CN116777082A - 基于资源预估的农田碳排放预测方法及系统 - Google Patents
基于资源预估的农田碳排放预测方法及系统 Download PDFInfo
- Publication number
- CN116777082A CN116777082A CN202311038218.1A CN202311038218A CN116777082A CN 116777082 A CN116777082 A CN 116777082A CN 202311038218 A CN202311038218 A CN 202311038218A CN 116777082 A CN116777082 A CN 116777082A
- Authority
- CN
- China
- Prior art keywords
- information
- carbon emission
- data
- carbon
- farmland
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 472
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 472
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000002689 soil Substances 0.000 claims abstract description 96
- 238000004458 analytical method Methods 0.000 claims abstract description 60
- 238000012271 agricultural production Methods 0.000 claims abstract description 45
- 239000013598 vector Substances 0.000 claims abstract description 29
- 230000012010 growth Effects 0.000 claims abstract description 22
- 238000010521 absorption reaction Methods 0.000 claims description 37
- 239000003337 fertilizer Substances 0.000 claims description 36
- 239000000575 pesticide Substances 0.000 claims description 35
- 239000000126 substance Substances 0.000 claims description 35
- 238000007726 management method Methods 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000010219 correlation analysis Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 15
- 239000000446 fuel Substances 0.000 claims description 14
- 230000017105 transposition Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000008635 plant growth Effects 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000000556 factor analysis Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 239000000295 fuel oil Substances 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 4
- 238000007637 random forest analysis Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000009919 sequestration Effects 0.000 claims 2
- 238000007599 discharging Methods 0.000 abstract description 4
- 241000196324 Embryophyta Species 0.000 description 54
- 208000012868 Overgrowth Diseases 0.000 description 12
- 230000004720 fertilization Effects 0.000 description 7
- 238000011156 evaluation Methods 0.000 description 6
- 235000015097 nutrients Nutrition 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000006386 neutralization reaction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000003763 carbonization Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004856 soil analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于资源预估的农田碳排放预测方法及系统,包括:进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;构建土地碳模型,根据土地利用历史数据和土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;获取目标区域的农田环境数据,根据农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。
Description
技术领域
本发明涉及碳排放预测技术领域,尤其涉及一种基于资源预估的农田碳排放预测方法及系统。
背景技术
当前,全球气候变化环境和生态系统带来了严重影响,碳排放问题成为一个高度关注的焦点。农田作为重要的碳汇和碳源,其碳排放对气候变化和生态环境产生重要影响。目前,已有多种方法用于农田碳排放预测,包括传统经验模型、数学模型、统计学和机器学习模型等。然而,现有方法存在一些问题。传统经验模型缺乏科学依据,不适用于复杂的农田生态系统;数学模型对参数设定和数据需求较高,不适用于小样本情况;统计学和机器学习模型在数据质量、特征选择和模型融合等方面仍面临挑战。因此,如何准确预测农田碳排放量是一个重要问题,同时对于制定有效的气候适应措施和农业管理规划至关重要。
发明内容
