CN117114194B - 碳汇量确定、碳汇效益优化的方法、装置及相关设备 - Google Patents
碳汇量确定、碳汇效益优化的方法、装置及相关设备 Download PDFInfo
- Publication number
- CN117114194B CN117114194B CN202311109551.7A CN202311109551A CN117114194B CN 117114194 B CN117114194 B CN 117114194B CN 202311109551 A CN202311109551 A CN 202311109551A CN 117114194 B CN117114194 B CN 117114194B
- Authority
- CN
- China
- Prior art keywords
- carbon sink
- data
- point cloud
- determining
- sample
- 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 289
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 289
- 230000008901 benefit Effects 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 100
- 241000196324 Embryophyta Species 0.000 claims abstract description 148
- 238000005457 optimization Methods 0.000 claims abstract description 71
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000005070 sampling Methods 0.000 claims description 97
- 238000004458 analytical method Methods 0.000 claims description 61
- 238000007637 random forest analysis Methods 0.000 claims description 28
- 230000008569 process Effects 0.000 claims description 17
- 210000000481 breast Anatomy 0.000 claims description 12
- 230000009919 sequestration Effects 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 7
- 239000002023 wood Substances 0.000 claims description 7
- 239000002028 Biomass Substances 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 210000000038 chest Anatomy 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 4
- 230000005855 radiation Effects 0.000 claims description 4
- 238000011160 research Methods 0.000 claims description 4
- 238000013524 data verification Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims 1
- 238000001303 quality assessment method Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 abstract description 10
- 238000011835 investigation Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 230000006872 improvement Effects 0.000 description 10
- 244000025254 Cannabis sativa Species 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 239000000203 mixture Substances 0.000 description 4
- 241001464837 Viridiplantae Species 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000012620 biological material Substances 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000005431 greenhouse gas Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- CSJDCSCTVDEHRN-UHFFFAOYSA-N methane;molecular oxygen Chemical compound C.O=O CSJDCSCTVDEHRN-UHFFFAOYSA-N 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 229920001296 polysiloxane Polymers 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000010979 ruby Substances 0.000 description 1
- 229910001750 ruby Inorganic materials 0.000 description 1
- 229910021647 smectite Inorganic materials 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000010792 warming Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种碳汇量确定、碳汇效益优化方法、装置及相关设备,通过对待评估区域科学合理的选样,构建不同类型绿地植物群落样方的三维点云模型,结合确定的样方的植物群落的碳汇量,实现对待评估区域碳汇量的精准测算。将待优化区域作为待评估区域,通过构建待优化区域绿地样方植物群落的三维点云模型,提取影响碳汇效益的结构特征参数集,并结合样方的碳汇量和特征参数集,确定影响碳汇效益的关键特征因子,选取对植物群落碳汇效益影像较大的关键特征因子,对待优化区域进行碳汇效益的优化。这种植物群落碳汇量确定和碳汇效益优化方法,无需花费大量的人力和时间进行在大尺度空间下的实地调研与监测,效率高、实施成本低且结果准确性较高。
Description
技术领域
本申请涉及碳排放技术领域,尤其涉及一种碳汇量确定、碳汇效益优化的方法、装置及相关设备。
背景技术
快速城市化进程中,城市人口与经济活动强度急剧上升,温室气体排放量逐年增加引发的温室效应正成为全球关注的问题之一。而陆地植被的碳汇效益是减缓全球变暖的核心要素。城市绿地作为城市唯一的直接碳汇途径,在维持碳氧平衡和生态系统稳定等方面作用显著。如何利用有限的城市绿地空间,最大限度地发挥绿地碳汇效益,已成为各大城市推动实现碳中和目标的重要课题。然而,城市绿地的植被群落在物种组成、空间结构、植被状况等生物物理特性所导致的环境效益差异性,使得植物作为生物材料在不同区域和时间上所展现的异质性较大,进而使得不同环境下绿地植被的碳汇效益存在较大的误差。而传统的绿地碳汇评估,需要采用精细化方法对当地的绿地植物落碳汇量进行大量实证研究,精准评估不同绿地植物群落的碳汇量。即使如此也难以对大尺度城市绿地开展碳汇效益精准评价与优化;同时,高碳汇植物群落设计与实地建设的落地性,要求从不同植物群落结构方面全面构建与碳汇效益最为相关的特征参数集与效益最优解,克服非线性响应关系的相互作用、多重因果和滞后效应。有鉴于此,如何精准评估绿地植物群落的碳汇量,并成本低且准确性高的对大尺度绿地进行碳汇效益优化,就成为当前亟待解决的技术问题。
