，提高了森林固碳潜力预测的效率和精度；同时，使用森林生长模型推导未来森林的树高和郁闭度参数，解决模型变量难以预测的瓶颈；本发明为森林固碳潜力的准确计算和森林碳汇的动态监测提供重要理论支撑。

Description

一种全球森林固碳潜力高精度计算方法及系统
技术领域
本发明属于森林生态学和遥感学的交叉领域，尤其涉及森林生长模型，森林固碳潜力模型的构建，以及森林结构参数的预测，具体涉及一种全球森林固碳潜力高精度计算方法及系统。
背景技术
面向国际碳交易市场需求，陆地生态系统未来的固碳潜力亟需研究(丁仲礼，2021)，联合国粮农组织指出全球森林的碳储量是陆地生态系统最重要的“碳库”(FAO,2021)，精准获取森林已有和未来的碳汇能力具有重要的战略意义和经济价值。目前基于清查法(方精云，2007；朴世龙，2022)、涡度相关法(于贵瑞，2014)、生态系统过程模型模拟法(Friedlingstein,2020；IPCC,2013)和大气反演法(Chen,2021；Wang,2020)等不同方式计算的森林碳汇差异巨大，如何实现全球森林固碳潜力的准确计算是亟需攻克的难题。森林的固碳潜力预测包括自然生长状态下的准确计算和变化区域的及时更新。目前主要使用生长模型预测森林固碳潜力，同时顾及森林面积变化，由于各种预测方法选择的基础数据和模型种类不同，导致预测的森林固碳潜力结果差异很大。不同的森林固碳潜力预测方法各有优劣，储量变化法要求两期数据使用相同的方法获得，使用相同的碳储量模型和参数；基于样地的数据最精准可靠，但样地调查工作量大，且只能在抽样总体的尺度上保证精度；损益法通过经验统计模型获得森林碳汇，但地域性强，在其他地区应用时需要重新确定经验参数值，限制了模型的使用。
发明内容
本发明针对目前不同森林固碳潜力预估方法所需的基础数据不同，数据获取的方式不同，导致固碳潜力预估具有极大不确定性的问题，提出利用胸径-树高-冠幅以及树高-树龄函数关系推导森林未来的树高和郁闭度，结合固碳潜力模型对自然生长和变化区域的全球森林固碳潜力进行计算和更新。本发明解决的技术问题主要包括：①森林未来树高和郁闭度参数的准确预测；②基于固碳潜力模型的森林固碳潜力计算；③基于重访卫星影像的森林固碳潜力更新。
本发明的技术方案为一种全球森林固碳潜力高精度计算方法，主要包含以下步骤：
步骤1，根据不同树种的胸径-树高-冠幅以及树高-树龄函数关系，由当前的森林参数和生长模型推导森林未来的树高和郁闭度参数，用于计算森林固碳潜力；
步骤2，利用当前和未来两时刻的森林碳储量作差表示森林固碳潜力，基于森林碳储量普适模型构建森林固碳潜力计算模型；
步骤3，利用重访卫星影像识别森林变为非森林、非森林变为森林两种森林变化区域，及时获取变化区域的树种、树高和郁闭度，结合固碳潜力模型完成森林固碳潜力的高效率、低成本更新。
进一步的，当前时刻的森林郁闭度Ft、高度Ht由多源遥感数据获得，Ft+Δt、Ht+Δt为未来时刻t+Δt的森林郁闭度和高度，根据不同树种树高H-树龄t函数关系H＝f(t)、冠幅w-树高H函数关系w＝v(H)推导计算Ft+Δt、Ht+Δt；
在H＝f(t)、w＝v(H)已知的情况下，Ft+Δt、Ht+Δt的计算步骤如下：
(1)由当前的树高Ht、H＝f(t)获取森林像素的树龄t＝f-1(Ht)；
(2)通过H＝f(t)计算未来t+Δt时刻的树高Ht+Δt＝f(t+Δt)；
(3)由当前森林像素的郁闭度Ft、w＝v(H)计算未来t+Δt时刻的郁闭度Ft+Δt，推导过程如下：
(4)最后，Ht+Δt、Ft+Δt的计算公式如下：
式中，S是像素内森林的面积，P是像素分辨率，Ft+Δt为t+Δt时刻的森林郁闭度，Ft为t时刻的森林郁闭度，Ht+Δt为t+Δt时刻的森林高度，H＝f(t)为树高-树龄函数模型，w＝v(H)为冠幅-树高函数模型。
进一步的，将像素内森林的平均高度H视为单木高度，使用林业调查数据建立树高H与树龄t的关系H＝f(t)，冠幅w和树高H的函数关系，直接使用林业部门构建的w＝v(H)模型。
进一步的，采用Richards、Korf、Logistic、Gompertz、Weibull模型构建函数关系，然后选择选择最优的拟合函数建立H＝f(t)；
其中Richards模型构建的函数关系的表达式为：
H＝a(1-e-bt)c
Korf模型构建的函数关系的表达式为：
Logistic模型构建的函数关系的表达式为：