本发明克服了现有技术的缺陷,提供了一种基于资源预估的农田碳排放预测方法及系统,其重要目的在于提高农田碳排放的预测准确性。
为实现上述目的本发明第一方面提供了一种基于资源预估的农田碳排放预测方法,包括:
获取目标区域的土地利用历史数据、土壤环境数据、农业管理措施数据;
进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;
构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;
获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;
获取目标区域的农田环境数据,根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;
构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。
本方案中,所述进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别,具体包括:
获取土地利用历史数据和土壤环境数据;
对所述土壤环境数据进行标准化预处理,将不同维度的数据放缩至相同的量纲,使各特征数据具有相同的计算权重;
提取所述土壤利用历史数据中的土壤用途信息,基于统计学进行各类用途次数统计,得到各类用途次数信息,与预设阈值进行判断,选取大于预设阈值的用途作为区域类别,得到第一区域类别信息;
提取所述第一区域类别信息的区别特征,得到第一区别特征信息,计算各区别特征的平均值,作为各区域类别的特征均向量,得到特征均向量信息;
计算各区别特征与特征均向量的偏差并进行转置计算,得到偏差转置矩阵,根据偏差转置矩阵计算协方差矩阵,得到协方差矩阵信息;
将目标区域划分为不同的子区域,基于马氏距离算法结合所述特征均向量信息和协方差矩阵信息计算各子区域与第一区域类别信息的马氏距离,得到各子区域马氏距离信息;
预设判断阈值,将所述各子区域马氏距离信息与判断阈值进行判断,将大于判断阈值的马氏距离对应的子区域划分至相应区域类别,并将对应的土壤环境数据合并至对应区域类别下,得到最终区域类别信息,
根据所述各子区域马氏距离信息结合土壤环境数据进行相关性分析,得到相关性分析结果信息。
本方案中,所述根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,具体包括:
基于大数据检索获取不同土地用途不同土壤环境的土地及对应的碳排放和碳吸存数据,构成训练数据集;
基于随机森林算法构建土地碳模型,通过所述训练数据集进行土地碳模型训练,得到符合期望的土地碳模型;
将所述土地历史利用数据和所述土壤环境数据导入土地碳模型进行能力分析,将各决策树的分析结果的均值作为各区域的能力分析结果,得到能力分析结果信息;
所述能力分析结果信息包括土地碳吸存能力和土地碳排放能力。
本方案中,所述获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息,具体包括:
根据所述农业机器使用数据获取农业机器种类信息和农业机器使用信息,通过农业机器种类信息基于大数据检索获取各种类农业机器运行信息;
所述各种类农业机器运行信息包括:各种类农业机器燃油信息、各种类农业机器使用时长信息、各种类农业机器功率信息、各种类农业机器使用数量信息;
基于各种类农业机器燃油信息获取各种类燃料碳排放因子信息,将所述各种类燃料碳排放因子信息、各种类农业机器功率信息、各种类农业机器使用时长信息和各种类农业机器使用数量信息进行相乘计算,得到农业机器总碳排放信息;
根据所述农业管理措施数据得到化肥使用信息和农药使用信息,基于所述化肥使用信息和农药使用信息获取各种类化肥碳排放因子信息和各种类农药碳排放因子信息;
计算化肥使用信息与对应化肥种类的碳排放因子的乘积,作为化肥碳排放量信息,计算农药使用信息与对应农药种类的碳排放因子的乘积,作为农药碳排放信息;
合并农业机器总碳排放信息、化肥碳排放信息和农药碳排放信息得到农业生产碳排放信息。
本方案中,所述根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,具体包括:
获取农田环境数据,构建识别模型,将所述农田环境数据导入所述识别模型进行识别,得到目标区域的作物种类信息和植物种类信息、作物生长阶段信息和植物生长阶段信息;
基于大数据检索结合所述作物种类信息、植物种类信息、作物生长阶段信息和植物生长阶段信息获取对应的碳排放因子信息和碳吸收因子信息,得到作物碳排放因子信息、作物碳吸收因子信息、植物碳吸收因子信息和植物碳排放因子信息;
根据农田环境数据获取作物覆盖面积信息和植物覆盖面积信息;
将所述作物覆盖面积分别与所述作物碳排放因子信息和作物碳吸收因子信息相乘,得到作物碳排放量信息和作物碳吸收量信息,再将作物碳排放量信息与作物碳吸收量信息相减得到作物净碳排放信息;
将所述植物覆盖面积分别与所述植物碳排放因子信息和植物碳吸收因子信息相乘,得到植物碳排放量信息和植物碳吸收量信息,再将植物碳排放量信息与植物碳吸收量信息相减得到植物净碳排放信息;
合并所述植物净碳排放信息和作物净碳排放信息得到农田环境净碳排放信息。
本方案中,所述构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析,具体包括:
获取土壤环境数据、农田历史碳排放数据、和目标农田区域气候数据、能力分析结果信息和农田环境净碳排放信息;
预设时间序列标准,根据所述时间序列标准将所述农田历史碳排放数据、目标农田区域气候数据和农田环境净碳排放信息按照时间顺序进行排序,得到时间序列信息;
基于灰色预测模型构建第一预测模型,通过第一预测模型提取所述时间序列信息、农田历史碳排放数据、目标农田区域气候数据、农田环境净碳排放信息的趋势项及周期项,得到趋势项和周期项的预测值,作为第一碳排放预测信息;
获取相关性分析结果信息、能力分析结果信息、最终区域类别信息、土壤环境数据、农业管理措施数据、农业生产碳排放信息和目标农田区域气候数据;
基于多元线性回归模型构建第二预测模型,通过相关性分析结果信息、能力分析结果信息、农业管理措施数据、农业生产碳排放信息、最终区域类别信息、土壤环境数据和目标农田区域气候数据进行预测分析,得到第二碳排放预测信息;
对所述第一碳排放预测信息和所述第二碳排放预测信息进行线性相加得到最终碳排放预测信息;
根据所述最终碳排放预测信息绘制碳排放趋势曲线图,根据碳排放趋势曲线图分析农田碳排放重要影响因素,得到影响因素分析信息。
本发明第二方面提供了一种基于资源预估的农田碳排放预测系统,该系统包括:存储器、处理器,所述存储器中包含基于资源预估的农田碳排放预估方法程序,所述基于资源预估的农田碳排放预测方法程序被所述处理器执行时实现如下步骤:
获取目标区域的土地利用历史数据、土壤环境数据、农业管理措施数据;
进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;
构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;
获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;
