CN116992191B - 多源遥感数据驱动的森林碳汇动态监测与评估系统 - Google Patents
多源遥感数据驱动的森林碳汇动态监测与评估系统 Download PDFInfo
- Publication number
- CN116992191B CN116992191B CN202311257464.6A CN202311257464A CN116992191B CN 116992191 B CN116992191 B CN 116992191B CN 202311257464 A CN202311257464 A CN 202311257464A CN 116992191 B CN116992191 B CN 116992191B
- Authority
- CN
- China
- Prior art keywords
- tree
- forest
- carbon content
- sampling
- data
- 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
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 378
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 378
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000005070 sampling Methods 0.000 claims abstract description 140
- 238000013210 evaluation model Methods 0.000 claims abstract description 43
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000005259 measurement Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 30
- 238000012360 testing method Methods 0.000 claims description 26
- 239000013598 vector Substances 0.000 claims description 21
- 230000015654 memory Effects 0.000 claims description 16
- 238000013480 data collection Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000010191 image analysis Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 3
- 230000009919 sequestration Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011005 laboratory method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了多源遥感数据驱动的森林碳汇动态监测与评估系统，涉及森林碳汇量测算技术领域，通过收集待监测森林中不同树木类型个体的个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型，预先对待监测森林中的树木划分为若干采样森林区域，收集采样后生成的采样树木年龄数据，周期性的收集每个采样森林区域中的含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据，基于碳汇数据对森林碳汇变化状态进行评估预警；提高了碳汇量监测的便捷性、高效性和准确性。
Description
技术领域
本发明涉及森林碳汇量测算技术领域，具体是多源遥感数据驱动的森林碳汇动态监测与评估系统。
背景技术
森林碳汇是指森林生态系统在光合作用中吸收大气中的二氧化碳，并将其转化为有机物质，从而在生物体内储存一部分碳的过程。森林碳汇量的测算对于了解森林生态系统的健康状况、生态功能以及对气候变化的响应具有重要意义。随着全球气候变化的日益严重，对森林碳汇的周期性测算显得尤为关键；
而森林生态系统的健康与碳汇量紧密相关，通过对碳汇量的周期性测算能够帮助监测森林的生长状态、植被状况以及生态系统的稳定性；
林业中的碳汇量主要由树木、地下根、枯落物和土壤有机碳共同组成，其中，尤其以地上林木所占的比重最高，因此，需要一种能够测量林业中的地上林木所具有的总碳汇量的方法；
而目前对森林生态系统中的碳汇量的测算方式一般是对森林中的部分区域进行采样后，通过实验手段测算出采样的树木的碳汇量，再进一步的基于测算的结果来评估森林生态系统中树木的总碳汇量；需要消耗大量的人力物力；
申请公开号为CN116385877A的专利公开了一种大型林业碳汇计量方法，包括以下步骤：步骤一、在待检的林地利用卫星图像技术及数据库对林地图像进行更新，以获取土地利用率和林地变化信息；步骤二、以公里为单位布设单元网格形成设计方案，选取具有代表性的单元网格作为抽样点，对抽样点内的地上林木、地下根、枯落物和土壤有机碳进行统计；然而该方法对于林业中的树木的碳汇量的测算依然需要进行人工采样和实验测定；
为此，本发明提出多源遥感数据驱动的森林碳汇动态监测与评估系统。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出多源遥感数据驱动的森林碳汇动态监测与评估系统，提高了对地上林木碳汇量监测的便捷性、高效性和准确性。
为实现上述目的，根据本发明的实施例1提出多源遥感数据驱动的森林碳汇动态监测与评估系统，包括个体含碳率数据收集模块、含碳率评估模型训练模块、森林遥感数据采样模块、含碳率特征数据收集模块、森林碳汇数据统计模块以及碳汇动态预警模块；其中，各个模块之间通过电性方式连接；
个体含碳率数据收集模块，用于收集待监测森林中不同树木类型个体的个体含碳率数据；
所述收集待监测森林中不同树木类型个体的个体含碳率数据包括：
收集待监测森林中包含的所有树木类型；
收集在待监测森林中每种树木类型不同年龄的若干棵测试树木个体；可以理解的是，树木的不同年龄可以通过观察树木的年轮获得；
收集每棵测试树木个体的当前年龄的生长速度；
使用实验方法测定每棵测试树木个体的含碳率；
在一个优选的实施例中，所述收集每棵测试树木个体的当前年龄的生长速度包括：
对于每棵测试树木个体：
计算其在上一年龄段结束时的生长状态S1；所述生长状态S1的计算公式为；其中，h1和r1分别为上一年龄段结束时，测试树木个体的高度和树干直径；需要说明的是，所述年龄段可以根据每种树木的具体的生长阶段对应的树木年龄进行划分；