H＝a/(1+be-ct)
Gompertz模型构建的函数关系的表达式为：
Weibull模型构建的函数关系的表达式为：
其中，H为树高，t为树龄，a、b、c为函数模型参数。
进一步的，步骤2中构建的森林固碳潜力计算模型如下；
式中，P是像素分辨率，F表示该像素的森林郁闭度，θ表示地形坡度，H表示该森林高度；a′、b′、c′为模型中待求解的模型参数，CΔt为该像素在Δt时间范围内的森林固碳潜力，Ft和Ht分别表示t时刻森林的郁闭度和高度，Ft+Δt和Ht+Δt分别表示t+Δt时刻的森林郁闭度和高度。
进一步的，步骤3中，针对森林变为非森林的情况，直接将该变化区域的固碳潜力归零；针对非森林变为森林的情况，通过以下步骤实现森林固碳潜力更新：
(31)非森林变为森林，分为自然形成或人工植树造林的森林，使用深度学习网络识别森林树种，由树种确定相应的森林固碳潜力模型参数；
(32)自然形成的森林，利用重访遥感影像记录森林变化时刻t′，结合相应树种的H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt-t′) (4)
(33)人工植树造林的森林，单木分布规整，利用不同树种的人工植树时机，树龄为t″，结合森林变化时刻t′，由H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt+t″-t′) (5)
(34)非森林变为森林的过程中森林郁闭度会逐渐增高，利用遥感影像计算森林变化时刻t′的郁闭度Ft′，然后使用下式计算t+Δt时刻森林郁闭度Ft+Δt：
(35)将步骤(32)或步骤(33)中计算的Ht+Δt、步骤(34)中计算的Ft+Δt和相应树种的模型参数带入森林固碳潜力模型，计算得到t+Δt时刻森林变化区域的碳储量，对于新增森林区域，碳储量即为森林固碳潜力，由此完成新增森林区域固碳潜力的更新。
本发明还提供一种全球森林固碳潜力高精度计算系统，包括如下模块：
树高和郁闭度计算模块，用于根据不同树种的胸径-树高-冠幅以及树高-树龄函数关系，由当前的森林参数和生长模型推导森林未来的树高和郁闭度参数，用于计算森林固碳潜力；
森林固碳潜力计算模型构建模块，用于利用当前和未来两时刻的森林碳储量作差表示森林固碳潜力，基于森林碳储量普适模型构建森林固碳潜力计算模型；
更新模块，用于利用重访卫星影像识别森林变为非森林、非森林变为森林两种森林变化区域，及时获取变化区域的树种、树高和郁闭度，结合固碳潜力模型完成森林固碳潜力的高效率、低成本更新。
进一步的，当前时刻的森林郁闭度Ft、高度Ht由多源遥感数据获得，Ft+Δt、Ht+Δt为未来时刻t+Δt的森林郁闭度和高度，根据不同树种树高H-树龄t函数关系H＝f(t)、冠幅w-树高H函数关系w＝v(H)推导计算Ft+Δt、Ht+Δt；
在H＝f(t)、w＝v(H)已知的情况下，Ft+Δt、Ht+Δt的计算步骤如下：
(1)由当前的树高Ht、H＝f(t)获取森林像素的树龄t＝f-1(Ht)；
(2)通过H＝f(t)计算未来t+Δt时刻的树高Ht+Δt＝f(t+Δt)；
(3)由当前森林像素的郁闭度Ft、w＝v(H)计算未来t+Δt时刻的郁闭度Ft+Δt，推导过程如下：
(4)最后，Ht+Δt、Ft+Δt的计算公式如下：
式中，S是像素内森林的面积，P是像素分辨率，Ft+Δt为t+Δt时刻的森林郁闭度，Ft为t时刻的森林郁闭度，Ht+Δt为t+Δt时刻的森林高度，H＝f(t)为树高-树龄函数模型，w＝v(H)为冠幅-树高函数模型。
进一步的，构建的森林固碳潜力计算模型如下；
式中，P是像素分辨率，F表示该像素的森林郁闭度，θ表示地形坡度，H表示该森林高度；a′、b′、c′为模型中待求解的模型参数，CΔt为该像素在Δt时间范围内的森林固碳潜力，Ft和Ht分别表示t时刻森林的郁闭度和高度，Ft+Δt和Ht+Δt分别表示t+Δt时刻的森林郁闭度和高度。
进一步的，更新模块中，针对森林变为非森林的情况，直接将该变化区域的固碳潜力归零；针对非森林变为森林的情况，通过以下步骤实现森林固碳潜力更新：
(31)非森林变为森林，分为自然形成或人工植树造林的森林，使用深度学习网络识别森林树种，由树种确定相应的森林固碳潜力模型参数；
(32)自然形成的森林，利用重访遥感影像记录森林变化时刻t′，结合相应树种的H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt-t′) (4)