获取目标区域的农田环境数据,根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;
构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。
本发明公开了一种基于资源预估的农田碳排放预测方法及系统,包括:进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;构建土地碳模型,根据土地利用历史数据和土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;获取目标区域的农田环境数据,根据农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。提高了农田碳排放预测的准确性,为农业管理规划提供精确的数据。
附图说明
为了更清楚地说明本发明实施例或示例性中的技术方案,下面将对实施例或示例性描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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,还可以按照这些附图示出的获得其他的附图。
图1为本发明一实施例提供的一种基于资源预估的农田碳排放预测方法流程图;
图2为本发明一实施例提供的一种基于资源预估的农田碳排放预测方法的数据处理流程图;
图3为本发明一实施例提供的一种基于资源预估的农田碳排放预测系统框图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1为本发明一实施例提供的一种基于资源预估的农田碳排放预测方法流程图;
如图1所示,本发明提供了一种基于资源预估的农田碳排放预测方法流程图,包括:
S102,获取目标区域的土地利用历史数据、土壤环境数据、农业管理措施数据;
S104,进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;
获取土地利用历史数据和土壤环境数据;
对所述土壤环境数据进行标准化预处理,将不同维度的数据放缩至相同的量纲,使各特征数据具有相同的计算权重;
提取所述土壤利用历史数据中的土壤用途信息,基于统计学进行各类用途次数统计,得到各类用途次数信息,与预设阈值进行判断,选取大于预设阈值的用途作为区域类别,得到第一区域类别信息;
提取所述第一区域类别信息的区别特征,得到第一区别特征信息,计算各区别特征的平均值,作为各区域类别的特征均向量,得到特征均向量信息;
计算各区别特征与特征均向量的偏差并进行转置计算,得到偏差转置矩阵,根据偏差转置矩阵计算协方差矩阵,得到协方差矩阵信息;
将目标区域划分为不同的子区域,基于马氏距离算法结合所述特征均向量信息和协方差矩阵信息计算各子区域与第一区域类别信息的马氏距离,得到各子区域马氏距离信息;
预设判断阈值,将所述各子区域马氏距离信息与判断阈值进行判断,将大于判断阈值的马氏距离对应的子区域划分至相应区域类别,并将对应的土壤环境数据合并至对应区域类别下,得到最终区域类别信息,
根据所述各子区域马氏距离信息结合土壤环境数据进行相关性分析,得到相关性分析结果信息。
需要说明的是,通过相关性分析,首先,通过获取土地利用历史数据和土壤环境数据,系统性地收集了与农田碳排放相关的关键数据,为后续分析提供了基础。其次,对土壤环境数据进行标准化预处理,消除了不同维度数据间的量纲差异,确保各特征数据具有相同的计算权重,提高了数据分析的精确性和可靠性。然后,通过基于统计学的用途次数统计,得到各类用途次数信息,并根据预设阈值确定区域类别,实现了对农田土地的合理区域划分。这有助于识别不同区域的异质性,为碳排放预测提供更精准的基础。其次,提取第一区域类别的区别特征和计算特征均向量及协方差矩阵,实现了对区域间特征的分析和相关性评估。这为了解各区域之间的差异性和影响因素提供了重要参考。在马氏距离算法的支持下,将目标区域划分为多个子区域,并计算马氏距离,测量了各子区域与第一区域类别的相似性。通过预设阈值的判断,实现了对子区域的划分和最终区域类别的确定,为进一步碳排放预测提供了细分的依据。最后,通过与土壤环境数据进行相关性分析,获取了有关碳排放的相关性信息。这对深入理解碳排放影响因素和制定相应农田管理措施具有重要意义。此外,还能够深入了解不同区域之间的异质性和影响因素,有助于制定更科学的农田碳管理策略,为应对气候变化和实现碳中和目标提供重要参考和有力支持。
S106,构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;
基于大数据检索获取不同土地用途不同土壤环境的土地及对应的碳排放和碳吸存数据,构成训练数据集;
基于随机森林算法构建土地碳模型,通过所述训练数据集进行土地碳模型训练,得到符合期望的土地碳模型;
将所述土地历史利用数据和所述土壤环境数据导入土地碳模型进行能力分析,将各决策树的分析结果的均值作为各区域的能力分析结果,得到能力分析结果信息;
所述能力分析结果信息包括土地碳吸存能力和土地碳排放能力。
进一步的,获取土地管理措施数据和土壤环境数据,提取所述土地管理措施数据中的土地耕种信息;基于所述土地耕种信息得到耕种方式信息、耕种深度信息和耕种频率信息;基于土地耕种信息对土壤环境数据进行类别划分,根据耕种方式进行分类,同时根据不同的耕种深度进行细分并将对应的土壤环境数据合并至相应类别,得到类别划分信息;构建土壤质量分析模型,将所述类别划分信息导入模型中进行分析,对不同耕种方式和不同耕种深度的土壤进行分析,得到土壤分析结果信息;将所述类别划分信息导入土地碳模型中进行分析,分析不同耕种方式和深度对土壤的碳吸存能力和碳排放能力的影响,得到不同耕种类别能力分析结果信息;根据所述土壤质量分析结果信息绘制土壤质量直方图,通过所述土壤质量直方图分析耕种方式和深度对土壤质量的影响,得到影响程度信息;通过所述影响程度信息和不同耕种类别能力分析结果信息重新制定农田管理方案,选取更为合理的耕种方案和措施,减少农业机器的使用,降低碳排放促进生态平衡。
S108,获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;
根据所述农业机器使用数据获取农业机器种类信息和农业机器使用信息,通过农业机器种类信息基于大数据检索获取各种类农业机器运行信息;
所述各种类农业机器运行信息包括:各种类农业机器燃油信息、各种类农业机器使用时长信息、各种类农业机器功率信息、各种类农业机器使用数量信息;
基于各种类农业机器燃油信息获取各种类燃料碳排放因子信息,将所述各种类燃料碳排放因子信息、各种类农业机器功率信息、各种类农业机器使用时长信息和各种类农业机器使用数量信息进行相乘计算,得到农业机器总碳排放信息;
根据所述农业管理措施数据得到化肥使用信息和农药使用信息,基于所述化肥使用信息和农药使用信息获取各种类化肥碳排放因子信息和各种类农药碳排放因子信息;
计算化肥使用信息与对应化肥种类的碳排放因子的乘积,作为化肥碳排放量信息,计算农药使用信息与对应农药种类的碳排放因子的乘积,作为农药碳排放信息;
合并农业机器总碳排放信息、化肥碳排放信息和农药碳排放信息得到农业生产碳排放信息。
