CN117172140A - 基于土地系统类型变化的碳储量预测方法及装置 - Google Patents
基于土地系统类型变化的碳储量预测方法及装置 Download PDFInfo
- Publication number
- CN117172140A CN117172140A CN202311454886.2A CN202311454886A CN117172140A CN 117172140 A CN117172140 A CN 117172140A CN 202311454886 A CN202311454886 A CN 202311454886A CN 117172140 A CN117172140 A CN 117172140A
- Authority
- CN
- China
- Prior art keywords
- land
- simulation
- type
- carbon
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 197
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 194
- 238000000034 method Methods 0.000 title claims abstract description 94
- 230000008859 change Effects 0.000 title claims abstract description 85
- 238000004088 simulation Methods 0.000 claims abstract description 155
- 238000011160 research Methods 0.000 claims abstract description 75
- 238000004519 manufacturing process Methods 0.000 claims abstract description 51
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000011835 investigation Methods 0.000 claims abstract description 33
- 238000010276 construction Methods 0.000 claims abstract description 27
- 230000001133 acceleration Effects 0.000 claims abstract description 26
- 238000013341 scale-up Methods 0.000 claims abstract description 11
- 239000002689 soil Substances 0.000 claims description 32
- 238000006243 chemical reaction Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 11
- 238000012952 Resampling Methods 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 16
- 230000008901 benefit Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 10
- 229910002092 carbon dioxide Inorganic materials 0.000 description 8
- 239000001569 carbon dioxide Substances 0.000 description 8
- 238000011161 development Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004891 communication Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 244000144972 livestock Species 0.000 description 3
- 238000006386 neutralization reaction Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 241000282412 Homo Species 0.000 description 2
- 230000002860 competitive effect Effects 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000283690 Bos taurus Species 0.000 description 1
- 241001494479 Pecora Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于土地系统类型变化的碳储量预测方法及装置，属于数据处理技术领域，其中方法包括：获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；对土地覆盖栅格数据进行升尺度构建，得到研究区域的土地系统数据；基于初始经济生产总值、初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；基于土地变化模拟模型和各模拟情景，对土地系统数据进行类型变化模拟，得到各像元中每一个像元的土地模拟类型；基于研究区域的碳密度分布数据、每一个像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。本发明的基于土地系统类型变化的碳储量预测方法提升了碳储量预测的准确性。