(33)人工植树造林的森林，单木分布规整，利用不同树种的人工植树时机，树龄为t″，结合森林变化时刻t′，由H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt+t″-t′) (5)
(34)非森林变为森林的过程中森林郁闭度会逐渐增高，利用遥感影像计算森林变化时刻t′的郁闭度Ft′，然后使用下式计算t+Δt时刻森林郁闭度Ft+Δt：
(35)将步骤(32)或步骤(33)中计算的Ht+Δt、步骤(34)中计算的Ft+Δt和相应树种的模型参数带入森林固碳潜力模型，计算得到t+Δt时刻森林变化区域的碳储量，对于新增森林区域，碳储量即为森林固碳潜力，由此完成新增森林区域固碳潜力的更新。
基于森林固碳潜力模型和多源遥感数据可实现不同国家和地区森林固碳潜力的动态监测，分析不同树种在空间分布、长时序条件下的时空固碳规律，合理规划面向碳交易市场的植树造林，积极应对气候变化、推动全人类走绿色低碳发展道路。
本发明发展了基于遥感的全球森林固碳潜力计算模型，克服了实地勘测耗时费力、损益法地域性强的问题，提高了森林固碳潜力预测的效率和精度；同时，使用森林生长模型推导未来森林的树高和郁闭度参数，解决模型变量难以预测的瓶颈；本发明为森林固碳潜力的准确计算和森林碳汇的动态监测提供重要理论支撑。
本发明具有广阔的应用前景，主要体现在以下两个方面。一是，基于遥感具有的宏观、综合、动态、快速、可重复等特点，结合森林生长模型，建立全球森林固碳潜力高精度计算方法及系统，对自然生长和变化区域的森林固碳潜力进行计算和更新；二是，森林作为一种人为可控的碳汇资源，有必要进行动态监测，以分析变化趋势，本研究中构建的森林固碳潜力计算方法正是针对该问题提出的，可实现大范围森林碳汇的动态监测，因此，本发明可为全国的碳中和目标提供技术支撑。
附图说明
图1是本发明实施例的全球森林固碳潜力高精度计算方法的总体技术路线图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图1所示，本发明提供的一种全球森林固碳潜力高精度计算方法，包括如下步骤：
步骤1，根据不同树种的胸径-树高-冠幅以及树高-树龄函数关系，由当前的森林参数和生长模型推导森林未来的树高和郁闭度参数，用于计算森林固碳潜力；
步骤2，利用当前和未来两时刻的森林碳储量作差表示森林固碳潜力，基于森林碳储量普适模型构建森林固碳潜力计算模型；
步骤3，利用重访卫星影像识别森林变为非森林、非森林变为森林两种森林变化区域，及时获取变化区域的树种、树高和郁闭度，结合固碳潜力模型完成森林固碳潜力的高效率、低成本更新。
进一步的，步骤1的具体实现方式如下；
当前时刻的森林郁闭度Ft、高度Ht由多源遥感数据获得，Ft+Δt、Ht+Δt为未来时刻t+Δt的森林郁闭度和高度，根据不同树种树高H-树龄t函数关系H＝f(t)、冠幅w-树高H函数关系w＝v(H)推导计算Ft+Δt、Ht+Δt。将像素内森林的平均高度H视为单木高度，以便于建立树高H与树龄t的关系，使用林业调查数据，从常用的Richards、Korf等模型中选择最优的拟合函数建立H＝f(t)，如表1所示；冠幅w和树高H的函数关系直接使用林业部门构建的W＝v(H)模型。
表1树高H和树龄t的函数模型
表中，H为树高，t为树龄，a、b、c为函数模型参数。
在H＝f(t)、w＝v(H)已知的情况下，Ft+Δt、Ht+Δt的计算步骤如下：
(1)由当前的树高Ht、H＝f(t)获取该森林像素的树龄t＝f-1(Ht)；
(2)通过H＝f(t)计算未来t+Δt时刻的树高Ht+Δt＝f(t+Δt)；
(3)由当前森林像素的郁闭度Ft、w＝v(H)计算未来t+Δt时刻的郁闭度Ft+Δt，推导过程如下：
(4)最后，Ht+Δt、Ft+Δt的计算公式如下：
式中，S是像素内森林的面积，P是像素分辨率，Ft+Δt为t+Δt时刻的森林郁闭度，Ft为t时刻的森林郁闭度，Ht+Δt为t+Δt时刻的森林高度，H＝f(t)为树高-树龄函数模型，w＝v(H)为冠幅-树高函数模型。
进一步的，步骤2中构建的森林固碳潜力计算模型如下；
式中，P是像素分辨率，F表示像素的森林郁闭度，θ表示地形坡度，H表示森林高度；a′、b′、c′为模型中待求解的模型参数，CΔt为像素在Δt时间范围内的森林固碳潜力，Ft和Ht分别表示t时刻森林的郁闭度和高度，Ft+Δt和Ht+Δt分别表示t+Δt时刻的森林郁闭度和高度。
