CN117436908A - 一种区域连续的土壤碳库管理指数优化计算方法及系统 - Google Patents
一种区域连续的土壤碳库管理指数优化计算方法及系统 Download PDFInfo
- Publication number
- CN117436908A CN117436908A CN202311771834.8A CN202311771834A CN117436908A CN 117436908 A CN117436908 A CN 117436908A CN 202311771834 A CN202311771834 A CN 202311771834A CN 117436908 A CN117436908 A CN 117436908A
- Authority
- CN
- China
- Prior art keywords
- soil
- continuous
- rainfall
- days
- index
- 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
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 200
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 200
- 239000002689 soil Substances 0.000 title claims abstract description 151
- 238000004364 calculation method Methods 0.000 title claims abstract description 34
- 238000005457 optimization Methods 0.000 title claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 10
- 230000008859 change Effects 0.000 claims abstract description 9
- 230000001419 dependent effect Effects 0.000 claims abstract description 4
- 239000011248 coating agent Substances 0.000 claims abstract description 3
- 238000000576 coating method Methods 0.000 claims abstract description 3
- 244000005700 microbiome Species 0.000 claims description 54
- 238000012937 correction Methods 0.000 claims description 32
- 238000001556 precipitation Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 17
- 230000000813 microbial effect Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 3
- 230000004048 modification Effects 0.000 claims description 3
- 230000001939 inductive effect Effects 0.000 claims 1
- 238000007726 management method Methods 0.000 description 48
- 230000000694 effects Effects 0.000 description 16
- 230000007613 environmental effect Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 239000007789 gas Substances 0.000 description 4
- 230000006698 induction Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000005527 soil sampling Methods 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- 238000010924 continuous production Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003647 oxidation Effects 0.000 description 2
- 238000007254 oxidation reaction Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004737 colorimetric analysis Methods 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000006386 neutralization reaction Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012800 visualization 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
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