发明内容
有鉴于此,本申请实施例提供一种碳汇量确定方法、碳汇效益优化方法、装置及相关设备,以至少部分解决上述问题。
第一方面,本申请实施例提供一种碳汇量确定方法,包括:
对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果;
根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;
根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的植物群落的三维点云模型;
基于所述三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量;
根据所述三维点云模型与所述待评估区域的绿地植被类型之间对应关系,以及所述样方植物群落的碳汇量,确定所述待评估区域绿地植被整体碳汇量。
第二方面,基于本申请第一方面所述的碳汇量确定方法,本申请实施例还提供一种碳汇效益优化方法,包括:
将待优化区域作为待评估区域,基于本申请第一方面所述的任意一种碳汇量确定方法,确定不同绿地类型样方的植物群落的三维点云模型和碳汇量;
根据所述不同绿地类型样方的植物群落的三维点云模型,确定绿地植被特征参数体系的集合数据;
基于所述绿地植被特征参数体系的集合数据和样方植物群落的碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,所述碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数;
根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化。
第三方面,本申请实施例还提供一种碳汇量确定装置,包括:
分析模块,用于对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果;
选样模块,用于根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;
构建模块,用于根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的植物群落的三维点云模型;
计算模块,用于基于所述三维点云模型,确定所述不同绿地类型样方的植物群落碳汇量;
确定模块,用于根据所述三维点云模型与所述待评估区域的绿地植被类型之间对应关系,以及所述样方植物群落的碳汇量,确定所述待评估区域绿地植被整体碳汇量。
第四方面,本申请实施例还提供一种碳汇效益优化装置,包括:
评估模块,用于将待优化区域作为待评估区域,基于本申请第一方面所述的任意一种碳汇量确定方法,确定所述待优化区域中不同绿地类型样方的植物群落的三维点云模型和碳汇量;
提取模块,用于根据所述不同绿地类型样方的植物群落的三维点云模型,确定绿地植被特征参数体系的集合数据;
计算模块,用于基于所述绿地植被特征参数体系的集合数据和不同绿地类型样方的植物群落的碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,所述碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数;
优化模块,用于根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化。
第五方面,本申请实施例还提供一种计算机存储介质,所述计算机存储介质上存储有计算机可执行指令,所述计算机可执行指令被执行时执行如本申请第一方面任意一项所述的碳汇量确定方法,和/或,执行如本申请第二方面中任意一项所述的碳汇效益优化方法。
第六方面,本申请实施例还提供一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本申请第一方面所述的任意一种碳汇量确定方法,和/或,执行如本申请第二方面中所述的任意一种碳汇效益优化方法。
本申请提供了一种碳汇量确定方法、碳汇效益优化方法、装置及相关设备,通过对待评估区域科学合理的选样,构建不同类型绿地的植物群落样方的三维点云模型,结合确定的样方植物群落的碳汇量,实现对待评估区域的碳汇量的精准测算。将待优化区域作为待评估区域,通过构建待优化区域典型绿地样方植物群落的三维点云模型,提取影响碳汇效益的结构特征参数集,并结合样方的碳汇量和特征参数集,确定碳汇效益的关键特征因子,结构特征因子的阈值以及优化取值区间,进行植物群落平面结构与垂直结构碳汇效益优化,从而获得绿地优化结果。这种植物群落碳汇量确定和碳汇效益优化方法,无需花费大量的人力和时间进行在大尺度空间下的实地调研与监测,效率高、实施成本低且结果准确性高。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请实施例中记载的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种碳汇量确定方法的工作流程示意图;
图2为本申请实施例提供的一种碳汇效益优化方法的工作流程示意图;
图3为本申请实施例提供的一种碳汇量确定装置的结构示意图;
图4为本申请实施例提供的一种碳汇效益优化装置的结构示意图;
图5为本申请实施例提供一种电子设备的结构示意图。
具体实施方式
为了使本领域的人员更好地理解本申请实施例中的技术方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员所获得的所有其他实施例,都应当属于本申请实施例保护的范围。
应当理解,本申请的方法实施方式中记载的各个步骤可以按照不同的顺序执行,和/或并行执行。此外,方法实施方式可以包括附加的步骤和/或省略执行示出的步骤。本申请的范围在此方面不受限制。
实施例一、
本申请实施例提供一种碳汇量确定方法,用于对大空间尺度下的绿地植物群落碳汇量进行确定,如图1所示,图1为本申请实施例提供的一种碳汇量确定方法的结构示意图,包括:
步骤S101、对待评估区域进行绿地分析,获取待评估区域的净初级生产力分析结果。在本申请实施例中,该待评估区域可以为城市绿地或者乡村绿地,也可以是任何如景观绿地或自然绿地等,本申请实施例此处对该待评估区域的绿地类型不进行任何限制。
可选地,在本申请实施例的一种实现方式中,对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果,包括:获取所述待评估区域绿地的植被数据,所述植被数据包括植被覆盖数据、气候数据和时间序列数据中的一项或多项,根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果。从而较为全面的对待评估区域进行绿地分析,获取较为准确的净初级生产力分析结果。
可选地,在本申请实施例一种优选的实现方式中,上述根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果,具体可以为将植被覆盖数据、气候数据和时间序列数据输入遥感模型,获得植被的净初级生产力分析结果。以通过遥感模型便捷的获取植被净初级生产力分析结果。
可选地,在本申请实施例一种优选的实现方式中,为了提高绿地分析结果的准确性,同时避免花费大规模人工对绿地数据长期的实地采集,在本申请实施例中,获取待评估区域绿地区域的植被覆盖数据、气候数据和时间序列数据,具体获取方式可以为通过监督分类和目视修正相结合,将待评估区域的绿地进行类型划分,如可以包括林地、疏林地、草地、湿地这4种植被类型,并分别确定对应不同植被类型的植被覆盖数据,再进一步通过记录月平均温度数据、月总降水量栅格数据和月太阳总辐射数据以确定气候数据,通过比较前述这些指标的年际曲线或生长期曲线的差异获取覆盖变化信息;或采用拟合线性函数的斜率来反映植被覆盖变化趋势;或采用频谱分析对NDVI时间序列曲线进行分解,从而检测出土地覆盖的变化,以及地表植被生态系统的物候变化,进而分析植被长时序变化与气候、环境变化的关系,以获取时间序列数据。之后将上述数据输入遥感模型,基于遥感模型对植被净初级生产力进行分析,获得植被净初级生产力分析结果。
