CN117422156B - 一种森林生态系统碳储功能评估方法 - Google Patents
一种森林生态系统碳储功能评估方法 Download PDFInfo
- Publication number
- CN117422156B CN117422156B CN202311743258.6A CN202311743258A CN117422156B CN 117422156 B CN117422156 B CN 117422156B CN 202311743258 A CN202311743258 A CN 202311743258A CN 117422156 B CN117422156 B CN 117422156B
- Authority
- CN
- China
- Prior art keywords
- biomass
- carbon
- tree species
- tree
- prediction result
- 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 97
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000002028 Biomass Substances 0.000 claims abstract description 216
- 238000007637 random forest analysis Methods 0.000 claims abstract description 29
- 238000010801 machine learning Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 230000001419 dependent effect Effects 0.000 claims abstract description 5
- 238000002790 cross-validation Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 12
- 239000002689 soil Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 5
- 238000010276 construction Methods 0.000 abstract description 3
- 238000003066 decision tree Methods 0.000 abstract description 2
- 241000894007 species Species 0.000 description 42
- 229930002875 chlorophyll Natural products 0.000 description 6
- 235000019804 chlorophyll Nutrition 0.000 description 6
- 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 description 6
- 210000000038 chest Anatomy 0.000 description 5
- 238000011835 investigation Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000009919 sequestration Effects 0.000 description 4
- 239000004016 soil organic matter Substances 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000002023 wood Substances 0.000 description 4
- 235000013399 edible fruits Nutrition 0.000 description 3
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 2
- 235000017491 Bambusa tulda Nutrition 0.000 description 2
- 241001330002 Bambuseae Species 0.000 description 2
- 244000050510 Cunninghamia lanceolata Species 0.000 description 2
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 2
- 235000008331 Pinus X rigitaeda Nutrition 0.000 description 2
- 235000011613 Pinus brutia Nutrition 0.000 description 2
- 241000018646 Pinus brutia Species 0.000 description 2
- 235000011609 Pinus massoniana Nutrition 0.000 description 2
- 241000018650 Pinus massoniana Species 0.000 description 2
- 241000219000 Populus Species 0.000 description 2
