CN116681315A - 温室气体净排放的估算方法、装置、设备和存储介质 - Google Patents

温室气体净排放的估算方法、装置、设备和存储介质 Download PDF

Info

Publication number
CN116681315A
CN116681315A CN202310970415.0A CN202310970415A CN116681315A CN 116681315 A CN116681315 A CN 116681315A CN 202310970415 A CN202310970415 A CN 202310970415A CN 116681315 A CN116681315 A CN 116681315A
Authority
CN
China
Prior art keywords
model
soil
estimating
preset
estimated
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
CN202310970415.0A
Other languages
English (en)
Other versions
CN116681315B (zh
Inventor
周文晶
陈立波
程琨
徐向瑞
孙建飞
李云鹏
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.)
Nanjing Agricultural University
Original Assignee
Nanjing Agricultural 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 Nanjing Agricultural University filed Critical Nanjing Agricultural University
Priority to CN202310970415.0A priority Critical patent/CN116681315B/zh
Publication of CN116681315A publication Critical patent/CN116681315A/zh
Application granted granted Critical
Publication of CN116681315B publication Critical patent/CN116681315B/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
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • 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
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Educational Administration (AREA)
  • Tourism & Hospitality (AREA)
  • Animal Husbandry (AREA)
  • Artificial Intelligence (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Agronomy & Crop Science (AREA)
  • Development Economics (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及农业信息技术领域，提供一种温室气体净排放的估算方法、装置、设备和存储介质，方法包括：利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量；利用训练好的第二模型，在第一预设时间范围内对第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量。本发明提高了估算效率。