进一步的，还包括步骤3，在森林不变区域通过固碳潜力模型和预测变量Ht+Δt、Ft+Δt可准确计算自然生长状态下的森林固碳潜力CΔt，但针对Δt时刻内因人为砍伐或自然因素导致的全球森林变化区域，提出基于重访卫星影像的森林变化区域固碳潜力高效率、低成本更新方法。
重访卫星遥感影像可以快速覆盖全球(如Sentinel-2，重访周期为5天)，及时获取全球森林的变化区域，该变化可分为森林变为非森林和非森林变为森林两种情况，第一种情况直接将该变化区域的固碳潜力归零；第二种情况需要及时获取变化区域森林的树种、树高和郁闭度，带入固碳潜力模型计算，受传感器限制，提出利用重访卫星影像获取树种、树高和郁闭度的方法，实现森林固碳潜力的高效率、低成本更新。具体步骤如下：
(31)非森林变为森林，一般为自然形成或人工植树造林的森林，使用深度学习网络识别森林树种，由树种确定相应的森林固碳潜力模型参数，具体计算方法可参考申请号为2022103633903的中国发明专利：一种像素级全球森林碳储量高精度计算方法及系统。
(32)自然形成的森林，利用重访遥感影像记录森林变化时刻t′，结合相应树种的H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt-t′) (4)
(33)人工植树造林的森林，单木分布较为规整，利用不同树种的人工植树时机(树龄为t″)，结合森林变化时刻t′，由H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt+t″-t′) (5)
(34)非森林变为森林的过程中森林郁闭度会逐渐增高，利用遥感影像计算森林变化时刻t′的郁闭度Ft′，然后使用下式计算t+Δt时刻森林郁闭度Ft+Δt：
(35)将步骤(32)或步骤(33)中计算的Ht+Δt、步骤(34)中计算的Ft+Δt和相应树种的模型参数带入森林固碳潜力模型，计算得到t+Δt时刻森林变化区域的碳储量。对于新增森林区域，碳储量即为森林固碳潜力，由此完成新增森林区域固碳潜力的更新。
本发明还提供一种全球森林固碳潜力高精度计算系统，包括如下模块：
树高和郁闭度计算模块，用于根据不同树种的胸径-树高-冠幅以及树高-树龄函数关系，由当前的森林参数和生长模型推导森林未来的树高和郁闭度参数，用于计算森林固碳潜力；
森林固碳潜力计算模型构建模块，用于利用当前和未来两时刻的森林碳储量作差表示森林固碳潜力，基于森林碳储量普适模型构建森林固碳潜力计算模型；
更新模块，用于利用重访卫星影像识别森林变为非森林、非森林变为森林两种森林变化区域，及时获取变化区域的树种、树高和郁闭度，结合固碳潜力模型完成森林固碳潜力的高效率、低成本更新。
各模块的具体实现方式和各步骤相应，本发明不予撰述。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种全球森林固碳潜力高精度计算方法，其特征在于，包括如下步骤：
步骤1，根据不同树种的胸径-树高-冠幅以及树高-树龄函数关系，由当前的森林参数和生长模型推导森林未来的树高和郁闭度参数，用于计算森林固碳潜力；
步骤2，利用当前和未来两时刻的森林碳储量作差表示森林固碳潜力，基于森林碳储量普适模型构建森林固碳潜力计算模型；
步骤3，利用重访卫星影像识别森林变为非森林、非森林变为森林两种森林变化区域，及时获取变化区域的树种、树高和郁闭度，结合固碳潜力模型完成森林固碳潜力的高效率、低成本更新。
2.如权利要求1所述的一种全球森林固碳潜力高精度计算方法，其特征在于：当前时刻的森林郁闭度Ft、高度Ht由多源遥感数据获得，Ft+Δt、Ht+Δt为未来时刻t+Δt的森林郁闭度和高度，根据不同树种树高H-树龄t函数关系H＝f(t)、冠幅w-树高H函数关系w＝v(H)推导计算Ft+Δt、Ht+Δt；
在H＝f(t)、w＝v(H)已知的情况下，Ft+Δt、Ht+Δt的计算步骤如下：
(1)由当前的树高Ht、H＝f(t)获取森林像素的树龄t＝f-1(Ht)；
(2)通过H＝f(t)计算未来t+Δt时刻的树高Ht+Δt＝f(t+Δt)；
(3)由当前森林像素的郁闭度Ft、w＝v(H)计算未来t+Δt时刻的郁闭度Ft+Δt，推导过程如下：
(4)最后，Ht+Δt、Ft+Δt的计算公式如下：
