CN117153291B - 一种灌区稻田碳汇价值计算方法及系统 - Google Patents
一种灌区稻田碳汇价值计算方法及系统 Download PDFInfo
- Publication number
- CN117153291B CN117153291B CN202311421273.9A CN202311421273A CN117153291B CN 117153291 B CN117153291 B CN 117153291B CN 202311421273 A CN202311421273 A CN 202311421273A CN 117153291 B CN117153291 B CN 117153291B
- Authority
- CN
- China
- Prior art keywords
- data
- methane
- carbon dioxide
- carbon
- target area
- 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
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 186
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical group [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000002262 irrigation Effects 0.000 title claims abstract description 25
- 238000003973 irrigation Methods 0.000 title claims abstract description 25
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 claims abstract description 377
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 365
- 229910002092 carbon dioxide Inorganic materials 0.000 claims abstract description 188
- 239000001569 carbon dioxide Substances 0.000 claims abstract description 188
- 238000005259 measurement Methods 0.000 claims abstract description 81
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000010792 warming Methods 0.000 claims abstract description 13
- 230000009919 sequestration Effects 0.000 claims description 41
- 229930002875 chlorophyll Natural products 0.000 claims description 23
- 235000019804 chlorophyll Nutrition 0.000 claims description 23
- ATNHDLDRLWWWCB-AENOIHSZSA-M chlorophyll a Chemical compound C1([C@@H](C(=O)OC)C(=O)C2=C3C)=C2N2C3=CC(C(CC)=C3C)=[N+]4C3=CC3=C(C=C)C(C)=C5N3[Mg-2]42[N+]2=C1[C@@H](CCC(=O)OC\C=C(/C)CCC[C@H](C)CCC[C@H](C)CCCC(C)C)[C@H](C)C2=C5 ATNHDLDRLWWWCB-AENOIHSZSA-M 0.000 claims description 23
- 239000002689 soil Substances 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 21
- 241000196324 Embryophyta Species 0.000 claims description 20
- 241000209094 Oryza Species 0.000 claims description 19
- 235000007164 Oryza sativa Nutrition 0.000 claims description 19
- 235000009566 rice Nutrition 0.000 claims description 19
- 230000005855 radiation Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 11
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 8
- 230000001419 dependent effect Effects 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 5
- 230000004807 localization Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 241000677647 Proba Species 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 abstract description 2
- 238000011156 evaluation Methods 0.000 abstract description 2
- 238000012544 monitoring process Methods 0.000 abstract description 2
- 230000004907 flux Effects 0.000 description 6
- 238000006243 chemical reaction Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012937 correction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 239000005431 greenhouse gas Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 239000003895 organic fertilizer Substances 0.000 description 2
- 230000001681 protective effect Effects 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 239000010902 straw Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009355 double cropping Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000005068 transpiration Effects 0.000 description 1
- 238000007740 vapor deposition Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/70—Machine learning, data mining or chemometrics
Abstract
本发明涉及环境监测与评价技术领域，公开一种灌区稻田碳汇价值计算方法及系统，包括对参考区域的二氧化碳和甲烷进行测量，得到二氧化碳实测数据和甲烷实测数据；根据参数信息和二氧化碳实测数据得到二氧化碳预测模型，根据参考区域的参数信息和甲烷实测数据得到的甲烷预测模型；将目标区域各个位置的参数信息分别带入二氧化碳预测模型和甲烷预测模型得到目标区域的二氧化碳数据和甲烷数据，将所述目标区域的甲烷数据乘以甲烷的全球增温潜势得到所述目标区域的甲烷数据的二氧化碳当量；根据二氧化碳数据和甲烷数据的二氧化碳当量计算目标区域的碳汇量。本申请提供的灌区稻田碳汇价值计算方法及系统，能够提高稻田碳汇价值的计算精度。
Description
技术领域
本发明涉及环境监测与评价技术领域，特别涉及一种灌区稻田碳汇价值计算方法及系统。
背景技术
为缓解全球气候变暖，碳汇价值得到了越来越多的重视。碳汇是指自然界中碳的寄存体。减少碳源一般通过二氧化碳减排来实现，增加碳汇则主要采用固碳技术。农田土壤碳汇通过采用保护性耕作措施、扩大水田种植面积、增加秸秆还田、增加有机肥施用、采用轮作制度和土地利用方式等，让农田土壤由碳源转化为碳汇。因此，稻田碳汇价值也称为不可忽视的碳汇资源。
为了能够实现稻田碳汇价值的计算，目前常采用的方法为样方调查法和站点观测法。但是上述方法存在时效性差、不能够在空间上完全覆盖，导致得到的碳汇价值不准确。
发明内容
为了解决上述问题，本申请提供了一种灌区稻田碳汇价值计算方法及系统，能够提高稻田碳汇价值的计算精度。
为实现上述目的，第一方面，本申请提供了一种灌区稻田碳汇价值计算方法，包括：
获取目标区域的主被动影像数据；
根据所述主被动影像数据得到所述目标区域的稻田种植结构；