- 239000011425 bamboo Substances 0.000 description 2
- 210000000481 breast Anatomy 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- CQQUWTMMFMJEFE-UHFFFAOYSA-N 2-chloro-n,n-diethylacetamide Chemical compound CCN(CC)C(=O)CCl CQQUWTMMFMJEFE-UHFFFAOYSA-N 0.000 description 1
- 240000001548 Camellia japonica Species 0.000 description 1
- 241000526900 Camellia oleifera Species 0.000 description 1
- 241000931913 Cephalotaxus fortunei Species 0.000 description 1
- 241000196324 Embryophyta Species 0.000 description 1
- 241000218666 Metasequoia Species 0.000 description 1
- 241000985694 Polypodiopsida Species 0.000 description 1
- 241000607479 Yersinia pestis Species 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000010495 camellia oil Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 235000018597 common camellia Nutrition 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000280 densification Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 239000003864 humus Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 235000015816 nutrient absorption Nutrition 0.000 description 1
- 230000029553 photosynthesis Effects 0.000 description 1
- 238000010672 photosynthesis Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/27—Regression, e.g. linear or logistic regression
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- 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
Abstract
本发明提供了一种森林生态系统碳储功能评估方法,属于碳储估计领域,包括:利用随机森林机器学习方法对目标区域的森林生物量进行反演得到森林生物量预测结果;将森林生物量预测结果作为因变量,胸径平方与树高的乘积作为自变量,使用最小二乘算法对不同优势树种的异速生长方程进行拟合得到不同树种的生物量回归模型;根据不同树种的生物量回归模型确定不同树种的生物量碳密度;根据不同树种的生物量碳密度确定相应树种的碳储量。本发明基于随机森林机器学习方法完成树种碳储量的估算,可以使每个生物量指标充分的参与到决策树的构建,提高了模型的鲁棒性和可靠性,从而使得到的树种碳储量的准确性大大提高。
Description
技术领域
本发明涉及碳储估算技术领域,特别是涉及一种森林生态系统碳储功能评估方法。
背景技术
陆地生态系统通过吸收大气中的CO2等温室气体来调节气候,其中森林生态系统的固碳效益最为显著。森林生态系统能够将碳以生物量的形式储存在树木、腐殖质和土壤中。随着时间推移,大量的碳累积至地下生物量中,形成“碳固持”。林木病虫害、植被类型转换(如土地利用/覆被变化)会干扰森林生态系统的碳吸收潜力,从而释放碳,形成“碳损失”。因此,评价森林生态系的碳储功能对于气候调节和生态可持续性是至关重要的,然而,传统的森林生态系统碳储功能评估方法往往依赖于大量的野外调查和测量数据,费时费力。
发明内容
为了克服现有技术的不足,本发明的目的是提供一种森林生态系统碳储功能评估方法。
为实现上述目的,本发明提供了如下方案:
一种森林生态系统碳储功能评估方法,包括:
利用随机森林机器学习方法对目标区域的森林生物量进行反演得到森林生物量预测结果;所述森林生物量预测结果包括:树干生物量预测结果、树枝生物量预测结果、树叶生物量预测结果和地下生物量预测结果;
将所述森林生物量预测结果作为因变量,胸径平方与树高的乘积作为自变量,使用最小二乘算法对不同优势树种的异速生长方程进行拟合得到不同树种的生物量回归模型;
根据不同树种的生物量回归模型确定不同树种的生物量碳密度;
根据不同树种的生物量碳密度确定相应树种的碳储量。
优选地,所述树干生物量预测结果是通过以下步骤计算得到的:
将不同数量的树干生物量指标作为输入样本,采用随机森林机器学习方法对树干生物量进行反演得到多个树干生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树干生物量指标所对应的最优树干生物量反演模型;