Description

温室气体净排放的估算方法、装置、设备和存储介质
技术领域
本发明涉及农业信息技术领域，尤其涉及一种温室气体净排放的估算方法、装置、设备和存储介质。
背景技术
农业生产消耗大量的化肥、农药和水资源等，农田土壤是重要的温室气体（Greenhouse Gas，GHG）排放源，具有很大的固碳减排潜力，针对农田土壤的温室气体净排放的测量和估算至关重要。
现有技术中，通常采用田间试验方法直接监测温室气体的排放，以及土壤有机碳（Soil Organic Carbon，SOC）的变化量，但是大规模的监测需要耗费大量时间，效率较低。
发明内容
本发明提供一种温室气体净排放的估算方法、装置、设备和存储介质，用以解决现有技术中效率较低的缺陷，实现提高估算效率的目的。
第一方面，本发明提供一种温室气体净排放的估算方法，包括：
利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量以及所述目标信息；
利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及所述目标信息；
根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
可选地，所述SOC的变化量基于所述第一预设时间范围的起始时刻的SOC含量、所述第一预设时间范围的终止时刻的SOC含量以及土壤干容重得到。
可选地，所述第一模型通过如下步骤进行训练得到，包括：
利用第一模型评价指标对所述第一模型进行性能评价，得到第一评价结果；
基于所述第一评价结果对所述第一模型的参数进行更新，所述第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差。
可选地，所述第二模型通过如下步骤进行训练得到，包括：
利用第二模型评价指标对所述第二模型进行性能评价，得到第二评价结果；
基于所述第二评价结果对所述第二模型的参数进行更新，所述第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差。
可选地，所述第三模型通过如下步骤进行训练得到，包括：
利用第三模型评价指标对所述第三模型进行性能评价，得到第三评价结果；
基于所述第三评价结果对所述第三模型的参数进行更新，所述第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差。
可选地，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量之前，还包括：
对所述第一预设区域的土壤进行分类，得到第一预设区域的土壤的类型，所述第一预设区域的土壤的类型包含以下至少一项：旱地类型和水田类型。
可选地，当所述第一预设区域的土壤的类型为旱地类型，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
根据所述第一估计量和第三估计量，估算得到所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量；
利用如下公式（1）估算所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量：
（1）
其中，表示所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第三估计量。
可选地，当所述第一预设区域的土壤的类型为水田类型，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
利用如下公式（2）估算所述水田类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量：
（2）
其中，表示所述水田类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第二估计量，为的全球增温潜势值，为第三估计量。
第二方面，本发明提供一种温室气体净排放的估算装置，装置包括：模型估计模块和综合估算模块，其中，
所述模型估计模块，用于利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
所述模型估计模块，还用于利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量以及所述目标信息；
所述模型估计模块，还用于利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及所述目标信息；
所述综合估算模块，用于根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
第三方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述温室气体净排放的估算方法。
第四方面，本发明还提供本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述温室气体净排放的估算方法。
第五方面，本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述温室气体净排放的估算方法。
本发明提供的一种温室气体净排放的估算方法、装置、设备和存储介质，通过利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量，其中，第一模型为基于第一训练数据训练得到的，第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；其中，第二模型为基于第二训练数据训练得到的，第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量以及目标信息；利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；其中，第三模型为基于第三训练数据训练得到的，第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及目标信息；进一步地，根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量。本发明中首先利用训练好的第一模型、第二模型和第三模型，对在第一预设时间范围内对第一预设区域的N2O的累积排放量、CH4的累积排放量和SOC的变化量分别进行估算，得到各自对应的第一估计量、第二估计量和第三估计量，进而，基于第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，提高了估算效率。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明提供的温室气体净排放的估算方法的流程示意图之一；
图2是本发明提供的温室气体净排放的估算方法的流程示意图之二；
图3是本发明提供的温室气体净排放的估算方法的效果示意图之一；
图4是本发明提供的温室气体净排放的估算方法的效果示意图之二；
图5是本发明提供的温室气体净排放的估算方法的效果示意图之三；
图6是本发明提供的温室气体净排放的估算方法的效果示意图之四；
图7是本发明提供的温室气体净排放的估算装置的结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例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他实施例，都属于本发明保护的范围。
首先，对本发明实施例提供的温室气体净排放的估算方法中涉及的必要的技术用语进行介绍。
温室效应气体（Greenhouse Gas，GHG）：或称温室气体，是指大气中那些吸收和重新放出红外辐射的自然和人为的气态成分，包括对太阳短波辐射透明（吸收极少）、对长波辐射有强烈吸收作用的二氧化碳、甲烷、一氧化碳、氟氯烃及臭氧等30余种气体。