式中，S是像素内森林的面积，P是像素分辨率，Ft+Δt为t+Δt时刻的森林郁闭度，Ft为t时刻的森林郁闭度，Ht+Δt为t+Δt时刻的森林高度，H＝f(t)为树高-树龄函数模型，w＝v(H)为冠幅-树高函数模型。
3.如权利要求2所述的一种全球森林固碳潜力高精度计算方法，其特征在于：将像素内森林的平均高度H视为单木高度，使用林业调查数据建立树高H与树龄t的关系H＝f(t)，冠幅w和树高H的函数关系，直接使用林业部门构建的w＝v(H)模型。
4.如权利要求2或3所述的一种全球森林固碳潜力高精度计算方法，其特征在于：采用Richards、Korf、Logistic、Gompertz、Weibull模型构建函数关系，然后选择选择最优的拟合函数建立H＝f(t)；
其中Richards模型构建的函数关系的表达式为：
H＝a(1-e-bt)c
Korf模型构建的函数关系的表达式为：
Logistic模型构建的函数关系的表达式为：
H＝a/(1+be-ct)
Gompertz模型构建的函数关系的表达式为：
Weibull模型构建的函数关系的表达式为：
其中，H为树高，t为树龄，a、b、c为函数模型参数。
5.如权利要求2所述的一种全球森林固碳潜力高精度计算方法，其特征在于：步骤2中构建的森林固碳潜力计算模型如下；
式中，P是像素分辨率，F表示像素的森林郁闭度，θ表示地形坡度，H表示森林高度；a′、b′、c′为模型中待求解的模型参数，CΔt为像素在Δt时间范围内的森林固碳潜力，Ft和Ht分别表示t时刻森林的郁闭度和高度，Ft+Δt和Ht+Δt分别表示t+Δt时刻的森林郁闭度和高度。
6.如权利要求5所述的一种全球森林固碳潜力高精度计算方法，其特征在于：步骤3中，针对森林变为非森林的情况，直接将该变化区域的固碳潜力归零；针对非森林变为森林的情况，通过以下步骤实现森林固碳潜力更新：
(31)非森林变为森林，分为自然形成或人工植树造林的森林，使用深度学习网络识别森林树种，由树种确定相应的森林固碳潜力模型参数；
(32)自然形成的森林，利用重访遥感影像记录森林变化时刻t′，结合相应树种的H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt-t′) (4)
(33)人工植树造林的森林，单木分布规整，利用不同树种的人工植树时机，树龄为t″，结合森林变化时刻t′，由H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt+t″-t′) (5)
(34)非森林变为森林的过程中森林郁闭度会逐渐增高，利用遥感影像计算森林变化时刻t′的郁闭度Ft′，然后使用下式计算t+Δt时刻森林郁闭度Ft+Δt：
(35)将步骤(32)或步骤(33)中计算的Ht+Δt、步骤(34)中计算的Ft+Δt和相应树种的模型参数带入森林固碳潜力模型，计算得到t+Δt时刻森林变化区域的碳储量，对于新增森林区域，碳储量即为森林固碳潜力，由此完成新增森林区域固碳潜力的更新。
7.一种全球森林固碳潜力高精度计算系统，其特征在于，包括如下模块：
树高和郁闭度计算模块，用于根据不同树种的胸径-树高-冠幅以及树高-树龄函数关系，由当前的森林参数和生长模型推导森林未来的树高和郁闭度参数，用于计算森林固碳潜力；
森林固碳潜力计算模型构建模块，用于利用当前和未来两时刻的森林碳储量作差表示森林固碳潜力，基于森林碳储量普适模型构建森林固碳潜力计算模型；
更新模块，用于利用重访卫星影像识别森林变为非森林、非森林变为森林两种森林变化区域，及时获取变化区域的树种、树高和郁闭度，结合固碳潜力模型完成森林固碳潜力的高效率、低成本更新。
8.如权利要求7所述的一种全球森林固碳潜力高精度计算系统，其特征在于：当前时刻的森林郁闭度Ft、高度Ht由多源遥感数据获得，Ft+Δt、Ht+Δt为未来时刻t+Δt的森林郁闭度和高度，根据不同树种树高H-树龄t函数关系H＝f(t)、冠幅w-树高H函数关系w＝v(H)推导计算Ft+Δt、Ht+Δt；
在H＝f(t)、w＝v(H)已知的情况下，Ft+Δt、Ht+Δt的计算步骤如下：
(1)由当前的树高Ht、H＝f(t)获取森林像素的树龄t＝f-1(Ht)；
(2)通过H＝f(t)计算未来t+Δt时刻的树高Ht+Δt＝f(t+Δt)；
(3)由当前森林像素的郁闭度Ft、w＝v(H)计算未来t+Δt时刻的郁闭度Ft+Δt，推导过程如下：