基于所述最优树干生物量反演模型得到树干生物量预测结果。
优选地,所述树枝生物量预测结果是通过以下步骤计算得到的:
将不同数量的树枝生物量指标作为输入样本,采用随机森林机器学习方法对树枝生物量进行反演得到多个树枝生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树枝生物量指标所对应的最优树枝生物量反演模型;
基于所述最优树枝生物量反演模型得到树枝生物量预测结果。
优选地,所述树叶生物量预测结果是通过以下步骤计算得到的:
将不同数量的树叶生物量指标作为输入样本,采用随机森林机器学习方法对树叶生物量进行反演得到多个树叶生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树叶生物量指标所对应的最优树叶生物量反演模型;
基于所述最优树叶生物量反演模型得到树叶生物量预测结果。
优选地,所述地下生物量预测结果是通过以下步骤计算得到的:
将不同数量的树根生物量指标作为输入样本,采用随机森林机器学习方法对树根生物量进行反演得到多个树根生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树根生物量指标所对应的最优树根生物量反演模型;
基于所述树根生物量反演模型得到树根生物量预测结果;
将所述树根生物量预测结果作为地下生物量预测结果。
优选地,所述根据不同树种的生物量碳密度确定相应树种的碳储量,包括:
采用公式:确定相应树种的碳储量;其中,表示总碳储量,/>表示树干生物量碳密度,/>表示树枝生物量碳密度,/>表示树叶生物量碳密度,/>表示树根生物量碳密度,/>表示地下生物量碳密度,/>表示土壤碳密度,/>表示死亡有机物碳密度,/>表示面积。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供了一种森林生态系统碳储功能评估方法,包括:利用随机森林机器学习方法对目标区域的森林生物量进行反演得到森林生物量预测结果;将森林生物量预测结果作为因变量,胸径平方与树高的乘积作为自变量,使用最小二乘算法对不同优势树种的异速生长方程进行拟合得到不同树种的生物量回归模型;根据不同树种的生物量回归模型确定不同树种的生物量碳密度;根据不同树种的生物量碳密度确定相应树种的碳储量。本发明基于随机森林机器学习方法完成树种碳储量的估算,可以使每个生物量指标充分的参与到决策树的构建,提高了模型的鲁棒性和可靠性,从而使得到的树种碳储量的准确性大大提高。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种森林生态系统碳储功能评估方法流程图;
图2为本发明提供的基于随机森林(RF)模型的树干生物量(WT)反演结果。(A)指标重要性选择;(B)建模指标相关性;(C)训练集预测精度。(IncMSE:增加均方误差、IncNP:增加节点纯度);
图3为本发明提供的基于随机森林(RF)模型的树枝生物量(WB)反演结果。(A)指标重要性选择;(B)建模指标相关性;(C)训练集预测精度。(IncMSE:增加均方误差、IncNP:增加节点纯度);
图4为本发明提供的基于随机森林(RF)模型的树叶生物量(WL)反演结果。(A)指标重要性选择;(B)建模指标相关性;(C)训练集预测精度。(IncMSE:增加均方误差、IncNP:增加节点纯度);
图5为本发明提供的基于随机森林(RF)模型的树根生物量(WR)反演结果。(A)指标重要性选择;(B)建模指标相关性;(C)训练集预测精度。(IncMSE:增加均方误差、IncNP:增加节点纯度);
实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本申请的说明书和权利要求书及所述附图中的术语“第一”、“第二”、“第三”和“第四”等是用于区别不同对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤、过程、方法等没有限定于已列出的步骤,而是可选地还包括没有列出的步骤,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤元。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
请参阅图1,一种森林生态系统碳储功能评估方法,包括:
步骤1:利用随机森林机器学习方法对目标区域的森林生物量进行反演得到森林生物量预测结果;所述森林生物量预测结果包括:树干生物量预测结果、树枝生物量预测结果、树叶生物量预测结果和地下生物量预测结果;
需要说明的是,所述树干生物量预测结果是通过以下步骤计算得到的:
将不同数量的树干生物量指标作为输入样本,采用随机森林机器学习方法对树干生物量进行反演得到多个树干生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树干生物量指标所对应的最优树干生物量反演模型;
基于所述最优树干生物量反演模型得到树干生物量预测结果。
所述树枝生物量预测结果是通过以下步骤计算得到的:
将不同数量的树枝生物量指标作为输入样本,采用随机森林机器学习方法对树枝生物量进行反演得到多个树枝生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树枝生物量指标所对应的最优树枝生物量反演模型;
基于所述最优树枝生物量反演模型得到树枝生物量预测结果。
所述树叶生物量预测结果是通过以下步骤计算得到的:
将不同数量的树叶生物量指标作为输入样本,采用随机森林机器学习方法对树叶生物量进行反演得到多个树叶生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树叶生物量指标所对应的最优树叶生物量反演模型;
基于所述最优树叶生物量反演模型得到树叶生物量预测结果。
所述地下生物量预测结果是通过以下步骤计算得到的:
将不同数量的树根生物量指标作为输入样本,采用随机森林机器学习方法对树根生物量进行反演得到多个树根生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树根生物量指标所对应的最优树根生物量反演模型;
基于所述树根生物量反演模型得到树根生物量预测结果;
将所述树根生物量预测结果作为地下生物量预测结果。
步骤2:将所述森林生物量预测结果作为因变量,胸径平方与树高的乘积作为自变量,使用最小二乘算法对不同优势树种的异速生长方程进行拟合得到不同树种的生物量回归模型;
步骤3:根据不同树种的生物量回归模型确定不同树种的生物量碳密度;
步骤4:根据不同树种的生物量碳密度确定相应树种的碳储量。
进一步的,步骤4包括:
采用公式:确定相应树种的碳储量;其中,表示总碳储量,/>表示树干生物量碳密度,/>表示树枝生物量碳密度,/>表示树叶生物量碳密度,/>表示树根生物量碳密度,/>表示地下生物量碳密度,/>表示土壤碳密度,/>表示死亡有机物碳密度,/>表示面积。
下面本发明结合具体的实施例对上述的碳储功能评估方法做进一步的说明:
1、改进的InVEST固碳模型构建
生态系统已有的碳储量基于4个基本碳库:地上生物量(CABV)、土壤生物量(CSOL)、死亡有机物(CDEA)和地下生物量(CBLW)。地上生物量(CABV)主要包括树干生物量(WT)、树叶生物量(WL)和树枝生物量(WB)。基于InVEST固碳模型(Carbon)的原理,模型不考虑地上碳库中极不稳定的碳(如树皮生物量和果实),因为这些碳库的参考资料相对稀少。地下生物量(CBLW)主要包括植被根系,模型的基本原理是通过“根茎比”的经验系数来估算地下生物量。因此,本发明根据随机森林-最小二乘(RF-LS)模型优化构建的垂直尺度生物量模型(干、枝、叶、根)对Carbon模型进行改进,即将地上生物量(CABV)分为树干生物量(WT)、树叶生物量(WL)和树枝生物量(WB)。将树根生物量(WR)替代 “根茎比”经验系数来测算地下生物量(CBLW)。
(1)InVEST固碳模型(Carbon)的基本原理如下:
(1)
其中,表示总碳储量(Mg);/>表示地上生物量碳密度(Mg·hm-2);/>表示地下生物量碳密度(Mg·hm-2);/>表示土壤生物量碳密度(Mg·hm-2);/>表示死亡有机物碳密度(Mg·hm-2);/>表示面积(hm2)。
(2)改进的InVEST固碳模型(M-Carbon)的基本原理如下:
(2)
其中,表示总碳储量(Mg·hm-2);/>表示树干生物量碳密度(Mg·hm-2);/>表示树枝生物量碳密度(Mg·hm-2);/>表示树叶生物量碳密度(Mg·hm-2);/>表示树根生物量碳密度(Mg·hm-2);/>表示地下生物量碳密度(Mg·hm-2);/>表示土壤碳密度(Mg·hm-2);/>表示死亡有机物碳密度(Mg·hm-2);/>表示面积(hm2)。
本发明利用随机森林(Random Forest, RF)机器学习方法进行森林生物量反演、估算模型构建和精度验证,接下来利用最小二乘(Least Squares, LS)优化算法对研究区优势树种的异速生长方程的系数/>和/>进行拟合优化。
2、森林优势树种调查方法如下:
(1)根据卫星图像绘制森林地图点,在斑块内建立主/副样地,用于森林树种调查样地绘制致密化。实地实测胸径(D)和树高(H)等指标。(2)在样地中,森林蓄积量占比最大的种(组)为优势树种(组)。对于未达到起测胸径(D)的幼林或未成林的样地,林木株数占比最大的树种(组)是样地中的优势树种(组)。(3)测量范围主要包括D≥5 cm、H≥1.3 m的乔木林。优势树种信息如表1所示。
表1实验区优势树种(DTS)信息和特征
中文名称 | 英文全称/缩写 | 胸径(cm) | 样地个数 | 面积(hm2) |
马尾松 | Masson pine/MP | 2~28 | 1096 | 1834.6 |
杉木 | China fir/CF | 3~41 | 19176 | 25095.7 |
欧美杨 | Euramerican poplar/EP | 3~28 | 241 | 360.2 |
水杉 | Metasequoia/MQ | 2~32 | 25 | 7.3 |
慢生阔叶树 | Slow-growing broad-leaved tree/SBLT | 4~35 | 2598 | 10097.6 |
中生阔叶树 | Medium-growing broad-leaved tree/MBLT | 2~51 | 5501 | 10722.8 |
速生阔叶树 | Fast-growing broad-leaved tree/FBLT | 4~24 | 738 | 1545.9 |
竹类 | Bamboo group/BG | 2~24 | 20114 | 77361.8 |
油茶 | Camellia oleifera Abel/COA | 0.5~15 | 735 | 1476.8 |
国外松树组 | Foreign pine group/FPG | 8~22 | 76 | 155.5 |
果树组 | Fruit tree group/FTG | 1~26 | 64 | 113.9 |