根据所述稻田种植结构，确定需要选取的参数信息；
选定参考区域，并对所述参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对所述参考区域的甲烷进行测量，得到甲烷实测数据；
根据所述参考区域的所述参数信息和所述二氧化碳实测数据得到二氧化碳预测模型，根据所述参考区域的所述参数信息和所述甲烷实测数据得到的甲烷预测模型；
将所述目标区域各个位置的所述参数信息带入所述二氧化碳预测模型得到所述目标区域的二氧化碳数据，将所述目标区域各个位置的所述参数信息带入所述甲烷预测模型得到所述目标区域的甲烷数据，将所述目标区域的所述甲烷数据乘以甲烷的全球增温潜势（GWP=28）得到所述目标区域的甲烷数据的二氧化碳当量；
根据所述二氧化碳数据和所述甲烷数据的二氧化碳当量计算所述目标区域的碳汇量；
根据所述碳汇量计算所述目标区域的碳汇价值，
其中，所述碳汇量=二氧化碳数据-28×甲烷数据，
所述碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。
在一种可选的实施方式中，所述主被动影像数据包括主动雷达遥感数据和被动卫星光谱数据。
在一种可选的实施方式中，所述参数信息包括日夜地表温度、净辐射、土壤含水率、三维叶绿素以及植株高度。
在一种可选的实施方式中，所述土壤含水率通过所述主动雷达数据获得，所述日夜地表温度、所述净辐射、所述三维叶绿素以及所述植株高度通过所述被动卫星光谱数据获得。
在一种可选的实施方式中，所述被动卫星光谱数据包括多角度卫星光谱数据，以通过所述多角度卫星光谱数据建立三维叶绿素估算模型以及植株高度估算模型，并得到所述三维叶绿素和所述植株高度的信息。
在一种可选的实施方式中，所述多角度卫星光谱数据通过PROBA卫星、资源三号卫星、高分七号卫星、Terra卫星、Aqua卫星以及CartoSat-1卫星中的任意一种卫星搭载多角度传感器获得。
在一种可选的实施方式中，所述根据所述参考区域的所述参数信息和所述二氧化碳实测数据得到二氧化碳预测模型，根据所述参考区域的所述参数信息和所述甲烷实测数据得到的甲烷预测模型的方法包括：
将所述参数信息作为自变量，将所述二氧化碳实测数据和所述甲烷实测数据分别作为因变量；
根据所述自变量和所述因变量得到所述参数信息与所述二氧化碳实测数据、所述参数信息与所述甲烷实测数据的对应关系；
将所述对应关系作为所述二氧化碳预测模型、所述甲烷预测模型；
其中，所述二氧化碳预测模型为：
；
所述甲烷预测模型为：
，
上述模型中为日夜地表温度数据，/>为净辐射数据，/>为土壤含水率数据，为三维叶绿素数据，/>为植株高度数据，a1、b1、c1、d1、e1、k1、a2、b2、c2、d2、e2、k2均为系数。
在一种可选的实施方式中，
所述根据所述主被动影像数据获取所述目标区域的稻田种植结构包括：
根据所述主被动影像数据以及NDVI模型形成NDVI时间序列数据集；
获得所述参考区域水稻种植样本点用于训练和验证机器学习算法；
基于得分策略输出待测目标像元的水稻类型；
所述对所述参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对所述参考区域的甲烷进行测量，得到甲烷实测数据包括：
利用涡度相关法对所述参考区域的二氧化碳和甲烷进行测量。
在一种可选的实施方式中，当需要对下一目标区域的碳汇价值计算时，所述灌区稻田碳汇价值计算方法还包括：
选取下一目标区域的局部位置作为标定参考区域；
对所述标定参考区域的二氧化碳进行测量，得到标定二氧化碳实测数据，对所述标定参考区域的甲烷进行测量，得到标定甲烷实测数据；
利用标定二氧化碳实测数据对上一目标区域中获得的二氧化碳预测模型进行修正，得到修正二氧化碳预测模型，利用标定甲烷实测数据对上一目标区域中获得的甲烷预测模型进行修正，得到修正甲烷预测模型；
利用修正二氧化碳预测模型和修正甲烷预测模型进行碳汇计算；
其中，修正二氧化碳预测模型为：；
修正甲烷预测模型为：；
上述模型中的m、n、p、q均为下一目标区域的本地化标定系数，为所述上一目标区域的二氧化碳预测模型，/>为所述上一目标区域的甲烷预测模型。
为了实现上述目的，第二方面，本申请提供了一种灌区稻田碳汇价值计算系统，应用如上述第一方面所述的计算方法对灌区稻田碳汇价值进行计算，包括：
信息获取模块，用于获取所述目标区域主被动影像数据；
信息处理模块，用于根据所述主被动影像数据得到所述目标区域的稻田种植结构，并根据所述稻田种植结构，确定需要选取的参数信息；
数据测量模块，用于对所述参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对所述参考区域的甲烷进行测量，得到甲烷实测数据；
模型处理模块，用于根据所述参考区域的所述参数信息和所述二氧化碳实测数据得到二氧化碳预测模型，根据所述参考区域的所述参数信息和所述甲烷实测数据得到的甲烷预测模型；
数据处理模块，用于将所述目标区域各个位置的所述参数信息带入所述二氧化碳预测模型得到所述目标区域的二氧化碳数据，将所述目标区域各个位置的所述参数信息带入所述甲烷预测模型得到所述目标区域的甲烷数据，将所述目标区域的甲烷数据乘以甲烷的全球增温潜势（GWP=28）得到所述目标区域的甲烷数据的二氧化碳当量，并根据所述二氧化碳数据和所述甲烷数据的二氧化碳当量计算所述目标区域的碳汇量，以根据所述碳汇量计算所述目标区域的碳汇价值，
其中，所述碳汇量=二氧化碳数据-28×甲烷数据，
所述碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。
本申请的有益效果：
本申请提供了一种灌区稻田碳汇价值计算方法及系统，其通过获取目标区域的主被动影像数据；根据主被动影像数据得到目标区域的稻田种植结构；根据稻田种植结构，确定需要选取的参数信息；选定参考区域，并对参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对参考区域的甲烷进行测量，得到甲烷实测数据；根据参考区域的参数信息和二氧化碳实测数据得到二氧化碳预测模型，根据参考区域的参数信息和甲烷实测数据得到的甲烷预测模型；将目标区域各个位置的参数信息带入二氧化碳预测模型得到目标区域的二氧化碳数据，将目标区域各个位置的参数信息带入甲烷预测模型得到目标区域的甲烷数据，将目标区域的甲烷数据乘以甲烷的全球增温潜势（GWP=28）得到目标区域甲烷数据的二氧化碳当量；根据二氧化碳数据和甲烷数据的二氧化碳当量计算目标区域的碳汇量；根据碳汇量计算目标区域的碳汇价值，其中，碳汇量=二氧化碳数据-28×甲烷数据，目标区域总碳汇量×国际碳市场碳汇单价。该方法利用对参考区域的数据进行测量，得到二氧化碳和甲烷的预测模型，从而利用预测模型实现对目标区域的二氧化碳数据和甲烷数据，以便于实现后续的碳汇计算。同时，相较于其他碳汇价值计算方法中只计算二氧化碳或甲烷的方案，本申请结合了目标区域的二氧化碳数据和甲烷数据以得到净碳量，从而有效提高对灌区稻田碳汇价值计算的精度。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的一种灌区稻田碳汇价值计算方法流程示意图；
图2是本申请实施例提供的获取稻田种植结构的方法流程示意图；
图3是本申请实施例提供的二氧化碳和甲烷的测量方法流程示意图；
图4是本申请实施例提供的二氧化碳预测模型和甲烷预测模型的获得方法流程示意图；
图5是本申请实施例提供的一种灌区稻田碳汇价值计算系统结构框图。
附图标记：
200、灌区稻田碳汇价值计算系统；201、信息获取模块；202、信息处理模块；203、数据测量模块；204、模型处理模块；205、数据处理模块。
具体实施方式
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地描述。显然，所描述的实施例是本申请的一部分实施例，而不是全部实施例。基于本申请的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所得到的其他实施例，都属于本申请的保护范围。
以下，术语“第一”、“第二”等仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”等的特征可以明示或者隐含地包括一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
此外，本申请中，“上”、“下”、“内”、“外”等方位术语是相对于附图中的部件示意置放的方位来定义的，应当理解到，这些方向性术语是相对的概念，它们用于相对于的描述和澄清，其可以根据附图中部件所放置的方位的变化而相应地发生变化。
随着全球气候变暖，全世界对温室气体的关注越来越多。二氧化碳和甲烷作为两种重要的温室气体，其排放量对全球气候具有较大的影响。为缓解全球气候变暖，碳汇价值得到了越来越多的重视。碳汇是指自然界中碳的寄存体。减少碳源一般通过二氧化碳减排来实现，增加碳汇则主要采用固碳技术。农田土壤碳汇通过采用保护性耕作措施、扩大水田种植面积、增加秸秆还田、增加有机肥施用、采用轮作制度和土地利用方式等，让农田土壤由碳源转化为碳汇。因此，稻田碳汇价值也称为不可忽视的碳汇资源。
为了能够实现稻田碳汇价值的计算，目前常采用的方法为样方调查法和站点观测法。其中，样方调查法通过样地得到植被的平均碳密度，然后用不同植被碳密度和相应的面积相乘得到该生态系统的碳含量。但是这种方法过于依赖人工，时效性差。此外站点观测法最典型的是利用涡度相关法对二氧化碳或甲烷进行地基观测。涡度相关观测法能够提供较为准确的碳交换时空序列数据，但受到仪器成本、维护费用以及站点分布等因素的制约，同时对下垫面有较为苛刻的要求。虽然数据精度较高，但存在观测不完善，数据缺失的问题，不能在空间上完全覆盖。因此上述方法无法实现大面积的碳汇价值的精准计算。