计算其在当前年龄段的生长年数Y，以及当前的生长状态S2；可以理解的是，当前年龄段的生长年数Y可以通过当前的年轮数量减去上一年龄段的上限年龄；
则当前年龄段的生长速度V的计算公式为；
所述个体含碳率数据包括每种树木类型的每棵测试树木个体的年龄、所属的年龄段、生长速度以及含碳率；
所述个体含碳率数据收集模块将收集的个体含碳率数据发送至含碳率评估模型训练模块；
含碳率评估模型训练模块，用于基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型；
所述训练出用于评估树木含碳率的含碳率评估模型的方式为：
将每棵测试树木个体的年龄和生长速度组合为含碳率特征向量；
将所有测试树木个体按树木类型和所属年龄段进行分组；
对于每种树木类型的每个年龄段：
将对应分组中，每棵测试树木个体的含碳率特征向量作为含碳率评估模型的输入，所述含碳率评估模型以对每组含碳率特征向量的预测的含碳率为输出，以个体含碳率数据中，收集的该测试树木个体的实际的含碳率为预测目标，以最小化所有对含碳率的预测误差之和作为训练目标；对含碳率评估模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据树木年龄和生长速度输出预测树木的含碳率的含碳率评估模型；
所述含碳率评估模型训练模块将含碳率评估模型发送至森林碳汇数据统计模块；
森林遥感数据采样模块，用于预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；
所述对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据包括：
对待监测森林进行区域划分，并将划分出的森林区域的数量标记为N；
从所有森林区域中选择M个森林区域作为采样森林区域；其中，M为预设的选择的采样森林区域的数量；
对于每个采样森林区域，获得其中每棵树的位置，并对其中所有的树木采用活体树木年龄测定方法进行年龄测定，从而获得每棵树木的年龄；
所述采样树木年龄数据包括待监测森林中，所有采样森林区域内所有树木的位置以及年龄；
所述森林遥感数据采样模块将采样树木年龄数据发送至含碳率特征数据收集模块；
含碳率特征数据收集模块，用于根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据；
所述收集每个采样森林区域中，每棵树木的含碳率特征数据包括：
对于每个采样森林区域，使用搭载图像捕获设备的无人机，收集该片区域的树木图像，并使用三维建模工具将所有树木图像重构为三维空间模型；
将采样森林区域的编号标记为m；
对于第m个采样森林区域：
使用目标识别算法识别无人机拍摄的树木图像中的每棵树木，并进一步识别每棵树木的树木类型；
再基于识别出的每棵树木在三维空间模型中的位置与采样树木年龄数据中每棵树木的位置进行匹配，获得每棵树木的初始年龄；
使用图像分析技术获得三维空间模型中每棵树木的主干直径和高度；
将第m个采样森林区域中的每棵树木根据树木类型和所属年龄段进行分组；
将树木类型的编号标记为x，将第x种树木类型划分的年龄段的编号标记为xd；
将第m个采样森林区域中，属于第xd个年龄段对应的分组中的每棵树木的编号标记为mxdi，将第mxdi棵树木的初始年龄标记为Amxdi0，将当前采集周期的编号标记为j，将采集周期时长标记为T；
计算第mxdi棵树木的当前年龄Amxdi1；所述当前年龄Amxdi1的计算公式为：；
计算第mxdi棵树木的近期生长速度Vmxdi；
所述计算第mxdi棵树木的近期生长速度Vmxdi的方式为：
根据主干直径和高度计算当前的生长状态Smxdi1；
将上一轮采集周期中根据主干直径和高度计算的生长状态标记为Smxdi0；
则近期生长速度Vmxdi的计算公式为；
将每种树木类型的每个年龄段对应的分组中，每棵树木的当前年龄、近期生长速度组合为一组含碳率特征向量；
所述含碳率特征数据包括所有采样森林区域内的所有树木的含碳率特征向量、主干直径和高度；
所述含碳率特征数据收集模块将含碳率特征数据发送至森林碳汇数据统计模块；
森林碳汇数据统计模块，用于基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据；
所述获取待监测森林的碳汇数据的方式为：
将含碳率特征数据中，第x种树木类型的第xd个年龄段对应分组中，每棵树木对应的含碳率特征向量输入至含碳率评估模型中，获得含碳率评估模型输出的对每棵树木的含碳率的预测值；将第mxdi棵树木的含碳率标记为Pmxdi；
将当前周期中，第mxdi棵树木的主干直径和高度分别标记为rmxdi和hmxdi；
基于树木的主干直径和高度，计算第mxdi棵树木的树木质量wmxdi；
计算第棵树木的树木含碳量/>；所述树木含碳量/>的计算公式为/>；
则对于第m个采样森林区域中，第x种树木类型的第xd个年龄段的年龄段总含碳量Cmxd的计算公式为：；
对于第m个采样森林区域中，第x种树木类型的树木类型总含碳量Cmx的计算公式为；
对于第m个采样森林区域中的采样总含碳量Cm的计算公式为；
对于待监测森林的森林总含碳量C的计算公式为；
所述碳汇数据包括所有树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量；
所述森林碳汇数据统计模块将碳汇数据发送至碳汇动态预警模块；
碳汇动态预警模块，用于基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警；
所述对森林碳汇变化状态进行评估预警的方式为：
预设树木预警阈值、年龄段预警阈值、树木类型预警阈值、采样预警阈值以及森林预警阈值，分别对应于周期树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量；
计算当前收集中，周期树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量与上一收集周期的对应项进行差值计算，若任意一项差值大于对应的树木预警阈值、年龄段预警阈值、树木类型预警阈值、采样预警阈值或森林预警阈值，则发送对应项的报警至森林管理人员。
根据本发明的实施例2提出多源遥感数据驱动的森林碳汇动态监测与评估方法，包括以下步骤：
收集待监测森林中不同树木类型个体的个体含碳率数据；
基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型；
预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；
根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据；
基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据；
基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警。