Description
技术领域
本发明涉及数据处理技术领域，尤其涉及一种基于土地系统类型变化的碳储量预测方法及装置。
背景技术
目前，全球气温的持续升高已经成为人类目前最关注的可持续发展问题之一。温升的重要原因之一是人类活动导致大气中的二氧化碳持续增多。减少大气中二氧化碳的有效途径之一是将二氧化碳固定在陆地生态系统中。为了缓解气候变化、并为碳中和提供支持，需要估算陆地生态系统的碳储量并进行预测。
碳储量估算方法可分为实地调查法和经验模型法。实地调查法需花费巨大的人力、物力，且未来的碳储量无法调查。经验模型法，基于生态系统过程的碳储量估算方法的估算精度较高，但是输入参数复杂且不强调土地类型变化与陆地生态系统碳储量变化之间的关系。
如何基于高主题分辨率的土地利用/覆被类型数据，结合生态-经济权衡发展实现预测未来的碳储量，以提升碳储量预测的准确性，是目前业界亟待解决的重要课题。
发明内容
本发明提供一种基于土地系统类型变化的碳储量预测方法及装置，用以解决现有技术中碳储量预测方法没有顾及生态-经济权衡发展和预测中使用的土地类型仅限于六种土地类型的缺陷，实现对陆生态系统碳储量的准确预测。
本发明提供一种基于土地系统类型变化的碳储量预测方法，包括：
获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；
对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；
基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；
基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；
基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
根据本发明提供的一种基于土地系统类型变化的碳储量预测方法，所述基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值，包括：
基于所述研究区域的碳密度分布数据，计算每一个所述像元的土地模拟类型对应的碳密度像元平均值；所述碳密度分布数据包括地上生物碳密度空间分布数据、地下生物碳密度空间分布数据和土壤碳密度空间分布数据；
基于每一个所述像元的碳密度像元平均值和面积，确定所述研究区域的碳储量预测值。
根据本发明提供的一种基于土地系统类型变化的碳储量预测方法，基于每一个所述像元的碳密度像元平均值和面积，采用公式（1）确定所述研究区域的碳储量预测值：
(1)
其中，为所述研究区域的碳储量预测值，/>分别为第k种土地模拟类型的第i个像元的地上碳密度像元平均值、地下碳密度像元平均值和土壤碳密度像元平均值；/>是第k种土地模拟类型的第i个像元的面积；/>是第k种土地模拟类型的总面积。
根据本发明提供的一种基于土地系统类型变化的碳储量预测方法，所述基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型，包括：
将各所述模拟情景输入所述土地变化模拟模型，对每一个所述像元的土地类型进行迭代；
以达到各所述目标经济生产总值和各所述目标生态系统价值为条件，确定每一个所述像元的土地模拟类型；所述土地模拟类型是基于每一个所述像元的位置适宜性、邻域效应和转换阻力值确定的。
根据本发明提供的一种基于土地系统类型变化的碳储量预测方法，所述位置适宜性用于表征每一个所述像元在至少一个驱动因子作用下转换为第n种土地系统类型的概率；
其中，基于各所述驱动因子，采用公式（2）确定每一个所述像元转换为第n种土地系统类型的概率：
（2）
其中，是像元i转换为所述第n种土地系统类型的概率，/>是转换为所述第n种土地系统类型的驱动因子，/>为常数，/>为各所述驱动因子的系数。
根据本发明提供的一种基于土地系统类型变化的碳储量预测方法，所述对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据，包括：
基于滑动窗口遍历所述土地覆盖栅格数据，得到第一尺度下的土地覆盖栅格数据；
基于所述滑动窗口内各所述网格单元的占优覆被类型和自然间断点算法，确定所述滑动窗口内每一个所述网格单元的土地利用类型和土地系统类型，得到所述第一尺度下的土地系统数据；
将所述第一尺度下的土地系统数据重采样至第二尺度，得到所述研究区域的土地系统数据。
根据本发明提供的一种基于土地系统类型变化的碳储量预测方法，所述土地系统类型包括低密度、中密度、高密度中的至少一种。
本发明还提供一种基于土地系统类型变化的碳储量预测装置，包括：
获取模块，用于获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；
构建模块，用于对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；
第一确定模块，用于基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；
模拟模块，用于基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；
第二确定模块，用于基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述的基于土地系统类型变化的碳储量预测方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述的基于土地系统类型变化的碳储量预测方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述的基于土地系统类型变化的碳储量预测方法。