为了实现灌区稻田碳汇价值的精准计算，本申请提供了一种灌区稻田碳汇价值计算方法及系统，其通过获取目标区域的主被动影像数据；根据主被动影像数据得到目标区域的稻田种植结构；根据稻田种植结构，确定需要选取的参数信息；选定参考区域，并对参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对参考区域的甲烷进行测量，得到甲烷实测数据；根据参考区域的参数信息和二氧化碳实测数据得到二氧化碳预测模型，根据参考区域的参数信息和甲烷实测数据得到的甲烷预测模型；将目标区域各个位置的参数信息带入二氧化碳预测模型得到目标区域的二氧化碳数据，将目标区域各个位置的参数信息带入甲烷预测模型得到目标区域的甲烷数据，将目标区域的甲烷数据乘以甲烷的全球增温潜势（GWP=28）得到目标区域甲烷数据的二氧化碳当量；根据二氧化碳数据和甲烷数据的二氧化碳当量计算目标区域的碳汇量；根据碳汇量计算目标区域的碳汇价值，其中，碳汇量=二氧化碳数据-28×甲烷数据，碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。该方法利用对参考区域的数据进行测量，得到二氧化碳和甲烷的预测模型，从而利用预测模型实现对目标区域的二氧化碳数据和甲烷数据，以便于实现后续的碳汇计算。同时，相较于其他碳汇价值计算方法中只计算二氧化碳或甲烷的方案，本申请结合了目标区域的二氧化碳数据和甲烷数据以得到净碳量，从而有效提高对灌区稻田碳汇价值计算的精度，能够解决国家碳达峰碳中和等重大战略规划实施中，稻田碳汇价值计算难题。
以下将结合具体实施方式对灌区稻田碳汇价值计算方法及系统进行详细介绍。
请参阅图1，本申请第一方面提供了一种灌区稻田碳汇价值计算方法，该方法包括：
步骤S1：获取目标区域的主被动影像数据。
步骤S2：根据主被动影像数据得到目标区域的稻田种植结构。
步骤S3：根据稻田种植结构，确定需要选取的参数信息。
在本实施例中，主被动影像数据包括主动雷达遥感数据和被动卫星光谱数据，通过主动雷达遥感数据和被动卫星光谱数据的结合，能够得到较为准确的参数信息，从而便于后续得到准确的预测模型。
在本实施例中，由于目标区域面积较大，其内部的种植结构会有所变化，而不同的种植结构对碳汇价值的计算也会产生影响，因此需要得到稻田种植结构，以实现对目标区域的碳汇价值的精准计算。
进一步地，上述的参数信息包括日夜地表温度、净辐射、土壤含水率、三维叶绿素以及植株高度。其中，由于被动遥感数据很难穿透下垫面的制备层，因此土壤含水率通过主动雷达数据获得，从而得到更加准确的土壤含水率。
示例性的，上述的土壤含水率可以通过对参考区域的一点的土壤进行实测，以得到该点的实测土壤含水率。根据SAR主动雷达数据以及水云模型得到后向散射系数，并根据该点的实测土壤含水率和后向散射系数得到参考区域的土壤含水率。即通过对一点的数据进行实测，并结合主动雷达遥感数据得到整个参考区域的土壤含水率，再进一步，还可以根据此方法以参考区域为点，推广至整个目标区域，从而便于后续得到目标区域的准确的土壤含水量。
具体地，日夜地表温度可以根据对参考区域的气象站点获取各个时间的地表温度，并结合被动卫星光谱数据获得全天段连续的日夜地表温度，从而得到准确的日夜温差。其中，用于计算日夜地表温度的被动卫星光谱数据为MODIS（Moderate-resolutionImaging Spectroradiometer，中分辨率成像光谱仪）日夜热红外波段数据。净辐射也是通过被动卫星光谱数据获得的，其可以通过陆地卫星数据获得。
一些实施例中，三维叶绿素和植株高度也是通过被动卫星光谱数据获得的。
进一步地，由于叶绿素是计算稻田碳汇价值计算的重要变量，而以往利用遥感方法反演叶绿素多为单一角度的遥感数据，只考虑了植被水平覆盖。为了得到准确的三维叶绿素和植株高度，本申请中用于获得三维叶绿素和植株高度的被动卫星光谱数据为多角度卫星光谱数据，从而能够提供植被的辐射方向性信息和隐含的植被立体结构特征，利用倾斜观测和多个观测角度组合的方式可以捕捉到作物的冠层结构和垂直结构，能显著改善传统垂直观测叶绿素反演精度较低的问题，进而通过多角度卫星光谱数据建立三维叶绿素估算模型以及植株高度估算模型，并得到三维叶绿素和植株高度的信息。
示例性的，多角度卫星光谱数据通过PROBA卫星、资源三号卫星、高分七号卫星、Terra卫星、Aqua卫星以及CartoSat-1卫星中的任意一种卫星搭载多角度传感器获得。步骤S4：选定参考区域，并对参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对参考区域的甲烷进行测量，得到甲烷实测数据。
在本实施例中，在我国南方多个省市均有大范围种植的稻田灌区，一个市的稻田种植面积十分庞大，为了能够实现对灌区稻田碳汇价值的计算，可以选取一块区域作为参考区域，通过参考区域建立预测模型，已推广至全部区域，从而得到目标区域的碳汇价值。可以理解的是，参考区域为目标区域中的一部分。
请结合图2，上述的步骤S2可以通过以下方法实现：
步骤S21：根据主被动影像数据以及NDVI模型形成NDVI时间序列数据集。
步骤S22：获得参考区域水稻种植样本点用于训练和验证机器学习算法。
步骤S23：基于得分策略输出待测目标像元的水稻类型。
利用处理后的遥感数据结合实地样本点形成水稻种植样本点，利用水稻种植样本点对多种机器学习模型同时训练并验证精度，将多个机器学习模型的精度输出至得分策略，通过得分策略识别判断像元的水稻类型。由于这一方法同步训练和测试了多种机器学习模型，且利用得分策略将多种机器学习模型有机地结合起来，用以判断识别单一模型难以区分的水稻细分类型，因此，本发明区分的地物非常精细，能够对“同物同谱”的多种不同水稻细分类型进行精细分类。同时，得分策略并非简单地比较多种机器学习模型的精度来输出水稻类型，而是创造性地将不同机器学习模型的精度作为权重赋值给对应的水稻类型，再合并相同水稻类型的赋分值，在此基础上比较综合赋分值并输出水稻类型。这种赋分合并再比较的过程中充分调用了多种机器学习方法的输出模型，有机地将多种机器学习方法结合起来对像元的水稻类型进行识别，大幅提升了识别的准确度，规避了单一模型的缺点，多种模型之间优势互补，因而能够对水稻细分类型进行精确分类。
在本实施例中，为了得到准确的预测模型，首先需要对参考区域的二氧化碳和甲烷进行实测，以得到二氧化碳实测数据和甲烷实测数据。
请结合图3，进一步地，可以利用涡度相关法实现对参考区域的二氧化碳和甲烷进行测量，其具体包括：
步骤S41：获取气体通量，该气体通量至少包括水通量。
步骤S42：根据水通量计算蒸散发量。
在本实施例中，在得到水通量后，根据公式①和公式②分别得到半小时尺度和日出度下的蒸散发量；
； 公式①
； 公式②
其中，FH2O为半小时尺度的H2O通量，单位为mmol/（m2•s）；ET30为半小时尺度的蒸散发量，单位为mm/d；ET为日尺度蒸散发量，单位为mm/d。
步骤S43：根据蒸散发量得到二氧化碳实测数据和甲烷实测数据。
步骤S5：根据参考区域的参数信息和二氧化碳实测数据得到二氧化碳预测模型，根据参考区域的参数信息和甲烷实测数据得到的甲烷预测模型。
请结合图4，进一步地，实现上述步骤S5的方法包括：
步骤S51：将参数信息作为自变量，将二氧化碳实测数据和甲烷实测数据分别作为因变量。
步骤S52：根据自变量和因变量得到参数信息与二氧化碳实测数据、参数信息与甲烷实测数据的对应关系。
步骤S53：将对应关系作为二氧化碳预测模型、甲烷预测模型。
其中，二氧化碳预测模型为：，
甲烷预测模型为：，
上述模型中为日夜地表温度数据，/>为净辐射数据，/>为土壤含水率数据，为三维叶绿素数据，/>为植株高度数据。
在本实施例中，通过将参数信息作为自变量，将二氧化碳实测数据和甲烷实测数据作为因变量，可以通过参数信息与二氧化碳实测数据和甲烷实测数据之间的相关性，得到用于调配自变量的调配系数，以使得参数信息在调配系数的调整下，实现与二氧化碳实测数据和甲烷实测数据的一一对应关系，从而得到二氧化碳预测模型、甲烷预测模型。
以对应关系为多元线性关系为例，二氧化碳预测模型的具体关系函数可以为：
公式③
甲烷预测模型的具体关系函数可以为：
公式④
上述公式③和公式④中的a1、b1、c1、d1、e1、k1、a2、b2、c2、d2、e2、k2均根据实测数据与参数信息的关系计算获得。
值得说明的是，在其他示例中，二氧化碳预测模型与甲烷预测模型也可以为多元非线性关系，在本实施例中不作限定。
步骤S6：将目标区域各个位置的参数信息带入二氧化碳预测模型得到目标区域的二氧化碳数据，将目标区域各个位置的参数信息带入甲烷预测模型得到目标区域的甲烷数据，将目标区域的甲烷数据乘以甲烷的全球增温潜势（GWP=28）得到目标区域甲烷数据的二氧化碳当量。
在本实施例中，在得到预测模型后，将目标区域的参数信息带入，则可以得到目标区域内各个点的二氧化碳数据和甲烷数据，再将各个点的二氧化碳数据进行求和得到目标区域内的总二氧化碳数据，将各个点的甲烷数据进行求和得到目标区域内的总甲烷数据，从而能够得到更为准确的二氧化碳数据和甲烷数据。可以理解的是，在应用预测模型时，需要利用主被动影像数据得到目标区域的参数信息，并带入预测模型，才能够得到目标区域的二氧化碳数据和甲烷数据。
步骤S7：根据二氧化碳数据和甲烷数据的二氧化碳当量计算目标区域的碳汇量。
在本实施例中，为了提高对灌区稻田碳汇价值的计算精度，通过二氧化碳数据和甲烷数据的二氧化碳当量得到目标区域的碳汇量，该碳汇量为净碳汇量。且净碳汇量等于二氧化碳数据与甲烷数据的二氧化碳当量之差。
步骤S8：根据碳汇量计算目标区域的碳汇价值。
在本实施例中，在得到碳汇量后，可以根据碳汇价值，计算目标其余的碳汇价值。其中，碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。