-
- 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
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Finance (AREA)
- General Business, Economics & Management (AREA)
- Medical Informatics (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种区域连续的土壤碳库管理指数的优化计算方法，包括：获取样本土壤的提取点位的多组影响因子数据以及土壤碳库管理指数计算所需的采样数据，以采样数据为因变量，以多组影响因子数据为自变量，采用机器学习模型进行建模，得到三组关系模型f1、f2和f3；获取同一地表覆被的连续的多组影响因子数据，基于f1、f2和f3关系模型反算出目标区域连续的土壤样品总碳含量、活性有机碳含量以及非活性有机碳含量；使用优化后的连续土壤样品总碳含量、活性有机碳含量和非活性有机碳含量按照土壤碳库管理指数计算公式，计算目标区域的连续土壤碳库管理指数产品。本发明能够精细化地反映目标区域土壤碳库管理指数变化情况。
Description
技术领域
本发明涉及碳中和汇算技术领域。具体而言，涉及一种区域连续的土壤碳库管理指数的优化计算方法及系统。
背景技术
土壤碳库可以为生态系统提供稳定的碳贮存，进而推动全球碳循环。土壤碳库的稳定与可持续性，为种植业、畜牧业、林业等人类活动提供了压力与帮助，为整个生态系统的功能和稳定性提供了保障。
碳库管理指数（CPMI）是表征土壤碳库变化的指标。碳库管理指数随林龄增加整体呈上升趋势。碳库管理指数与土壤有机碳、非活性有机碳、活性有机碳、碳储量、碳库活度、全氮、容重呈极显著或显著的相关性，不同林龄和土层间碳库管理指数有差异性。但通常采用如下公式计算碳库管理指数（CPMI）：
土壤碳库管理指数(CPM I,% ) =碳库指数(CPI )*碳库活度指数(Al)*100；
其中:碳库指数(CPI)=样品总碳含量(mg/g)/参考土壤总碳含量(mg/g)；
碳库活度指数(Al)=样品碳库活度(A)/参考土壤碳库活度；碳库活度(A)=土壤活性有机碳含量(mg/g)/土壤非活性有机碳含量(mg/g)；
通过土壤碳库管理指数公式可以统计得到土壤碳库管理指数：
土壤碳库管理指数（S）=10C·ρ·h；
式中：C（g·kg-1）为有机碳质量比；ρ（g·cm-3）为土壤容重；h（cm）为实际土层高度。
由以上公式可知，土壤碳库管理指数的计算极大的依赖土壤取样工作，包括土壤样品的总碳含量、活性有机碳含量、非活性有机碳含量等数据，而受限于有限的人力物力，采样点位和数据是有限的，使得经常需要通过有限的采样数据计算得到的土壤碳库指数表征一个区域的土壤碳库水平，不能满足精细化的区域土壤碳库管理和计算工作。
因此，空间连续且准确的土壤碳库指数产品是有必要的。然而，计算所需的土壤样品总碳含量、活性有机碳含量、非活性有机碳含量三个参数受到海拔、降雨、气温、湿度等多种环境因素的影响，而表现出较大的差异，同时该差异很难进行线性量化和经验分析，需要进行提升该三参数的优化估算。
发明内容
本发明正是基于现有技术的上述需求而提出的，本发明针对现有的土壤碳库管理时未考虑环境因素（如环境因子海拔、降雨、气温、湿度，空间相关因子包括经度、纬度或距离，碳库循环因子如CO2、CH4等气体浓度，植被覆盖情况如植被覆盖度等），从而导致土壤碳库管理指数计算不够精准的技术问题，提供一种区域连续的土壤碳库管理指数的优化计算方法及系统。
为了解决上述问题，本发明是采用如下技术方案实现的：
一种区域连续的土壤碳库管理指数的优化计算方法，包括：
1）获取样本土壤的提取点位的多组影响因子数据以及土壤碳库管理指数计算所需的采样数据，采样数据包括：土壤样品总碳含量、活性有机碳含量、非活性有机碳含量；
2）以采样数据为因变量，以多组影响因子数据为自变量，采用机器学习模型进行建模，得到三组关系模型f1、f2和f3；
3）获取同一地表覆被的连续的多组影响因子数据，基于f1、f2和f3关系模型反算出目标区域连续的土壤样品总碳含量、活性有机碳含量以及非活性有机碳含量；
4）使用优化后的连续土壤样品总碳含量、活性有机碳含量和非活性有机碳含量按照土壤碳库管理指数计算公式，计算目标区域的连续土壤碳库管理指数产品。
可选地，多组影响因子数据，包括：海拔、降雨、气温、湿度、经度、纬度、CO2、CH4气体浓度以及植被覆盖度。
可选地，获取样本土壤的提取点位的多组影响因子数据以及土壤碳库管理指数计算所需的采样数据，包括：
连续一段时间内分别采集目标区域的多个提取点位的若干土壤样品，记录采样点采样时间,以及采样点位具体经纬度信息；再获取对应的经纬度信息以及采样时间的相对应的多组影响因子数据。
可选地，所建立的关系模型表达式表示如下：
土壤总碳含量表达为：f1（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）；
土壤活性有机碳含量表达为：f2（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）；
土壤非活性有机碳含量表达为：f3（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）。
可选地，获取多组影响因子数据后，根据降水数据统计连续降雨或干旱事件，连续降雨或干旱事件包括：连续降雨事件、连续非降雨事件、连续降雨事件以及连续降雨事件发生之前的非降雨事件以及连续非降雨事件发生之后的连续降雨事件的情况；
根据统计结果设置微生物增长指数，微生物增长指数用于表征土壤中微生物随不同的连续降雨或干旱事件而产生的增长速度变化。