药用树组 | Medicinal tree group/MTG | 1~10 | 10 | 18.8 |
花卉木组 | Flowers wood group/FWG | 1~18 | 43 | 36.7 |
灌木蕨类 | Shrubs ferns/SF | 1~10 | 13 | 25.5 |
3、森林生物量反演
(1)树干生物量(WT)反演
如图2所示,冠层高度(Forest Canopy Height, FCD)对WT具有较强的回归贡献度,符合树干是主要森林地上生物量主要固存部位的客观规律。土壤有机质(Soil OrganicMatter Content, SoilOMC)对WT具有较强的解释力,遥感生态指数(Remote SensingEcological Index, RSEI)是WT解释力最强遥感类指标,蒸散发(Evaporation, EVP)对WT的解释度相比于其他气候指标更高。从IncNP指数看出, WT指标重要性排序与IncMSE排序结果具有一致性,其中红边叶绿素植被指数(Red Edge Chlorophyll Vegetation Index,RECI)和宽动态植被指数(Wide Dynamic Range Vegetation Index, WDRVI)对WT具有较强的解释力。
(2)树枝生物量(WB)反演
如图3所示,林龄(Forest Age, FA)是对WB具有较高的回归贡献度,土壤有机质(SoilOMC)对WB具有较强的解释力,遥感生态指数(RSEI)是对WB解释力最强遥感因子。此外,蒸散发(EVP)对WB的解释度相比于其他气候指标更强。根据IncNP指数可以看出,WB回归指标重要性排序与IncMSE排序结果具有一致性,其中冠层高度(FCD)同样对WB具有显著解释力。相比于其他植被指数而言,红边叶绿素植被指数(RECI)和宽动态植被指数(WDRVI)对WB量具有较强的解释力,此结果与树干生物量(WT)的预测结果高度一致。
(3)树叶生物量(WL)反演
如图4所示,冠层高度(FCH)对WL的回归贡献度最强,土壤有机质(SoilOMC)也对WL具有较强的解释力,红边叶绿素植被指数(RECI)是对WL解释力最强的遥感因子,坡度比(Slope Ratio, SlopeR)对WL呈现出较高的解释度。此外,日照时数(Solar DurationHours, SDH)相比于其他气候指标对WL表现出更高的重要性,符合叶片是光合作用主要参与部位的客观规律。根据IncNP指数可以看出,WL的指标重要性排序与IncMSE的排序结果具有一致性,宽动态植被指数(WDRVI)和绿叶指数(GLI)相比于其他植被指数对WL具有更强的解释力。
(4)树根生物量(WR)反演
如图5所示,冠层高度(FCH)对WR的回归贡献度最大。土壤有机质(SoilOMC)对WR具有较强的解释力,符合土壤有机质作用于根系养分吸收的机制。红边叶绿素植被指数(RECI)是对WR解释力最强遥感因子。此外,坡度比(SlopeR)呈现出对WR较强的解释度,风速(Wind Speed, WS)相比于其他气候指标对WR更重要。从IncNP指数看出,红边叶绿素植被指数(RECI)、 遥感生态指标(RESI)和宽动态植被指数(WDRVI)相比于其他波段指数对WR具有较强的解释力。
综上所述,RF-LS的模型能够很好地预测林木垂直尺度的生物量(树干、树枝、树叶和树根)。此外,在拟合过程中发现,样地越多地优势树种其生物量的反演和拟合效果越好。因此,从小尺度推广到大尺度研究区并收集更多的树种实测数据,有助于提升样点过少的树种的系数拟合精度,增强系数的适用性和客观性。优势树种的异速生长方程系数优化有助于分析地区各类树种/林组的生物量架构,促进森林碳储量、树种特征、林分结构和生物量蓄积等方面的科学合理地开发利用。此外,通过遥感反演和方程拟合优化不同树种的生物量回归系数,能够揭示林业产业对区域生态效益的贡献率,探究林木垂直尺度各部分生物量随着胸径和树高的变化趋势,能够为林种保育提供一定的理论依据,也可为森林资源调查工作的统计提供科学参考,推动林业的绿色可持续发展。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言,由于其与实施例公开的装置相对应,所以描述的比较简单,相关之处参见装置部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (1)
1.一种森林生态系统碳储功能评估方法,其特征在于,包括:
利用随机森林机器学习方法对目标区域的森林生物量进行反演得到森林生物量预测结果;所述森林生物量预测结果包括:树干生物量预测结果、树枝生物量预测结果、树叶生物量预测结果和地下生物量预测结果;
所述树干生物量预测结果是通过以下步骤计算得到的:
将不同数量的树干生物量指标作为输入样本,采用随机森林机器学习方法对树干生物量进行反演得到多个树干生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树干生物量指标所对应的最优树干生物量反演模型;
基于所述最优树干生物量反演模型得到树干生物量预测结果;
所述树枝生物量预测结果是通过以下步骤计算得到的:
将不同数量的树枝生物量指标作为输入样本,采用随机森林机器学习方法对树枝生物量进行反演得到多个树枝生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树枝生物量指标所对应的最优树枝生物量反演模型;
基于所述最优树枝生物量反演模型得到树枝生物量预测结果;
所述树叶生物量预测结果是通过以下步骤计算得到的:
将不同数量的树叶生物量指标作为输入样本,采用随机森林机器学习方法对树叶生物量进行反演得到多个树叶生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树叶生物量指标所对应的最优树叶生物量反演模型;
基于所述最优树叶生物量反演模型得到树叶生物量预测结果;
所述地下生物量预测结果是通过以下步骤计算得到的:
将不同数量的树根生物量指标作为输入样本,采用随机森林机器学习方法对树根生物量进行反演得到多个树根生物量反演模型;
利用5次十折交叉验证方法筛选出最优数量的树根生物量指标所对应的最优树根生物量反演模型;
基于所述树根生物量反演模型得到树根生物量预测结果;
将所述树根生物量预测结果作为地下生物量预测结果;
将所述森林生物量预测结果作为因变量,胸径平方与树高的乘积作为自变量,使用最小二乘算法对不同优势树种的异速生长方程进行拟合得到不同树种的生物量回归模型;
根据不同树种的生物量回归模型确定不同树种的生物量碳密度;
根据不同树种的生物量碳密度确定相应树种的碳储量;
所述根据不同树种的生物量碳密度确定相应树种的碳储量,包括:
采用公式:
CT=[(WT+WB+WL)+(WR)+CBLW+CSOL+CDEA]×A
确定相应树种的碳储量;其中,CT表示总碳储量,WT表示树干生物量碳密度,WB表示树枝生物量碳密度,WL表示树叶生物量碳密度,WR表示树根生物量碳密度,CBLW表示地下生物量碳密度,CSOL表示土壤碳密度,CDEA表示死亡有机物碳密度,A表示面积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743258.6A CN117422156B (zh) | 2023-12-19 | 2023-12-19 | 一种森林生态系统碳储功能评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311743258.6A CN117422156B (zh) | 2023-12-19 | 2023-12-19 | 一种森林生态系统碳储功能评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117422156A CN117422156A (zh) | 2024-01-19 |
CN117422156B true CN117422156B (zh) | 2024-03-22 |
Family
ID=89526992
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311743258.6A Active CN117422156B (zh) | 2023-12-19 | 2023-12-19 | 一种森林生态系统碳储功能评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117422156B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809271A (zh) * | 2016-01-13 | 2016-07-27 | 中国林业科学研究院林业研究所 | 一种基于组合预测法的生物量模型估计方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109190178A (zh) * | 2018-08-07 | 2019-01-11 | 广西壮族自治区林业科学研究院 | 一种基于dem地形因子的杉木碳密度计算方法 |
CN112069567A (zh) * | 2020-08-07 | 2020-12-11 | 湖北交投十巫高速公路有限公司 | 基于随机森林和智能算法预测混凝土抗压强度的方法 |
CN114207737A (zh) * | 2019-05-31 | 2022-03-18 | 明智数据系统公司(d/b/a一滴公司) | 用于生物监测和血糖预测的系统及相关联方法 |
WO2022192219A1 (en) * | 2021-03-09 | 2022-09-15 | GroundTruth Ag, Inc. | Systems and methods for real-time measurement of soil carbon sequestration using non-invasive multimodal sensors |
CN115060720A (zh) * | 2022-04-25 | 2022-09-16 | 北京林业大学 | 一种基于叶片形态数字化分析的栗属植物品种鉴定方法 |
CN115494007A (zh) * | 2022-08-03 | 2022-12-20 | 北京市农林科学院信息技术研究中心 | 基于随机森林的土壤有机质高精度快速检测方法及装置 |
CN115497000A (zh) * | 2022-09-16 | 2022-12-20 | 中南大学 | 森林生物量反演方法、装置、终端设备及存储介质 |
CN115561773A (zh) * | 2022-12-02 | 2023-01-03 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
CN116662777A (zh) * | 2023-05-31 | 2023-08-29 | 中国林业科学研究院资源信息研究所 | 大尺度森林碳储量预估的高维机载LiDAR变量选择方法 |
CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