示例性的，根据国际碳市场的行情，可以将碳汇量转化为碳汇价值。例如，目前主流综合评估模型对碳社会成本估计的中值为30~40美元/吨二氧化碳，假设国际碳市场每吨碳汇量价格为35美元，那么灌区稻田每吨碳汇量价值就是35美元。如果灌区稻田总面积为1000亩，每亩稻田的净碳汇量为0.5吨，则每亩稻田的碳汇价值为17.5美元，那么整个灌区的碳汇价值就是17500美元。也可以使用市场上的碳排放权价格。
一种实施方式中，当需要对下一目标区域的碳汇价值进行计算时，灌区稻田碳汇价值计算方法还包括：
步骤S91：选取下一目标区域的局部位置作为标定参考区域。
在本实施例中，通过在下一目标区域的局部位置选取标定参考区域，可以利用标定参考区域对上一目标区域中获取的二氧化碳预测模型以及甲烷预测模型进行修正，从而不需要对下一目标区域再进行一次二氧化碳预测模型以及甲烷预测模型的获取和计算。
步骤S92：对标定参考区域的二氧化碳进行测量，得到标定二氧化碳实测数据，对标定参考区域的甲烷进行测量，得到标定甲烷实测数据。
步骤S93：利用标定二氧化碳实测数据对上一目标区域中获得的二氧化碳预测模型进行修正，得到修正二氧化碳预测模型，利用标定甲烷实测数据对上一目标区域中获得的甲烷预测模型进行修正，得到修正甲烷预测模型。
步骤S94：利用修正二氧化碳预测模型和修正甲烷预测模型进行碳汇计算。
其中，修正二氧化碳预测模型为：
公式⑤
修正甲烷预测模型为：
公式⑥
上述模型中的m、n、p、q均为下一目标区域的本地化标定系数，为上一目标区域的二氧化碳预测模型，/>为上一目标区域的甲烷预测模型。
在本实施例中，在得到标定参考区域的标定二氧化碳实测数据和标定甲烷实测数据后，可以利用本地化标定系数对上一目标区域中得到的二氧化碳预测模型和甲烷预测模型进行修正，以得到适合下一目标区域的预测模型，从而提高下一目标区域的碳汇价值计算准确性。
值得说明的是，对于不同区域的参数信息特征可能会存在不同。而，本申请实施例提供的方法中，能够利用下一目标区域中的实测数据对第一个目标区域中得到的预测模型进行修正，从而得到适合于下一目标区域的预测模型，以便于进行碳汇价值计算。这样，不仅能够实现对下一目标区域的碳汇价值的准确计算，还能够提高计算效率。
可以理解的是，当存在多个目标区域时，可以选取其中一个目标区域先计算预测模型，再通过对先前得到的预测模型对进行后续目标区域的本地化修正，从而实现对多个目标区域的碳汇价值的计算。
示例性的，利用本申请提出的方法，以某大型灌区为例。
该大型灌区的稻田稻种植面积为100万亩，利用主动雷达和被动卫星对该大型灌区采集主被动影像数据。
根据采集到的主被动影像数据得到参考区域的稻田种植结构，如，能够确认为双季稻种植区。
根据该大型灌区的稻田种植结构确认需要采集的参数信息。其中，可以确认需要采集的参数信息为日夜地表温度、净辐射、土壤含水率、三维叶绿素以及植株高度。上述参数信息可以通过主被动影像信息获得。
由于该大型灌区的总面积较大，可以选取局部位置作为参考区域，并对参考区域的二氧化碳和甲烷进行实测，得到实测二氧化碳数据和实测甲烷数据。
将参考区域内的参数信息作为自变量，参考区域内的实测二氧化碳数据作为因变量，建立二氧化碳数据与参数信息的多元线性关系式，求解关系式中的各项系数，从而得到二氧化碳预测模型。
同理，甲烷预测模型获得方式与二氧化碳预测模型获得方式形同。
得到上述的公式③和公式④。
将目标区域的各个位置的参数信息分别带入到上述的公式③和公式④，则可以得到各个位置的二氧化碳数据和甲烷数据的二氧化碳当量。
一种实现方式中，对各个位置的二氧化碳数据进行求和，得到该大型灌区的总二氧化碳数据，对各个位置的甲烷数据的二氧化碳当量进行求和，得到该大型灌区的总甲烷数据的二氧化碳当量。利用二氧化碳数据与甲烷数据的二氧化碳当量差值得到该大型灌区的碳汇量。
另一种实现方式中，计算各个位置的二氧化碳数据与甲烷数据的二氧化碳当量的差值，得到各个位置的碳汇量。对各个位置的碳汇量进行求和，则可以得到总碳汇量。
得到总碳汇量后，可以计算碳汇价值，这时碳汇价值等于总面积的碳汇量乘以碳汇单价。
如利用本申请提供的碳汇计算方法估算得到灌区100万亩稻田灌区的碳汇总量为45万吨。若国际每吨碳汇当年价格为35美元，因此，该灌区当年碳汇价值为1575万美元。
请参阅图5，为了实现上述目的，第二方面本申请提供了一种灌区稻田碳汇价值计算系统200，该系统采用上述第一方面的计算方法对灌区稻田碳汇价值进行计算，包括：信息获取模块201、信息处理模块202、数据测量模块203、模型处理模块204以及数据处理模块205。其中信息获取模块201用于获取目标区域主被动影像数据；信息处理模块202用于根据主被动影像数据得到目标区域的稻田种植结构，并根据稻田种植结构，确定需要选取的参数信息；数据测量模块203用于对参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对参考区域的甲烷进行测量，得到甲烷实测数据；模型处理模块204用于根据参考区域的参数信息和二氧化碳实测数据得到二氧化碳预测模型，根据参考区域的参数信息和甲烷实测数据得到的甲烷预测模型；数据处理模块205用于将所目标区域各个位置的参数信息带入二氧化碳预测模型得到目标区域的二氧化碳数据，将目标区域各个位置的参数信息带入甲烷预测模型得到目标区域的甲烷数据，将目标区域的甲烷数据乘以甲烷的全球增温潜势（GWP=28）得到目标区域甲烷数据的二氧化碳当量，并根据二氧化碳数据和甲烷数据的二氧化碳当量计算目标区域的碳汇量，以根据碳汇量计算目标区域的碳汇价值，其中，碳汇量=二氧化碳数据-28×甲烷数据，碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。该系统能够实现对大面积灌区稻田的碳汇价值的高效、准确的计算，有助于解决碳汇价值计算的难题。
需要说明的是，本领域技术人员在考虑说明书及实践这里公开的申请后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围由权利要求指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。
Claims (8)
1.一种灌区稻田碳汇价值计算方法，其特征在于，包括：
获取目标区域的主被动影像数据；
根据所述主被动影像数据得到所述目标区域的稻田种植结构；
根据所述稻田种植结构，确定需要选取的参数信息，所述参数信息包括日夜地表温度、净辐射、土壤含水率、三维叶绿素以及植株高度；
选定参考区域，并对所述参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对所述参考区域的甲烷进行测量，得到甲烷实测数据；
根据所述参考区域的所述参数信息和所述二氧化碳实测数据得到二氧化碳预测模型，根据所述参考区域的所述参数信息和所述甲烷实测数据得到的甲烷预测模型，包括：将所述参数信息作为自变量，将所述二氧化碳实测数据和所述甲烷实测数据分别作为因变量；根据所述自变量和所述因变量得到所述参数信息与所述二氧化碳实测数据、所述参数信息与所述甲烷实测数据的对应关系；将所述对应关系作为所述二氧化碳预测模型、所述甲烷预测模型；其中，所述二氧化碳预测模型为：
；
所述甲烷预测模型为：
，
上述模型中为日夜地表温度数据，/>为净辐射数据，/>为土壤含水率数据，/>为三维叶绿素数据，/>为植株高度数据，a1、b1、c1、d1、e1、k1、a2、b2、c2、d2、e2、k2均为系数；
将所述目标区域各个位置的所述参数信息带入所述二氧化碳预测模型得到所述目标区域的二氧化碳数据，将所述目标区域各个位置的所述参数信息带入所述甲烷预测模型得到所述目标区域的甲烷数据，将所述目标区域的所述甲烷数据乘以甲烷的全球增温潜势得到所述目标区域的甲烷数据的二氧化碳当量，其中全球增温潜势GWP=28；
根据所述二氧化碳数据和所述甲烷数据的二氧化碳当量计算所述目标区域的碳汇量；
根据所述碳汇量计算所述目标区域的碳汇价值，
其中，所述碳汇量=二氧化碳数据-28×甲烷数据，
所述碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。
2.根据权利要求1所述的灌区稻田碳汇价值计算方法，其特征在于，所述主被动影像数据包括主动雷达遥感数据和被动卫星光谱数据。
3.根据权利要求2所述的灌区稻田碳汇价值计算方法，其特征在于，所述土壤含水率通过所述主动雷达数据获得，所述日夜地表温度、所述净辐射、所述三维叶绿素以及所述植株高度通过所述被动卫星光谱数据获得。
4.根据权利要求3所述的灌区稻田碳汇价值计算方法，其特征在于，所述被动卫星光谱数据包括多角度卫星光谱数据，以通过所述多角度卫星光谱数据建立三维叶绿素估算模型以及植株高度估算模型，并得到所述三维叶绿素和所述植株高度的信息。
5.根据权利要求4所述的灌区稻田碳汇价值计算方法，其特征在于，所述多角度卫星光谱数据通过PROBA卫星、资源三号卫星、高分七号卫星、Terra卫星、Aqua卫星以及CartoSat-1卫星中的任意一种卫星搭载多角度传感器获得。
6.根据权利要求1-5任一项所述的灌区稻田碳汇价值计算方法，其特征在于，
所述根据所述主被动影像数据获取所述目标区域的稻田种植结构包括：
根据所述主被动影像数据以及NDVI模型形成NDVI时间序列数据集；
获得所述参考区域水稻种植样本点用于训练和验证机器学习算法；
基于得分策略输出待测目标像元的水稻类型；
所述对所述参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对所述参考区域的甲烷进行测量，得到甲烷实测数据包括：
利用涡度相关法对所述参考区域的二氧化碳和甲烷进行测量。
7.根据权利要求1-5任一项所述的灌区稻田碳汇价值计算方法，其特征在于，当需要对下一目标区域的碳汇价值计算时，所述灌区稻田碳汇价值计算方法还包括：