本发明提供的基于土地系统类型变化的碳储量预测方法及装置，通过获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值，并对这些数据进行统一尺度构建，得到研究区域的土地系统数据，基于预设的增速，确定包括多种目标经济生产总值和目标生态系统价值的模拟情景，基于土地变化模拟模型，对土地系统数据中的土地类型进行迭代模拟，以得到达到目标经济生产总值和目标生态系统价值的土地模拟类型，最后基于碳密度分布数据和土地模拟类型，确定研究区域的碳储量预测值。本发明的碳储量预测方法，在预测过程中，在考虑了经济发展和生态保护的基础上，结合土地利用类型进行碳储量预测，提升了碳储量预测的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于土地系统类型变化的碳储量预测方法的流程示意图之一；
图2是本发明提供的基于土地系统类型变化的碳储量预测方法的土地系统数据获取示意图；
图3是本发明提供的基于土地系统类型变化的碳储量预测方法的流程示意图之二；
图4是本发明提供的基于土地系统类型变化的碳储量预测装置的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
为了便于更加清晰地理解本申请各实施例，首先对一些相关的背景知识进行如下介绍。
目前，全球气温的持续升高已经成为人类目前最关注的可持续发展问题之一。碳中和是指人类活动产生的二氧化碳总量等于植树造林、节能减排行动所固定的二氧化碳总量，从而形成碳的相对“零排放”。减少大气中二氧化碳的有效途径之一是将二氧化碳固定在陆地生态系统中。为了缓解气候变化、并为碳中和提供政策支持，需要估算陆地生态系统的碳储量并进行预测。
很多区域在未来都面临生态效益和经济效益的权衡问题。从土地类型的角度而言，任何土地类型都难以同时提供较高的经济效益和生态效益。例如，建设用地通常提供较高的经济效益和较低的生态效益；草地、湿地、林地通常会提供较高的生态效益和较低的经济效益，经济和生态效益存在此消彼长的关系。生态-经济权衡的失调可能会引起较大的土地利用/覆被变化。然而，研究表明而土地利用/覆被变化是陆地生态系统碳储量变化的关键诱因，由土地利用/覆被变化引起的二氧化碳排放约占人类活动排放的1/3。目前，在经济发展和生态保护的双重背景下，很多区域尚未探索由土地类型变化引起的生态系统碳储量变化，且在探索过程中没有顾及土地利用强度。区分土地利用强度可以为土地管理提供更有力的政策支持。
根据是否需要进行野外调查，碳储量估算方法可分为实地调查法和经验模型法。实地调查法是通过野外采集样本的方式估算碳储量。其优点是结果准确性高，但需花费巨大的人力、物力，且未来的碳储量无法调查。经验模型法是基于已有的植被、土壤特性等数据通过构建模型的方式对碳储量进行估算。经验模型法又可细分为基于生态系统过程的碳储量估算和基于土地类型碳密度的碳储量估算方法。其中，基于生态系统过程的碳储量估算方法的估算精度较高，但是输入参数复杂且不强调土地类型变化与陆地生态系统碳储量变化之间的关系。土地类型的变化是陆地生态系统碳储量变化的主要原因，因此基于土地类型碳密度的碳储量估算方法更为实用和流行。
下面结合图1-图5描述本发明的基于土地系统类型变化的碳储量预测方法及装置。
图1是本发明提供的基于土地系统类型变化的碳储量预测方法的流程示意图之一，如图1所示，本发明提供的基于土地系统类型变化的碳储量预测方法，包括：
步骤10、获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；
具体地，在本步骤中，首先需要确定研究区域，研究区域的土地的类型最好是多样的。在本发明实施例中，使用了30米全球地表覆盖数据即Globeland30数据，基于Globeland30数据，按照研究范围进行裁剪，获得30米分辨率下的研究区域的土地覆盖栅格数据，以及整个研究区域的初始经济生产总值，经济生产总值（Gross Domestic Product，GDP）用于表征研究区域土地的经济效益，还需要获取整个研究区域的初始生态系统价值，生态系统价值（Gross Ecosystem Product，GEP）用于表征研究区域土地的生态效益。在本发明实施例中，研究区域的初始GDP是通过统计年鉴获得的，研究区域的初始GEP是通过研究区域的GEP栅格数据获取的。具体地，上述研究区域的土地覆盖栅格数据中包括至少一个网格单元，即在本步骤中，土地覆盖栅格数据以多个网格单元的形式展现。
步骤11、对土地覆盖栅格数据进行升尺度构建，得到研究区域的土地系统数据；
具体地，本步骤是为了获得研究区域的土地系统数据；通过设定了固定大小的滑动窗口，遍历研究区域的多个网格单元，将滑动窗口内的所有网格单元视作一个初始像元；本发明实施例中，将滑动窗口的固定大小设置为33*33，分别确定每一个初始像元的土地利用类型和土地系统类型。先得到分辨率为990米分辨率下的研究区域的土地系统数据，以小范围的研究区域的处理方法为示例。需要说明的是，研究区域内的多个网格单元，实际即为初始分辨率下的小像元，将滑动窗口内的多个小像元看做一个初始像元。
图2是本发明提供的基于土地系统类型变化的碳储量预测方法的土地系统数据获取示意图，如图2所示，以少量网格单元进行示意，左侧为土地覆盖栅格数据，共包括了36个网格单元，其中，网格单元为空白的对应覆被类型为草地的网格单元，网格单元中竖直线条对应覆被类型为林地的网格单元，网格单元中点阵图案的覆被类型为建设用地的网格单元。然后引入了一个大小为3*3的滑动窗口，遍历上述的36个网格单元，将每一个滑动窗口内的9个网格单元看作是一个初始像元。然后基于每一个像元内，占比最多的覆被类型作为该像元的土地利用类型，如图2所示，第一个滑动窗口内，所有的网格单元的覆被类型都为草地，则第一个滑动窗口对应的初始像元的土地利用类型即为草地；第二个滑动窗口内，6个网格单元的覆被类型为建设用地，即建设用地的网格占比最多，将则第二个滑动窗口对应的初始像元的土地利用类型为建设用地；基于此种方法，可以依次确定第三个滑动窗口对应的初始像元的土地利用类型为林地，第四个滑动窗口对应的初始像元的土地利用类型为建设用地；