需要说明的是,首先,根据各种类农业机器的燃油信息,获取对应的燃料碳排放因子信息,计算出农业机器的总碳排放信息。这有助于了解农业机器在农业生产中的碳排放贡献。随后,根据农业管理措施数据获取化肥使用信息和农药使用信息,并基于这些信息获取各种类化肥和农药的碳排放因子信息,计算出化肥的碳排放量信息和农药的碳排放信息。从而获得化肥和农药在农业生产中的碳排放数据。最后,将农业机器的总碳排放信息、化肥的碳排放信息和农药的碳排放信息进行合并,得到全面的农业生产碳排放信息。该信息有助于评估农业生产过程中碳排放的总量和构成,为农业碳减排措施的制定和农业可持续发展提供科学依据。通过此方法,可以精确分析农业生产中碳排放的影响因素,指导农业生产的低碳化和减排工作,促进生态友好型农业的实现。
进一步的,获取生产需求信息和预设种植区域信息;将预设种植区域划分为多个种植子区域,获取各种植子区域的土壤环境信息,通过采取样本分析土壤各种成分的含量,得到各种植子区域的土壤成分分析信息;根据不同土壤成分预设对应的判断阈值,将各种植子区域的土壤成分分析信息与判断阈值进行判断,得到各种植子区域的土壤成分判断结果信息;根据土壤成分判断结果信息对各种植子区域进行土壤养分评估,预设评估标准,根据各种植子区域的土壤成分的含量大小以及适宜种植成分种类多少进行土壤养分评估,得到各种植子区域的土壤养分评估信息;根据生产需求信息获取适生土壤成分信息,结合各种植子区域的土壤养分评估信息判断需要施肥的种植子区域,得到施肥区域信息;根据所述施肥区域信息结合各种植子区域的土壤养分评估信息制定施肥策略,通过准确施肥区域和科学的施肥量降低化肥产生的碳排放;根据生产需求信息获取待种植作物各生长阶段的碳排放因子,计算待种植作物的碳排放量,得到待种植作物的碳排放信息;根据施肥策略计算施肥产生的碳排放量,结合待种植作物的碳排放信息进行碳排放预测,得到碳排放预测结果信息;将碳排放预测结果信息与预设阈值判断,分析碳排放的排放量是否偏高,根据判断结果信息制定农业生产管理策略,通过控制其他影响因素产生碳排放量来降低农田碳排放总量,实现绿色种植,促进生态环保。
S110,获取目标区域的农田环境数据,根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;
获取农田环境数据,构建识别模型,将所述农田环境数据导入所述识别模型进行识别,得到目标区域的作物种类信息和植物种类信息、作物生长阶段信息和植物生长阶段信息;
基于大数据检索结合所述作物种类信息、植物种类信息、作物生长阶段信息和植物生长阶段信息获取对应的碳排放因子信息和碳吸收因子信息,得到作物碳排放因子信息、作物碳吸收因子信息、植物碳吸收因子信息和植物碳排放因子信息;
根据农田环境数据获取作物覆盖面积信息和植物覆盖面积信息;
将所述作物覆盖面积分别与所述作物碳排放因子信息和作物碳吸收因子信息相乘,得到作物碳排放量信息和作物碳吸收量信息,再将作物碳排放量信息与作物碳吸收量信息相减得到作物净碳排放信息;
将所述植物覆盖面积分别与所述植物碳排放因子信息和植物碳吸收因子信息相乘,得到植物碳排放量信息和植物碳吸收量信息,再将植物碳排放量信息与植物碳吸收量信息相减得到植物净碳排放信息;
合并所述植物净碳排放信息和作物净碳排放信息得到农田环境净碳排放信息。
需要说明的是,将农田环境的碳排放划分为作物和植物两部分,分别计算各部分的碳吸收量和碳排放量,因为不同生长阶段的作物和植物的碳吸收能力和碳排放能力不同,通过识别作物和植物的生长阶段,进而计算其碳吸收和碳排放量,通过计算两者的差值,得到净碳排放量,通过净碳排放量判断农田环境的碳排放信息;所述净碳排放信息存在正负关系,若为负关系,则代表农田环境的碳吸收能力大于碳排放能力,若为正关系,则代表农田环境的碳吸收能力小于碳排放能力。基于农田环境净碳排放信息可以更加直观的了解到农田环境的碳排放信息,可以更加方便的制定应对措施。
进一步的,获取农田环境净碳排放信息,与预设阈值进行判断,根据判断结果得到目标农田是否出现植物过度生长区域;获取农田环境数据、植物种类信息和植物生长阶段信息;构建植物生长趋势分析模型,将所述植物种类信息和植物生长阶段信息导入所述植物生长趋势分析模型进行分析,得到趋势分析结果信息;预设趋势判断阈值,将所述趋势分析结果信息与趋势判断阈值进行判断,判断目标农田区域植物是否存在过度生长的趋势,得到趋势判断结果信息;若所述趋势判断结果信息为过度生长,则分析过度生长植物的覆盖面积程度;基于趋势判断结果信息得到过度生长植物的种类,结合农田环境数据进行区域确定和覆盖面积计算,得到过度生长植物信息,包括过度生长区域和覆盖面积;将所述过度生长植物信息与预设阈值进行判断,根据判断结果制定应对措施;若所述过度生长植物信息小于预设阈值,则不需要采取应对措施,对过度生长区域和植物进行标记,提高监测频率,预防过度生长植物覆盖面积扩大;若所述过度生长植物信息大于预设阈值,则需要采取应对措施,对过度生长区域的植物进行生长控制,防止因植物过度生长而导致农田作物不能汲取充足的养分,保证农田的作物正常生长,降低经济损失。
S112,构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析;
获取土壤环境数据、农田历史碳排放数据、和目标农田区域气候数据、能力分析结果信息和农田环境净碳排放信息;
预设时间序列标准,根据所述时间序列标准将所述农田历史碳排放数据、目标农田区域气候数据和农田环境净碳排放信息按照时间顺序进行排序,得到时间序列信息;
基于灰色预测模型构建第一预测模型,通过第一预测模型提取所述时间序列信息、农田历史碳排放数据、目标农田区域气候数据、农田环境净碳排放信息的趋势项及周期项,得到趋势项和周期项的预测值,作为第一碳排放预测信息;
获取相关性分析结果信息、能力分析结果信息、最终区域类别信息、土壤环境数据、农业管理措施数据、农业生产碳排放信息和目标农田区域气候数据;
基于多元线性回归模型构建第二预测模型,通过相关性分析结果信息、能力分析结果信息、农业管理措施数据、农业生产碳排放信息、最终区域类别信息、土壤环境数据和目标农田区域气候数据进行预测分析,得到第二碳排放预测信息;
对所述第一碳排放预测信息和所述第二碳排放预测信息进行线性相加得到最终碳排放预测信息;
根据所述最终碳排放预测信息绘制碳排放趋势曲线图,根据碳排放趋势曲线图分析农田碳排放重要影响因素,得到影响因素分析信息。
需要说明的是,基于第一预测模型,通过历史碳排放数据结合当前碳排放数据从数据层面进行趋势预测,基于第二预测模型,通过多元数据进行线性回归预测,考虑多个影响因素进行预测,最后将两个预测结果进行融合,得到最终的预测结果,提高了碳排放预测的准确性,同时,可以通过影响因素分析,帮助制定合理的碳排放策略,为农业生产的碳中和目标和可持续发展目标作出贡献。
图2为本发明一实施例提供的一种基于资源预估的农田碳排放预测方法的数据处理流程图;
如图2所示,本发明提供了一种基于资源预估的农田碳排放预测方法的数据处理流程图,包括:
S202,进行区域类别划分,将目标区域划分为多个子区域并划分区域类别,同时进行相关性分析;
S204,据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力;
S206,根据农业管理措施数据和农业机器使用数据计算农业生产的碳排放量;
S208,根据目标区域的农田环境数据计算农田环境净碳排放量;