步骤S102、根据净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息。在本申请实施例中,以净初级生产力分析结果作为取样的筛选标准,对进行碳汇量测算的样方进行选择和落位,使得样方的选择更加符合科学,节省人力资源的消耗,提高了碳汇量确定过程的效率。
进一步地,在本申请实施例一种可选的实现方式中,根据净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息,包括:基于所述净初级生产力分析结果,结合获取的待评估区域中由不同植物群落构成的不同绿地类型的空间与数量分布情况,如公园绿地、防护绿地、广场绿地、附属绿地和生态绿地等,选择具有一定数量的具有代表性绿地样本作为样方,同时记录不同绿地类型样方,以及其对应的点位信息和数量信息。进行数据抽样,既能保证依据抽样数据进行碳汇量确定的准确性,也能大幅度节省人力,提高碳汇量确定过程的效率。
可选地,在本申请实施例的一种具体实现方式中,根据所述净初级生产力分析结果,明确进行碳汇量确定的样方绿地类型、样方点位信息和样方数量信息,包括:根据净初级生产力分析结果,结合所述待评估区域的不同绿地类型的空间与数量分布情况,采取空间平衡抽样法,明确进行碳汇量确定的样方绿地类型、样方点位信息和样方数量信息。例如,这一过程可以通过获取的待评估区域的卫星遥感影像和实地调研情况,根据植被覆盖程度、植物群落组成与空间生长结构等因素选择具有净初级生产力较高值所在的代表性样地。如选取一定数量的纯林、混交林、复层混交林、灌丛、地被和滨水多类型植被群落作为代表性样地,可以是每种代表不同绿地类型的代表性样地选择至少两个,均设置5-7个20×20m样方,宽度不足20m的带状绿地,设立长度为20m,宽度为绿地宽度的样方,若代表性样地的长宽均小于20m的绿地,则选取整个地块,并记录尺寸。从而使得获取的样方更贴合确定对待评估区域绿地的碳汇量进行研究的要求。以使最终获取的碳汇量数据更加的准确和可信。当然,本申请实施例此处只是示例性的对样地的选择方式及相关参数进行说明,并不代表本申请局限于此。本领域技术人员可以根据净初级生产力分析结果,结合所述待评估区域的不同绿地类型的空间与数量分布情况,采取空间平衡抽样法,灵活的进行样地选择。
可选地,在本申请实施例的一种实现方式中,根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果,包括:
根据所述植被覆盖数据、气候数据和时间序列数据,确定遥感模型的栅格数据;通过建立的遥感模型,根据以下公式所述的计算方法确定所述植被净初级生产力分析结果NPP(x,t):
其中,表示像元x在t月份吸收的光合有效辐射,/>表示像元x在t月份的实际光能利用率,植被覆盖数据、气候数据和时间序列数据为栅格数据,所述像元为所述栅格数据的最小单元。该栅格数据与选取的样方存在预设的数学对应关系,如一个样地样方关联的数据代表1个栅格数据或0.001个栅格数据。当然,本申请实施例此处只是示例性对栅格数据与选取的样方的数学对应关系进行说明,并不代表本申请局域限于此。通过这种计算方式,能够高效、准确且科学的确定净初级生产力分析结果。
步骤S103、根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的三维点云模型。该三维点云模型代表样方绿地相关数据的三维空间模型,能够直接反映不同绿地类型样方植物群落的结构特征及植物群落生长情况。本申请实施例通过建立对应选择的样方这种小尺度空间的植物群落的三维点云模型,对大尺度空间下的待评估区域的植物群落碳汇量进行估算,以进一步的节省人力,提高碳汇量确定的效率,并保证确定的植物群落碳汇量具有可信的准确度。
可选地,在本申请实施例的一种实现方式中,根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,以生成对应不同绿地类型样方的三维点云模型,包括:根据所述样方绿地类型、样方点位信息和样方数量信息,对样方的植物群落进行数据调研,记录植物群落点云数据,所述植物群落点云数据包括样地内单株林木的实测胸径、实测树高、实测冠幅(包括东西冠幅和南北冠幅)、实测枝下高数据以及定位信息中的一项或多项,对所述植物群落参数数据进行预处理,该预处理包括对记录的植物群落点云数据进行数据去噪、地面点滤波、地面点归一化处理、单木点云分割,以获取样方的点云优化数据,根据获得样方点云优化数据,建立对应不同绿地类型样方植物群落的三维点云模型。本申请实施例此处列举一种具体的实现方式进行说明:在对样方的植物群落进行数据调研时,记录的数据包括 :胸 径 ≥5 cm 树 木 的 胸 径(cm)、树高(m)、东西冠幅(m)、南北冠幅(m)和枝下高(m)等。为了获取单株林木的定位信息较为准确,在本申请实施例中,例如可以通过使用华测 i90 型 RTK 对样方样地内的单木进行定位,仪器定位精度为 5 cm,在密林中单株林木定位精度有所降低但满足需求。同时,还可以采用数字绿土公司出品的LiBackpack-BGC50 背包激光雷达扫描系统对样方样地内的植物群落进行扫描,获取关于植物群落的激光点云数据,减少激光点云数据的冗余。并对采集的激光点云数据进行拼接,然后对激光点云数据进行以下预处理,以使得获取的点云数据表征对应样方绿地的植物群落的结构特征参数的真实度更好,其中所述预处理过程可以包括:
(1)去噪:常见的噪点主要包括高位粗差(空中点)和低位粗差(地表以下的点),通过对这两类以及孤立点进行分类并去除,以提高点云质量。算法原理:对每一个点搜索指定个数的领域点,计算每个点到领域点的平均值,统计距离平均值的中值和标准差,将距离平均值大于最大距离(最大距离=中值+标准差倍数×标准差)的点视为噪点剔除,此处标准差倍数可以设置为 5;
(2)地面点滤波:采用改进渐进加密三角网滤波算法进行地面点分类;
(3)地面点归一化:基于地面点进行归一化,获得单木数据相对高度,以减少地形因素对单木高度估测的影响;
(4)单木点云分割:地面点归一化后的激光点云数据使用点云分割,利用单木(单株林木)的算法提取单木点云。该算法从一个设定种子点开始,根据临界值和最小间距规则,对更低点进行估计,将该种子点发展为一个树聚类。再通过分析点的高程值以及与其他点之间距离,从而得到覆盖更准确单木信息的点云数据。
通过以上预处理,以保证获取的点云数据与真实数据具有较好的贴合度。也就能够保证进行三维建模的三维点云模型与对应的样方的真实情况的贴合度更高,数据更加可信。
可选地,在本申请实施例的一种可选的实现方式中,根据点云优化数据,获得 不同绿地类型样方的三维点云模型,所述碳汇量确定方法还包括:利用决定系数和/或均方根误差对获取的点云数据进行数据校验,所述校验方式如下:
其中: R2为决定系数; wi为确定的单株林木对应的实测胸径、树高;为wi的平均值; Wi为在激光点云数据中示出的单株林木的提取胸径、树高;/>为Wi的平均值; n 为提取不同绿地类型的样方中的样本林木数量;
其中, RMSE为均方根误差;
所述决定系数R2的值越大,或者所述均方根误差RMSE的值越小,所述校验的结果反映所述点云数据与真实数据的贴合度越高。
步骤S104、根据三维点云模型,确定不同绿地类型样方的植物群落碳汇量。在本申请实施例中,根据三维点云模型数据,就能够较为准确的获知样地植物群落的植被特征参数,然后利用林木生物量神经网络模型分别进行单株植物碳汇量的计算、植物群落碳汇量计算以及待评估区域绿地碳汇量计算,在简化确定不同绿地类型样方的植物群落碳汇量的同时,获取大尺度空间下绿地植被的碳汇量,大幅度的减少了进行实地调研需要花费的大量人力。