接着，基于每一个初始像元内包含的土地利用类型对应的覆被类型的网格单元的数量的占比范围，采用自然间断点法，将其划分为低、中、高3种密度的土地系统。具体而言，使用自然间断点法在数值范围的最小值和最大值之间计算出第一间断点和第二间断点。将最小值到第一间断点之间的数值范围划分为低密度类型，第一间断点到第二间断点之间的数值范围划分为中密度类型，第二间断点至最大值之间的范围划分为高密度类型。如图2右侧图所示，得到了每一个初始像元的土地系统类型，土地利用类型和土地系统类型叠加，得到每一个初始像元的土地系统数据。具体地，本发明实施例采用的土地覆被数据为Globeland30数据。所选择的研究区域共涉及9种土地覆被类型，共包括：耕地、森林、草地、灌木地、湿地、水体、建设用地、裸地、冰川和永久积雪，在本步骤中，即土地利用类型有9种，土地系统类型有3种，叠加排列组合后共可以得到27种土地系统数据。
接着，对990米分辨率下的研究区域的土地系统数据进行重采样，本发明实施例使用的是ArcGIS中的重采样工具，将分辨率由990米重采样至1千米，得到最终的研究区域的土地系统数据，土地系统数据中包括多个像元。需要说明的是，经过重采样，得到的研究区域内的包括多个像元，此处的像元即为升尺度构建之后的大像元。
步骤12、基于初始经济生产总值、初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各模拟情景为基于各预设增速确定的目标经济生产总值和目标生态系统价值；
具体的，本步骤中，最终得到的某一种模拟情景为基于某种预设增速、初始经济生产总值和初始生态系统价值确定的目标经济生产总值和目标生态系统价值。
本发明实施例共设置了9种情景进行举例，由三个不同等级的GDP年增速和三个不同等级的GEP年增速组合而成。GDP年增速分别设置为3.00%、4.00%、5.00%，GEP年增速分别设置0.05%、0.50%、1.00%。各情景下的2030年的目标经济生产总值和目标生态系统价值是由2020年的初始生态系统价值和初始生态系统价值推算而来。具体情况下，预设增速的设置应结合研究区域的实际情况来设置。
步骤13、基于土地变化模拟模型和各模拟情景，对土地系统数据进行类型变化模拟，得到各像元中每一个像元的土地模拟类型；
具体地，本步骤中，土地变化模拟模型的模拟核心在于追求实现土地系统服务的供需平衡来实现土地变化模拟。其中，需求是指模拟结束时刻的目标经济生产总值和目标生态系统价值。供给是指研究区域内，所有像元提供的经济生产总值与目标生态系统价值。实现供需平衡的过程中需要对研究区域的土地系统数据进行多次迭代，具体为通过对每一个像元的土地利用类型和土地系统类型进行迭代模拟，以达到目标经济生产总值和目标生态系统价值。在本步骤中，获得了在某种模拟情境下，为了达到目标经济生产总值和目标生态系统价值的每一个像元的土地模拟类型。
步骤14、基于研究区域的碳密度分布数据、每一个像元的土地模拟类型和面积，确定研究区域的碳储量预测值。
具体地，本步骤中，需要先获取研究区域的碳密度分布数据，然后将研究区域的碳密度分布数据的空间分辨率处理为与土地系统数据相同的分辨率，在本发明实施例中为1千米。将碳密度分布数据和土地系统数据叠加分析，针对每一种土地模拟类型，计算每一种土地模拟类型对应的像元所对应碳密度像元的平均值，将平均值作为该土地模拟类型的碳密度。然后基于每一个像元的面积，确定整个研究区域的碳储量预测值。
本发明实施例提供的基于土地系统类型变化的碳储量预测方法，通过获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值，并对这些数据进行统一尺度构建，得到研究区域的土地系统数据，基于预设的增速，确定包括多种目标经济生产总值和目标生态系统价值的模拟情景，基于土地变化模拟模型，对土地系统数据中的土地类型进行迭代模拟，以得到达到目标经济生产总值和目标生态系统价值的土地模拟类型，最后基于碳密度分布数据和土地模拟类型，确定研究区域的碳储量预测值。本发明的碳储量预测方法，在预测过程中，在考虑了经济发展和生态保护的基础上，结合土地利用类型进行碳储量预测，提升了碳储量预测的准确性。并且具有一定的适用性，可在不同分辨率的情境下使用。
可选的，根据本发明实施例提供的一种基于土地系统类型变化的碳储量预测方法，上述步骤14具体实施方法如下：
基于研究区域的碳密度分布数据，计算每一个像元的土地模拟类型对应的碳密度像元平均值；
具体地，本发明实施例中，碳密度分布数据包括地上生物碳密度、地下生物碳密度和土壤碳密度。本发明实施例采用的土壤碳密度分布数据来源于SoilGrids250m 2.0，地上生物碳密度分布数据和地下生物碳密度分布数据来源于Scientific Data。基于土地模拟类型对应的碳密度进行碳储量估算时，核心是计算每种土地类型的碳密度。本文在计算碳储量时参考已有文献的做法，由于死亡有机质碳储量较少且数据难以获取，仅考虑了地上生物碳储量、地下生物碳储量和土壤碳储量三个碳库。
基于上述论述，在模拟结果中，可能会出现27种土地模拟类型，将地上生物碳密度分布数据和土地模拟类型进行叠加分析，针对每一种土地模拟类型，计算每一种土地模拟类型的像元所对应的地上生物碳密度像元的平均值，将平均值作为该土地模拟类型的地上生物碳密度。针对每一种土地模拟类型，计算每一种土地模拟类型像元所对应的地下生物碳密度像元的平均值，将平均值作为该土地类型的地下生物碳密度。针对每一种土地模拟类型，计算每一种土地模拟类型像元所对应的土壤生物碳密度像元的平均值，将平均值作为该土地类型的地下生物碳密度。