S210,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析;
通过第一预测模型提取所述时间序列信息、农田历史碳排放数据、目标农田区域气候数据、农田环境净碳排放信息的趋势项及周期项,得到趋势项和周期项的预测值,作为第一碳排放预测信息;
通过将相关性分析结果信息、能力分析结果信息、农业管理措施数据、农业生产碳排放信息、最终区域类别信息、土壤环境数据和目标农田区域气候数据导入第二预测模型进行预测分析,得到第二碳排放预测信息;
对所述第一碳排放预测信息和所述第二碳排放预测信息进行线性相加得到最终碳排放预测信息;
根据所述最终碳排放预测信息绘制碳排放趋势曲线图,根据碳排放趋势曲线图分析农田碳排放重要影响因素,得到影响因素分析信息。
需要说明的是,所述碳排放趋势曲线图中包含区域总体碳排放趋势和不同类型碳排放趋势,通过总体碳排放趋势可以进行区域整体分析,判断目标区域整体的碳排放趋势,通过整体碳排放趋势判断是否存在持续的大幅度上升,根据判断结果调整整体的农业管理策略;通过不同类型碳排放趋势可以清晰的了解目标区域碳排放的主要排放因素,通过分辨不同类型的碳排放趋势,可以准确的了解影响区域碳排放增加的因素类型,能够明确的制定相应方案,如调整区域植物面积覆盖、降低高油耗机器使用或采用更环保的农业化肥和农药等不同的类型的降低碳排放的方案。另外碳排放趋势曲线图还能为农田扩张提供有价值的参考,可以提供良好的扩张建议,在扩张过程中完成降低农田碳排放的建设,使区域碳排放保持良好的水平和趋势,有助于绿色环保,促进生态平衡持续发展。
图3为本发明一实施例提供的一种基于资源预估的农田碳排放预测系统框图3,该系统包括:存储器31、处理器32,所述存储器31中包含基于资源预估的农田碳排放预测方法程序,所述基于资源预估的农田碳排放预测方法程序被所述处理器32执行时实现如下步骤:
获取目标区域的土地利用历史数据、土壤环境数据、农业管理措施数据;
进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;
构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;
获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;
获取目标区域的农田环境数据,根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;
构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。
本发明涉及一种基于资源预估的农田碳排放预测方法及系统。首先,获取目标区域的土地利用历史数据、土壤环境数据和农业管理措施数据,以构成训练数据集。然后,进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,并将目标区域划分为多个子区域并划分区域类别。接下来,构建土地碳模型,利用训练数据集进行模型训练,分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息。随后,获取农业机器使用数据,并结合农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息。同时,获取目标区域的农田环境数据,根据数据识别植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息。在此基础上,构建碳排放预测模型,进行碳排放预测。利用预测结果绘制碳排放趋势曲线图,并进行碳排放影响因素分析。本发明的方法及系统通过综合考虑土地利用、土壤环境、农业机器使用、农田环境等多个因素,实现了对农田碳排放的准确预测与分析。可为农田碳管理、气候变化适应措施的制定提供科学依据,促进农业生产的可持续发展,同时为环境保护和碳中和目标的实现做出贡献。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,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,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,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全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,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单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、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。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也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,本发明实施例的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所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于资源预估的农田碳排放预测方法,其特征在于,包括:
获取目标区域的土地利用历史数据、土壤环境数据、农业管理措施数据;
进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;
构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;
获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;
获取目标区域的农田环境数据,根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;
构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。
2.根据权利要求1所述的一种基于资源预估的农田碳排放预测方法,其特征在于,所述进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别,具体包括:
获取土地利用历史数据和土壤环境数据;
对所述土壤环境数据进行标准化预处理,将不同维度的数据放缩至相同的量纲,使各特征数据具有相同的计算权重;
提取所述土壤利用历史数据中的土壤用途信息,基于统计学进行各类用途次数统计,得到各类用途次数信息,与预设阈值进行判断,选取大于预设阈值的用途作为区域类别,得到第一区域类别信息;
提取所述第一区域类别信息的区别特征,得到第一区别特征信息,计算各区别特征的平均值,作为各区域类别的特征均向量,得到特征均向量信息;
计算各区别特征与特征均向量的偏差并进行转置计算,得到偏差转置矩阵,根据偏差转置矩阵计算协方差矩阵,得到协方差矩阵信息;
将目标区域划分为不同的子区域,基于马氏距离算法结合所述特征均向量信息和协方差矩阵信息计算各子区域与第一区域类别信息的马氏距离,得到各子区域马氏距离信息;