根据本发明的实施例3提出的一种电子设备，包括：处理器和存储器，其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的多源遥感数据驱动的森林碳汇动态监测与评估方法。
根据本发明的实施例4提出的一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的多源遥感数据驱动的森林碳汇动态监测与评估方法。
与现有技术相比，本发明的有益效果是：
本发明通过收集待监测森林中不同树木类型个体的个体含碳率数据，基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型，预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据，基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据，基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警；无需周期性的采集大量样本，在实验室进行碳汇量计算，从而提高了对地上林木的碳汇量监测的便捷性、高效性和准确性。
附图说明
图1为本发明的多源遥感数据驱动的森林碳汇动态监测与评估系统的模块连接关系图；
图2为本发明的多源遥感数据驱动的森林碳汇动态监测与评估方法的流程图；
图3为本发明实施例3中的电子设备结构示意图；
图4为本发明实施例4中的计算机可读存储介质结构示意图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，多源遥感数据驱动的森林碳汇动态监测与评估系统，包括个体含碳率数据收集模块、含碳率评估模型训练模块、森林遥感数据采样模块、含碳率特征数据收集模块、森林碳汇数据统计模块以及碳汇动态预警模块；其中，各个模块之间通过电性方式连接；
其中，所述个体含碳率数据收集模块主要用于收集待监测森林中不同树木类型个体的个体含碳率数据；
具体的，收集待监测森林中不同树木类型个体的个体含碳率数据包括：
收集待监测森林中包含的所有树木类型；
收集在待监测森林中每种树木类型不同年龄的若干棵测试树木个体；可以理解的是，树木的不同年龄可以通过观察树木的年轮获得；
收集每棵测试树木个体的当前年龄的生长速度；
使用实验方法测定每棵测试树木个体的含碳率；需要说明的是，对树木个体的含碳率进行测定可以采用湿烧法或干烧法，所述湿烧法或干烧法为本领域常规技术手段，本发明在此不再赘述；可以理解的是，湿烧法或干烧法均为实验室使用的方法，无法进行大规模森林的快速含碳率的评估；
在一个优选的实施例中，所述收集每棵测试树木个体的当前年龄的生长速度包括：
对于每棵测试树木个体：
计算其在上一年龄段结束时的生长状态S1；所述生长状态S1的计算公式为；其中，h1和r1分别为上一年龄段结束时，测试树木个体的高度和树干直径；需要说明的是，所述年龄段可以根据每种树木的具体的生长阶段对应的树木年龄进行划分；
计算其在当前年龄段的生长年数Y，以及当前的生长状态S2；可以理解的是，当前年龄段的生长年数Y可以通过当前的年轮数量减去上一年龄段的上限年龄；
则当前年龄段的生长速度V的计算公式为；
所述个体含碳率数据包括每种树木类型的每棵测试树木个体的年龄、所属的年龄段、生长速度以及含碳率；
所述个体含碳率数据收集模块将收集的个体含碳率数据发送至含碳率评估模型训练模块；
其中，所述含碳率评估模型训练模块主要用于基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型；
在一个优选的实施例中，所述训练出用于评估树木含碳率的含碳率评估模型的方式为：
将每棵测试树木个体的年龄和生长速度组合为含碳率特征向量；需要说明的是，年龄越大的树木一般积累了更多的碳，而生长较快的植物通常会在较短的时间内吸收更多的二氧化碳，并将其固定在生物体中，从而具有较高的碳密度；
将所有测试树木个体按树木类型和所属年龄段进行分组；
对于每种树木类型的每个年龄段：
将对应分组中，每棵测试树木个体的含碳率特征向量作为含碳率评估模型的输入，所述含碳率评估模型以对每组含碳率特征向量的预测的含碳率为输出，以个体含碳率数据中，收集的该测试树木个体的实际的含碳率为预测目标，以最小化所有对含碳率的预测误差之和作为训练目标；对含碳率评估模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据树木年龄和生长速度输出预测树木的含碳率的含碳率评估模型；所述含碳率评估模型是多项式回归模型或SVR模型中的任意一个；
作为一个优选的示例，当所述含碳率评估模型是多项式回归模型时，可以采用如下步骤进行训练：
数据预处理；所述数据预处理包括对个体含碳率数据进行数据清洗缺失值处理、异常值处理等；
选择多项式回归作为模型；多项式回归模型通过引入多项式特征来拟合非线性关系，模型的形式通常为；其中，为目标值（预测的含碳率），/>为输入向量，/>为多项式的阶数；/>、/>为多项式系数；
使用个体含碳率数据来拟合多项式回归模型；通过梯度下降算法调整多项式系数，以寻找最佳的多项式系数，使模型输出的预测的含碳率能够最好地拟合实际的含碳率，获得更优的预测误差之和；
超参数调整；如果模型性能不佳，尝试使用不同的多项式阶数或正则化方法来改进模型，例如进行超参数调整；
所述含碳率评估模型训练模块将含碳率评估模型发送至森林碳汇数据统计模块；
其中，所述森林遥感数据采样模块主要用于预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；
在一个优选的实施例中，所述对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据包括：
对待监测森林进行区域划分，并将划分出的森林区域的数量标记为N；
从所有森林区域中选择M个森林区域作为采样森林区域；其中，M为预设的选择的采样森林区域的数量；需要说明的是，森林区域划分的标准以及采样森林区域的数量根据森林的实际大小以及实际地形地貌等进行设定；
对于每个采样森林区域，获得其中每棵树的位置，并对其中所有的树木采用活体树木年龄测定方法进行年龄测定，从而获得每棵树木的年龄；
在一个优选的实施例中，所述活体树木年轮测定方法可以是收集树木的横截面的图像，并对图像进行图像分析获得年轮；
在另一个优选的实施例中，所述活体树木年轮测定方法还可以是生物锥法；
所述采样树木年龄数据包括待监测森林中，所有采样森林区域内所有树木的位置以及年龄；
所述森林遥感数据采样模块将采样树木年龄数据发送至含碳率特征数据收集模块；
其中，所述含碳率特征数据收集模块主要用于根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据；
可以理解的是，周期性地采样所使用的采集周期时长根据待监测森林的实际碳汇监测需求而确定，具体的，可以是一年为单位、以月为单位等；
具体的，所述收集每个采样森林区域中，每棵树木的含碳率特征数据包括：