然后，基于每一个像元的碳密度像元平均值和面积，确定研究区域的碳储量预测值。需要说明的是，此处的像元的碳密度像元平均值指的是每一个像元的地上生物碳密度像元平均值、地下生物碳密度像元平均值和土壤生物碳密度像元平均值。
本发明实施例的基于土地系统类型变化的碳储量预测方法，基于研究区域的碳密度分布数据，计算每一个像元的土地模拟类型对应的碳密度像元平均值，基于土地类型碳密度的碳储量估算方法简便可行，可以基于模拟得到的土地模拟类型预测未来的碳储量，在确保准确性的基础上，提升了适用性。
可选的，根据本发明实施例提供的一种基于土地系统类型变化的碳储量预测方法，采用公式（1）确定所述研究区域的碳储量预测值：
（1）
其中，为研究区域的碳储量预测值，/>分别为第k种土地模拟类型的第i个像元的地上碳密度像元平均值、地下碳密度像元平均值和土壤碳密度像元平均值；是第k种土地模拟类型的第i个像元的面积；/>是第k种土地模拟类型的总面积。
本发明实施例的基于土地系统类型变化的碳储量预测方法，基于研究区域的碳密度分布数据，计算每一个像元的土地模拟类型对应的碳密度像元平均值，基于土地类型碳密度的碳储量估算方法简便可行，可以基于模拟得到的土地模拟类型预测未来的碳储量，在确保准确性的基础上，提升了适用性。
可选地，根据本发明实施例提供的一种基于土地系统类型变化的碳储量预测方法，上述步骤13所述的基于土地变化模拟模型和各模拟情景，对土地系统数据进行类型变化模拟，得到各像元中每一个像元的土地模拟类型，具体的实施方式为：
将各模拟情景输入土地变化模拟模型，对每一个像元的土地类型进行迭代；具体地，将模拟情景的时间节点，初始生态系统价值和初始生态系统价值，以及基于预设增值推算得到的目标经济生产总值和目标生态系统价值输入土地变化模拟模型中，以达到输入的目标经济生产总值和目标生态系统价值为条件，对土地系统数据中每一个像元的土地类型进行迭代，确定每一个像元的土地模拟类型。
具体地，土地模拟类型是基于每一个像元的位置适宜性、邻域效应和转换阻力值确定的。在土地变化模拟模型中，每一个像元的土地类型变化是由位置适宜性、邻域效应、竞争优势、转换阻力值和限制条件共同决定的。其中，位置适宜性由Logistic回归来计算，位置适宜性表达了每个像元在社会经济和自然因素的驱动下转换成为某种土地类型的概率。这些社会经济和自然因素被称为驱动因子。为全面的刻画研究区域的社会经济和自然因素，本发明实施例的驱动因子共包括7个方面：土壤条件、社会经济、可达性、农业和植被、地形、气候和牲畜。其中，耕地、草地、林地、灌木等自然类型的用地与土壤条件、地形、气候、牲畜密切相关；建设用地与社会经济条件、可达性因素密切相关。进一步的，在本发明实施例中做简洁的对应举例，土壤条件中包含的数据有：土壤pH值、土壤粘土成分等；社会经济条件中包含的数据有：夜间灯光遥感数据、人口密度空间分布数据等；可达性包括：道路可达性、铁路可达性等；农业和植被包括：归一化植被指数（Normalized DifferenceVegetation Index，NDVI）、净初级生产力等；地形中包括：坡度、坡向等；气候中包括：年均气温、年均降水等；牲畜中包括：牛、羊的密度等。
本发明实施例的基于研究区域的碳密度分布数据，引入了位置适宜性、邻域效应、竞争优势、转换阻力值，位置适宜性是由多种驱动因子通过逻辑运算得到的，而邻域效应反映了某种土地类型受到邻域范围内的土地类型的影响程度。邻域设置结合研究区域的情况设置。转换阻力值反映了某种土地类型发生变化的难易程度，转换阻力值的计算方法是将研究区域内已知年份之间的某种土地类型变化保持不变的比例作为转换阻力值。这些参数的引入一定程度上提升了预测结果的准确性。
根据本发明实施例提供的一种基于土地系统类型变化的碳储量预测方法，上述的位置适宜性，用于表征每一个像元在多个驱动因子作用下转换为第n种土地系统类型的概率；
具体地，在本发明实施例中，基于各驱动因子，采用公式（2）确定每一个所述像元转换为第n种土地系统类型的概率：
（2）
其中，是像元i转换为所述第n种土地系统类型的概率，/>是转换为第n种土地系统类型的驱动因子，/>为常数，/>为各驱动因子的系数。
具体地，本发明实施例的驱动因子进行上述Logistic回归之前会去除相关性。邻域效应反映了某种土地类型受到邻域范围内的土地类型的影响程度。土地变化模拟模型中允许设置邻域权重，本发明实施例将所有土地类型的邻域权重均设置为1。转换阻力值反映了某种土地类型发生变化的难易程度，本发明实施例转换阻力值的计算方法是将研究区域2010年至2020年间的某种土地类型变化保持不变的比例作为转换阻力值。
可选地，根据本发明实施例提供的一种基于土地系统类型变化的碳储量预测方法，上述步骤11的具体实施方法如下，图3是本发明提供的基于土地系统类型变化的碳储量预测方法的流程示意图之二，如图3所示，对土地覆盖栅格数据进行升尺度构建，得到研究区域的土地系统数据，具体包括以下步骤：
步骤110、基于滑动窗口遍历土地覆盖栅格数据，得到第一尺度下的土地覆盖栅格数据；
具体地，本步骤是为了获得研究区域的土地系统数据；通过设定了固定大小的滑动窗口，遍历研究区域的多个网格单元，将滑动窗口内的所有网格单元视作一个初始像元；本发明实施例中，将滑动窗口的固定大小设置为33*33，分别确定每一个初始像元的土地利用类型和土地系统类型。先得到分辨率为990米分辨率下的研究区域的土地系统数据。
步骤111、基于滑动窗口内各网格单元的占优覆被类型和自然间断点算法，确定滑动窗口内每一个网格单元的土地利用类型和土地系统类型，得到第一尺度下的土地系统数据；