选取下一目标区域的局部位置作为标定参考区域；
对所述标定参考区域的二氧化碳进行测量，得到标定二氧化碳实测数据，对所述标定参考区域的甲烷进行测量，得到标定甲烷实测数据；
利用所述标定二氧化碳实测数据对上一目标区域中获得的所述二氧化碳预测模型进行修正，得到修正二氧化碳预测模型，利用所述标定甲烷实测数据对上一目标区域中获得的所述甲烷预测模型进行修正，得到修正甲烷预测模型；
利用所述修正二氧化碳预测模型和所述修正甲烷预测模型进行碳汇计算；
其中，所述修正二氧化碳预测模型为：；
所述修正甲烷预测模型为：；
上述模型中的m、n、p、q均为下一目标区域的本地化标定系数，为所述上一目标区域的二氧化碳预测模型，/>为所述上一目标区域的甲烷预测模型。
8.一种灌区稻田碳汇价值计算系统，其特征在于，应用如权利要求1-7任一项所述的计算方法对灌区稻田碳汇价值进行计算，包括：
信息获取模块，用于获取所述目标区域主被动影像数据；
信息处理模块，用于根据所述主被动影像数据得到所述目标区域的稻田种植结构，并根据所述稻田种植结构，确定需要选取的参数信息，所述参数信息包括日夜地表温度、净辐射、土壤含水率、三维叶绿素以及植株高度；
数据测量模块，用于对所述参考区域的二氧化碳进行测量，得到二氧化碳实测数据，对所述参考区域的甲烷进行测量，得到甲烷实测数据；
模型处理模块，用于根据所述参考区域的所述参数信息和所述二氧化碳实测数据得到二氧化碳预测模型，根据所述参考区域的所述参数信息和所述甲烷实测数据得到的甲烷预测模型，包括：将所述参数信息作为自变量，将所述二氧化碳实测数据和所述甲烷实测数据分别作为因变量；根据所述自变量和所述因变量得到所述参数信息与所述二氧化碳实测数据、所述参数信息与所述甲烷实测数据的对应关系；将所述对应关系作为所述二氧化碳预测模型、所述甲烷预测模型；其中，所述二氧化碳预测模型为：
；
所述甲烷预测模型为：
，
上述模型中为日夜地表温度数据，/>为净辐射数据，/>为土壤含水率数据，/>为三维叶绿素数据，/>为植株高度数据，a1、b1、c1、d1、e1、k1、a2、b2、c2、d2、e2、k2均为系数；
数据处理模块，用于将所述目标区域各个位置的所述参数信息带入所述二氧化碳预测模型得到所述目标区域的二氧化碳数据，将所述目标区域各个位置的所述参数信息带入所述甲烷预测模型得到所述目标区域的甲烷数据，将所述目标区域的所述甲烷数据乘以甲烷的全球增温潜势得到所述目标区域的甲烷数据的二氧化碳当量，其中全球增温潜势GWP=28，并根据所述二氧化碳数据和所述甲烷数据的二氧化碳当量计算所述目标区域的碳汇量，以根据所述碳汇量计算所述目标区域的碳汇价值，
其中，所述碳汇量=二氧化碳数据-28×甲烷数据，
所述碳汇价值=目标区域总碳汇量×国际碳市场碳汇单价。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421273.9A CN117153291B (zh) | 2023-10-31 | 2023-10-31 | 一种灌区稻田碳汇价值计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311421273.9A CN117153291B (zh) | 2023-10-31 | 2023-10-31 | 一种灌区稻田碳汇价值计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117153291A CN117153291A (zh) | 2023-12-01 |
| CN117153291B true CN117153291B (zh) | 2024-01-02 |
Family
ID=88906519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311421273.9A Active CN117153291B (zh) | 2023-10-31 | 2023-10-31 | 一种灌区稻田碳汇价值计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117153291B (zh) |
Citations (48)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009054738A1 (en) * | 2007-10-26 | 2009-04-30 | Biomass Solutions (Singapore) Pte Limited | Monitoring system and method |
| WO2011064730A1 (fr) * | 2009-11-26 | 2011-06-03 | Tanguy Griffon | Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee |
| WO2012002482A1 (ja) * | 2010-06-30 | 2012-01-05 | 株式会社パスコ | 二酸化炭素吸収効果の評価方法および評価装置 |
| WO2013063648A2 (en) * | 2011-11-01 | 2013-05-10 | Offset Generation Services Pty Ltd | A method of carbon farming |
| KR101361653B1 (ko) * | 2012-10-19 | 2014-02-12 | 한국표준과학연구원 | 벼재배 메탄 배출량의 불확도 평가 방법 |
| WO2015077063A1 (en) * | 2013-11-25 | 2015-05-28 | Wellaware Holdings, Inc. | Modeling potentially hazardous sites and predicting hazardous conditions |
| WO2019046968A1 (en) * | 2017-09-11 | 2019-03-14 | Agrisoma Biosciences Inc. | METHODS OF AGRICULTURALLY PRODUCING PLANTS OF OILSEEDS OF BRASSICA CARINATA |
| WO2020165701A1 (en) * | 2019-02-15 | 2020-08-20 | AGROROBOTICA S.r.l. | Insect attack risk prediction system and method |
| CN112819365A (zh) * | 2021-02-23 | 2021-05-18 | 中国科学院空天信息创新研究院 | 碳汇检测方法、装置及存储介质和电子设备 |
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
| CN114048955A (zh) * | 2021-10-15 | 2022-02-15 | 深圳安志生态环境有限公司 | 一种建筑碳排放监管系统 |
| CN114088916A (zh) * | 2021-11-19 | 2022-02-25 | 山西伟爱量子生态科技有限公司 | 一种用于碳汇农业的增加土壤碳储备的方法 |
| WO2022126137A1 (en) * | 2020-12-12 | 2022-06-16 | Blue Sky Measurements, Inc. | Methane monitoring and detection apparatus and methods |
| CN114648705A (zh) * | 2022-03-28 | 2022-06-21 | 王大成 | 一种基于卫星遥感的碳汇监测系统及方法 |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN114896561A (zh) * | 2022-05-07 | 2022-08-12 | 安徽农业大学 | 一种基于遥感算法的湿地碳储量计算方法 |
| CN114926100A (zh) * | 2022-07-18 | 2022-08-19 | 中科海慧（北京）科技有限公司 | 一种基于卫星遥感的碳监控模型构建方法及系统 |
| CN115128015A (zh) * | 2022-09-02 | 2022-09-30 | 上海航天空间技术有限公司 | 基于线性渐变滤光片的高分辨率碳监测卫星 |
| 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 |
| CN115186519A (zh) * | 2022-09-09 | 2022-10-14 | 清华大学深圳国际研究生院 | 一种基于可变系统边界情景的农业碳足迹计量方法及装置 |
| CN115187441A (zh) * | 2022-05-31 | 2022-10-14 | 箩筐遥感技术有限公司 | 一种草原固碳量计算方法及装置、存储介质、计算机设备 |
| CN115239175A (zh) * | 2022-08-03 | 2022-10-25 | 北京市生态环境保护科学研究院 | 一种陆地生态系统生产总值的快速估算方法及其系统 |
| CN115374629A (zh) * | 2022-08-19 | 2022-11-22 | 生态环境部环境规划院 | 一种预测森林碳汇变化及空间分布的方法及系统 |
| CN115452822A (zh) * | 2022-08-24 | 2022-12-09 | 武汉大学 | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 |