可选地，统计连续降雨或干旱事件后，还根据对应的连续降雨或干旱事件发生的时间以及经纬度以及对应位置的植被覆盖度，结合植被覆盖度修正因子修正微生物增长指数，微生物增长指数还用于表征在对应的不同的植被覆盖度条件下，且在不同的连续降雨或干旱事件而产生的增长速度变化。
可选地，所建立的关系模型表达式表示如下：
土壤总碳含量表达为：f1（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）；
土壤活性有机碳含量表达为：f2（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）；
土壤非活性有机碳含量表达为：f3（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）。
可选地，微生物增长指数经过归纳统计得到，连续降雨或干旱事件与微生物增长指数的对应取值关系如下：
连续降雨天数0~3天，微生物增长指数为1.21；
连续降雨天数3~5天，微生物增长指数为1.15；
连续降雨天数大于5天，微生物增长指数为1.05；
连续非降雨天数0~7天，微生物增长指数为0.95；
连续非降雨天数7~15天，微生物增长指数为0.89；
连续非降雨天数大于15天，微生物增长指数为0.78；
连续非降雨天数0~7天后发生连续降雨事件0~3天，微生物增长指数为1.25；
连续非降雨天数7~15天后发生连续降雨事件0~3天，微生物增长指数为1.37；
连续非降雨天数大于15天后发生连续降雨事件0~3天，微生物增长指数为1.31。
可选地，结合植被覆盖度修正因子修正微生物增长指数，包括：根据时间、经纬度以及对应位置的植被覆盖度查表确定植被覆盖度修正因子，将植被覆盖度修正因子与微生物增长指数相乘得到修正后的微生物增长指数。
可选地，植被覆盖度修正因子经过归纳统计得到，植被覆盖度修正因子的取值如下：
寒带耕地的植被覆盖度修正因子0.89；
寒带林地的植被覆盖度修正因子0.95；
寒带裸地的植被覆盖度修正因子0.82；
温带耕地的植被覆盖度修正因子1；
温带林地的植被覆盖度修正因子1.07；
温带裸地的植被覆盖度修正因子0.92；
热带/亚热带耕地的植被覆盖度修正因子1.28；
热带/亚热带林地的植被覆盖度修正因子1.32；
热带/亚热带裸地的植被覆盖度修正因子0.98。
第二方面，本发明还提供一种区域连续的土壤碳库管理指数的优化计算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述任一方法的步骤。
与现有技术相比，本发明区域连续的土壤碳库管理指数的优化计算方法及系统，可获得的连续影响因子数据和机器学习模型，优化了传统仅通过抽样采样方式确定区域土壤碳库管理指数计算方法，实现目标区域连续的土壤碳库管理指数产品生产，能够精细化地反映目标区域土壤碳库管理指数变化情况，帮助分析土壤总碳含量、活性有机碳含量、非活性有机碳含量受海拔、降雨、气温和湿度的响应情况。
附图说明
图1是本发明实施例1的区域连续的土壤碳库管理指数的优化计算方法的流程示意图；
图2是本发明实施例1的机器学习模型建立示意图;
图3是本发明实施例1的区域连续土壤碳指标反算的流程示意图；
图4是本发明实施例2的采样点分布示意图；
图5是本发明实施例2的采样点土壤数据记录表；
图6是本发明实施例2的地形数据示例图；
图7是本发明实施例2的采样点影响因子数据匹配与提取结果；
图8是本发明实施例2的土壤碳指标机器学习模型验证结果示意图；
图9是本发明实施例2的区域连续的土壤碳库管理指数产品示意图。
具体实施方式
为了更好的解释本发明，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更清楚、透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
实施例1
参见图1，本发明实施例的区域连续的土壤碳库管理指数的优化计算方法，包括以下步骤：
步骤1： 获取采样点多组土壤采样数据。
采集目标区域若干土壤样品，记录采样点采样时间t,以及采样点位具体经纬度信息p1(x1,y1)、p2(x2,y2)…pn(xn,yn)。实验室测算土壤碳指标，如土壤总有机碳采用氧化外加热法，活性有机碳含量采用氧化比色法测定等，记录示例如下：
表1 采样土壤测定参数记录表
| 序号 | 采样点编号 | 土壤总碳含量 | 活性有机碳含量 | 非活性有机碳含量 |
| 1 | p1 | 17.16 | 9.54 | 7.62 |
| 2 | p2 | 13.15 | 5.32 | 7.83 |
| 3 | p3 | 13.86 | 3.94 | 9.92 |
| 4 | p4 | 15.64 | 7.39 | 8.25 |
| 5 | p5 | 14.28 | 5.41 | 8.87 |
| … | … | … | … | … |
| n | pn | 16.02 | 8.17 | 7.85 |
步骤2：获取目标区域连续的影响因子数据（海拔、降水、气温、湿度、经度、纬度、CO2、CH4、植被覆盖度），并依据点位信息提取采样点对应数据；提取对应点位影响因子数据，并记录如下表所示：
表2 提取采样点影响因子数据
| 序号 | 采样点编号 | 海拔（m） | 降雨（mm） | 气温 | 湿度(%) | … |
| 1 | p1 | 425 | 32.6 | 21.6 | 40.2 | … |
| 2 | p2 | 463 | 45.1 | 22.3 | 32.1 | … |
| 3 | p3 | 386 | 32.5 | 19.9 | 60.8 | … |
| 4 | p4 | 474 | 66.1 | 20.5 | 62.4 | … |
| 5 | p5 | 401 | 50.7 | 20.3 | 50.4 | … |
| … | … | … | … | … | … | … |