具体地，在本步骤中，基于每一个初始像元内包含的土地利用类型对应的覆被类型的网格单元的数量的占比范围，采用自然间断点法，将其划分为低、中、高3种密度的土地系统。具体而言，使用自然间断点法在数值范围的最小值和最大值之间计算出第一间断点和第二间断点。将最小值到第一间断点之间的数值范围划分为低密度类型，第一间断点到第二间断点之间的数值范围划分为中密度类型，第二间断点至最大值之间的范围划分为高密度类型。如图2右侧图所示，得到了每一个初始像元的土地系统类型，土地利用类型和土地系统类型叠加，得到每一个初始像元的土地系统数据。具体地，本发明实施例采用的土地覆被数据为Globeland30数据。所选择的研究区域共涉及9种土地覆被类型，共包括：耕地、森林、草地、灌木地、湿地、水体、建设用地、裸地、冰川和永久积雪，在本步骤中，即土地利用类型有9种，密度类型有3种，叠加排列组合后共可以得到27种土地系统类型。
步骤112、将第一尺度下的土地系统数据重采样至第二尺度，得到研究区域的土地系统数据。
具体地，在本步骤中，对990米分辨率下的研究区域的土地系统数据进行重采样，本发明实施例使用的是ArcGIS中的重采样工具，将分辨率由990米重采样至1千米，得到最终的研究区域的土地系统数据，土地系统数据中包括多个像元。
本发明实施例提供的基于土地系统类型变化的碳储量预测方法通过对现有的土地覆盖栅格数据进行升尺度和重采样处理，使得该数据可以用于土地类型模拟模型，便于后续的处理和碳储量的预测。
可选的，根据本发明实施例提供的一种基于土地系统类型变化的碳储量预测方法，上述的土地系统类型包括低密度、中密度、高密度中的至少一种。是基于自然间断点法确定的。
下面对本发明提供的基于土地系统类型变化的碳储量预测装置进行描述，下文描述的基于土地系统类型变化的碳储量预测装置与上文描述的基于土地系统类型变化的碳储量预测方法可相互对应参照。图4是本发明提供的基于土地系统类型变化的碳储量预测装置的结构示意图，如图4所示，本发明实施例的基于土地系统类型变化的碳储量预测装置包括：
获取模块41，用于获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；
土地覆盖栅格数据中包括至少一个网格单元；
构建模块42，用于对土地覆盖栅格数据进行升尺度构建，得到研究区域的土地系统数据；土地系统数据中包括至少一个像元；
第一确定模块43，用于基于初始经济生产总值、初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各模拟情景为基于各预设增速确定的目标经济生产总值和目标生态系统价值；
模拟模块44，用于基于土地变化模拟模型和各模拟情景，对土地系统数据进行类型变化模拟，得到各像元中每一个像元的土地模拟类型；
第二确定模块45，用于基于研究区域的碳密度分布数据、每一个像元的土地模拟类型和面积，确定研究区域的碳储量预测值。
本发明实施例的基于土地系统类型变化的碳储量预测装置，通过各个模块之间的相互配合，通过获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值，并对这些数据进行统一尺度构建，得到研究区域的土地系统数据，基于预设的增速，确定包括多种目标经济生产总值和目标生态系统价值的模拟情景，基于土地变化模拟模型，对土地系统数据中的土地类型进行迭代模拟，以得到达到目标经济生产总值和目标生态系统价值的土地模拟类型，最后基于碳密度分布数据和土地模拟类型，确定研究区域的碳储量预测值。本发明的碳储量预测方法，在预测过程中，在考虑了经济发展和生态保护的基础上，结合土地利用类型进行碳储量预测，提升了碳储量预测的准确性。并且具有一定的适用性，可在不同分辨率的情境下使用。
可选的，上述第二确定模块具体用于：
基于研究区域的碳密度分布数据，计算每一个所述像元的土地模拟类型对应的碳密度像元平均值；
碳密度分布数据包括地上生物碳密度空间分布数据、地下生物碳密度空间分布数据和土壤碳密度空间分布数据；
基于每一个像元的碳密度像元平均值和面积，确定所述研究区域的碳储量预测值。
可选的，上述构建模块具体用于：
基于滑动窗口遍历土地覆盖栅格数据，得到第一尺度下的土地覆盖栅格数据；
基于所述滑动窗口内各网格单元的占优覆被类型和自然间断点算法，确定滑动窗口内每一个网格单元的土地利用类型和土地系统类型，得到第一尺度下的土地系统数据；
将第一尺度下的土地系统数据重采样至第二尺度，得到研究区域的土地系统数据。
图5是本发明提供的电子设备的结构示意图。图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行上述的基于土地系统类型变化的碳储量预测方法，该方法包括获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
此外，上述的存储器530中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的基于土地系统类型变化的碳储量预测方法，该方法包括：获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的基于土地系统类型变化的碳储量预测方法，该方法包括：获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于土地系统类型变化的碳储量预测方法，其特征在于，包括：
获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；
对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；
基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；
基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；