(4)最后，Ht+Δt、Ft+Δt的计算公式如下：
式中，S是像素内森林的面积，P是像素分辨率，Ft+Δt为t+Δt时刻的森林郁闭度，Ft为t时刻的森林郁闭度，Ht+Δt为t+Δt时刻的森林高度，H＝f(t)为树高-树龄函数模型，w＝v(H)为冠幅-树高函数模型。
9.如权利要求8所述的一种全球森林固碳潜力高精度计算系统，其特征在于：构建的森林固碳潜力计算模型如下；
式中，P是像素分辨率，F表示像素的森林郁闭度，θ表示地形坡度，H表示森林高度；a′、b′、c′为模型中待求解的模型参数，CΔt为像素在Δt时间范围内的森林固碳潜力，Ft和Ht分别表示t时刻森林的郁闭度和高度，Ft+Δt和Ht+Δt分别表示t+Δt时刻的森林郁闭度和高度。
10.如权利要求9所述的一种全球森林固碳潜力高精度计算系统，其特征在于：更新模块中，针对森林变为非森林的情况，直接将该变化区域的固碳潜力归零；针对非森林变为森林的情况，通过以下步骤实现森林固碳潜力更新：
(31)非森林变为森林，分为自然形成或人工植树造林的森林，使用深度学习网络识别森林树种，由树种确定相应的森林固碳潜力模型参数；
(32)自然形成的森林，利用重访遥感影像记录森林变化时刻t′，结合相应树种的H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt-t′) (4)
(33)人工植树造林的森林，单木分布规整，利用不同树种的人工植树时机，树龄为t″，结合森林变化时刻t′，由H＝f(t)获取t+Δt时刻森林高度Ht+Δt：
Ht+Δt＝f(t+Δt+t″-t′) (5)
(34)非森林变为森林的过程中森林郁闭度会逐渐增高，利用遥感影像计算森林变化时刻t′的郁闭度Ft′，然后使用下式计算t+Δt时刻森林郁闭度Ft+Δt：
(35)将步骤(32)或步骤(33)中计算的Ht+Δt、步骤(34)中计算的Ft+Δt和相应树种的模型参数带入森林固碳潜力模型，计算得到t+Δt时刻森林变化区域的碳储量，对于新增森林区域，碳储量即为森林固碳潜力，由此完成新增森林区域固碳潜力的更新。
CN202310383022.XA 2023-04-10 2023-04-10 一种全球森林固碳潜力高精度计算方法及系统 Active CN116561498B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310383022.XA CN116561498B (zh) 2023-04-10 2023-04-10 一种全球森林固碳潜力高精度计算方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310383022.XA CN116561498B (zh) 2023-04-10 2023-04-10 一种全球森林固碳潜力高精度计算方法及系统

Publications (2)

Publication Number Publication Date
CN116561498A true CN116561498A (zh) 2023-08-08
CN116561498B CN116561498B (zh) 2024-03-29

Family

ID=87486999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310383022.XA Active CN116561498B (zh) 2023-04-10 2023-04-10 一种全球森林固碳潜力高精度计算方法及系统

Country Status (1)

Country Link
CN (1) CN116561498B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117874664A (zh) * 2024-03-08 2024-04-12 北京林业大学 一种基于森林固碳模型快速检测森林固碳能力的方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289565A (zh) * 2011-06-14 2011-12-21 北京林业大学 一种森林生态系统碳储量动态监测技术方法
CN106815850A (zh) * 2017-01-22 2017-06-09 武汉地普三维科技有限公司 基于激光雷达技术获取甚高郁闭度森林蓄积量的方法