可选地,在本申请实施例的一种实现方式中,基于三维点云模型,确定不同绿地类型样方的植物群落的碳汇量,包括:基于所述样方绿地植物群落的三维点云模型,分割样方绿地中的单株树木参数和乔木参数;根据所述单株树木参数和乔木参数,构建样方绿地植物群落的植被特征参数体系;基于所述植被特征参数体系,结合对样地进行实际数据采集的参数中关于单株树木、单株乔木的实际数据,利用林木生物量神经网络模型确定所述不同绿地类型样方的植物群落的碳汇量。从而更好的保证确定的不同绿地类型样方的植物群落的碳汇量的准确性。其中,该植被特征参数体系至少包括不同植物的位置信息、朝向信息、树高、冠层结构、胸径和树冠体积中的一项或多项。从而能够从关于植物群落生长情况的多个维度入手,实现较为准确的确定不同绿地类型样方的植物群落的碳汇量。
在本申请实施例的一种可选的实现方式中,基于三维点云模型,确定不同绿地类型样方的植物群落的碳汇量还可以为:基于不同绿地类型样方植物群落的三维点云模型,确定不同绿地类型样方植物群落的生物量,基于生物量和对应不同植物群落的碳汇转换系数确定样方植物群落的碳汇量。在本申请实施例中,该碳汇转换系数是预先通过文献综述或实地勘测确定的,用于确定不同植物群落的生物量和碳汇量之间的比值关系。在本申请实施例中,通过这种方式,可以更加快捷的确定不同绿地类型样方的植物群落的碳汇量。
步骤S105、根据三维点云模型与待评估区域的绿地植被类型之间的对应关系,以及样方植物群落的碳汇量,确定待评估区域绿地植被整体碳汇量。在本申请实施例中,该对应关系用于反映在待评估区域中选择的不同绿地类型的样方与该待评估区域对应的绿地类型的面积或数量之间对应关系,如该待评估区域包含与样方绿地植物群落类型相同的100个绿地,或与样方绿地植物群落类型相同但覆盖面积为样方绿地100倍或其他数值倍数的绿地,本申请实施例此处不再赘述。具体地,在本申请实施例中,通过对相同类型绿地,结合样方绿地的碳汇量与面积或个数等对应关系,对不同植物群落的碳汇量进行累加汇总,从而准确高效的确定出待评估区域绿地植被的整体碳汇量。
本申请提供了一种碳汇量确定方法,通过对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果;根据所述净初级生产力分析结果,确定样方绿地类型、样方点位信息和样方数量信息;根据对 不同绿地类型样方的采集数据建立三维点云模型,根据三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量,再根据三维点云模型与待评估区域的绿地植被类型之间对应关系,以及样方植物群落的碳汇量,确定待评估区域绿地植被的整体碳汇量。这种碳汇量确定方法,通过对待评估区域的净初级生产力作为筛选依据进行样方选样,通过确定样地碳汇量的方式确定待评估区域的植物群落碳汇量,节省了人力成本,效率高且准确度好。
实施例二、
基于本申请实施例一所述的碳汇量确定方法,本申请实施例此处还提供一种碳汇效益优化方法,如图2所示,图2为本申请实施例提供的一种碳汇效益优化方法的工作流程示意图,该碳汇效益优化方法包括:
步骤S201、将待优化区域作为待评估区域,确定待优化区域中不同绿地类型样方的植物群落的三维点云模型和碳汇量,其中,该三维点云模型和碳汇量是根据本申请实施例一中所述的任意一种碳汇量确定方法确定的。即通过对待优化区域进行了绿地分析,获取待优化区域的净初级生产力分析结果,根据该净初级生产力分析结果,确定该待优化区域进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息,根据确定的样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方植物群落的三维点云模型,再基于生成的三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量。以节省在进行碳汇效益优化时消耗的人力成本和时间成本,提高优化效率。
步骤S202、根据待优化区域的不同绿地类型三维点云模型,提取绿地植被特征参数体系的集合数据。另外,在本申请实施例一种可选的实现方式中,该不同绿地类型的三维点云模型可以是:根据将该待优化区域作为碳汇量确定的待评估区域以进行样方的选样确定的,也可以是在该待优化区域的地理位置相近、气候土壤情况相似的其他植被绿地中进行选样确定的,以使得本申请所述的碳汇效益优化方法可以适用于城市绿地规划。本申请实施例对此不做限制。在本申请实施例中,该特征参数体系集合数据包括表征该三维点云模型绿地类型,如属于公园绿地、防护绿地、广场绿地、附属绿地或生态绿地等;还包括对应该三维点云模型的样方绿地内植物群落的空间结构参数,以反映植物的生长情况或不同植物的位置情况等。本申请实施例此处对此不做限制。在本申请实施例中,通过根据确定的三维点云模型数据,能够提高进行碳汇效益优化的直观性和科学性,从而能够以选取样方植物群落对应的三维点云模型这种小空间尺度上的数据,推导出对诸如城市绿地这种大空间尺度下的绿地植被进行碳汇效益优化的方式,节省了碳汇优化过程所需的人力成本和时间成本,且准确性较好。
步骤S203、基于所述绿地植被特征参数体系的集合数据和不同绿地类型样方的植物群落的碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,其中,碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数。在本申请实施例中,该绿地植被特征参数包括植物群落构成相关的参数、空间结构特征参数等影响植物群落进行光合作用的参数。当然,本申请实施例此处进行示例性说明,并不代表本申请局限于此。
可选地,在本申请的一种实施例中,该碳汇效益影响因子至少包括影响植物群落碳汇效益的平面结构特征参数、垂直结构特征参数,以及结构特征阈值。具体的,该平面结构特征参数可以从三维点云模型中进行可视化点云数据提取后,从该可视化点云数据的2D俯视图中直观的获得;并通过在三维点云模型的3D轴视图中直观的获取垂直结构特征参数。这种方式实现过程简单,本申请实施例此处不再赘述。在本申请实施例中,从平面结构特征参数、垂直结构特征参数以及其对应的结构特征阈值入手,可以有效的降低对待优化区域进行碳汇效益优化制定相关策略所需的时间,并保证优化结果的准确性。
可选地,在本申请的一种实施例中,所述平面结构特征参数包括:林草比、林水比、草水比、郁闭度、地被覆盖度中的至少一项;
所述垂直结构特征参数包括:群落结构、坡度、平均胸径、林龄、林干密度中的至少一项。
其中,林草比(A),表示林地与草地面积的比值,可以通过如下公式进行计算:
上式中,a为林地面积,b为草地面积。
林水比(B),表示林地与水域面积的比值,可以通过如下公式进行计算:
其中,a为林地面积, c为水域面积。
草水比(C),表示草地与水域面积的比值,可以通过如下公式进行计算:
其中,b为草地面积,c为水域面积。
郁闭度、地被覆盖度、坡度、林龄等相关参数可以通过林业二调实测资料,结合所选样方的植物群落特征进行计算获得。群落结构、平均胸径、林干密度可以通过实地采集点云数据分析进行计算获得,本申请实施例此处不再赘述。
通过对包括上述平面结构特征参数和垂直结构特征参数的获取,以保证在大空间尺度下对影响碳汇效益的因素进行研究的全面性。
步骤S204、根据碳汇效益影响因子、结构特征阈值,以及所述优化取值区间,对待优化区域进行碳汇效益优化。从而使得对大尺度空间下绿地植被的碳汇效益进行优化过程的统一和快捷,且优化方式更加的灵活,方便满足根据不同碳汇效益因子对应的优化取值区间,进行因地制宜的碳汇效益优化。
可选地,在本申请实施例的一种实现方式中,根据碳汇效益影响因子、所述结构特征阈值,以及所述优化取值区间,对待优化区域进行碳汇效益优化,包括:将从待优化区域中选样的不同绿地类型样方的植物群落的碳汇量作为因变量,将平面结构特征参数和垂直结构特征参数作为自变量,建立两个随机森林模型;分别获取所述随机森林模型输出的平面特征结构、垂直特征结构影响下,植物群落碳汇效益的关键影响特征因子;并对应构建两个回归树模型,利用回归树确定绿地碳汇功能与所述关键影响特征因子变化趋势的非线性关联关系,其中,构建的两个回归树模型是基于将不同植物群落的碳汇量作为因变量,将随机森林模型输出(预测结果)的关键影响特征因子作为自变量建立的;根据关联关系,分别确定所述平面特征结构、垂直特征结构下影响绿地碳汇效益的关键特征因子的结构特征阈值与碳汇效益优化取值区间;根据结构特征阈值与优化取值区间,确定对所述待评估区域的绿地进行碳汇效益优化的结果。在本申请实施例中,确定平面特征结构、垂直特征结构下影响绿地碳汇效益的关键特征因子及关键特征因子的阈值,需要对各碳汇效益影响因子集进行分析,首先将植物群落碳汇量作为因变量,如将林草比、林水比、草水比、郁闭度、地被覆盖度作为平面结构特征参数自变量;将群落结构、坡度、平均胸径、林龄、林干密度作为垂直结构特征参数自变量,建立基于机器学习的随机森林模型。具体在本申请实施例中,可以建立2个随机森林模型(影响植物群落碳汇量的平面结构模型、影响植物群落碳汇量的垂直结构模型)。之后获取各随机森林模型输出的平面特征结构、垂直特征结构中影响绿地碳汇效益的自变量贡献率大于预设贡献率的自变量确定为平面特征结构、垂直特征结构中的关键特征因子。根据平面特征结构、垂直特征结构中影响绿地碳汇效益的关键特征因子,建立回归树确定影响绿地碳汇功能提升与关键特征因子之间具有非线性变化趋势的关联关系,例如,可以制作关键特征因子与碳汇量的偏相关图,根据偏相关图中关键特征因子与碳汇量变化趋势的关键转折点(斜率变化最大处)的阈值及区间,确定平面特征结构、垂直特征结构下影响碳汇效益提升的结构特征阈值和优化取值区间。从而高效、准确的确定对大空间尺度的待优化区域进行碳汇效益优化的方式。