| n | pn | 513 | 70.8 | 25.4 | 30.3 | … |
步骤3：利用机器学习建立土壤碳指标与影响因子关系模型
以BP神经网络算法为例，该算法通过信号的前向传播和误差的反向传播来提升模型的准确性。以环境影响因子为输入，土壤碳指标数据为输出层，训练出精度较高的关系模型，逻辑示意图如图2所示。
所建立的关系模型表达式可表示如下：
所建立的关系模型表达式可表示如下：
土壤总碳含量表达为：f1（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）；
土壤活性有机碳含量表达为：f2（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）；
土壤非活性有机碳含量表达为：f3（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）。
步骤4：基于构建好的关系模型f，反算目标区域连续的土壤碳指标
基于构建的关系模型f1,f2,f3和区域连续的环境影响因子数据，反算出目标区域连续的土壤碳指标，包括土壤碳总量、活性有机碳含量、非活性有机碳含量。该步骤逻辑如图3所示。
步骤5： 基于土壤碳库管理指数计算公式，生产区域连续的土壤碳库管理指数产品。
根据公式：
土壤碳库管理指数(CPM I,% ) =碳库指数(CPI )*碳库活度指数(Al)*100；其中:碳库指数(CPI) =样品总碳含量(mg/g )/参考土壤总碳含量(mg/g )；碳库活度指数(Al)=样品碳库活度(A)/参考土壤碳库活度；碳库活度(A)=土壤活性有机碳含量(mg/g)/土壤非活性有机碳含量(mg/g)；
按照区域所属土壤类型确定参考土壤总碳含量S0、参考土壤碳库活度A0，代入反算得到的区域连续土壤总碳含量、活性有机碳含量、非活性有机碳含量，即可得到区域连续的土壤碳库管理指数产品，并进行地图可视化。
步骤6：对生成的区域连续土壤碳库指数进行专题图绘制，可视化区域土壤碳库指数分布情况。
按照规范的专题图制图规范，使用合适的标注及颜色，按土壤碳库管理指数数值从高到低采用一定颜色进行展绘，清晰直观地展示精细化且连续的区域土壤碳库管理指数。
实施例2
本发明实施例以北京市森林土壤碳库指数计算为例，考虑到计算量和说明需求，本实施例的数据均处理至250m分辨率，同时采取一些简化处理，主要是指北京市森林区域均采用统一参考土壤总碳含量、参考土壤碳活度值，在实际工作中，该值的确定需要更加严格地选取。本发明实施例的区域连续的土壤碳库管理指数的优化计算方法，包括以下步骤：
步骤1 在目标区域内获取若干个土壤采样点，采样点分布如图4所示。
各采样点的点位采集的土壤碳指标数据记录（部分数据）如图5所示。
步骤2：获取北京市地区的环境影响因子数据，包括海拔、降水、气温、湿度、经度、纬度、CO2浓度、CH4浓度、植被覆盖度数据，并根据采样点位的采样时间和经纬度数据进行提取。
其中，海拔数据可使用DEM数据，降水、气温、湿度数据可使用ERA5气象再分析资料数据，不同分辨率的数据采样至250m分辨率，经度、纬度数据为区域地图自带数据，CO2及CH4浓度监测数据可来源于OCO-2，GOSAT卫星监测数据，植被覆盖度数据可来源于Landsat系列或哨兵2号卫星计算所得。其中地形数据示例参见图6。
通过点提取栅格值算法提取出全部影响因子，数据记录（部分数据）如图7所示。
影响因子数据提取以后，统计连续降雨或干旱事件，并根据对应的连续降雨或干旱事件发生的时间以及经纬度以及对应位置的植被覆盖度，结合植被覆盖度修正因子修正微生物增长指数，微生物增长指数用于表征在对应的不同的植被覆盖度条件下，且在不同的连续降雨或干旱事件而产生的增长速度变化。实施时，微生物增长指数还可以进行修正和优化。具体为结合植被覆盖度修正因子修正微生物增长指数，包括：根据时间、经纬度以及对应位置的植被覆盖度查表确定植被覆盖度修正因子，将植被覆盖度修正因子与微生物增长指数相乘得到修正后的微生物增长指数。
本实施例中，所建立的关系模型表达式表示如下：
土壤总碳含量表达为：f1（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）；
土壤活性有机碳含量表达为：f2（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）；
土壤非活性有机碳含量表达为：f3（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）。
本实施例的微生物增长指数经过归纳统计得到，连续降雨或干旱事件与微生物增长指数的对应取值关系如下：
连续降雨天数0~3天，微生物增长指数为1.21；
连续降雨天数3~5天，微生物增长指数为1.15；
连续降雨天数大于5天，微生物增长指数为1.05；
连续非降雨天数0~7天，微生物增长指数为0.95；
连续非降雨天数7~15天，微生物增长指数为0.89；
连续非降雨天数大于15天，微生物增长指数为0.78；
连续非降雨天数0~7天后发生连续降雨事件0~3天，微生物增长指数为1.25；
连续非降雨天数7~15天后发生连续降雨事件0~3天，微生物增长指数为1.37；
连续非降雨天数大于15天后发生连续降雨事件0~3天，微生物增长指数为1.31。
本实施例中，植被覆盖度修正因子经过归纳统计得到，植被覆盖度修正因子的取值如下：
寒带耕地的植被覆盖度修正因子0.89；
寒带林地的植被覆盖度修正因子0.95；
寒带裸地的植被覆盖度修正因子0.82；
温带耕地的植被覆盖度修正因子1；
温带林地的植被覆盖度修正因子1.07；
温带裸地的植被覆盖度修正因子0.92；
热带/亚热带耕地的植被覆盖度修正因子1.28；
热带/亚热带林地的植被覆盖度修正因子1.32；
热带/亚热带裸地的植被覆盖度修正因子0.98。