基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
2.根据权利要求1所述的基于土地系统类型变化的碳储量预测方法，其特征在于，所述基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值，包括：
基于所述研究区域的碳密度分布数据，计算每一个所述像元的土地模拟类型对应的碳密度像元平均值；所述碳密度分布数据包括地上生物碳密度空间分布数据、地下生物碳密度空间分布数据和土壤碳密度空间分布数据；
基于每一个所述像元的碳密度像元平均值和面积，确定所述研究区域的碳储量预测值。
3.根据权利要求2所述的基于土地系统类型变化的碳储量预测方法，其特征在于，所述方法还包括：基于每一个所述像元的碳密度像元平均值和面积，采用公式（1）确定所述研究区域的碳储量预测值：
(1)
其中，为所述研究区域的碳储量预测值，/>分别为第k种土地模拟类型的第i个像元的地上碳密度像元平均值、地下碳密度像元平均值和土壤碳密度像元平均值；/>是第k种土地模拟类型的第i个像元的面积；/>是第k种土地模拟类型的总面积。
4.根据权利要求1所述的基于土地系统类型变化的碳储量预测方法，其特征在于，所述基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型，包括：
将各所述模拟情景输入所述土地变化模拟模型，对每一个所述像元的土地类型进行迭代；
以达到各所述目标经济生产总值和各所述目标生态系统价值为条件，确定每一个所述像元的土地模拟类型；所述土地模拟类型是基于每一个所述像元的位置适宜性、邻域效应和转换阻力值确定的。
5.根据权利要求4所述的基于土地系统类型变化的碳储量预测方法，其特征在于，所述位置适宜性用于表征每一个所述像元在至少一个驱动因子作用下转换为第n种土地系统类型的概率；
其中，基于各所述驱动因子，采用公式（2）确定每一个所述像元转换为第n种土地系统类型的概率：
（2）
其中，是像元i转换为所述第n种土地系统类型的概率，/>是转换为所述第n种土地系统类型的驱动因子，/>为常数，/>为各所述驱动因子的系数。
6.根据权利要求1所述的基于土地系统类型变化的碳储量预测方法，其特征在于，所述对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据，包括：
基于滑动窗口遍历所述土地覆盖栅格数据，得到第一尺度下的土地覆盖栅格数据；
基于所述滑动窗口内各所述网格单元的占优覆被类型和自然间断点算法，确定所述滑动窗口内每一个所述网格单元的土地利用类型和土地系统类型，得到所述第一尺度下的土地系统数据；
将所述第一尺度下的土地系统数据重采样至第二尺度，得到所述研究区域的土地系统数据。
7.根据权利要求6所述的基于土地系统类型变化的碳储量预测方法，其特征在于，所述土地系统类型包括低密度、中密度、高密度中的至少一种。
8.一种基于土地系统类型变化的碳储量预测装置，其特征在于，包括：
获取模块，用于获取研究区域的土地覆盖栅格数据、初始经济生产总值和初始生态系统价值；所述土地覆盖栅格数据中包括至少一个网格单元；
构建模块，用于对所述土地覆盖栅格数据进行升尺度构建，得到所述研究区域的土地系统数据；所述土地系统数据中包括至少一个像元；
第一确定模块，用于基于所述初始经济生产总值、所述初始生态系统价值和至少一个预设增速，确定至少一个模拟情景；各所述模拟情景为基于各所述预设增速确定的目标经济生产总值和目标生态系统价值；
模拟模块，用于基于土地变化模拟模型和各所述模拟情景，对所述土地系统数据进行类型变化模拟，得到各所述像元中每一个像元的土地模拟类型；
第二确定模块，用于基于所述研究区域的碳密度分布数据、每一个所述像元的土地模拟类型和面积，确定所述研究区域的碳储量预测值。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的基于土地系统类型变化的碳储量预测方法。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于土地系统类型变化的碳储量预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311454886.2A CN117172140B (zh) | 2023-11-03 | 2023-11-03 | 基于土地系统类型变化的碳储量预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311454886.2A CN117172140B (zh) | 2023-11-03 | 2023-11-03 | 基于土地系统类型变化的碳储量预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172140A true CN117172140A (zh) | 2023-12-05 |
| CN117172140B CN117172140B (zh) | 2024-01-09 |
Family
ID=88945452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311454886.2A Active CN117172140B (zh) | 2023-11-03 | 2023-11-03 | 基于土地系统类型变化的碳储量预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172140B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