CN117114147A (zh) * | 2023-08-16 | 2023-11-24 | 北京市生态环境监测中心 | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11955224B2 (en) * | 2020-12-29 | 2024-04-09 | Kpn Innovations, Llc | System and method for generating a pulmonary dysfunction functional program |
-
2023
- 2023-12-19 CN CN202311743258.6A patent/CN117422156B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105809271A (zh) * | 2016-01-13 | 2016-07-27 | 中国林业科学研究院林业研究所 | 一种基于组合预测法的生物量模型估计方法 |
CN108921885A (zh) * | 2018-08-03 | 2018-11-30 | 南京林业大学 | 一种综合三类数据源联合反演森林地上生物量的方法 |
CN109190178A (zh) * | 2018-08-07 | 2019-01-11 | 广西壮族自治区林业科学研究院 | 一种基于dem地形因子的杉木碳密度计算方法 |
CN114207737A (zh) * | 2019-05-31 | 2022-03-18 | 明智数据系统公司(d/b/a一滴公司) | 用于生物监测和血糖预测的系统及相关联方法 |
CN112069567A (zh) * | 2020-08-07 | 2020-12-11 | 湖北交投十巫高速公路有限公司 | 基于随机森林和智能算法预测混凝土抗压强度的方法 |
WO2022192219A1 (en) * | 2021-03-09 | 2022-09-15 | GroundTruth Ag, Inc. | Systems and methods for real-time measurement of soil carbon sequestration using non-invasive multimodal sensors |
CN115060720A (zh) * | 2022-04-25 | 2022-09-16 | 北京林业大学 | 一种基于叶片形态数字化分析的栗属植物品种鉴定方法 |
CN115494007A (zh) * | 2022-08-03 | 2022-12-20 | 北京市农林科学院信息技术研究中心 | 基于随机森林的土壤有机质高精度快速检测方法及装置 |
CN115497000A (zh) * | 2022-09-16 | 2022-12-20 | 中南大学 | 森林生物量反演方法、装置、终端设备及存储介质 |
CN115561773A (zh) * | 2022-12-02 | 2023-01-03 | 武汉大学 | 基于ICESat-2星载LiDAR数据与多光谱数据的森林碳储量反演方法 |
CN116662777A (zh) * | 2023-05-31 | 2023-08-29 | 中国林业科学研究院资源信息研究所 | 大尺度森林碳储量预估的高维机载LiDAR变量选择方法 |
CN116818687A (zh) * | 2023-06-21 | 2023-09-29 | 浙江大学杭州国际科创中心 | 基于光谱引导集成学习的土壤有机碳光谱预测方法及装置 |
CN117114147A (zh) * | 2023-08-16 | 2023-11-24 | 北京市生态环境监测中心 | 基于雷达和卫星遥感的森林植被碳储量估算的方法和装置 |
Non-Patent Citations (1)
Title |
---|
"基于机载激光雷达的亚热带森林生物量估算不确定性及误差源分析";方志良;《中国优秀硕士学位论文全文数据库农业科技辑》;20230115;1-6 * |
Also Published As
Publication number | Publication date |
---|---|
CN117422156A (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fritts | Tree rings and climate | |
Granier et al. | The carbon balance of a young Beech forest | |
Peichl et al. | Biometric and eddy-covariance based estimates of carbon fluxes in an age-sequence of temperate pine forests | |
Dai et al. | Spatial pattern of carbon stocks in forest ecosystems of a typical subtropical region of southeastern China | |
Beets et al. | Coarse woody debris decay rates for seven indigenous tree species in the central North Island of New Zealand | |
Weih et al. | Shoot biomass growth is related to the vertical leaf nitrogen gradient in Salix canopies | |