对于每个采样森林区域，使用搭载图像捕获设备的无人机，收集该片区域的树木图像，并使用三维建模工具将所有树木图像重构为三维空间模型；可以理解的是，所述三维建模工具包括但不限于GIS三维建模技术、Pix4D等；
将采样森林区域的编号标记为m；
对于第m个采样森林区域：
使用目标识别算法识别无人机拍摄的树木图像中的每棵树木，并进一步识别每棵树木的树木类型；
再基于识别出的每棵树木在三维空间模型中的位置与采样树木年龄数据中每棵树木的位置进行匹配，获得每棵树木的初始年龄；可以理解的是，所述初始年龄是指每棵树木在进行碳汇监测的第一轮采集周期开始时的年龄，也即森林遥感数据采样模块预先测算出的年龄，随着采集周期的延长，树木的年龄也在增长；
使用图像分析技术获得三维空间模型中每棵树木的主干直径和高度；
将第m个采样森林区域中的每棵树木根据树木类型和所属年龄段进行分组；
将树木类型的编号标记为x，将第x种树木类型划分的年龄段的编号标记为xd；
将第m个采样森林区域中，属于第xd个年龄段对应的分组中的每棵树木的编号标记为mxdi，将第mxdi棵树木的初始年龄标记为Amxdi0，将当前采集周期的编号标记为j，将采集周期时长标记为T；需要说明的是，采集周期时长T是以年作为单位的，用于对应年龄的单位；
计算第mxdi棵树木的当前年龄Amxdi1；所述当前年龄Amxdi1的计算公式为：；
计算第mxdi棵树木的近期生长速度Vmxdi；
优选的，计算第mxdi棵树木的近期生长速度Vmxdi的方式为：
根据主干直径和高度计算当前的生长状态Smxdi1；
将上一轮采集周期中根据主干直径和高度计算的生长状态标记为Smxdi0；
则近期生长速度Vmxdi的计算公式为；可以理解的是，由于树木每个年龄段的时间跨度较长，因此，即使当前采集周期与上一采集周期不处于同一个年龄段，但依然可以通过近期生长速度Vmxdi来近似出在当前的年龄段的生长速度；
将每种树木类型的每个年龄段对应的分组中，每棵树木的当前年龄以及近期生长速度组合为一组含碳率特征向量；
所述含碳率特征数据包括所有采样森林区域内的所有树木的含碳率特征向量、主干直径和高度；
所述含碳率特征数据收集模块将含碳率特征数据发送至森林碳汇数据统计模块；
其中，所述森林碳汇数据统计模块主要用于基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据；
具体的，所述获取待监测森林的碳汇数据的方式为：
将含碳率特征数据中，第x种树木类型的第xd个年龄段对应分组中，每棵树木对应的含碳率特征向量输入至含碳率评估模型中，获得含碳率评估模型输出的对每棵树木的含碳率的预测值；将第mxdi棵树木的含碳率标记为Pmxdi；
将当前周期中，第mxdi棵树木的主干直径和高度分别标记为rmxdi和hmxdi；
基于树木的主干直径和高度，计算第mxdi棵树木的树木质量wmxdi；需要说明的是，所述树木质量wmxdi的计算公式可以为；其中，e1、e2和e3分别为预设的比例系数；可以理解的是，/>衡量的是树木的质量，其乘以含碳率即可视为该树木的含碳量，因此，e1、e2和e3具体的值根据不同的树木类型的单位密度且与待监测森林的实际环境确定；
计算第棵树木的树木含碳量/>；所述树木含碳量/>的计算公式为；
则对于第m个采样森林区域中，第x种树木类型的第xd个年龄段的年龄段总含碳量Cmxd的计算公式为：；
对于第m个采样森林区域中，第x种树木类型的树木类型总含碳量Cmx的计算公式为；
对于第m个采样森林区域中的采样总含碳量Cm的计算公式为；
对于待监测森林的森林总含碳量C的计算公式为；可以理解的是，为采样森林区域的采样总含碳量的平均值，则/>表示待监测森林的所有森林区域中含碳量的总量；
所述碳汇数据包括所有树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量；
所述森林碳汇数据统计模块将碳汇数据发送至碳汇动态预警模块；
其中，所述碳汇动态预警模块主要用于基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警；
优选的，所述对森林碳汇变化状态进行评估预警的方式可以为：
预设树木预警阈值、年龄段预警阈值、树木类型预警阈值、采样预警阈值以及森林预警阈值，分别对应于周期树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量；
计算当前收集中，周期树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量与上一收集周期的对应项进行差值计算，若任意一项差值大于对应的树木预警阈值、年龄段预警阈值、树木类型预警阈值、采样预警阈值或森林预警阈值，则发送对应项的报警至森林管理人员；实现了对森林碳汇量的多层次、多维度的全面的评估和预警，满足对碳汇量监测的多方面的需求，保证了森林碳汇量储备的安全性。
实施例2
如图2所示，多源遥感数据驱动的森林碳汇动态监测与评估方法，包括以下步骤：
收集待监测森林中不同树木类型个体的个体含碳率数据；
基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型；
预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；
根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据；
基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据；
基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警。
实施例3
图3是本申请一个实施例提供的电子设备结构示意图。如图3所示，根据本申请的又一方面还提供了一种电子设备100。该电子设备100可包括一个或多个处理器以及一个或多个存储器。其中，存储器中存储有计算机可读代码，计算机可读代码当由一个或多个处理器运行时，可以执行如上所述的多源遥感数据驱动的森林碳汇动态监测与评估方法实现。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示，电子设备100可包括总线101、一个或多个CPU102、只读存储器(ROM)103、随机存取存储器(RAM)104、连接到网络的通信端口105、输入/输出组件106、硬盘107等。电子设备100中的存储设备，例如ROM103或硬盘107可存储本申请提供的多源遥感数据驱动的森林碳汇动态监测与评估方法实现。多源遥感数据驱动的森林碳汇动态监测与评估方法实现可例如包括以下步骤：收集待监测森林中不同树木类型个体的个体含碳率数据；基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型；预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据；基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据；基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警。