| CN115474455A (zh) * | 2022-10-26 | 2022-12-16 | 中城建胜义(深圳)环境科技有限公司 | 一种用微生物菌剂提高城市绿地碳汇能力和碳减排的方法 |
| 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 |
| CN115561197A (zh) * | 2022-11-10 | 2023-01-03 | 中科海慧（天津）科技有限公司 | 一种基于卫星遥感的碳监测系统及方法 |
| CN115656105A (zh) * | 2022-10-27 | 2023-01-31 | 中国科学院南京地理与湖泊研究所 | 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 |
| US11585802B1 (en) * | 2021-11-11 | 2023-02-21 | Institute of Geology And Geophysics, CAS | Method and system for predicting disturbance response to injection of carbon dioxide into multiscale rock mass |
| KR102502154B1 (ko) * | 2022-07-08 | 2023-02-22 | 에스케이임업 주식회사 | 이산화탄소 포집량 예측 시스템 |
| EP4145365A1 (en) * | 2021-09-03 | 2023-03-08 | Tata Consultancy Services Limited | Method and system for assessing soil carbon sequestration of a farm based on remote sensing |
| CN115796344A (zh) * | 2022-11-21 | 2023-03-14 | 赵忠宝 | 一种区域尺度上森林植被碳储量的估算方法 |
| CN115829812A (zh) * | 2022-12-09 | 2023-03-21 | 浙江智慧划云科技有限公司 | 一种基于生态系统模拟的碳汇量测算方法及系统 |
| CN115879630A (zh) * | 2022-12-17 | 2023-03-31 | 西安交通大学 | 基于土地利用的碳排放即时表征与预测的方法及装置 |
| 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 |
| CN115965102A (zh) * | 2022-04-14 | 2023-04-14 | 河北省水文工程地质勘查院(河北省遥感中心) | 一种碳排放时空大数据的定位和计算方法及系统 |
| WO2023064401A1 (en) * | 2021-10-12 | 2023-04-20 | Schlumberger Technology Corporation | Field emissions system |
| CN116050163A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院新疆生态与地理研究所 | 一种基于气象站的生态系统碳水通量计算方法及系统 |
| WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| CN116189813A (zh) * | 2023-04-18 | 2023-05-30 | 南京大学 | 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法 |
| WO2023095039A1 (en) * | 2021-11-24 | 2023-06-01 | Dendra Systems Ltd. | Generating an above ground biomass density prediction model |
| CN116542537A (zh) * | 2023-06-25 | 2023-08-04 | 北京林业大学 | 用于增加碳汇的绿色空间规划方法、系统、设备及介质 |
| CN116646918A (zh) * | 2023-04-27 | 2023-08-25 | 华北电力大学 | 一种电力系统电-氢联合低碳调度方法及系统 |
| WO2023159739A1 (zh) * | 2022-02-28 | 2023-08-31 | 中国科学院空天信息创新研究院 | 基于临近空间浮空器的光学卫星遥感传递定标方法 |
| WO2023165336A1 (zh) * | 2022-03-03 | 2023-09-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
| CN116777082A (zh) * | 2023-08-17 | 2023-09-19 | 北京建工环境修复股份有限公司 | 基于资源预估的农田碳排放预测方法及系统 |
| WO2023201552A1 (en) * | 2022-04-20 | 2023-10-26 | Southeast University | County-wide photovoltaic prediction method based on cluster division and data enhancement |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8092118B2 (en) * | 2009-07-31 | 2012-01-10 | Earth Renaissance Technologies, Llc | Carbon sequestration method |
| WO2018049290A1 (en) * | 2016-09-09 | 2018-03-15 | Cibo Technologies, Inc. | Systems for determining agronomic outputs for a farmable region, and related methods and apparatus |
| US10184883B2 (en) * | 2016-11-17 | 2019-01-22 | Lawrence Livermore National Security, Llc | Detecting isotopologues of carbon dioxide in the atmosphere in concomitance of water or methane |
| US10935940B2 (en) * | 2017-08-03 | 2021-03-02 | Johnson Controls Technology Company | Building management system with augmented deep learning using combined regression and artificial neural network modeling |
| US20200027096A1 (en) * | 2017-11-07 | 2020-01-23 | Jason Ryan Cooner | System, business and technical methods, and article of manufacture for utilizing internet of things technology in energy management systems designed to automate the process of generating and/or monetizing carbon credits |
| US11126762B2 (en) * | 2018-02-28 | 2021-09-21 | Saudi Arabian Oil Company | Locating new hydrocarbon fields and predicting reservoir performance from hydrocarbon migration |
| US20220061236A1 (en) * | 2020-08-25 | 2022-03-03 | The Board Of Trustees Of The University Of Illinois | Accessing agriculture productivity and sustainability |
| US20220374912A1 (en) * | 2021-05-16 | 2022-11-24 | Ning Zeng | Method and system for wood harvest and storage, carbon sequestration and carbon management |
| US20230162441A1 (en) * | 2021-11-24 | 2023-05-25 | Dendra Systems Ltd. | Generating an above ground biomass prediction model |
| CN114037911B (zh) * | 2022-01-06 | 2022-04-15 | 武汉大学 | 一种顾及生态分区的大尺度森林高度遥感反演方法 |