可选地,在本申请的一种实施例中,该碳汇效益优化方法还包括:从随机森林模型的构建数据集中选取一定比例的数据构成测试集数据以用于模型训练,选取剩下的数据构成验证集数据以用于模型验证,对构建的随机森林模型进行模型训练与校正,在建立所述随机森林模型过程使用的数据集中选取训练样本和验证样本,所述数据集为根据所述样方植物群落的碳汇量、以及对应的平面结构特征参数和垂直结构特征参数构成的样本集;将随机森林模型的多个决策树进行组合,对所述关键影响特征因子进行结果预测;通过对每个决策树的预测结果进行均值计算,获得最终的预测结果,以通过将最终的预测结果与验证结果进行对比,对构建随机森林模型进行训练与校正;这一实施过程中,可以通过如下公式对训练或校正后的随机森林模型的仿真性能进行模型优劣评估:
式中:为均方误差值,n、xi、yi分别为测试集中包含的测试数据个数、第i个实际值和模型对应输出的 第i个预测值。具体的,在本申请实施例中,均方误差值MSE的值越小,则说明构建的随机森林模型的仿真性能越好。实施过程中,利用均方误差值确定对所述随机森林模型优劣的评估结果,可以使用评估优劣程度大于预设优劣阈值的随机森林模型,确定所述平面特征结构、垂直特征结构下影响植物群落碳汇效益的关键影响特征因子。
在本申请实施例中,通过均方误差(MSE)评估随机森林模型,通过平方化误差、考虑全部数据和平衡偏差与方差的性质,提供了全面、敏感的性能度量。从而避免使用正确率过低的随机森林模型获得特征重要性分析结果,也就提高了本申请实施例所述的碳汇优化方法的准确性和可实施性。
本申请提供了一种碳汇效益优化的方法,将待优化区域作为待评估区域,确定所述待优化区域中不同绿地类型样方的植物群落的三维点云模型和碳汇量;根据所述不同绿地类型样方的植物群落的三维点云模型,确定绿地植被特征参数体系的集合数据;基于所述绿地植被特征参数体系的集合数据和不同绿地类型样方的植物群落的碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,所述碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数;根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化,大大简化了对大尺度空间下绿地进行碳汇效益优化的时间成本和人工成本,实施成本低且优化结果准确性高。
实施例三、
基于本申请实施例一所述的碳汇量确定方法,本申请实施例三还提供过一种碳汇量确定装置,如图3所示,图3为本申请实施例三提供的一种碳汇量确定装置30的结构示意图,该碳汇量确定装置30包括但不限于:
分析模块301,用于对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果;
选样模块302,用于根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;
构建模块303,用于根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的植物群落的三维点云模型;
计算模块304,用于基于所述三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量;
确定模块305,用于根据所述三维点云模型与所述待评估区域的绿地类型之间的对应关系,以及所述样方植物群落的碳汇量,确定待评估区域绿地碳汇量。
实施例四、
基于本申请实施例二提供的碳汇效益优化方法,本申请实施例还提供一种碳汇效益优化装置,如图4所示,图4为本申请实施例四提供的一种碳汇效益优化装置40的结构示意图,该碳汇效益优化装置40包括但不限于:
评估模块401,用于将待优化区域作为待评估区域,基于本申实施例一中的所述的任意一种碳汇量确定方法,确定所述待优化区域中不同绿地类型样方的植物群落三维点云模型和碳汇量;
提取模块402,用于根据所述不同绿地类型样方的植物群落的三维点云模型,确定绿地植被特征参数体系的集合数据;
计算模块403,用于基于所述绿地植被特征参数体系集合数据和不同绿地类型样方的植物群落碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,所述碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数;
优化模块404,用于根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化。
实施例五、
本申请实施例还提供一种计算机存储介质,所述计算机存储介质上存储有计算机可执行指令,所述计算机可执行指令被执行时执行如本申请实施例一中所述的任意一种碳汇量确定方法,和/或,如本申请实施例二中所述的任意一种碳汇效益优化方法。
实施例六、
本申请实施例还提供一种电子设备,如图5所示,图5为本申请实施例提供一种电子设备50的结构示意图,该电子设备50包括:
一个或多个处理器501;
存储器502,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器503执行,使得所述一个或多个处理器实现如本申请实施例一中所述的任意一种碳汇量确定方法,和/或,如本申请实施例二中所述的任意一种碳汇效益优化方法。
至此,本申请已经对本申请主题的特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作可以按照不同的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序,以实现期望的结果。在某些实施方式中,多任务处理和并行处理可以是有利的。
在20世纪90年代,对于一个技术的改进可以很明显地区分是硬件上的改进(例如,对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而,随着技术的发展,当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此,不能说一个方法流程的改进就不能用硬件实体模块来实现。