进一步地，电子设备100还可包括用户界面108。当然，图3所示的架构只是示例性的，在实现不同的设备时，根据实际需要，可以省略图3示出的电子设备中的一个或多个组件。
实施例4
图4是本申请一个实施例提供的计算机可读存储介质结构示意图。如图4所示，是根据本申请一个实施方式的计算机可读存储介质200。计算机可读存储介质200上存储有计算机可读指令。当计算机可读指令由处理器运行时，可执行参照以上附图描述的根据本申请实施方式的多源遥感数据驱动的森林碳汇动态监测与评估方法实现。计算机可读存储介质200包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外，根据本申请的实施方式，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本申请提供了一种非暂时性机器可读存储介质，所述非暂时性机器可读存储介质存储有机器可读指令，所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令，在该计算机程序被中央处理单元(CPU)执行时，执行本申请的方法中限定的上述功能。
可能以许多方式来实现本申请的方法和装置、设备。例如，可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和装置、设备。用于方法的步骤的上述顺序仅是为了进行说明，本申请的方法的步骤不限于以上具体描述的顺序，除非以其它方式特别说明。此外，在一些实施例中，还可将本申请实施为记录在记录介质中的程序，这些程序包括用于实现根据本申请的方法的机器可读指令。因而，本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
另外，本申请的实施方式中提供的上述技术方案中与现有技术中对应技术方案实现原理一致的部分并未详细说明，以免过多赘述。
如上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明。应理解的是，以上所述仅为本发明的具体实施方式，并不用于限制本发明。凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等均应包含在本发明的保护范围之内。
以上的预设的参数或预设的阈值均由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (7)
1.多源遥感数据驱动的森林碳汇动态监测与评估系统，其特征在于，包括个体含碳率数据收集模块、含碳率评估模型训练模块、森林遥感数据采样模块、含碳率特征数据收集模块、森林碳汇数据统计模块以及碳汇动态预警模块；其中，各个模块之间通过电性方式连接；
个体含碳率数据收集模块，用于收集待监测森林中不同树木类型个体的个体含碳率数据，并将收集的个体含碳率数据发送至含碳率评估模型训练模块；
含碳率评估模型训练模块，用于基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型，并将含碳率评估模型发送至森林碳汇数据统计模块；
森林遥感数据采样模块，用于预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据，并将采样树木年龄数据发送至含碳率特征数据收集模块；
含碳率特征数据收集模块，用于根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据，并将含碳率特征数据发送至森林碳汇数据统计模块；
森林碳汇数据统计模块，用于基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据，并将碳汇数据发送至碳汇动态预警模块；
碳汇动态预警模块，用于基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警；
所述对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据包括：
对待监测森林进行区域划分，并将划分出的森林区域的数量标记为N；
从所有森林区域中选择M个森林区域作为采样森林区域；其中，M为预设的选择的采样森林区域的数量；
对于每个采样森林区域，获得其中每棵树的位置，并对其中所有的树木采用活体树木年龄测定方法进行年龄测定，从而获得每棵树木的年龄；
所述采样树木年龄数据包括待监测森林中，所有采样森林区域内所有树木的位置以及年龄；
所述收集每个采样森林区域中的含碳率特征数据包括：
对于每个采样森林区域，使用搭载图像捕获设备的无人机，收集该片区域的树木图像，并使用三维建模工具将所有树木图像重构为三维空间模型；
将采样森林区域的编号标记为m；
对于第m个采样森林区域，收集其中每棵树木的含碳率特征向量、主干直径和高度：
所述含碳率特征数据包括所有采样森林区域内的所有树木的含碳率特征向量、主干直径和高度；
所述对于第m个采样森林区域，收集其中每棵树木的含碳率特征向量、主干直径和高度的方式为：
使用目标识别算法识别无人机拍摄的树木图像中的每棵树木，并进一步识别每棵树木的树木类型；
再基于识别出的每棵树木在三维空间模型中的位置与采样树木年龄数据中每棵树木的位置进行匹配，获得每棵树木的初始年龄；
使用图像分析技术获得三维空间模型中每棵树木的主干直径和高度；
将第m个采样森林区域中的每棵树木根据树木类型和所属年龄段进行分组；
将树木类型的编号标记为x，将第x种树木类型划分的年龄段的编号标记为xd；
将第m个采样森林区域中，属于第xd个年龄段对应的分组中的每棵树木的编号标记为mxdi，将第mxdi棵树木的初始年龄标记为Amxdi0，将当前采集周期的编号标记为j，将采集周期时长标记为T；
计算第mxdi棵树木的当前年龄Amxdi1；所述当前年龄Amxdi1的计算公式为：；
计算第mxdi棵树木的近期生长速度Vmxdi；
将每种树木类型的每个年龄段对应的分组中，每棵树木的当前年龄、近期生长速度组合为一组含碳率特征向量；
所述计算第mxdi棵树木的近期生长速度Vmxdi的方式为：
根据主干直径和高度计算当前的生长状态Smxdi1；
将上一轮采集周期中根据主干直径和高度计算的生长状态标记为Smxdi0；
则近期生长速度Vmxdi的计算公式为；
所述获取待监测森林的碳汇数据的方式为：
将含碳率特征数据中，第x种树木类型的第xd个年龄段对应分组中，每棵树木对应的含碳率特征向量输入至含碳率评估模型中，获得含碳率评估模型输出的对每棵树木的含碳率的预测值；将第mxdi棵树木的含碳率标记为Pmxdi；
将当前周期中，第mxdi棵树木的主干直径和高度分别标记为rmxdi和hmxdi；