CN114246104A (zh) * 2021-12-08 2022-03-29 中国科学院华南植物园 一种森林生物质碳封存和利用的方法
CN114781011A (zh) * 2022-04-07 2022-07-22 武汉大学 一种像素级全球森林碳储量高精度计算方法及系统
CN115358644A (zh) * 2022-10-21 2022-11-18 之江实验室 一种基于机器学习的县域森林碳汇估算方法和装置
WO2023016190A1 (zh) * 2021-08-11 2023-02-16 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) 一种森林资源一张图成果质检方法、系统及云平台

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102289565A (zh) * 2011-06-14 2011-12-21 北京林业大学 一种森林生态系统碳储量动态监测技术方法
CN106815850A (zh) * 2017-01-22 2017-06-09 武汉地普三维科技有限公司 基于激光雷达技术获取甚高郁闭度森林蓄积量的方法
WO2023016190A1 (zh) * 2021-08-11 2023-02-16 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) 一种森林资源一张图成果质检方法、系统及云平台
CN114246104A (zh) * 2021-12-08 2022-03-29 中国科学院华南植物园 一种森林生物质碳封存和利用的方法
CN114781011A (zh) * 2022-04-07 2022-07-22 武汉大学 一种像素级全球森林碳储量高精度计算方法及系统
CN115358644A (zh) * 2022-10-21 2022-11-18 之江实验室 一种基于机器学习的县域森林碳汇估算方法和装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
朱宁宁 等: "点-线特征联合的全景图像位姿解算方法", 测绘学报, vol. 52, no. 2, pages 218 - 229 *
陈瑞波 等: "广西桉树和马尾松单木胸径 / 冠幅 - 树高模型构建", 测绘与空间地理信息, vol. 45, no. 7, pages 70 - 73 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117874664A (zh) * 2024-03-08 2024-04-12 北京林业大学 一种基于森林固碳模型快速检测森林固碳能力的方法
CN117874664B (zh) * 2024-03-08 2024-05-24 北京林业大学 一种基于森林固碳模型快速检测森林固碳能力的方法

Also Published As

Publication number Publication date
CN116561498B (zh) 2024-03-29

Similar Documents

Publication Publication Date Title
CN116561498B (zh) 一种全球森林固碳潜力高精度计算方法及系统
US10831949B2 (en) Nonlinear method for area-wide near surface air temperature precision retrieval
Zaragozí et al. Modelling farmland abandonment: A study combining GIS and data mining techniques
Hu et al. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates
Goodbody et al. Digital aerial photogrammetry for assessing cumulative spruce budworm defoliation and enhancing forest inventories at a landscape-level