例如,可编程逻辑器件(Programmable Logic Device, PLD)(例如现场可编程门阵列(Field Programmable GateArray,FPGA))就是这样一种集成电路,其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统层“集成”在一片PLD上,而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且,如今,取代手工地制作集成电路芯片,这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现,它与程序开发撰写时所用的软件编译器相类似,而要编译之前的原始代码也得用特定的编程语言来撰写,此称之为硬件描述语言(Hardware Description Language,HDL),而HDL也并非仅有一种,而是有许多种,如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等,目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚,只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中,就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现,例如,控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式,控制器的例子包括但不限于以下微控制器:ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20 以及Silicone Labs C8051F320,存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道,除了以纯计算机可读程序代码方式实现控制器以外,完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件,而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至,可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统层、装置、模块或单元,具体可以由计算机芯片或实体实现,或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的,计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便,描述以上装置时以功能分为各种单元分别描述。当然,在实施本申请时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统层或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定事务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行事务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统层实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (9)
1.一种碳汇量确定方法,其特征在于,包括:
对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果;其中,所述对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果,包括:获取所述待评估区域绿地的植被数据,所述植被数据包括植被覆盖数据、气候数据和时间序列数据中的一项或多项;根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果;所述根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果,包括:根据所述植被覆盖数据、气候数据和时间序列数据,确定遥感模型的栅格数据;通过建立的遥感模型,根据以下公式所述的计算方法确定所述待评估区域绿地植被的净初级生产力分析结果NPP(x,t):
其中,表示像元x在t月份吸收的光合有效辐射,/>表示像元x在t月份的实际光能利用率,植被覆盖数据、气候数据和时间序列数据为栅格数据,所述像元为所述栅格数据的最小单元;
根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;所述根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息,包括:根据净初级生产力分析结果,结合所述待评估区域的不同绿地类型的空间与数量分布情况,采取空间平衡抽样法,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;
根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的植物群落的三维点云模型;
基于所述三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量;
根据所述三维点云模型与所述待评估区域的绿地植被类型之间对应关系,以及所述样方植物群落的碳汇量,确定所述待评估区域绿地植被整体碳汇量;
其中,所述根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的植物群落的三维点云模型,包括:根据所述样方绿地类型、样方点位信息和样方数量信息,对样方的植物群落进行数据调研,记录植物群落点云数据,所述植物群落点云数据包括样地内单株林木的实测胸径、实测树高、实测冠幅、实测枝下高的数据以及定位信息中的一项或多项;对所述植物群落点云数据进行预处理,所述预处理包括对所述记录的植物群落点云数据进行数据去噪、地面点滤波、地面点归一化处理、单木点云分割,获取对应不同类型绿地样方的点云优化数据;根据所述点云优化数据,获得不同绿地类型样方的三维点云模型;
对应地,所述基于所述三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量时,所述方法还包括:利用决定系数和/或均方根误差对所述点云数据进行数据校验,以通过所述校验的点云数据确定所述三维点云模型,所述校验方式如下:
其中: R2为决定系数; wi 为确定的单株林木对应的实测胸径、树高; 为wi 的平均值; Wi 为在所述点云数据中示出的单株林木的提取胸径、树高; />为Wi 的平均值; n为提取不同绿地类型的样方中的样本林木数量;
其中, RMSE为均方根误差;
所述决定系数R2的值越大,或者所述均方根误差RMSE的值越小,所述校验的结果反映所述点云数据与真实数据的贴合度越高。
2.根据权利要求1所述的碳汇量确定方法,其特征在于,所述基于所述三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量,包括:
基于所述三维点云模型,分割所述样方绿地中的单株树木参数和乔木参数;
根据所述单株树木参数和乔木参数,构建对应所述样方绿地植物群落的植被特征参数体系,其中,所述植被特征参数体系至少包括不同植物的位置信息、朝向信息、树高、冠层结构、胸径和树冠体积中的一项或多项;
基于所述植被特征参数体系,结合实际数据采集中关于所述单株树木和乔木的实际采集数据,利用林木生物量神经网络模型确定所述不同绿地类型样方的植物群落的碳汇量。
3.一种碳汇效益优化方法,其特征在于,包括:
将待优化区域作为待评估区域,基于权利要求1-2中的任意一项所述的碳汇量确定方法,确定所述待优化区域中不同绿地类型样方的植物群落的三维点云模型和碳汇量;
根据所述不同绿地类型样方的植物群落的三维点云模型,确定绿地植被特征参数体系的集合数据;
基于所述绿地植被特征参数体系的集合数据和不同绿地类型样方的植物群落的碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,所述碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数;所述碳汇效益影响因子至少包括影响植物群落碳汇效益的平面结构特征参数和垂直结构特征参数;
根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化;其中,所述根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化,包括:将所述不同绿地类型样方的植物群落的碳汇量作为因变量,将所述平面结构特征参数和所述垂直结构特征参数作为自变量,建立两个随机森林模型;分别获取所述随机森林模型输出的平面特征结构、垂直特征结构下影响植物群落碳汇效益的关键影响特征因子;将所述碳汇量作为因变量,所述关键影响特征因子作为自变量,相应构建两个回归树模型,以确定植物群落碳汇功能与所述关键影响特征因子非线性变化趋势的关联关系;根据所述关联关系,分别确定所述平面特征结构、垂直特征结构下,影响碳汇效益的植物群落关键特征因子的结构特征阈值和优化取值区间;根据所述结构特征阈值和优化取值区间,确定对所述待优化区域的绿地进行碳汇效益优化的结果。