实施时，微生物增长指数在提取多影响因子数据后，通过自动查表进行换算获取。
步骤3：利用机器学习建立土壤碳指标与影响因子关系模型。
基于采集的土壤碳指标数据和影响因子数据，将数据分为训练集与验证集，采用合适的机器学习方法进行建模，可设置训练集模型精度达到90%以上停止训练，验证集精度优于80%的网络可被选取，用于后续反算工作。在本案例中，土壤总碳含量、活性有机碳含量、非活性有机碳含量模型训练精度高于90%，验证精度均大于80%，数据验证结果如图8所示。可见，使用机器学习模型对土壤碳指标进行预测可以达到较高的准确性，用于反算区域连续的土壤碳指标具有可靠性。
步骤4：基于训练好的关系模型，反算出区域连续的土壤碳指标。
基于连续的区域影响因子数据和训练好的关系模型，对北京森林区域的土壤碳指标进行反算，得到北京森林区域连续的土壤总碳含量、活性有机碳含量、非活性有机碳含量数据。
步骤5：基于反算的土壤碳指标结果，计算北京市森林区域的土壤碳管理指数。
使用公式：
；
其中:样品总碳含量(mg/g )、土壤活性有机碳含量(mg/g)、土壤非活性有机碳含量(mg/g)为反算出来的连续数据，参考土壤总碳含量及参考土壤碳库活度数据采用文献中华北落叶林土壤有机碳总量测定和碳库活度指数结果，由此可计算出区域连续的土壤碳库管理指数。
步骤6：基于地图制图方法，将区域连续的土壤碳库管理指数进行绘制。
基于本发明的方法，可以基于有限的采样数据，通过机器学习算法准确地估算土壤碳指标，从而优化土壤碳管库管理指数计算方法，生成区域连续的土壤碳库管理指数产品，清晰直观地展示区域土壤碳库变化情况。连续的土壤碳库管理指数产品如图9所示。
第二方面，本发明实施例还提供一种区域连续的土壤碳库管理指数的优化计算系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行所述计算机程序时实现上述任一实施方式的步骤。
综上可知，本发明区域连续的土壤碳库管理指数的优化计算方法及系统，可获得的连续影响因子数据和机器学习模型，优化了传统仅通过抽样采样方式确定区域土壤碳库管理指数计算方法，实现目标区域连续的土壤碳库管理指数产品生产，能够精细化地反映目标区域土壤碳库管理指数变化情况，帮助分析和预测未来一段时间或者是未被采集区域（连续区域中的未被采样区域）的土壤总碳含量、活性有机碳含量、非活性有机碳含量受海拔、降雨、气温和湿度的响应情况。
在本发明的描述中，需要理解的是，术语“第一”、“第二”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”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本说明书的描述中，术语“一个实施例”、“一些实施例”、“实施例”、“示例”、“具体示例”或“一些示例”等的描述，是指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行改动、修改、替换和变型。
Claims (10)
1.一种区域连续的土壤碳库管理指数的优化计算方法，其特征在于，包括：
1）获取样本土壤的提取点位的多组影响因子数据以及土壤碳库管理指数计算所需的采样数据，采样数据包括：土壤样品总碳含量、活性有机碳含量、非活性有机碳含量；
2）以采样数据为因变量，以多组影响因子数据为自变量，采用机器学习模型进行建模，得到三组关系模型f1、f2和f3；
3）获取同一地表覆被的连续的多组影响因子数据，基于f1、f2和f3关系模型反算出目标区域连续的土壤样品总碳含量、活性有机碳含量以及非活性有机碳含量；
4）使用优化后的连续土壤样品总碳含量、活性有机碳含量和非活性有机碳含量按照土壤碳库管理指数计算公式，计算目标区域的连续土壤碳库管理指数产品。
2.根据权利要求1的方法，其特征在于，多组影响因子数据，包括：海拔、降雨、气温、湿度、经度、纬度、CO2、CH4气体浓度以及植被覆盖度。
3.根据权利要求2的方法，其特征在于，获取样本土壤的提取点位的多组影响因子数据以及土壤碳库管理指数计算所需的采样数据，包括：
连续一段时间内分别采集目标区域的多个提取点位的若干土壤样品，记录采样点采样时间,以及采样点位具体经纬度信息；再获取对应的经纬度信息以及采样时间的相对应的多组影响因子数据。
4.根据权利要求3的方法，其特征在于，所建立的关系模型的表达式表示如下：
土壤总碳含量表达为：f1（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）；
土壤活性有机碳含量表达为：f2（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）；
土壤非活性有机碳含量表达为：f3（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度）。
5.根据权利要求2的方法，其特征在于，获取多组影响因子数据后，根据降水数据统计连续降雨或干旱事件，连续降雨或干旱事件包括：连续降雨事件、连续非降雨事件、连续降雨事件以及连续降雨事件发生之前的非降雨事件以及连续非降雨事件发生之后的连续降雨事件的情况；
根据统计结果设置微生物增长指数，微生物增长指数用于表征土壤中微生物随不同的连续降雨或干旱事件而产生的增长速度变化。
6.根据权利要求2的方法，其特征在于，统计连续降雨或干旱事件后，还根据对应的连续降雨或干旱事件发生的时间以及经纬度以及对应位置的植被覆盖度，结合植被覆盖度修正因子修正微生物增长指数，微生物增长指数还用于表征在对应的不同的植被覆盖度条件下，且在不同的连续降雨或干旱事件而产生的增长速度变化。
7.根据权利要求5的方法，其特征在于，所建立的关系模型表达式表示如下：
土壤总碳含量表达为：f1（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）；