土壤有机碳（soil organic carbon，SOC）：土壤有机碳是通过微生物作用所形成的腐殖质、动植物残体和微生物体的合称。
氧化亚氮（Nitrous oxide，N2O）：无色有甜味气体，又称笑气，是一种氧化剂，化学式N2O，氧化亚氮是一种强大的温室气体，它的效果是二氧化碳的298倍。
甲烷（methane）：结构简式为CH4，是结构最简单的碳氢化合物，从分子的层面上来说，甲烷是一种比二氧化碳更加活跃的温室气体。
全球增温潜势值（Global Warming Potential，GWP）：是基于充分混合的温室气体辐射特性的一个指数，用于衡量相对于二氧化碳的，在所选定时间内进行积分的，当前大气中某个给定的充分混合的温室气体单位质量的辐射强迫。
其次，对本发明实施例提供的温室气体净排放估算的方法应用的场景进行介绍。
农业生产消耗大量的化肥、农药和水资源等，农田土壤是重要的温室气体排放源，具有很大的固碳减排潜力，针对农田土壤的温室气体净排放的测量和估算至关重要。
现有技术中，通常采用田间试验方法直接监测温室气体的排放，以及SOC的变化量。现有技术中存在如下不足：
（1）大规模的监测需要耗费大量的时间，效率较低；
（2）通过点位尺度进行温室气体检测，限制了区域尺度的应用。
基于现有技术中的上述不足，本发明提供一种能提高估算效率，且能够量化一定区域尺度的温室气体排放量的变化的温室气体净排放估算的解决方案。
下面结合图1-图5描述本发明提供的温室气体净排放估算的解决方案。
图1是本发明提供的温室气体净排放的估算方法的流程示意图之一。如图1所示，该方法包括：
步骤101、利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，第一模型为基于第一训练数据训练得到的，第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项。
具体地，首先，可以基于第一训练数据训练得到第一模型，例如利用随机森林的机器学习方法构建第一模型，并通过对第一模型的参数进行调整将机器学习模型的操作性能调整到最佳状态（例如，利用R语言循环，当决策树数量和参与每棵决策树节点构建的自变量个数最适时，模型的第一决定系数R2越高）。
其中，第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；进一步地，目标信息中的具体内容可以包含：土壤理化性质信息（也称土壤环境情况）包含例如试验地点的经纬度、土壤氢离子浓度指数、第二预设时间范围前后如生育期前后的土壤有机碳含量、土壤干容重、土壤深度、土壤粘粒含量等，气象信息包含例如温度、降雨量等，水分管理信息例如农田水分管理方式，肥料管理信息，包含例如农田化学氮肥投入量、农田有机氮肥投入量、肥料类别，以及第二预设时间范围例如生育期天数。第一训练数据的来源例如通过论文或文献数据库进行文献搜集并进行数据的筛选处理，具体地，文献的筛选要求示例如下：（1）试验数据来自于田间试验，不考虑模型、土柱和盆栽试验；（2）N2O的通量监测贯穿整个生长季，采样频率不超过两周一次；（3）文献详细记录包括每个试验地点的地理坐标或者地点名称；（4）文献详细记录了试验的水分管理方式、肥料管理措施、生长季的时间；（5）文献尽可能详细记录试验地区的土壤理化性质信息，至少包括例如季前土壤有机碳（SOC）含量；进而，可以将筛选后的文献中数据库所需要的数据记录到Excel表格中，构建单位面积农田N2O的排放量及相应的土壤理化性质、气象信息、水分管理和肥料管理的第一数据库；第一数据库中的第一训练数据的数据样例如表1所示：
表1
可选地，对于第一数据库中缺失的土壤属性数据，还可以结合例如土壤空间数据库，根据试验点的地理位置匹配得到并加以补充，对于第一数据库中缺失的气象数据，还可以从距离试验点最近的气象站获取并加以补充，从而使得第一数据库中的数据更加完善。
可选地，在模型训练过程中，可以使用R语言指令“Sample”将第一数据库中的第一训练数据随机分为两组：70%的第一训练数据用于模型的拟合，剩余30%的第一训练数据用于模型的性能评价。
进一步地，可以利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量，也即第一预设时间范围内第一预设区域的氧化亚氮N2O的累积排放量，其中，第一预设区域例如A地区的农田土壤，第一预设时间范围例如B时间段。
步骤102、利用训练好的第二模型，在第一预设时间范围内对第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，第二模型为基于第二训练数据训练得到的，第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及目标信息。
具体地，参照第一模型的构建及训练过程，针对甲烷CH4的累积排放量估算方法可以基于第二模型的构建及运用进行。相应地，可以基于第二训练数据训练得到第二模型，其中，第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项：预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息，所述目标信息与第二训练数据中的目标信息类似，此处不再赘述。第二数据库中的第二训练数据的数据样例示例如表2所示：
表2
进一步地，可以利用训练好的第二模型，在第一预设时间范围内对第一预设区域的CH4的累积排放量进行估算，得到第二估计量，也即第一预设时间范围内第一预设区域的CH4的累积排放量，其中，第一预设区域例如A地区的农田土壤，第一预设时间范围例如B时间段。
步骤103、利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，第三模型为基于第三训练数据训练得到的，第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及目标信息。
具体地，参照第一模型的构建及训练过程，针对土壤有机碳SOC的变化量的估算方法可以基于第三模型的构建及运用进行。相应地，可以基于第三训练数据训练得到第三模型，其中，第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项，所述目标信息与第一训练数据中的目标信息类似，此处不再赘述。第三数据库中的第三训练数据的数据样例示例如表3所示：
表3
进一步地，可以利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量，也即第一预设时间范围内第一预设区域的土壤有机碳SOC的变化量，其中，第一预设区域例如A地区的农田土壤，第一预设时间范围例如B时间段。
步骤104、根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量。
具体地，在执行完上述步骤101、步骤102和步骤103之后，可以分别得到第一估计量（第一预设时间范围内第一预设区域的氧化亚氮N2O的累积排放量）、第二估计量（第一预设时间范围内第一预设区域的甲烷CH4的累积排放量）和第三估计量（第一预设时间范围内第一预设区域的土壤有机碳SOC的变化量）；进一步地，可以基于第一估计量、第二估计量和第三估计量进行综合估算，得到第一预设区域中土壤单位面积对应的温室气体净排放量。其中，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量的过程可以参照如下公式（3）进行计算，示例如下：
（3）
其中，表示第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第二估计量，为的全球增温潜势值，为第三估计量。