基于树木的主干直径和高度，计算第mxdi棵树木的树木质量wmxdi；
计算第棵树木的树木含碳量/>；所述树木含碳量/>的计算公式为；
则对于第m个采样森林区域中，第x种树木类型的第xd个年龄段的年龄段总含碳量Cmxd的计算公式为：；
对于第m个采样森林区域中，第x种树木类型的树木类型总含碳量Cmx的计算公式为；
对于第m个采样森林区域中的采样总含碳量Cm的计算公式为；
对于待监测森林的森林总含碳量C的计算公式为；
所述碳汇数据包括所有树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量。
2.根据权利要求1所述的多源遥感数据驱动的森林碳汇动态监测与评估系统，其特征在于，所述收集待监测森林中不同树木类型个体的个体含碳率数据包括：
收集待监测森林中包含的所有树木类型；
收集在待监测森林中每种树木类型不同年龄的若干棵测试树木个体；
收集每棵测试树木个体的当前年龄的生长速度；
使用实验方法测定每棵测试树木个体的含碳率；
所述个体含碳率数据包括每种树木类型的每棵测试树木个体的年龄、所属的年龄段、生长速度以及含碳率。
3.根据权利要求2所述的多源遥感数据驱动的森林碳汇动态监测与评估系统，其特征在于，所述训练出用于评估树木含碳率的含碳率评估模型的方式为：
将每棵测试树木个体的年龄和生长速度组合为含碳率特征向量；
将所有测试树木个体按树木类型和所属年龄段进行分组；
对于每种树木类型的每个年龄段：
将对应分组中，每棵测试树木个体的含碳率特征向量作为含碳率评估模型的输入，所述含碳率评估模型以对每组含碳率特征向量的预测的含碳率为输出，以个体含碳率数据中，收集的该测试树木个体的实际的含碳率为预测目标，以最小化所有对含碳率的预测误差之和作为训练目标；对含碳率评估模型进行训练，直至预测误差之和达到收敛时停止训练，训练出根据树木年龄和生长速度输出预测树木的含碳率的含碳率评估模型。
4.根据权利要求3所述的多源遥感数据驱动的森林碳汇动态监测与评估系统，其特征在于，所述对森林碳汇变化状态进行评估预警的方式为：
预设树木预警阈值、年龄段预警阈值、树木类型预警阈值、采样预警阈值以及森林预警阈值，分别对应于周期树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量；
计算当前收集中，周期树木含碳量、年龄段总含碳量、树木类型总含碳量、采样总含碳量以及森林总含碳量与上一收集周期的对应项进行差值计算，若任意一项差值大于对应的树木预警阈值、年龄段预警阈值、树木类型预警阈值、采样预警阈值或森林预警阈值，则发送对应项的报警至森林管理人员。
5.多源遥感数据驱动的森林碳汇动态监测与评估方法，其基于权利要求1-4任意一项所述的多源遥感数据驱动的森林碳汇动态监测与评估系统实现，其特征在于，包括以下步骤：
收集待监测森林中不同树木类型个体的个体含碳率数据；
基于个体含碳率数据，为每种树木类型在每个年龄段，训练出用于评估树木含碳率的含碳率评估模型；
预先对待监测森林中的树木划分为若干采样森林区域，并进行采样，收集采样后生成的采样树木年龄数据；
根据预设的采集周期时长，周期性的收集每个采样森林区域中的含碳率特征数据；
基于含碳率特征数据，在每个采集周期，获取待监测森林的碳汇数据；
基于当前收集周期的碳汇数据与上一轮收集周期的碳汇数据的对比，对森林碳汇变化状态进行评估预警。
6.一种电子设备，其特征在于，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，在后台中执行权利要求5所述多源遥感数据驱动的森林碳汇动态监测与评估方法。
7.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行在后台中执行权利要求5所述多源遥感数据驱动的森林碳汇动态监测与评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311257464.6A CN116992191B (zh) | 2023-09-27 | 2023-09-27 | 多源遥感数据驱动的森林碳汇动态监测与评估系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311257464.6A CN116992191B (zh) | 2023-09-27 | 2023-09-27 | 多源遥感数据驱动的森林碳汇动态监测与评估系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116992191A CN116992191A (zh) | 2023-11-03 |
| CN116992191B true CN116992191B (zh) | 2023-12-08 |
Family
ID=88525233
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311257464.6A Active CN116992191B (zh) | 2023-09-27 | 2023-09-27 | 多源遥感数据驱动的森林碳汇动态监测与评估系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116992191B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117789045B (zh) * | 2023-11-07 | 2024-06-25 | 国网宁夏电力有限公司电力科学研究院 | 一种构建科学的碳汇模型的碳汇监测方法、系统及装置 |
| CN117633552B (zh) * | 2023-12-11 | 2024-06-04 | 中国石油大学(北京) | 二氧化碳源汇匹配方法、装置、介质及设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105319322A (zh) * | 2014-07-22 | 2016-02-10 | 上海高家庄园农业发展有限公司 | 一种森林碳汇量的检测方法 |
| KR20200022262A (ko) * | 2018-08-22 | 2020-03-03 | 고려대학교 산학협력단 | 국가 산림탄소 인벤토리를 위한 산림탄소를 모델링하는 방법 |
| CN111340644A (zh) * | 2020-04-11 | 2020-06-26 | 黑龙江省林业科学院 | 基于碳储量分布状态分析小兴安岭针阔混交林碳汇结构的方法 |
| CN114354437A (zh) * | 2022-01-12 | 2022-04-15 | 北京环球森林科技有限公司 | 一种树木枝叶及枯落物的含水率测定方法 |
| CN114463403A (zh) * | 2021-12-29 | 2022-05-10 | 江苏集萃未来城市应用技术研究所有限公司 | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 |