Nadezhdina et al. | Transpiration of Scots pine in Flanders growing on soil with irregular substratum | |
Ohtsuka et al. | Carbon cycling and sequestration in a Japanese red pine (Pinus densiflora) forest on lava flow of Mt. Fuji | |
CN117422156B (zh) | 一种森林生态系统碳储功能评估方法 | |
Adam et al. | Allometric model for predicting aboveground biomass and carbon stock of Acacia plantations in Sarawak, Malaysia | |
Telesnina et al. | The dynamics of plant debris input and of some properties of forest litters during postagrogenic reforestation under the conditions of southern taiga | |
Pati et al. | Wood specific gravity in Indian forests: A review. | |
Bošeľa et al. | Evaluating similarity of radial increments around tree stem circumference of European beech and Norway spruce from Central Europe | |
KR20150014359A (ko) | 도시 상록성 조경수의 직접수확법을 통한 탄소 저장량 및 연간 탄소 흡수량을 산출하는 방법 | |
Grabner et al. | Variation of different tree-ring parameters in samples from each terminal shoot of a Norway spruce tree | |
Hu et al. | A stomatal optimization approach improves the estimation of carbon assimilation from sap flow measurements | |
Naidoo et al. | The effect of moisture availability on wood density and vessel characteristics of Eucalyptus grandis in the warm temperate region of South Africa | |
Jelonek et al. | The applicability of the Pipe Model Theory in trees of Scots pine of Poland | |
Saengruksawong et al. | Growths and carbon stocks in rubber plantations on Chakkarat soil series, Northeastern Thailand | |
Mizunaga et al. | The relationships between tree size and spatial distribution of foliage-mass within crowns of Japanese cedars (Cryptomeria japonica) in young plantations | |
Jansons et al. | Carbon content of below–ground biomass of young Scots pines in Latvia | |
Siregar | Develop Forest Carbon Standard and Carbon Accounting System for Small-Scale Plantation Based on Local Experiences | |
Ivanov et al. | Leaf Area Indices of Forest Stands in Natural and Disturbed Forests of Primorsky Krai | |
Tatarinov et al. | Effect of contrasting water supply on the diameter growth of Norway spruce and aspen in mixed stands: a case study from the southern Russian taiga | |
Pereira Blanco et al. | Response of fine root respiration to variations in biotic and abiotic factors in a mixed Mediterranean forest affected by drought-induced secondary succession |
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 |