其中，可以理解的是，全球增温潜势值GWP表示温室气体在不同时间内在大气保持综合影响及其吸收外溢热红外辐射的相对作用，GWP是从分子角度评价温室气体，包括分子吸收与保持热量的能力，以及能在自然环境中存在多久而不被破坏或分解（atmosphericlifetime，大气存留时间）。如此这般，就能评价每种温室气体对温室效应的影响比重。全球增温潜势值GWP目前一般用联合国政府间气候变化专门委员会（Intergovernmental Panelon Climate Change，IPCC）第五次评估报告给出的GWP，主要的几种温室气体GWP值示例如表4所示：
表4
如上所示，例如甲烷的GWP值为34，意味着1吨甲烷在100年内对于全球变暖的影响是1吨二氧化碳所带来的影响的34倍。
本发明实施例提供的方法中，通过利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量，其中，第一模型为基于第一训练数据训练得到的，第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；其中，第二模型为基于第二训练数据训练得到的，第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量以及目标信息；利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；其中，第三模型为基于第三训练数据训练得到的，第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及目标信息；进一步地，根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量。本发明中首先利用训练好的第一模型、第二模型和第三模型，对在第一预设时间范围内对第一预设区域的N2O的累积排放量、CH4的累积排放量和SOC的变化量分别进行估算，得到各自对应的第一估计量、第二估计量和第三估计量，进而，基于第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，提高了估算效率。
可选地，土壤有机碳的变化量基于第一预设时间范围的起始时刻的土壤有机碳含量、第一预设时间范围的终止时刻的土壤有机碳含量以及土壤干容重得到。
具体地，在步骤103中，第一预设时间范围内第一预设区域的SOC的变化量的计算可以基于第一预设时间范围的起始时刻的SOC含量、第一预设时间范围的终止时刻的SOC含量、土壤干容重和土壤深度计算得到，其中第一预设时间范围的起始时刻的SOC含量，例如季初SOC含量，第一预设时间范围的终止时刻的SOC含量，例如季末SOC含量，所述第一预设时间范围可根据实际统计需求决定，本实施对此不做限定。
示例性地，可以参照如下公式（4）计算所述SOC的变化量：
（4）
其中，表示第三估计量，也即第一预设时间范围内第一预设区域的单位面积土壤对应的第三估计量，例如第一预设时间范围内土壤深度为的单位面积土壤对应的SOC的变化量，表示第一预设时间范围的终止时刻单位面积土壤对应的SOC含量，例如季末SOC含量，表示第一预设时间范围的起始时刻单位面积土壤对应的SOC含量，例如季初SOC含量，表示土壤干容重，表示土壤深度。
本发明实施例提供的方法中，通过第一预设时间范围的起始时刻的SOC含量、第一预设时间范围的终止时刻的SOC含量、土壤干容重和土壤深度，共同计算得到土壤有机碳SOC的变化量，得到的数据中考虑了土壤干容重和土壤深度因素，也即考虑不同区域的因素对土壤有机碳变化量的影响，得到的数据结果较为准确，更适应不同区域下温室气体净排放估算的场景。
可选地，第一模型通过如下步骤进行训练得到，包括：
利用第一模型评价指标对第一模型进行性能评价，得到第一评价结果；
基于第一评价结果对第一模型的参数进行更新，第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差。
具体地，在步骤101之前，本实施例还可以对第一模型进行训练，使得得到的第一模型的操作性能最佳。具体地，可以先利用第一模型评价指标对第一模型进行性能评价，其中，第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差，从而得到第一评价结果。可以理解的是，第一决定系数将N2O累积排放量的预测值与N2O累积排放量的实测值进行相关性分析获得，用来评估相关性强度；第一均方根误差用于评估N2O累积排放量的预测值与N2O累积排放量的实测值的偏差；第一模型效率用于评价模拟结果的准确性，第一绝对偏差表示N2O累积排放量的预测值与N2O累积排放量的实测值的偏离程度，第一模型评价指标的计算公式参考如下：
其中，第一决定系数的计算公式如下：
（5）
其中，表示N2O累积排放量的预测值和N2O累积排放量的实测值之间的残差平方和，表示N2O累积排放量的预测值和N2O累积排放量的实测值之间的总平方和；
第一均方根误差的计算公式如下：
（6）
其中，表示第i个N2O累积排放量的预测值，表示第i个N2O累积排放量的实测值，表示第一训练数据中的样本数量；
第一模型效率的计算公式如下：
（7）
其中，表示第i个N2O累积排放量的预测值，表示第i个N2O累积排放量的实测值，表示所有N2O累积排放量的实测值的均值，表示第一训练数据中的样本数量；
第一绝对偏差的计算公式如下：
（8）
其中，表示第i个N2O累积排放量的预测值，表示第i个N2O累积排放量的实测值，表示第一训练数据中的样本数量；
进一步地，可以基于第一评价结果对第一模型的参数进行更新，这个过程可以不断迭代更新，得到最优操作性能的第一模型，最优操作性能可以是预测性能最佳。第一模型的参数例如决策树数量和参与每棵决策树节点构建的自变量的数量。
本发明实施例提供的方法中，通过利用第一模型评价指标对第一模型进行性能评价，得到第一评价结果，进而，基于第一评价结果对第一模型的参数进行更新，第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差。最终通过第一模型估算的第一估计量即N2O累积排放量的估计量较为准确。
可选地，第二模型通过如下步骤进行训练得到，包括：
利用第二模型评价指标对第二模型进行性能评价，得到第二评价结果；
基于第二评价结果对第二模型的参数进行更新，第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差。
具体地，在步骤102之前，本实施例还可以对第二模型进行训练，使得得到的第二模型的操作性能最佳。具体地，可以先利用第二模型评价指标对第二模型进行性能评价，其中，第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差，从而得到第二评价结果。可以理解的是，第二决定系数将CH4的累积排放量的预测值与CH4的累积排放量的实测值进行相关性分析获得，用来评估相关性强度；第二均方根误差用于评估CH4的累积排放量的预测值与CH4的累积排放量的实测值的偏差；第二模型效率用于评价模拟结果的准确性，第二绝对偏差表示CH4的累积排放量的预测值与CH4的累积排放量的实测值的偏离程度，第二模型评价指标的计算公式参考如下：
其中，第二决定系数的计算公式如下：
（9）
其中，表示CH4的累积排放量的预测值和CH4的累积排放量的实测值之间的残差平方和，表示CH4的累积排放量的预测值和CH4的累积排放量的实测值之间的总平方和；
第二均方根误差的计算公式如下：
（10）
其中，表示第i个CH4的累积排放量的预测值，表示第i个CH4的累积排放量的实测值，表示第二训练数据中的样本数量；
第二模型效率的计算公式如下：
（11）
其中，表示第i个CH4的累积排放量的预测值，表示第i个CH4的累积排放量的实测值，表示所有CH4的累积排放量的实测值的均值，表示第二训练数据中的样本数量；
第二绝对偏差的计算公式如下：
（12）
其中，表示第i个CH4的累积排放量的预测值，表示第i个CH4的累积排放量的实测值，表示第二训练数据中的样本数量；
进一步地，可以基于第一评价结果对第一模型的参数进行更新，这个过程可以不断迭代更新，得到最优操作性能的第一模型，最优操作性能可以是预测性能最佳。第一模型的参数例如决策树数量和参与每棵决策树节点构建的自变量的数量。