4.根据权利要求3所述的碳汇效益优化方法,其特征在于,
所述平面结构特征参数数据包括林草比、林水比、草水比、郁闭度、地被覆盖度中的至少一项;
所述垂直结构特征参数包括:群落结构、坡度、平均胸径、林龄、林干密度中的至少一项。
5.根据权利要求3所述的碳汇效益优化方法,其特征在于,在所述分别获取所述随机森林模型输出的平面特征结构、垂直特征结构下影响植物群落碳汇效益的关键影响特征因子之前,所述方法还包括:
在建立所述随机森林模型过程使用的数据集中选取测试集样本数据和验证集样本数据,所述数据集为根据所述样方植物群落的碳汇量、以及对应的平面结构特征参数和垂直结构特征参数构成的样本集 ;
将随机森林模型的多个决策树进行组合,对所述关键影响特征因子进行结果预测;
通过对每个决策树的预测结果进行均值计算,获得最终的预测结果,以通过所述最终的预测结果对构建随机森林模型进行训练与校正;
通过如下公式对训练或校正后的随机森林模型的仿真性能进行模型优劣评估:
式中: 为均方误差值,n、xi 、 yi分别为测试集样本数据的个数、第i个实际值,以及模型对应输出的第i个预测值;
根据所述均方误差值确定对所述随机森林模型优劣进行评估,使用评估优劣程度大于预设优劣阈值的随机森林模型确定所述平面特征结构、垂直特征结构下影响植物群落碳汇效益的关键影响特征因子。
6.一种碳汇量确定装置,其特征在于,包括:
分析模块,用于对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果;其中,所述对待评估区域进行绿地分析,获取所述待评估区域的净初级生产力分析结果,包括:获取所述待评估区域绿地的植被数据,所述植被数据包括植被覆盖数据、气候数据和时间序列数据中的一项或多项;根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果;所述根据所述植被数据,确定所述待评估区域绿地植被的净初级生产力分析结果,包括:根据所述植被覆盖数据、气候数据和时间序列数据,确定遥感模型的栅格数据;通过建立的遥感模型,根据以下公式所述的计算方法确定所述待评估区域绿地植被的净初级生产力分析结果NPP(x,t):
其中,表示像元x在t月份吸收的光合有效辐射,/>表示像元x在t月份的实际光能利用率,植被覆盖数据、气候数据和时间序列数据为栅格数据,所述像元为所述栅格数据的最小单元;
选样模块,用于根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;所述根据所述净初级生产力分析结果,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息,包括:根据净初级生产力分析结果,结合所述待评估区域的不同绿地类型的空间与数量分布情况,采取空间平衡抽样法,确定进行碳汇量测算的样方绿地类型、样方点位信息和样方数量信息;
构建模块,用于根据所述样方绿地类型、样方点位信息和样方数量信息,进行数据采样,生成对应不同绿地类型样方的植物群落的三维点云模型;
计算模块,用于基于所述三维点云模型,确定所述不同绿地类型样方的植物群落的碳汇量;
确定模块,用于根据所述三维点云模型与所述待评估区域的绿地类型之间的对应关系,以及所述样方植物群落的碳汇量,确定待评估区域绿地碳汇量;
其中,所述构建模块还用于:根据所述样方绿地类型、样方点位信息和样方数量信息,对样方的植物群落进行数据调研,记录植物群落点云数据,所述植物群落点云数据包括样地内单株林木的实测胸径、实测树高、实测冠幅、实测枝下高的数据以及定位信息中的一项或多项;对所述植物群落点云数据进行预处理,所述预处理包括对所述记录的植物群落点云数据进行数据去噪、地面点滤波、地面点归一化处理、单木点云分割,获取对应不同类型绿地样方的点云优化数据;根据所述点云优化数据,获得不同绿地类型样方的三维点云模型;
对应地,所述计算模块还用于:利用决定系数和/或均方根误差对所述点云数据进行数据校验,以通过所述校验的点云数据确定所述三维点云模型,所述校验方式如下:
其中: R2为决定系数; wi 为确定的单株林木对应的实测胸径、树高; 为wi 的平均值; Wi 为在所述点云数据中示出的单株林木的提取胸径、树高; />为Wi 的平均值; n为提取不同绿地类型的样方中的样本林木数量;
其中, RMSE为均方根误差;所述决定系数R2的值越大,或者所述均方根误差RMSE的值越小,所述校验的结果反映所述点云数据与真实数据的贴合度越高。
7.一种碳汇效益优化装置,其特征在于,包括:
评估模块,用于将待优化区域作为待评估区域,基于权利要求1~2中任意一项所述的碳汇量确定方法,确定所述待优化区域中不同绿地类型样方的植物群落三维点云模型和碳汇量;
提取模块,用于根据所述不同绿地类型样方的植物群落的三维点云模型,确定绿地植被特征参数体系的集合数据;
计算模块,用于基于所述绿地植被特征参数体系集合数据和不同绿地类型样方的植物群落碳汇量,确定碳汇效益影响因子、结构特征阈值和碳汇效益优化取值区间,所述碳汇效益影响因子为对碳汇效益贡献大于预设贡献率的绿地植被特征参数;所述碳汇效益影响因子至少包括影响植物群落碳汇效益的平面结构特征参数和垂直结构特征参数;
优化模块,用于根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化;其中,所述根据所述碳汇效益影响因子、所述结构特征阈值和所述碳汇效益优化取值区间,对所述待优化区域进行碳汇效益优化,包括:将所述不同绿地类型样方的植物群落的碳汇量作为因变量,将所述平面结构特征参数和所述垂直结构特征参数作为自变量,建立两个随机森林模型;分别获取所述随机森林模型输出的平面特征结构、垂直特征结构下影响植物群落碳汇效益的关键影响特征因子;将所述碳汇量作为因变量,所述关键影响特征因子作为自变量,相应构建两个回归树模型,以确定植物群落碳汇功能与所述关键影响特征因子非线性变化趋势的关联关系;根据所述关联关系,分别确定所述平面特征结构、垂直特征结构下,影响碳汇效益的植物群落关键特征因子的结构特征阈值和优化取值区间;根据所述结构特征阈值和优化取值区间,确定对所述待优化区域的绿地进行碳汇效益优化的结果。
8.一种计算机存储介质,其特征在于,所述计算机存储介质上存储有计算机可执行指令,所述计算机可执行指令被执行时执行如权利要求1~2中任意一项所述的碳汇量确定方法,和/或,权利要求3~5中任意一项所述的碳汇效益优化方法。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序,
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1~2中任意一项所述的碳汇量确定方法,和/或,权利要求3~5中任意一项所述的碳汇效益优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109551.7A CN117114194B (zh) | 2023-08-30 | 2023-08-30 | 碳汇量确定、碳汇效益优化的方法、装置及相关设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311109551.7A CN117114194B (zh) | 2023-08-30 | 2023-08-30 | 碳汇量确定、碳汇效益优化的方法、装置及相关设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117114194A CN117114194A (zh) | 2023-11-24 |
CN117114194B true CN117114194B (zh) | 2024-03-08 |
Family
ID=88808888