| US20220374912A1 (en) * | 2021-05-16 | 2022-11-24 | Ning Zeng | Method and system for wood harvest and storage, carbon sequestration and carbon management |
| CN115796712A (zh) * | 2023-02-07 | 2023-03-14 | 北京师范大学 | 区域陆地生态系统碳储量估算方法、装置、电子设备 |
| CN116151413A (zh) * | 2022-11-10 | 2023-05-23 | 东南大学 | 一种乡村生态系统碳储量预测方法 |
-
2023
- 2023-11-03 CN CN202311454886.2A patent/CN117172140B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110750904A (zh) * | 2019-10-22 | 2020-02-04 | 南京信大气象科学技术研究院有限公司 | 一种基于遥感数据的区域碳储量空间格局监测系统和方法 |
| US20220374912A1 (en) * | 2021-05-16 | 2022-11-24 | Ning Zeng | Method and system for wood harvest and storage, carbon sequestration and carbon management |
| CN116151413A (zh) * | 2022-11-10 | 2023-05-23 | 东南大学 | 一种乡村生态系统碳储量预测方法 |
| CN115796712A (zh) * | 2023-02-07 | 2023-03-14 | 北京师范大学 | 区域陆地生态系统碳储量估算方法、装置、电子设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172140B (zh) | 2024-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110263111B (zh) | 基于先验知识的土地利用/覆被信息时空监测方法 | |
| Lyu et al. | Modeling the effects of urban expansion on regional carbon storage by coupling SLEUTH‐3r model and InVEST model | |
| CN106780089B (zh) | 基于神经网络元胞自动机模型的永久性基本农田划定方法 | |
| CN115796712B (zh) | 区域陆地生态系统碳储量估算方法、装置、电子设备 | |
| CN114581781B (zh) | 一种高分辨率遥感图像的目标检测方法及装置 | |
| CN117974401B (zh) | 基于多源数据和模型集成的生态修复区域智能识别方法 | |
| CN113792427A (zh) | 一种已有边界条件下森林火灾蔓延预测模拟的方法 | |
| KR102706021B1 (ko) | 인공 지능을 이용한 산불 취약성 지도 생성 방법 및 그 장치 | |
| CN114494865A (zh) | 一种山地生态系统未来情景的cset方法 | |
| CN115859805A (zh) | 基于混合加点准则的自适应序贯试验设计方法和装置 | |
| CN117852975B (zh) | 基于数字化设计的城市更新行动可视化评估方法及系统 | |
| Ahmad et al. | The cellular automata approach in dynamic modelling of land use change detection and future simulations based on remote sensing data in Lahore Pakistan | |
| CN115146874A (zh) | 一种基于多图卷积网络的河流水质预测方法 | |
| Hong et al. | Identification of priority areas for UGI optimisation under carbon neutrality targets: Perspectives from China | |
| CN117390590B (zh) | 一种基于cim模型的数据管理方法及系统 | |
| CN118467622A (zh) | 基于gis图层渲染的碳汇大数据核算和可视化展示方法 | |
| CN113240219A (zh) | 一种土地利用模拟及预测方法 | |
| CN117172140B (zh) | 基于土地系统类型变化的碳储量预测方法及装置 | |
| CN116611707A (zh) | 基于多源数据融合的保护区自然边界划分和功能分区方法 | |
| CN116703002A (zh) | 一种海岸带土地利用优化方法及设备 | |
| CN115983478A (zh) | 分布式光伏发电功率预测分析方法、系统、终端及介质 | |
| CN114169227A (zh) | 基于粒子群优化算法的高空间覆盖度塔基监控摄像头布设方法 | |
| CN113971348A (zh) | 一种基于综合能源系统的源端功率短期预测方法 | |
| CN117172141B (zh) | 基于气候条件和供需关系的土地类型模拟方法及装置 | |
| CN113592664B (zh) | 农作物生产空间预测模拟方法、设备、模型及存储介质 |
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 |