本发明实施例提供的方法中，通过利用第二模型评价指标对第二模型进行性能评价，得到第二评价结果，进而，基于第二评价结果对第二模型的参数进行更新，第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差。最终通过第二模型估算的第二估计量即CH4的累积排放量较为准确。
可选地，第三模型通过如下步骤进行训练得到，包括：
利用第三模型评价指标对第三模型进行性能评价，得到第三评价结果；
基于第三评价结果对第三模型的参数进行更新，第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差。
具体地，在步骤103之前，本实施例还可以对第三模型进行训练，使得得到的第三模型的操作性能最佳。具体地，可以先利用第三模型评价指标对第三模型进行性能评价，其中，第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差，从而得到第三评价结果。可以理解的是，第三决定系数将SOC的变化量的预测值与SOC的变化量的实测值进行相关性分析获得，用来评估相关性强度；第三均方根误差用于评估SOC的变化量的预测值与SOC的变化量的实测值的偏差；第三模型效率用于评价模拟结果的准确性，第三绝对偏差表示SOC的变化量的预测值与SOC的变化量的实测值的偏离程度，第三模型评价指标的计算公式参考如下：
其中，第三决定系数的计算公式如下：
（13）
其中，表示SOC的变化量的预测值和SOC的变化量的实测值之间的残差平方和，表示SOC的变化量的预测值和SOC的变化量的实测值之间的总平方和；
第三均方根误差的计算公式如下：
（14）
其中，表示第i个SOC的变化量的预测值，表示第i个SOC的变化量的实测值，表示第三训练数据中的样本数量；
第三模型效率的计算公式如下：
（15）
其中，表示第i个SOC的变化量的预测值，表示第i个SOC的变化量的实测值，表示所有SOC的变化量的实测值的均值，表示第三训练数据中的样本数量；
第三绝对偏差的计算公式如下：
（16）
其中，表示第i个SOC的变化量的预测值，表示第i个SOC的变化量的实测值，表示第三训练数据中的样本数量；
进一步地，可以基于第三评价结果对第三模型的参数进行更新，这个过程可以不断迭代更新，得到最优操作性能的第三模型，最优操作性能可以是预测性能最佳。第三模型的参数例如决策树数量和参与每棵决策树节点构建的自变量的数量。
本发明实施例提供的方法中，通过利用第三模型评价指标对第三模型进行性能评价，得到第三评价结果，进而，基于第三评价结果对第三模型的参数进行更新，第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差。最终通过第三模型估算的第三估计量即SOC的变化量较为准确。
可选地，根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量之前，还包括：
对土壤进行分类，得到土壤的类型，土壤的类型包含以下至少一项：旱地类型和水田类型。
具体地，在步骤104进行综合估算之前，还可以对土壤进行分类，得到土壤的类型，进而，基于不同土壤类型的特点，针对性地估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，其中，土壤的类型包含以下至少一项：旱地类型和水田类型，旱地类型的甲烷排放量不高。
本发明实施例提供的方法中，通过对土壤进行分类，根据不同土壤的类型，对其温室气体净排放量进行估算，考虑了不同土壤类型对温室气体净排放量的影响，最终得到的估算结果较为准确。
可选地，当土壤的类型为旱地类型，根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
根据第一估计量、第三估计量，估算得到旱地类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量；
利用如下公式（1）估算旱地类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量：
（1）
其中，表示旱地类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第三估计量。
具体地，当土壤的类型为旱地类型时，旱地类型的甲烷排放量不高，所以旱地类型的全球增温潜势值可忽略甲烷部分。因此，可以利用公式（1）进行估算。
本发明实施例提供的方法中，本发明实施例提供的方法中，估算旱地类型土壤对应温室气体净排放量忽略了甲烷的增温潜能，考虑了不同土壤类型对温室气体净排放量的影响，最终得到的估算结果较为准确。
可选地，当土壤的类型为水田类型，根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
利用如下公式（2）估算水田类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量：
（2）
其中，表示水田类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第二估计量，为的全球增温潜势值，为第三估计量。
具体地，当土壤的类型为水田类型时，可以利用如下公式（2）估算水田类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量：
（2）
其中，表示水田类型对应的第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第二估计量，为的全球增温潜势值，为第三估计量。
本发明实施例提供的方法中，对水田类型对应温室气体净排放量进行估算，最终得到的估算结果较为准确。
图2是本发明提供的温室气体净排放的估算方法的流程示意图之二。如图2所示，该方法包括：
步骤201、根据第一训练数据，构建第一数据库；
步骤202、根据第二训练数据，构建第二数据库；
步骤203、根据第三训练数据，构建第三数据库；
步骤204、基于第一数据库、第一模型的参数和第一模型评价指标，训练得到第一模型；
步骤205、基于第二数据库、第二模型的参数和第二模型评价指标，训练得到第二模型；
步骤206、基于第三数据库、第三模型的参数和第三模型评价指标，训练得到第三模型；
步骤207、利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量；
步骤208、利用训练好的第二模型，在第一预设时间范围内对第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；
步骤209、利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；
步骤210、根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量。
具体地，首先根据第一训练数据、第二训练数据和第三训练数据，分别构建各自对应的第一数据库、构建第二数据库和第三数据库，其中，第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量以及目标信息；第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及目标信息。
可选地，所述第一模型、第二模型、第三模型可以基于随机森林的机器学习算法构建，当然，也可以是其他机器学习模型，例如缩小变量集LASSO模型、支持向量机、极端梯度提升XGBoot、卷积网络和长短期记忆网络。
进一步地，可以根据构建的第一数据库、第一模型的参数和第一模型评价指标，训练得到第一模型，第一模型的参数例如随机森林的机器模型中的决策树数量和每棵决策树节点数量，第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差。相应地，可以根据构建的第二数据库、第二模型的参数和第二模型评价指标，训练得到第二模型，第二模型的参数例如随机森林的机器模型中的决策树数量和每棵决策树节点数量，第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差；以及，可以根据构建的第三数据库、第三模型的参数和第三模型评价指标，训练得到第三模型，第三模型的参数例如随机森林的机器模型中的决策树数量和每棵决策树节点数量，第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差。