| CN114563402A (zh) * | 2022-02-21 | 2022-05-31 | 国家林业和草原局华东调查规划院 | 一种林业碳汇测算和计量方法 |
| 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 |
| CN115170341A (zh) * | 2022-06-21 | 2022-10-11 | 江苏集萃未来城市应用技术研究所有限公司 | 利用激光雷达修正小微样的林业资源碳汇精准测算方法 |
| CN115219629A (zh) * | 2022-07-19 | 2022-10-21 | 杭州万林数链科技服务有限公司 | 基于红外气相色谱监测的林业资产碳汇储量评估方法 |
| CN115545254A (zh) * | 2021-06-30 | 2022-12-30 | 久瓴(上海)智能科技有限公司 | 预测植被固碳释氧量的方法、系统、设备及存储介质 |
| CN115712995A (zh) * | 2022-11-08 | 2023-02-24 | 福智生(北京)科技有限公司 | 一种人工林碳汇计算方法、装置、设备及存储介质 |
| CN115908540A (zh) * | 2022-11-17 | 2023-04-04 | 熵律科技(北京)有限责任公司 | 一种基于树木生长轮廓的森林碳汇量检测方法 |
| CN116070080A (zh) * | 2023-03-06 | 2023-05-05 | 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) | 一种森林碳储量与碳汇价值监测系统及动态评估方法 |
| CN116385877A (zh) * | 2023-03-30 | 2023-07-04 | 福建省中森碳投科技有限责任公司 | 一种大型林业碳汇计量方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20220374912A1 (en) * | 2021-05-16 | 2022-11-24 | Ning Zeng | Method and system for wood harvest and storage, carbon sequestration and carbon management |
-
2023
- 2023-09-27 CN CN202311257464.6A patent/CN116992191B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105319322A (zh) * | 2014-07-22 | 2016-02-10 | 上海高家庄园农业发展有限公司 | 一种森林碳汇量的检测方法 |
| KR20200022262A (ko) * | 2018-08-22 | 2020-03-03 | 고려대학교 산학협력단 | 국가 산림탄소 인벤토리를 위한 산림탄소를 모델링하는 방법 |
| CN111340644A (zh) * | 2020-04-11 | 2020-06-26 | 黑龙江省林业科学院 | 基于碳储量分布状态分析小兴安岭针阔混交林碳汇结构的方法 |
| CN115545254A (zh) * | 2021-06-30 | 2022-12-30 | 久瓴(上海)智能科技有限公司 | 预测植被固碳释氧量的方法、系统、设备及存储介质 |
| CN114463403A (zh) * | 2021-12-29 | 2022-05-10 | 江苏集萃未来城市应用技术研究所有限公司 | 一种基于点云数据和图像识别技术的树木碳汇量计算方法 |
| CN114354437A (zh) * | 2022-01-12 | 2022-04-15 | 北京环球森林科技有限公司 | 一种树木枝叶及枯落物的含水率测定方法 |
| CN114563402A (zh) * | 2022-02-21 | 2022-05-31 | 国家林业和草原局华东调查规划院 | 一种林业碳汇测算和计量方法 |
| 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 |
| CN115170341A (zh) * | 2022-06-21 | 2022-10-11 | 江苏集萃未来城市应用技术研究所有限公司 | 利用激光雷达修正小微样的林业资源碳汇精准测算方法 |
| CN115219629A (zh) * | 2022-07-19 | 2022-10-21 | 杭州万林数链科技服务有限公司 | 基于红外气相色谱监测的林业资产碳汇储量评估方法 |
| CN115712995A (zh) * | 2022-11-08 | 2023-02-24 | 福智生(北京)科技有限公司 | 一种人工林碳汇计算方法、装置、设备及存储介质 |
| CN115908540A (zh) * | 2022-11-17 | 2023-04-04 | 熵律科技(北京)有限责任公司 | 一种基于树木生长轮廓的森林碳汇量检测方法 |
| CN116070080A (zh) * | 2023-03-06 | 2023-05-05 | 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) | 一种森林碳储量与碳汇价值监测系统及动态评估方法 |
| CN116385877A (zh) * | 2023-03-30 | 2023-07-04 | 福建省中森碳投科技有限责任公司 | 一种大型林业碳汇计量方法 |
Non-Patent Citations (6)
| Title |
|---|
| 国外森林地上部分碳汇遥感监测方法综述;黄从红;张志永;张文娟;杨军;;世界林业研究(06);22-28 * |
| 基于碳密度-林龄关系的黑龙江省森林碳汇潜力预测;任继勤;夏景阳;;环境科学研究(04);65-71 * |
| 山西林业碳汇计量方法研究;郭晓燕;;山西林业(04);24-25 * |
| 广东省桉树碳储量和碳汇价值估算;侯学会;牛铮;黄妮;高帅;;东北林业大学学报(08);15-19 * |
| 新疆森林植被碳储量预测研究;陈治中;生态环境学报;226-234 * |
| 某区域云南松碳汇遥感估算方法研究;高仲亮;周汝良;邓忠坚;颉鹏;;内蒙古林业调查设计(04);93-96 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116992191A (zh) | 2023-11-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116992191B (zh) | 多源遥感数据驱动的森林碳汇动态监测与评估系统 | |