| US20230324291A1 (en) * | 2022-04-07 | 2023-10-12 | Blue Sky Measurements, Inc. | Methane monitoring and detection apparatus and methods |
-
2023
- 2023-10-31 CN CN202311421273.9A patent/CN117153291B/zh active Active
Patent Citations (48)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2009054738A1 (en) * | 2007-10-26 | 2009-04-30 | Biomass Solutions (Singapore) Pte Limited | Monitoring system and method |
| WO2011064730A1 (fr) * | 2009-11-26 | 2011-06-03 | Tanguy Griffon | Methode de mesure des emissions hebdomadaires et annuelles d'un gaz a effet de serre sur une surface donnee |
| WO2012002482A1 (ja) * | 2010-06-30 | 2012-01-05 | 株式会社パスコ | 二酸化炭素吸収効果の評価方法および評価装置 |
| WO2013063648A2 (en) * | 2011-11-01 | 2013-05-10 | Offset Generation Services Pty Ltd | A method of carbon farming |
| KR101361653B1 (ko) * | 2012-10-19 | 2014-02-12 | 한국표준과학연구원 | 벼재배 메탄 배출량의 불확도 평가 방법 |
| WO2015077063A1 (en) * | 2013-11-25 | 2015-05-28 | Wellaware Holdings, Inc. | Modeling potentially hazardous sites and predicting hazardous conditions |
| WO2019046968A1 (en) * | 2017-09-11 | 2019-03-14 | Agrisoma Biosciences Inc. | METHODS OF AGRICULTURALLY PRODUCING PLANTS OF OILSEEDS OF BRASSICA CARINATA |
| WO2020165701A1 (en) * | 2019-02-15 | 2020-08-20 | AGROROBOTICA S.r.l. | Insect attack risk prediction system and method |
| WO2021226976A1 (zh) * | 2020-05-15 | 2021-11-18 | 安徽中科智能感知产业技术研究院有限责任公司 | 一种基于深度神经网络的土壤速效养分反演方法 |
| WO2022126137A1 (en) * | 2020-12-12 | 2022-06-16 | Blue Sky Measurements, Inc. | Methane monitoring and detection apparatus and methods |
| WO2022166939A1 (zh) * | 2021-02-08 | 2022-08-11 | 南京农业大学 | 一种基于Sentinel-2卫星影像红边波段改进小麦生长早期叶面积指数估算的方法 |
| CN112819365A (zh) * | 2021-02-23 | 2021-05-18 | 中国科学院空天信息创新研究院 | 碳汇检测方法、装置及存储介质和电子设备 |
| 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 |
| EP4145365A1 (en) * | 2021-09-03 | 2023-03-08 | Tata Consultancy Services Limited | Method and system for assessing soil carbon sequestration of a farm based on remote sensing |
| WO2023064401A1 (en) * | 2021-10-12 | 2023-04-20 | Schlumberger Technology Corporation | Field emissions system |
| CN114048955A (zh) * | 2021-10-15 | 2022-02-15 | 深圳安志生态环境有限公司 | 一种建筑碳排放监管系统 |
| US11585802B1 (en) * | 2021-11-11 | 2023-02-21 | Institute of Geology And Geophysics, CAS | Method and system for predicting disturbance response to injection of carbon dioxide into multiscale rock mass |
| CN114088916A (zh) * | 2021-11-19 | 2022-02-25 | 山西伟爱量子生态科技有限公司 | 一种用于碳汇农业的增加土壤碳储备的方法 |
| WO2023087630A1 (zh) * | 2021-11-22 | 2023-05-25 | 浙江大学 | 一种利用遥感构建指数估算秸秆残留农田土壤盐分的方法 |
| WO2023095039A1 (en) * | 2021-11-24 | 2023-06-01 | Dendra Systems Ltd. | Generating an above ground biomass density prediction model |
| CN113919448A (zh) * | 2021-12-14 | 2022-01-11 | 武汉大学 | 一种任意时空位置二氧化碳浓度预测影响因素分析方法 |
| WO2023159739A1 (zh) * | 2022-02-28 | 2023-08-31 | 中国科学院空天信息创新研究院 | 基于临近空间浮空器的光学卫星遥感传递定标方法 |
| WO2023165336A1 (zh) * | 2022-03-03 | 2023-09-07 | 阿里巴巴达摩院(杭州)科技有限公司 | 大气污染物排放通量处理方法、存储介质以及计算机终端 |
| CN114648705A (zh) * | 2022-03-28 | 2022-06-21 | 王大成 | 一种基于卫星遥感的碳汇监测系统及方法 |
| CN115965102A (zh) * | 2022-04-14 | 2023-04-14 | 河北省水文工程地质勘查院(河北省遥感中心) | 一种碳排放时空大数据的定位和计算方法及系统 |
| WO2023201552A1 (en) * | 2022-04-20 | 2023-10-26 | Southeast University | County-wide photovoltaic prediction method based on cluster division and data enhancement |
| CN114896561A (zh) * | 2022-05-07 | 2022-08-12 | 安徽农业大学 | 一种基于遥感算法的湿地碳储量计算方法 |
| CN115187441A (zh) * | 2022-05-31 | 2022-10-14 | 箩筐遥感技术有限公司 | 一种草原固碳量计算方法及装置、存储介质、计算机设备 |
| 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 |
| KR102502154B1 (ko) * | 2022-07-08 | 2023-02-22 | 에스케이임업 주식회사 | 이산화탄소 포집량 예측 시스템 |
| CN114926100A (zh) * | 2022-07-18 | 2022-08-19 | 中科海慧（北京）科技有限公司 | 一种基于卫星遥感的碳监控模型构建方法及系统 |
| CN115239175A (zh) * | 2022-08-03 | 2022-10-25 | 北京市生态环境保护科学研究院 | 一种陆地生态系统生产总值的快速估算方法及其系统 |
| CN115374629A (zh) * | 2022-08-19 | 2022-11-22 | 生态环境部环境规划院 | 一种预测森林碳汇变化及空间分布的方法及系统 |
| CN115452822A (zh) * | 2022-08-24 | 2022-12-09 | 武汉大学 | 基于遥感和农田信息获取稻田甲烷排放通量的方法及装置 |
| CN115128015A (zh) * | 2022-09-02 | 2022-09-30 | 上海航天空间技术有限公司 | 基于线性渐变滤光片的高分辨率碳监测卫星 |
| CN115186519A (zh) * | 2022-09-09 | 2022-10-14 | 清华大学深圳国际研究生院 | 一种基于可变系统边界情景的农业碳足迹计量方法及装置 |
| CN115474455A (zh) * | 2022-10-26 | 2022-12-16 | 中城建胜义(深圳)环境科技有限公司 | 一种用微生物菌剂提高城市绿地碳汇能力和碳减排的方法 |