进一步地，可以利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量；相应地，可以利用训练好的第二模型，在第一预设时间范围内对第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；以及，可以利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量。
最终，可以根据模型估计得到的第一估计量、第二估计量和第三估计量进一步综合估算，得到第一预设区域中土壤单位面积对应的温室气体净排放量。
本发明实施例提供的方法中，通过利用训练好的第一模型、第二模型和第三模型，对在第一预设时间范围内对第一预设区域的N2O的累积排放量、CH4的累积排放量和SOC的变化量分别进行估算，得到各自对应的第一估计量、第二估计量和第三估计量，进而，基于第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，提高了估算效率，并且，提高了温室气体排放估算在区域尺度的应用。
图3是本发明提供的温室气体净排放的估算方法的效果示意图之一，用于表示A区域农田土壤的N2O排放量示意图，其中，效果示意图中对应位置的色块底色越深，表示N2O排放量越高，反之，色块底色越浅，表示N2O排放量越低；图4是本发明提供的温室气体净排放的估算方法的效果示意图之二，用于表示A区域农田土壤的CH4排放量示意图，其中，效果示意图对应位置的色块底色越深，表示CH4排放量越高，反之，色块底色越浅，表示CH4排放量越低；图5是本发明提供的温室气体净排放的估算方法的效果示意图之三，用于表示A区域农田土壤的SOC变化量示意图，其中，效果示意图中对应位置的色块底色越深，表示SOC的变化量越高，反之，色块底色越浅，表示SOC的变化量越低；图6是本发明提供的温室气体净排放的估算方法的效果示意图之四，用于表示A区域农田土壤的温室气体净排放量示意图，其中，效果示意图中对应位置的色块底色越深，表示温室气体净排放量越高，反之，色块底色越浅，表示温室气体净排放量越低。
下面对本发明提供的温室气体净排放的估算装置进行描述，下文描述的温室气体净排放的估算装置与上文描述的温室气体净排放的估算方法可相互对应参照。
图7是本发明提供的温室气体净排放的估算装置的结构示意图。如图7所示，该温室气体净排放的估算装置700包括：模型估计模块710和综合估算模块720，其中；
所述模型估计模块710，用于利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
所述模型估计模块710，还用于利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及所述目标信息；
所述模型估计模块710，还用于利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及所述目标信息；
所述综合估算模块720，用于根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
本发明实施例提供的装置中，模型估计模块710通过利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮N2O的累积排放量进行估算，得到第一估计量，其中，第一模型为基于第一训练数据训练得到的，第一训练数据包括：在第二预设时间范围内第二预设区域的N2O的累积排放量，以及目标信息，目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷CH4的累积排放量进行估算，得到第二估计量；其中，第二模型为基于第二训练数据训练得到的，第二训练数据包括：在第三预设时间范围内第三预设区域的CH4的累积排放量以及目标信息；利用训练好的第三模型，在第一预设时间范围内对第一预设区域的土壤有机碳SOC的变化量进行估算，得到第三估计量；其中，第三模型为基于第三训练数据训练得到的，第三训练数据包括：在第四预设时间范围内第四预设区域的SOC的变化量以及目标信息；进一步地，综合估算模块720根据第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量。本发明中首先利用训练好的第一模型、第二模型和第三模型，对在第一预设时间范围内对第一预设区域的N2O的累积排放量、CH4的累积排放量和SOC的变化量分别进行估算，得到各自对应的第一估计量、第二估计量和第三估计量，进而，基于第一估计量、第二估计量和第三估计量，估算得到第一预设区域中土壤单位面积对应的温室气体净排放量，提高了估算效率。
可选地，所述土壤有机碳的变化量基于所述第一预设时间范围的起始时刻的土壤有机碳含量、所述第一预设时间范围的终止时刻的土壤有机碳含量以及土壤干容重得到。
可选地，该温室气体净排放的估算装置700还包括模型训练模块730；
所述模型训练模块730，具体用于：
利用第一模型评价指标对所述第一模型进行性能评价，得到第一评价结果；
基于所述第一评价结果对所述第一模型的参数进行更新，所述第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差。
可选地，所述模型训练模块730，还用于：
利用第二模型评价指标对所述第二模型进行性能评价，得到第二评价结果；
基于所述第二评价结果对所述第二模型的参数进行更新，所述第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差。
可选地，所述模型训练模块730，还用于：
利用第三模型评价指标对所述第三模型进行性能评价，得到第三评价结果；
基于所述第三评价结果对所述第三模型的参数进行更新，所述第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差。
可选地，该温室气体净排放的估算装置700还包括土壤分类模块740；
所述土壤分类模块740，具体用于：
对所述第一预设区域的土壤进行分类，得到所述第一预设区域的土壤的类型，所述第一预设区域的土壤的类型包含以下至少一项：旱地类型和水田类型。
可选地，所述综合估算模块720具体用于：
当所述第一预设区域的土壤的类型为旱地类型，根据所述第一估计量、第三估计量，估算得到所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量；
利用如下公式（1）估算所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量：
（1）
其中，表示所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第三估计量。
可选地，所述综合估算模块720还用于：
当所述第一预设区域的土壤的类型为水田类型，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
利用如下公式（2）估算所述水田类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量：
（2）
其中，表示所述水田类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第二估计量，为的全球增温潜势值，为第三估计量。
图8示例了一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行温室气体净排放的估算方法，该方法包括：