预设判断阈值,将所述各子区域马氏距离信息与判断阈值进行判断,将大于判断阈值的马氏距离对应的子区域划分至相应区域类别,并将对应的土壤环境数据合并至对应区域类别下,得到最终区域类别信息,
根据所述各子区域马氏距离信息结合土壤环境数据进行相关性分析,得到相关性分析结果信息。
3.根据权利要求1所述的一种基于资源预估的农田碳排放预测方法,其特征在于,所述根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,具体包括:
基于大数据检索获取不同土地用途不同土壤环境的土地及对应的碳排放和碳吸存数据,构成训练数据集;
基于随机森林算法构建土地碳模型,通过所述训练数据集进行土地碳模型训练,得到符合期望的土地碳模型;
将所述土地历史利用数据和所述土壤环境数据导入土地碳模型进行能力分析,将各决策树的分析结果的均值作为各区域的能力分析结果,得到能力分析结果信息;
所述能力分析结果信息包括土地碳吸存能力和土地碳排放能力。
4.根据权利要求1所述的一种基于资源预估的农田碳排放预测方法,其特征在于,所述获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息,具体包括:
根据所述农业机器使用数据获取农业机器种类信息和农业机器使用信息,通过农业机器种类信息基于大数据检索获取各种类农业机器运行信息;
所述各种类农业机器运行信息包括:各种类农业机器燃油信息、各种类农业机器使用时长信息、各种类农业机器功率信息、各种类农业机器使用数量信息;
基于各种类农业机器燃油信息获取各种类燃料碳排放因子信息,将所述各种类燃料碳排放因子信息、各种类农业机器功率信息、各种类农业机器使用时长信息和各种类农业机器使用数量信息进行相乘计算,得到农业机器总碳排放信息;
根据所述农业管理措施数据得到化肥使用信息和农药使用信息,基于所述化肥使用信息和农药使用信息获取各种类化肥碳排放因子信息和各种类农药碳排放因子信息;
计算化肥使用信息与对应化肥种类的碳排放因子的乘积,作为化肥碳排放量信息,计算农药使用信息与对应农药种类的碳排放因子的乘积,作为农药碳排放信息;
合并农业机器总碳排放信息、化肥碳排放信息和农药碳排放信息得到农业生产碳排放信息。
5.根据权利要求1所述的一种基于资源预估的农田碳排放预测方法,其特征在于,所述根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,具体包括:
获取农田环境数据,构建识别模型,将所述农田环境数据导入所述识别模型进行识别,得到目标区域的作物种类信息和植物种类信息、作物生长阶段信息和植物生长阶段信息;
基于大数据检索结合所述作物种类信息、植物种类信息、作物生长阶段信息和植物生长阶段信息获取对应的碳排放因子信息和碳吸收因子信息,得到作物碳排放因子信息、作物碳吸收因子信息、植物碳吸收因子信息和植物碳排放因子信息;
根据农田环境数据获取作物覆盖面积信息和植物覆盖面积信息;
将所述作物覆盖面积分别与所述作物碳排放因子信息和作物碳吸收因子信息相乘,得到作物碳排放量信息和作物碳吸收量信息,再将作物碳排放量信息与作物碳吸收量信息相减得到作物净碳排放信息;
将所述植物覆盖面积分别与所述植物碳排放因子信息和植物碳吸收因子信息相乘,得到植物碳排放量信息和植物碳吸收量信息,再将植物碳排放量信息与植物碳吸收量信息相减得到植物净碳排放信息;
合并所述植物净碳排放信息和作物净碳排放信息得到农田环境净碳排放信息。
6.根据权利要求1所述的一种基于资源预估的农田碳排放预测方法,其特征在于,所述构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析,具体包括:
获取土壤环境数据、农田历史碳排放数据、和目标农田区域气候数据、能力分析结果信息和农田环境净碳排放信息;
预设时间序列标准,根据所述时间序列标准将所述农田历史碳排放数据、目标农田区域气候数据和农田环境净碳排放信息按照时间顺序进行排序,得到时间序列信息;
基于灰色预测模型构建第一预测模型,通过第一预测模型提取所述时间序列信息、农田历史碳排放数据、目标农田区域气候数据、农田环境净碳排放信息的趋势项及周期项,得到趋势项和周期项的预测值,作为第一碳排放预测信息;
获取相关性分析结果信息、能力分析结果信息、最终区域类别信息、土壤环境数据、农业管理措施数据、农业生产碳排放信息和目标农田区域气候数据;
基于多元线性回归模型构建第二预测模型,通过相关性分析结果信息、能力分析结果信息、农业管理措施数据、农业生产碳排放信息、最终区域类别信息、土壤环境数据和目标农田区域气候数据进行预测分析,得到第二碳排放预测信息;
对所述第一碳排放预测信息和所述第二碳排放预测信息进行线性相加得到最终碳排放预测信息;
根据所述最终碳排放预测信息绘制碳排放趋势曲线图,根据碳排放趋势曲线图分析农田碳排放重要影响因素,得到影响因素分析信息。
7.一种基于资源预估的农田碳排放预测系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包含基于资源预估的农田碳排放预测方法程序,所述基于资源预估的农田碳排放预测方法程序被所述处理器执行时实现如下步骤:
获取目标区域的土地利用历史数据、土壤环境数据、农业管理措施数据;
进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别;
构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,得到能力分析结果信息;
获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息;
获取目标区域的农田环境数据,根据所述农田环境数据识别目标区域中植物和作物的种类和生长阶段,计算农田环境净碳排放量,得到农田环境净碳排放信息;
构建碳排放预测模型,进行碳排放预测,根据预测结果绘制碳排放趋势曲线图,进行碳排放影响因素分析。
8.根据权利要求7所述的一种基于资源预估的农田碳排放预测系统,其特征在于,所述进行区域类别划分,计算各区域类别的特征均向量和协方差矩阵,将目标区域划分为多个子区域并划分区域类别,具体包括:
获取土地利用历史数据和土壤环境数据;
对所述土壤环境数据进行标准化预处理,将不同维度的数据放缩至相同的量纲,使各特征数据具有相同的计算权重;
提取所述土壤利用历史数据中的土壤用途信息,基于统计学进行各类用途次数统计,得到各类用途次数信息,与预设阈值进行判断,选取大于预设阈值的用途作为区域类别,得到第一区域类别信息;
提取所述第一区域类别信息的区别特征,得到第一区别特征信息,计算各区别特征的平均值,作为各区域类别的特征均向量,得到特征均向量信息;
计算各区别特征与特征均向量的偏差并进行转置计算,得到偏差转置矩阵,根据偏差转置矩阵计算协方差矩阵,得到协方差矩阵信息;
将目标区域划分为不同的子区域,基于马氏距离算法结合所述特征均向量信息和协方差矩阵信息计算各子区域与第一区域类别信息的马氏距离,得到各子区域马氏距离信息;
预设判断阈值,将所述各子区域马氏距离信息与判断阈值进行判断,将大于判断阈值的马氏距离对应的子区域划分至相应区域类别,并将对应的土壤环境数据合并至对应区域类别下,得到最终区域类别信息,