Liu et al. Estimating potato above-ground biomass by using integrated unmanned aerial system-based optical, structural, and textural canopy measurements
Liu et al. Estimating maize seedling number with UAV RGB images and advanced image processing methods
CN114758170B (zh) 一种结合d3d的三分支三注意力机制高光谱图像分类方法
CN114529097B (zh) 多尺度农作物物候期遥感降维预测方法
Jiang et al. Monitoring the coastal environment using remote sensing and GIS techniques
Zhang et al. Drone-acquired data reveal the importance of forest canopy structure in predicting tree diversity
Kumar et al. Multiparameter optimization system with DCNN in precision agriculture for advanced irrigation planning and scheduling based on soil moisture estimation
Stević et al. Automated identification of land cover type using multispectral satellite images
Sitokonstantinou et al. A sentinel based agriculture monitoring scheme for the control of the cap and food security
CN116663779A (zh) 耕地土壤多深度肥力点面转换方法及装置
Arango et al. Identification of agricultural management zones through clustering algorithms with thermal and multispectral satellite imagery
Qu et al. Mapping large area tea plantations using progressive random forest and Google Earth Engine
CN112464997B (zh) 基于模糊-贪婪搜索决策的多传感器协同监测方法及系统
CN109446965A (zh) 一种基于无人机数据的烟田自动识别方法
Zhang et al. A novel knowledge-driven automated solution for high-resolution cropland extraction by cross-scale sample transfer
Sehgal et al. Improved regional yield prediction by crop growth monitoring system using remote sensing derived crop phenology
Hu et al. Multi-Source Data Interpretation For Field Scale Precision Management In Healthcare Industry.
Sridharan et al. Application of statistical machine learning algorithms in precision agriculture
CN116167630B (zh) 一种选择三七轮作适宜性地块的计算机自动识别方法
CN117281016B (zh) 基于无人机遥感的间作系统的灌溉决策方法、装置和系统

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