利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及所述目标信息；
利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及所述目标信息；
根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
此外，上述的存储器830中的逻辑指令可以通过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，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的温室气体净排放的估算方法，该方法包括：
利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及所述目标信息；
利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及所述目标信息；
根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的温室气体净排放的估算方法，该方法包括：
利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及所述目标信息；
利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及所述目标信息；
根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
以上所描述的装置实施例仅仅是示意性的，其中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实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种温室气体净排放的估算方法，其特征在于，包括：
利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及所述目标信息；
利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及所述目标信息；
根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
2.根据权利要求1所述的温室气体净排放的估算方法，其特征在于，所述土壤有机碳的变化量基于所述第一预设时间范围的起始时刻的土壤有机碳含量、所述第一预设时间范围的终止时刻的土壤有机碳含量以及土壤干容重得到。
3.根据权利要求1或2所述的温室气体净排放的估算方法，其特征在于，所述第一模型通过如下步骤进行训练得到，包括：
利用第一模型评价指标对所述第一模型进行性能评价，得到第一评价结果；
基于所述第一评价结果对所述第一模型的参数进行更新，所述第一模型评价指标包括以下至少一项：第一决定系数、第一均方根误差、第一模型效率和第一绝对偏差。
4.根据权利要求1或2所述的温室气体净排放的估算方法，其特征在于，所述第二模型通过如下步骤进行训练得到，包括：
利用第二模型评价指标对所述第二模型进行性能评价，得到第二评价结果；
基于所述第二评价结果对所述第二模型的参数进行更新，所述第二模型评价指标包括以下至少一项：第二决定系数、第二均方根误差、第二模型效率和第二绝对偏差。
5.根据权利要求1或2所述的温室气体净排放的估算方法，其特征在于，所述第三模型通过如下步骤进行训练得到，包括：
利用第三模型评价指标对所述第三模型进行性能评价，得到第三评价结果；
基于所述第三评价结果对所述第三模型的参数进行更新，所述第三模型评价指标包括以下至少一项：第三决定系数、第三均方根误差、第三模型效率和第三绝对偏差。
6.根据权利要求1所述的温室气体净排放的估算方法，其特征在于，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量之前，还包括：
对所述第一预设区域的土壤进行分类，得到所述第一预设区域的土壤的类型，所述第一预设区域的土壤的类型包含以下至少一项：旱地类型和水田类型。
7.根据权利要求6所述的温室气体净排放的估算方法，其特征在于，当所述第一预设区域的土壤的类型为旱地类型，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
根据所述第一估计量和第三估计量，估算得到所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量；
利用如下公式（1）估算所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量：
（1）
其中，表示所述旱地类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第三估计量。
8.根据权利要求6所述的温室气体净排放的估算方法，其特征在于，当所述第一预设区域的土壤的类型为水田类型，所述根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量，包括：
利用如下公式（2）估算所述水田类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量：
（2）
其中，表示所述水田类型对应的所述第一预设区域中土壤单位面积对应的温室气体净排放量，为第一估计量，为的全球增温潜势值，为第二估计量，为的全球增温潜势值，为第三估计量。
9.一种温室气体净排放的估算装置，其特征在于，包括：模型估计模块和综合估算模块，其中，
所述模型估计模块，用于利用训练好的第一模型，在第一预设时间范围内对第一预设区域的氧化亚氮的累积排放量进行估算，得到第一估计量；其中，所述第一模型为基于第一训练数据训练得到的，所述第一训练数据包括：在第二预设时间范围内第二预设区域的氧化亚氮的累积排放量，以及目标信息，所述目标信息包括预设区域的土壤理化性质信息、气象信息、水分管理信息和肥料管理信息中的至少一项；
所述模型估计模块，还用于利用训练好的第二模型，在所述第一预设时间范围内对所述第一预设区域的甲烷的累积排放量进行估算，得到第二估计量；其中，所述第二模型为基于第二训练数据训练得到的，所述第二训练数据包括：在第三预设时间范围内第三预设区域的甲烷的累积排放量以及所述目标信息；
所述模型估计模块，还用于利用训练好的第三模型，在所述第一预设时间范围内对所述第一预设区域的土壤有机碳的变化量进行估算，得到第三估计量；其中，所述第三模型为基于第三训练数据训练得到的，所述第三训练数据包括：在第四预设时间范围内第四预设区域的土壤有机碳的变化量以及所述目标信息；
所述综合估算模块，用于根据所述第一估计量、所述第二估计量和所述第三估计量，估算得到所述第一预设区域中土壤单位面积对应的温室气体净排放量。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至8任一项所述温室气体净排放的估算方法。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8任一项所述温室气体净排放的估算方法。
CN202310970415.0A 2023-08-03 2023-08-03 温室气体净排放的估算方法、装置、设备和存储介质 Active CN116681315B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310970415.0A CN116681315B (zh) 2023-08-03 2023-08-03 温室气体净排放的估算方法、装置、设备和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310970415.0A CN116681315B (zh) 2023-08-03 2023-08-03 温室气体净排放的估算方法、装置、设备和存储介质