土壤活性有机碳含量表达为：f2（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）；
土壤非活性有机碳含量表达为：f3（海拔，降水，气温，湿度，经度，维度，CO2，CH4，植被覆盖度，微生物增长指数）。
8.根据权利要求6的方法，其特征在于，微生物增长指数经过归纳统计得到，连续降雨或干旱事件与微生物增长指数的对应取值关系如下：
连续降雨天数0~3天，微生物增长指数为1.21；
连续降雨天数3~5天，微生物增长指数为1.15；
连续降雨天数大于5天，微生物增长指数为1.05；
连续非降雨天数0~7天，微生物增长指数为0.95；
连续非降雨天数7~15天，微生物增长指数为0.89；
连续非降雨天数大于15天，微生物增长指数为0.78；
连续非降雨天数0~7天后发生连续降雨事件0~3天，微生物增长指数为1.25；
连续非降雨天数7~15天后发生连续降雨事件0~3天，微生物增长指数为1.37；
连续非降雨天数大于15天后发生连续降雨事件0~3天，微生物增长指数为1.31。
9.根据权利要求8的方法，其特征在于，结合植被覆盖度修正因子修正微生物增长指数，包括：根据时间、经纬度以及对应位置的植被覆盖度查表确定植被覆盖度修正因子，将植被覆盖度修正因子与微生物增长指数相乘得到修正后的微生物增长指数。
10.一种区域连续的土壤碳库管理指数的优化计算系统，包括存储器、处理器以及存储在存储器上并可在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计算机程序时实现上述权利要求1至9中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311771834.8A CN117436908B (zh) | 2023-12-21 | 2023-12-21 | 一种区域连续的土壤碳库管理指数优化计算方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311771834.8A CN117436908B (zh) | 2023-12-21 | 2023-12-21 | 一种区域连续的土壤碳库管理指数优化计算方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117436908A true CN117436908A (zh) | 2024-01-23 |
| CN117436908B CN117436908B (zh) | 2024-04-16 |
Family
ID=89558752
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311771834.8A Active CN117436908B (zh) | 2023-12-21 | 2023-12-21 | 一种区域连续的土壤碳库管理指数优化计算方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117436908B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156549A1 (en) * | 2012-11-19 | 2014-06-05 | Syracuse University | Method for estimating carbon sequestration in grasslands |
| CN104166782A (zh) * | 2014-06-05 | 2014-11-26 | 刘健 | 一种林地土壤有机碳遥感估测的方法 |
| CN108573092A (zh) * | 2017-03-14 | 2018-09-25 | 赛吉纪技术服务（北京）有限公司 | 评估与地球资源相关的特征的空间分布的方法以及装置 |
| 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 |
| CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
| US20200408731A1 (en) * | 2019-06-28 | 2020-12-31 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method for Estimating Soil Organic Carbon in Karst Area |
| CN113420412A (zh) * | 2021-05-26 | 2021-09-21 | 南京信息工程大学 | 基于成像光谱的土壤有机碳含量连续深度分布提取方法 |
| CN114740180A (zh) * | 2022-04-07 | 2022-07-12 | 中山大学 | 基于多源遥感数据的土壤有机碳估算方法及装置 |
| WO2023097399A1 (en) * | 2021-12-03 | 2023-06-08 | Terramera, Inc. | Systems and methods for predicting soil carbon content |
| CN116976565A (zh) * | 2023-08-25 | 2023-10-31 | 朱光兴 | 山地生态碳汇长期监测与趋势预测方法 |
-
2023
- 2023-12-21 CN CN202311771834.8A patent/CN117436908B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140156549A1 (en) * | 2012-11-19 | 2014-06-05 | Syracuse University | Method for estimating carbon sequestration in grasslands |