| CN115656105A (zh) * | 2022-10-27 | 2023-01-31 | 中国科学院南京地理与湖泊研究所 | 富营养化藻型水体甲烷扩散排放的卫星遥感监测方法 |
| CN115561197A (zh) * | 2022-11-10 | 2023-01-03 | 中科海慧（天津）科技有限公司 | 一种基于卫星遥感的碳监测系统及方法 |
| CN115796344A (zh) * | 2022-11-21 | 2023-03-14 | 赵忠宝 | 一种区域尺度上森林植被碳储量的估算方法 |
| CN115829812A (zh) * | 2022-12-09 | 2023-03-21 | 浙江智慧划云科技有限公司 | 一种基于生态系统模拟的碳汇量测算方法及系统 |
| CN115879630A (zh) * | 2022-12-17 | 2023-03-31 | 西安交通大学 | 基于土地利用的碳排放即时表征与预测的方法及装置 |
| CN116050163A (zh) * | 2023-01-16 | 2023-05-02 | 中国科学院新疆生态与地理研究所 | 一种基于气象站的生态系统碳水通量计算方法及系统 |
| 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 |
| CN116189813A (zh) * | 2023-04-18 | 2023-05-30 | 南京大学 | 一种基于卫星大气甲烷浓度估算稻田甲烷排放通量的方法 |
| CN116646918A (zh) * | 2023-04-27 | 2023-08-25 | 华北电力大学 | 一种电力系统电-氢联合低碳调度方法及系统 |
| CN116542537A (zh) * | 2023-06-25 | 2023-08-04 | 北京林业大学 | 用于增加碳汇的绿色空间规划方法、系统、设备及介质 |
| CN116777082A (zh) * | 2023-08-17 | 2023-09-19 | 北京建工环境修复股份有限公司 | 基于资源预估的农田碳排放预测方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| "退养还湖"前后东太湖CO2和CH4通量的变化及影响因素;蒲旖旎;《中国博士学位论文全文数据库 工程科技I辑》(第1期);B027-10 * |
| Predicting catchment-scale methane fluxes with multi-source remote sensing;Räsänen, Aleksi等;《Landscape Ecology》;第36卷;1177-1195 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117153291A (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Huang et al. | Jointly assimilating MODIS LAI and ET products into the SWAP model for winter wheat yield estimation | |
| Rozenstein et al. | Estimating cotton water consumption using a time series of Sentinel-2 imagery | |
| Yang et al. | MODIS leaf area index products: From validation to algorithm improvement | |
| Ma et al. | Estimating regional winter wheat yield by assimilation of time series of HJ-1 CCD NDVI into WOFOST–ACRM model with Ensemble Kalman Filter | |
| Jang et al. | Mapping evapotranspiration using MODIS and MM5 four-dimensional data assimilation | |
| CN105303063A (zh) | 融合物候数据与遥感数据的叶面积指数反演方法及系统 | |
| Montzka et al. | Modelling the water balance of a mesoscale catchment basin using remotely sensed land cover data | |
| Khan et al. | Mapping MODIS LST NDVI imagery for drought monitoring in Punjab Pakistan | |
| Ahmad et al. | Satellite remote sensing and GIS-based crops forecasting & estimation system in Pakistan | |
| CN112991247A (zh) | 冬小麦蒸散遥感反演及与作物模型同化方法 | |
| Cheng et al. | Mapping paddy rice yield in Zhejiang Province using MODIS spectral index | |
| Jeong et al. | Geographical variations in gross primary production and evapotranspiration of paddy rice in the Korean Peninsula | |
| Park et al. | Improvement of satellite-based estimation of gross primary production through optimization of meteorological parameters and high resolution land cover information at regional scale over East Asia | |
| CN117153291B (zh) | 一种灌区稻田碳汇价值计算方法及系统 | |
| CN113139273A (zh) | 基于热平流对非均匀下垫面蒸散发的计算方法、系统及应用 | |
| Cheng et al. | Improving soil available nutrient estimation by integrating modified WOFOST model and time-series earth observations | |
| Dwivedi et al. | Assessment of rice biomass production and yield using semi-physical approach and remotely sensed data | |
| CN107843569B (zh) | 一种遥感影像中混合像元的日蒸散量的计算方法和系统 | |
| RU2705549C1 (ru) | Способ агрохимического обследования земель сельскохозяйственного назначения | |
| Ren et al. | Using the vegetation-solar radiation (VSr) model to estimate the short-term gross primary production (GPP) of vegetation in Jinghe county, XinJiang, China | |
| Kang et al. | On securing continuity of eddy covariance flux time-series after changing the measurement height: Correction for flux differences due to the footprint difference | |
| Dhar et al. | Analysis of vegetation dynamics using remote sensing and GIS: a case study of Madhya Pradesh, India | |
| Assa et al. | Modeling canopy water content in the assessment for rainfall induced surface and groundwater nitrate contamination: The Bilate cropland sub watershed | |
| Yang et al. | Numerical Weather Forecast and Multi-Meteorological Data Fusion Based on Artificial Intelligence | |
| Maitra et al. | Application of Remote Sensing & Geographic Information Systems for Agriculture-A Review |
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 |