Publications (2)

Publication Number Publication Date
CN116681315A true CN116681315A (zh) 2023-09-01
CN116681315B CN116681315B (zh) 2023-11-21

Family

ID=87781298

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310970415.0A Active CN116681315B (zh) 2023-08-03 2023-08-03 温室气体净排放的估算方法、装置、设备和存储介质

Country Status (1)

Country Link
CN (1) CN116681315B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108564246A (zh) * 2018-03-01 2018-09-21 北京师范大学 一种农田土壤氧化亚氮温室气体排放估算方法及装置
CN112934951A (zh) * 2021-03-31 2021-06-11 中国林业科学研究院林业新技术研究所 一种生物炭改良湿地土壤碳减排的方法
CN113763455A (zh) * 2021-09-14 2021-12-07 中科三清科技有限公司 一种温室气体排放的溯源方法、装置、计算机设备及介质
CN113822479A (zh) * 2021-09-22 2021-12-21 中国科学院地理科学与资源研究所 一种兼顾生产、环境和经济效益的区域农业种植结构多目标优化方法
CN114781135A (zh) * 2022-04-06 2022-07-22 中国科学院地理科学与资源研究所 一种区域农业种植系统净温室气体排放综合估算方法及系统
US11426350B1 (en) * 2014-10-01 2022-08-30 Carbon Technology Holdings, LLC Reducing the environmental impact of farming using biochar
CN115496286A (zh) * 2022-09-26 2022-12-20 重庆德宜高大数据科技有限公司 基于大数据环境下神经网络碳排放预测方法及应用
CN115718746A (zh) * 2022-05-16 2023-02-28 南开大学 基于机器学习的稻田甲烷排放量预测方法
US20230107533A1 (en) * 2021-10-06 2023-04-06 International Business Machines Corporation Generating context-aware process-based model determinations for greenhouse gas emissions from agricultural fields
CN116128161A (zh) * 2023-04-12 2023-05-16 南京农业大学 一种农业用地碳排放预测方法与系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11426350B1 (en) * 2014-10-01 2022-08-30 Carbon Technology Holdings, LLC Reducing the environmental impact of farming using biochar
CN108564246A (zh) * 2018-03-01 2018-09-21 北京师范大学 一种农田土壤氧化亚氮温室气体排放估算方法及装置
CN112934951A (zh) * 2021-03-31 2021-06-11 中国林业科学研究院林业新技术研究所 一种生物炭改良湿地土壤碳减排的方法
CN113763455A (zh) * 2021-09-14 2021-12-07 中科三清科技有限公司 一种温室气体排放的溯源方法、装置、计算机设备及介质
CN113822479A (zh) * 2021-09-22 2021-12-21 中国科学院地理科学与资源研究所 一种兼顾生产、环境和经济效益的区域农业种植结构多目标优化方法
US20230107533A1 (en) * 2021-10-06 2023-04-06 International Business Machines Corporation Generating context-aware process-based model determinations for greenhouse gas emissions from agricultural fields
CN114781135A (zh) * 2022-04-06 2022-07-22 中国科学院地理科学与资源研究所 一种区域农业种植系统净温室气体排放综合估算方法及系统
CN115718746A (zh) * 2022-05-16 2023-02-28 南开大学 基于机器学习的稻田甲烷排放量预测方法
CN115496286A (zh) * 2022-09-26 2022-12-20 重庆德宜高大数据科技有限公司 基于大数据环境下神经网络碳排放预测方法及应用
CN116128161A (zh) * 2023-04-12 2023-05-16 南京农业大学 一种农业用地碳排放预测方法与系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
HUA YANG等: "Analysis of Greenhouse Gas Emissions in European Based on Hybrid Models", 《2018 NINTH INTERNATIONAL CONFERENCE ON INTELLIGENT CONTROL AND INFORMATION PROCESSING (ICICIP)》, pages 128 - 133 *
傅伟军等: "生物炭农田应用的固碳减排研究进展", 《南京信息工程大学学报(自然科学版)》, vol. 15, no. 01, pages 1 - 15 *
康亚婷: "中国城市尺度的生活垃圾资源潜力评估与温室气体排放核算", 《中国优秀博硕士学位论文全文数据库（硕士）工程科技Ⅰ辑》, no. 1, pages 1 - 78 *
汤宏等: "秸秆与水分管理稻田的温室气体排放和碳固定", 《环境科学与技术》, vol. 44, no. 01, pages 41 - 48 *
高旺盛等: "《循环农业理论与研究方法》", 中国农业大学出版社, pages: 136 - 150 *

Also Published As

Publication number Publication date
CN116681315B (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
Dubuis et al. Improving the prediction of plant species distribution and community composition by adding edaphic to topo‐climatic variables
Baek et al. Climate change in the 21st century simulated by HadGEM2-AO under representative concentration pathways
Vavrus The impact of cloud feedbacks on Arctic climate under greenhouse forcing
Lehuger et al. Bayesian calibration of the nitrous oxide emission module of an agro-ecosystem model
Zhang et al. Net terrestrial CO2 exchange over China during 2001–2010 estimated with an ensemble data assimilation system for atmospheric CO2
San José et al. Impacts of the 4.5 and 8.5 RCP global climate scenarios on urban meteorology and air quality: Application to Madrid, Antwerp, Milan, Helsinki and London
Hudiburg et al. Evaluation and improvement of the Community Land Model (CLM4) in Oregon forests
CN112884088A (zh) 一种基于神经网络模型的森林碳储量计算方法
Alamgir et al. Allometric models to estimate biomass organic carbon stock in forest vegetation
Burrows et al. OCEANFILMS (Organic Compounds from Ecosystems to Aerosols: Natural Films and Interfaces via Langmuir Molecular Surfactants) sea spray organic aerosol emissions–implementation in a global climate model and impacts on clouds
Cheng et al. Evaluation of long-term tropospheric NO2 columns and the effect of different ecosystem in Yangtze River Delta
Liu et al. Estimating surface carbon fluxes based on a local ensemble transform Kalman filter with a short assimilation window and a long observation window: an observing system simulation experiment test in GEOS-Chem 10.1
CN116992351B (zh) 一种森林碳汇潜力预测方法及装置
Burrows et al. OCEANFILMS sea-spray organic aerosol emissions–Part 1: implementation and impacts on clouds
Jiang et al. Impact of eastern and central Pacific El Niño on lower tropospheric ozone in China
Nadal‐Sala et al. Assessing model performance via the most limiting environmental driver in two differently stressed pine stands
Zhong-Bing et al. Dynamics of soil organic carbon under uncertain climate change and elevated atmospheric CO2
CN116681315B (zh) 温室气体净排放的估算方法、装置、设备和存储介质
Setyawan et al. Anticipated climate changes reveal shifting in habitat suitability of high-altitude selaginellas in Java, Indonesia
Ramírez-Ramírez et al. Shifts in tree allometry in a tropical dry forest: implications for above-ground biomass estimation
Koo et al. Projection of red spruce (Picea rubens Sargent) habitat suitability and distribution in the Southern Appalachian Mountains, USA
Helliwell et al. The present is the key to the past, but what does the future hold for the recovery of surface waters from acidification?
Tumaneng et al. Modeling species distribution of Shorea guiso (Blanco) Blume and Parashorea malaanonan (Blanco) Merr in Mount Makiling Forest Reserve using Maxent
Mäkelä et al. Constraining ecosystem model with adaptive Metropolis algorithm using boreal forest site eddy covariance measurements
Santer Some issues in detecting climate change induced by greenhouse gases using general circulation models

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