| CN104166782A (zh) * | 2014-06-05 | 2014-11-26 | 刘健 | 一种林地土壤有机碳遥感估测的方法 |
| CN108573092A (zh) * | 2017-03-14 | 2018-09-25 | 赛吉纪技术服务（北京）有限公司 | 评估与地球资源相关的特征的空间分布的方法以及装置 |
| US20200408731A1 (en) * | 2019-06-28 | 2020-12-31 | Institute Of Geochemistry, Chinese Academy Of Sciences | Method for Estimating Soil Organic Carbon in Karst Area |
| 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 |
| CN111488902A (zh) * | 2020-01-14 | 2020-08-04 | 沈阳农业大学 | 一种原生滨海湿地生态系统碳储量定量估算方法及系统 |
| CN113420412A (zh) * | 2021-05-26 | 2021-09-21 | 南京信息工程大学 | 基于成像光谱的土壤有机碳含量连续深度分布提取方法 |
| WO2023097399A1 (en) * | 2021-12-03 | 2023-06-08 | Terramera, Inc. | Systems and methods for predicting soil carbon content |
| CN114740180A (zh) * | 2022-04-07 | 2022-07-12 | 中山大学 | 基于多源遥感数据的土壤有机碳估算方法及装置 |
| CN116976565A (zh) * | 2023-08-25 | 2023-10-31 | 朱光兴 | 山地生态碳汇长期监测与趋势预测方法 |
Non-Patent Citations (14)
| Title |
|---|
| ALFONSO OLAYA-ABRIL: "Soil organic carbon distribution in Mediterranean areas under a climate change scenario via multiple linear regression analysis", SCIENCE OF THE TOTAL ENVIRONMENT, 15 August 2017 (2017-08-15), pages 134 - 143 * |
| 丁苏雅，马姜明，覃云斌，黄芳玲，宋丽丽，刘文清，李梦霞，何昕诺: "生物炭对毛竹林土壤有机碳组分及碳库管理指数的影响", 广西师范大学学报(自然科学版), 7 June 2023 (2023-06-07), pages 1 - 14 * |
| 付金杯，李梦南，徐炜达，王宇萌，李怀瑞，尹捷，杨昱锟，卓俊玲: "基于卫星遥感等多源数据分析发电厂CO2排放的研究", 中国环境科学, 28 November 2023 (2023-11-28), pages 1 - 12 * |
| 戴全厚;刘国彬;薛;余娜;兰雪;: "侵蚀环境坡耕地改造对土壤活性有机碳与碳库管理指数的影响", 水土保持通报, no. 04, 15 August 2008 (2008-08-15), pages 17 - 21 * |
| 戴全厚;刘国彬;薛;余娜;张超;: "侵蚀环境人工灌木林土壤活性有机碳与碳库管理指数演变", 西北农业学报, no. 05, 16 September 2008 (2008-09-16), pages 215 - 219 * |
| 曹志远;易彩霞;王永;: "青藏高原不同类型草地土壤有机碳特征研究", 安徽农学通报, no. 1, 29 February 2016 (2016-02-29), pages 14 - 17 * |
| 朱小梅，王甫同，邢锦城，王建红，刘冲，赵宝泉，温祝桂，董静，贺亭亭， 洪立洲: "田菁翻压还田对滩涂土壤碳氮及微生物生物量的影响", 土壤, vol. 53, no. 3, 15 June 2021 (2021-06-15), pages 529 - 536 * |
| 江帆: "基于遥感和地面辅助的丘陵区表层土壤有机碳空间格局研究", 中国优秀硕士学位论文全文数据库农业科技辑, 15 January 2021 (2021-01-15), pages 1 - 51 * |
| 王栋，李辉信，李小红，王静，胡锋: "覆草旱作对稻田土壤活性有机碳的影响", 中国农业科学, vol. 44, no. 1, 8 January 2011 (2011-01-08), pages 75 - 83 * |
| 苏静, 赵世伟, 马继东, 杨永辉, 刘娜娜: "宁南黄土丘陵区不同人工植被对土壤碳库的影响", 水土保持研究, no. 03, 30 September 2005 (2005-09-30), pages 50 - 52 * |
| 邹润彦;周宏冀;郭熙;但承龙;吕添贵;李洪义;: "环鄱阳湖区农田土壤有机碳影响因素空间分布格局分析及制图研究", 长江流域资源与环境, no. 05, 15 May 2019 (2019-05-15), pages 121 - 131 * |
| 郑红;: "土壤活性有机碳的研究进展", 中国林副特产, 31 December 2011 (2011-12-31), pages 90 - 94 * |