根据所述各子区域马氏距离信息结合土壤环境数据进行相关性分析,得到相关性分析结果信息。
9.根据权利要求7所述的一种基于资源预估的农田碳排放预测系统,其特征在于,所述构建土地碳模型,根据所述土地利用历史数据和所述土壤环境数据分析土地碳吸存能力和土地碳排放能力,具体包括:
基于大数据检索获取不同土地用途不同土壤环境的土地及对应的碳排放和碳吸存数据,构成训练数据集;
基于随机森林算法构建土地碳模型,通过所述训练数据集进行土地碳模型训练,得到符合期望的土地碳模型;
将所述土地历史利用数据和所述土壤环境数据导入土地碳模型进行能力分析,将各决策树的分析结果的均值作为各区域的能力分析结果,得到能力分析结果信息;
所述能力分析结果信息包括土地碳吸存能力和土地碳排放能力。
10.根据权利要求7所述的一种基于资源预估的农田碳排放预测系统,其特征在于,所述获取农业机器使用数据,结合所述农业管理措施数据计算农业生产的碳排放量,得到农业生产碳排放信息,具体包括:
根据所述农业机器使用数据获取农业机器种类信息和农业机器使用信息,通过农业机器种类信息基于大数据检索获取各种类农业机器运行信息;
所述各种类农业机器运行信息包括:各种类农业机器燃油信息、各种类农业机器使用时长信息、各种类农业机器功率信息、各种类农业机器使用数量信息;
基于各种类农业机器燃油信息获取各种类燃料碳排放因子信息,将所述各种类燃料碳排放因子信息、各种类农业机器功率信息、各种类农业机器使用时长信息和各种类农业机器使用数量信息进行相乘计算,得到农业机器总碳排放信息;
根据所述农业管理措施数据得到化肥使用信息和农药使用信息,基于所述化肥使用信息和农药使用信息获取各种类化肥碳排放因子信息和各种类农药碳排放因子信息;
计算化肥使用信息与对应化肥种类的碳排放因子的乘积,作为化肥碳排放量信息,计算农药使用信息与对应农药种类的碳排放因子的乘积,作为农药碳排放信息;
合并农业机器总碳排放信息、化肥碳排放信息和农药碳排放信息得到农业生产碳排放信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038218.1A CN116777082B (zh) | 2023-08-17 | 2023-08-17 | 基于资源预估的农田碳排放预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311038218.1A CN116777082B (zh) | 2023-08-17 | 2023-08-17 | 基于资源预估的农田碳排放预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116777082A true CN116777082A (zh) | 2023-09-19 |
CN116777082B CN116777082B (zh) | 2023-10-27 |
Family
ID=87986139
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311038218.1A Active CN116777082B (zh) | 2023-08-17 | 2023-08-17 | 基于资源预估的农田碳排放预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777082B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
CN117151921A (zh) * | 2023-10-30 | 2023-12-01 | 四川生工创新科学研究有限公司成都分公司 | 种植农业碳汇计量系统及方法 |
CN117391727A (zh) * | 2023-12-07 | 2024-01-12 | 深圳碳中和生物燃气股份有限公司 | 一种负碳排放的碳中和方法及系统 |
CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114897860A (zh) * | 2022-05-26 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
CN115063253A (zh) * | 2022-06-25 | 2022-09-16 | 武汉市秀谷科技有限公司 | 一种基于碳排放量计算的农田修复监测方法及系统 |
CN115146983A (zh) * | 2022-02-24 | 2022-10-04 | 中国科学院沈阳应用生态研究所 | 一种基于村域尺度的碳核算方法、装置和设备 |
CN115797093A (zh) * | 2022-11-11 | 2023-03-14 | 苏州规划设计研究院股份有限公司 | 一种基于农业投入产出数据的农田生态系统碳汇估算方法 |
CN116523147A (zh) * | 2023-06-30 | 2023-08-01 | 广东省农业科学院植物保护研究所 | 基于无人机红外探测的农田碳排放预测方法及系统 |
-
2023
- 2023-08-17 CN CN202311038218.1A patent/CN116777082B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115146983A (zh) * | 2022-02-24 | 2022-10-04 | 中国科学院沈阳应用生态研究所 | 一种基于村域尺度的碳核算方法、装置和设备 |
CN114897860A (zh) * | 2022-05-26 | 2022-08-12 | 中国科学院地理科学与资源研究所 | 一种一氧化碳污染受土地利用影响下的推演方法及装置 |
CN115063253A (zh) * | 2022-06-25 | 2022-09-16 | 武汉市秀谷科技有限公司 | 一种基于碳排放量计算的农田修复监测方法及系统 |
CN115797093A (zh) * | 2022-11-11 | 2023-03-14 | 苏州规划设计研究院股份有限公司 | 一种基于农业投入产出数据的农田生态系统碳汇估算方法 |
CN116523147A (zh) * | 2023-06-30 | 2023-08-01 | 广东省农业科学院植物保护研究所 | 基于无人机红外探测的农田碳排放预测方法及系统 |
Non-Patent Citations (1)
Title |
---|
YING WANG 等: "Research on the Spatial-Temporal Patterns of Carbon Effects and Carbon-Emission Reduction Strategies for Farmland in China", 《SUSTAINABILITY》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117151921A (zh) * | 2023-10-30 | 2023-12-01 | 四川生工创新科学研究有限公司成都分公司 | 种植农业碳汇计量系统及方法 |
CN117151921B (zh) * | 2023-10-30 | 2024-01-23 | 四川生工创新科学研究有限公司成都分公司 | 种植农业碳汇计量系统及方法 |