| Addo-Danso et al. | Methods for estimating root biomass and production in forest and woodland ecosystem carbon studies: A review | |
| Cola et al. | Description and testing of a weather-based model for predicting phenology, canopy development and source–sink balance in Vitis vinifera L. cv. Barbera | |
| Verbesselt et al. | Forecasting tree mortality using change metrics derived from MODIS satellite data | |
| Zhang et al. | Prototype for monitoring and forecasting fall foliage coloration in real time from satellite data | |
| CN115700370A (zh) | 碳储量计算方法、装置、电子设备和存储介质 | |
| Hernández-Barrera et al. | Wheat yield in Spain and associated solar radiation patterns | |
| Winberg et al. | Branch information extraction from Norway spruce using handheld laser scanning point clouds in Nordic forests | |
| Popescu et al. | Estimation of biomass components by airborne laser scanning | |
| CN111223002B (zh) | 一种玉米区域干物质产量或青储产量评估方法和系统 | |
| Francini et al. | A temporal segmentation approach for dendrometers signal-to-noise discrimination | |
| CN116385877A (zh) | 一种大型林业碳汇计量方法 | |
| AU2021104683A4 (en) | Smart Tree Health Assessment (THA) model using advanced computer vision techniques and machine learning | |
| CN116108990A (zh) | 一种基于叶下边界层湿度的葡萄霜霉病预测方法 | |
| Li et al. | Developing a USLE cover and management factor (C) for forested regions of southern China | |
| Larekeng et al. | An assessment of high carbon stock and high conservation value approaches in mining area | |
| CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
| Cerrillo et al. | Growth decline assessment in Pinus sylvestris L. and Pinus nigra Arnold. forest by using 3-PG model. | |
| Nguyen et al. | Estimate Forest Biomass Dynamics Using Multi-Temporal Lidar And Single-Date Inventory Data | |
| De Assis Barros | Assessing Set Aside Old-Growth Forests with Airborne LiDAR Metrics | |
| KR102668770B1 (ko) | 산림 바이오매스 측정 장치 및 방법 | |
| Rodrigues et al. | PhenoSat–a tool for remote sensing based analysis of vegetation dynamics | |
| Teng et al. | Monitoring the dynamic changes in vegetation cover and driving factors from 2000 to 2020 in the Maoershan Forest Farm region, China, using satellite remote sensing data | |
| CN117216725A (zh) | 基于遥感的小样本可迁移桉树碳储量估算方法 | |
| Mao et al. | Extraction of forest disturbance parameters and estimation of forest height based on long time-series Landsat |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240326 Address after: 710018, 1805, 18th Floor, Block C, Saigao Plaza, No. 55 Fengcheng 7th Road, Xi'an Economic and Technological Development Zone, Shaanxi Province Patentee after: Xi'an Zhongcarbon Carbon Resources Development Co.,Ltd. Country or region after: China Address before: No. 06A, 25th Floor, Block C, Saigao Plaza, No. 55 Fengcheng Seventh Road, Xi'an Economic and Technological Development Zone, Shaanxi Province, 710018 Patentee before: Xi'an China Carbon Environmental Technology Co.,Ltd. Country or region before: China |