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311109551.7A Active CN117114194B (zh) | 2023-08-30 | 2023-08-30 | 碳汇量确定、碳汇效益优化的方法、装置及相关设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114194B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177744A (zh) * | 2021-06-09 | 2021-07-27 | 西安建筑科技大学 | 一种城市绿地系统碳汇量估算方法及系统 |
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 |
CN115965619A (zh) * | 2023-02-09 | 2023-04-14 | 中科海慧(北京)科技有限公司 | 一种基于三维激光点云数据的森林地上碳汇量计算方法 |
CN116030350A (zh) * | 2023-02-24 | 2023-04-28 | 东南大学 | 一种基于点云技术的城市绿地植被碳汇量计算方法及系统 |
CN116451977A (zh) * | 2023-06-14 | 2023-07-18 | 北京林业大学 | 绿地碳汇功能提升的规划、设计和植物营建方法及装置 |
-
2023
- 2023-08-30 CN CN202311109551.7A patent/CN117114194B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177744A (zh) * | 2021-06-09 | 2021-07-27 | 西安建筑科技大学 | 一种城市绿地系统碳汇量估算方法及系统 |
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 |
CN115965619A (zh) * | 2023-02-09 | 2023-04-14 | 中科海慧(北京)科技有限公司 | 一种基于三维激光点云数据的森林地上碳汇量计算方法 |
CN116030350A (zh) * | 2023-02-24 | 2023-04-28 | 东南大学 | 一种基于点云技术的城市绿地植被碳汇量计算方法及系统 |
CN116451977A (zh) * | 2023-06-14 | 2023-07-18 | 北京林业大学 | 绿地碳汇功能提升的规划、设计和植物营建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117114194A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nouri et al. | A review of ET measurement techniques for estimating the water requirements of urban landscape vegetation | |
Zhu et al. | Flood disaster risk assessment based on random forest algorithm | |
Wang et al. | Uncertainties of mapping aboveground forest carbon due to plot locations using national forest inventory plot and remotely sensed data | |
Huang et al. | Uncertainty analysis of runoff simulations and parameter identifiability in the Community Land Model: Evidence from MOPEX basins | |
CN108984803B (zh) | 一种农作物产量空间化的方法及系统 | |
CN111667183A (zh) | 一种耕地质量监测方法及系统 | |
Abino et al. | Assessing land use and land cover of the Marikina sub-watershed, Philippines | |
Li et al. | Mapping spatiotemporal decisions for sustainable productivity of bamboo forest land | |
Bashir et al. | Simulating Spatiotemporal Changes in Land Use and Land Cover of the North-Western Himalayan Region Using Markov Chain Analysis | |
Xiaoli et al. | Spatial patterns of forest ecosystem services and influencing factors in the Ganjiang River Basin | |
KR101594148B1 (ko) | Efdc 수치모델 입/출력자료 가시화 및 분석 시스템 | |
CN113256101A (zh) | 一种城乡湖泊蓄水量变化的关键驱动力分析方法 | |
Odebiri et al. | Mapping soil organic carbon distribution across South Africa's major biomes using remote sensing-topo-climatic covariates and Concrete Autoencoder-Deep neural networks | |
Raju et al. | Assessment of variable source area hydrological models in humid tropical watersheds | |
CN117114194B (zh) | 碳汇量确定、碳汇效益优化的方法、装置及相关设备 | |
Kanja et al. | Modeling stand parameters for Pinus brutia (Ten.) using airborne LiDAR data: a case study in Bergama | |
CN115861793A (zh) | 一种基于最小累积阻力模型的区域生态安全格局构建方法 | |
CN114781199A (zh) | 水源涵养对气候变化的响应分析方法、装置、介质和设备 | |
Wooton et al. | A landscape-level analysis of yellow-cedar decline in coastal British Columbia | |
CN109635490A (zh) | 基于clue-s模型的胡杨春尺蠖发生蔓延过程的动态模拟方法 | |
Choramo et al. | Impact of land-use/land-cover change on stream flow and sediment yields: A CASE study of GOJEB watershed, OMO gibe basin, Ethiopia | |
Tatsuhara et al. | Predicting the spatial distribution of major species composition in secondary hardwood forests on Mt. Gozu, central Japan, based on environmental factors | |
CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 | |
CN113392585B (zh) | 一种污染地块周边敏感人群空间化方法 | |
Attia | Appraisal of Forest Changes Using Change Detection Analysis in Alsunt Forest Khartoum State of Sudan |
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 |