CN117153291A (zh) * | 2023-10-31 | 2023-12-01 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
CN117153291B (zh) * | 2023-10-31 | 2024-01-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 一种灌区稻田碳汇价值计算方法及系统 |
CN117391727A (zh) * | 2023-12-07 | 2024-01-12 | 深圳碳中和生物燃气股份有限公司 | 一种负碳排放的碳中和方法及系统 |
CN117391727B (zh) * | 2023-12-07 | 2024-02-20 | 深圳碳中和生物燃气股份有限公司 | 一种负碳排放的碳中和方法及系统 |
CN117668497A (zh) * | 2024-01-31 | 2024-03-08 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
CN117668497B (zh) * | 2024-01-31 | 2024-05-07 | 山西卓昇环保科技有限公司 | 基于深度学习实现环境保护下的碳排放分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116777082B (zh) | 2023-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116777082B (zh) | 基于资源预估的农田碳排放预测方法及系统 | |
Pukkala et al. | A spatial yield model for optimizing the thinning regime of mixed stands of Pinus sylvestris and Picea abies | |
Sabiha et al. | Measuring environmental sustainability in agriculture: A composite environmental impact index approach | |
Dengiz et al. | Multi-criteria assessment and geostatistical approach for determination of rice growing suitability sites in Gokirmak catchment | |
Wikström et al. | Solving the stand management problem under biodiversity-related considerations | |
CN109064039B (zh) | 一种农田土壤健康评价方法 | |
Sándor et al. | Plant acclimation to temperature: developments in the pasture simulation model | |
Trasobares et al. | Optimising the management of uneven-aged Pinus sylvestris L. and Pinus nigra Arn. mixed stands in Catalonia, north-east Spain | |
Miranda et al. | Variable selection for estimating individual tree height using genetic algorithm and random forest | |
Bramley et al. | Regional scale application of the precision agriculture thought process to promote improved fertilizer management in the Australian sugar industry | |
Blanke et al. | Assessing the impact of changes in land-use intensity and climate on simulated trade-offs between crop yield and nitrogen leaching | |
CN116882562A (zh) | 一种农业碳排放影响因素分析方法及系统 | |
CN116882637B (zh) | 一种农田碳排放分析方法及系统 | |
CN117371604A (zh) | 一种基于智能感知的农业生产预测方法及系统 | |
Wijayanti et al. | Dataset Analysis and Feature Characteristics to Predict Rice Production based on eXtreme Gradient Boosting | |
Confalonieri et al. | An integrated procedure to evaluate hydrological models | |
CN115965121A (zh) | 一种基于随机森林回归的农田氮淋失预测方法 | |
CN113408895A (zh) | 基于像元尺度的生态质量指数构建方法及系统 | |
Ahmed et al. | A Machine Learning Approach for Stochastic Pattern Analysis for the Measurement of Time-Series Datasets. | |
Komolafe et al. | Predictive Modeling for Land Suitability Assessment for Cassava Cultivation | |
CN117172578B (zh) | 一种基于微生物识别的土壤生态环境修复方法及系统 | |
CN117540409B (zh) | 土壤采样样本点加密方法、装置、电子设备及存储介质 | |
Grotkiewicz | Analysis of economic and agricultural indicators under sustainable agriculture conditions with the use of Bayesian modelling | |
Davoudabadi et al. | Modelling and predicting soil carbon sequestration: is current model structure fit for purpose? | |
Oger et al. | How to better estimate bunch number at vineyard level? |
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 |