| 金雯晖;杨劲松;王相平;: "滩涂土壤有机碳空间分布与围垦年限相关性分析", 农业工程学报, no. 05, 1 March 2013 (2013-03-01), pages 89 - 94 * |
| 魏小波;何文清;黎晓峰;刘恩科;刘爽;: "农田土壤有机碳固定机制及其影响因子研究进展", 中国农业气象, no. 04, 20 November 2010 (2010-11-20), pages 487 - 494 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117436908B (zh) | 2024-04-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zeng et al. | Highland cropland expansion and forest loss in Southeast Asia in the twenty-first century | |
| Baker et al. | Evapotranspiration in the Amazon: spatial patterns, seasonality, and recent trends in observations, reanalysis, and climate models | |
| Lamastra et al. | A novel fuzzy expert system to assess the sustainability of the viticulture at the wine-estate scale | |
| CN104408258A (zh) | 融合环境因素的大尺度土壤有机碳空间分布模拟方法 | |
| CN115829812B (zh) | 一种基于生态系统模拟的碳汇量测算方法及系统 | |
| CN115630567A (zh) | 一种海岸带土壤有机碳储量模拟及预测方法 | |
| CN113011372B (zh) | 一种盐碱化土地自动监测和识别方法 | |
| Openko et al. | Geoinformation modelling of forest shelterbelts effect on pecuniary valuation of adjacent farmlands | |
| CN108764527B (zh) | 一种土壤有机碳库时空动态预测最优环境变量筛选方法 | |
| Hayano et al. | National-scale estimation of methane emission from paddy fields in Japan: Database construction and upscaling using a process-based biogeochemistry model | |
| CN114169161A (zh) | 一种土壤有机碳时空变异和固碳潜力估计方法和系统 | |
| CN114663782A (zh) | 一种林地环境数据的林业碳源汇计量方法 | |
| CN114398951A (zh) | 一种基于随机森林和众源地理信息的土地利用变化驱动因子挖掘方法 | |
| CN116401882A (zh) | 基于多因子胁迫的地表臭氧对冬小麦产量影响评估方法 | |
| Gaur et al. | Introduction to physical scaling: a model aimed to bridge the gap between statistical and dynamic downscaling approaches | |
| Li et al. | Evaluating the effect of transpiration in hydrologic model simulation through parameter calibration | |
| CN117436908B (zh) | 一种区域连续的土壤碳库管理指数优化计算方法及系统 | |
| Danalatos et al. | Nitrate losses across 29 Iowa watersheds: Measuring long‐term trends in the context of interannual variability | |
| CN116050163A (zh) | 一种基于气象站的生态系统碳水通量计算方法及系统 | |
| CN115965121A (zh) | 一种基于随机森林回归的农田氮淋失预测方法 | |
| CN115310719A (zh) | 基于三阶段k-means的农田土壤采样方案设计方法 | |
| Cai et al. | Spatial variation in forest soil respiration: A systematic review of field observations at the global scale | |
| Assa et al. | Modeling canopy water content in the assessment for rainfall induced surface and groundwater nitrate contamination: The Bilate cropland sub watershed | |
| CN117933476B (zh) | 一种青藏高原多年冻土区植被性状空间分布估算方法 | |
| Henniges | Changes in the British and Irish flora-the role of genome size |
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 |