CN117852775A - 一种喀斯特碳汇潜力的评估方法及相关设备 - Google Patents
一种喀斯特碳汇潜力的评估方法及相关设备 Download PDFInfo
- Publication number
- CN117852775A CN117852775A CN202410245729.9A CN202410245729A CN117852775A CN 117852775 A CN117852775 A CN 117852775A CN 202410245729 A CN202410245729 A CN 202410245729A CN 117852775 A CN117852775 A CN 117852775A
- Authority
- CN
- China
- Prior art keywords
- evaluated
- soil
- region
- carbon
- 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.)
- Granted
Links
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 title claims abstract description 297
- 229910052799 carbon Inorganic materials 0.000 title claims abstract description 297
- 238000000034 method Methods 0.000 title claims abstract description 68
- 239000002689 soil Substances 0.000 claims abstract description 275
- 238000012545 processing Methods 0.000 claims abstract description 61
- 238000011156 evaluation Methods 0.000 claims abstract description 33
- 238000007781 pre-processing Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims description 58
- 238000012360 testing method Methods 0.000 claims description 38
- 238000004364 calculation method Methods 0.000 claims description 25
- 239000011248 coating agent Substances 0.000 claims description 24
- 238000000576 coating method Methods 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 13
- 230000001965 increasing effect Effects 0.000 description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 239000005416 organic matter Substances 0.000 description 4
- 238000012876 topography Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000003247 decreasing effect Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003628 erosive effect Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000001556 precipitation Methods 0.000 description 2
- 239000012298 atmosphere Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种喀斯特碳汇潜力的评估方法及相关设备，应用于数据处理技术领域。本申请获取客户端发送的待评估区域的土地类型信息；对待评估区域的土地类型信息进行预处理，生成土地类型图像；获取存储有与待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址；若存储有土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与待评估区域的标识信息相匹配的土壤有机碳估算模型，对土地类型图像进行处理，生成待评估区域的碳汇潜力值；基于碳汇潜力值，生成待评估区域的碳汇潜力信息。
Description
技术领域
本发明涉及数据处理技术领域，特别涉及一种喀斯特碳汇潜力的评估方法及相关设备。
背景技术
由于喀斯特地区土壤分布的特殊性，地表破碎，土壤浅薄，分布不均，植被不连续，且基岩裸露率高，土壤有机碳密度和储量空间分布特征的深入认识直接关系着喀斯特石漠化地区生态恢复和重建方案规划和生态体系布局。在碳汇计算过程中，不同土地利用类型的碳储量之间也存在着巨大差异，但现有的碳汇计算方法大多基于单一的土地利用类型来计算碳汇量，比如森林碳汇就是较为常用和主要的碳汇计算对象，显然现有的碳汇计算方法无法很好地考虑到不同土地利用类型间的差异对碳储量的影响，因此会导致基于碳储量计算得到的碳汇量的估算误差较大，现有的碳汇计算方法的灵活度较低、成本较高，这是因为需要对每个样地进行详细的测量和数据收集，这需要花费大量的时间和人力资源。
上述对喀斯特碳汇潜力进行评估需要相关的服务器对相关数据进行处理，但若全部交由单个指定的服务器进行处理，将增大该服务器的处理负担，从而降低处理效率，如何快速且准确的对喀斯特碳汇潜力进行评估，是本领域计算人员急需考虑的问题。
需要说明的是，在上述背景技术部分公开的信息仅用于加强对本公开的背景的理解，因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
本申请的目的在于提供一种喀斯特碳汇潜力的评估方法及相关设备，至少在一定程度上克服现有技术存在的问题，通过标识信息获取具有处理待评估区域的土地类型信息的土壤有机碳估算模型，并选择负载最低的服务器对该土地类型信息进行处理，从而快速且准确的对待评估区域进行碳汇潜力的评估，建立喀斯特地区碳循环模式，提高喀斯特地区碳汇的调控性能。
本申请的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本发明的实践而习得。
根据本申请的一个方面，提供一种喀斯特碳汇潜力的评估方法，包括：获取客户端发送的待评估区域的土地类型信息，其中，所述土地类型信息包括用于表征所述待评估区域的标识信息，所述待评估区域包括喀斯特地区和非喀斯特地区；对所述待评估区域的土地类型信息进行预处理，生成土地类型图像；获取存储有与所述待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，所述土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；若存储有所述土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述待评估区域的标识信息相匹配的土壤有机碳估算模型，对所述土地类型图像进行处理，生成待评估区域的碳汇潜力值；所述土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，所述计算公式为：SOC＝a SBD/>SCT/>(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
在本申请的一个实施例中，所述对所述待评估区域的土地类型信息进行预处理，生成土地类型图像，包括：基于深度学习神经网络模型对待评估区域的土地类型信息进行图像提取，生成待评估区域的土壤图像；对所述待评估区域的土壤图像进行灰度化处理，生成目标亮度的土壤图像；对所述目标亮度的土壤图像进行图像归一化处理，生成预设尺寸大小的土壤图像；对所述预设尺寸大小的土壤图像进行图像增强处理，生成土地类型图像，其中，所述土地类型图像包括土壤有机碳含量信息、土壤容重信息、土壤涂层厚度、土壤类型信息和石砾信息。
在本申请的一个实施例中，所述方法还包括：获取用于指示所述客户端在后续的预设时间段内或预设次数内向业务负载状态最低的服务器发送待评估区域的土地类型信息的转发标识；若所述业务负载状态最低的服务器为其他服务器，则基于所述转发标识向所述其他服务器发送所述待评估区域的土地类型信息；接收所述其他服务器发送的待评估区域的碳汇潜力信息。
在本申请的一个实施例中，所述方法还包括：获取用于对所述土壤有机碳估算模型进行更新的训练样本集；对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；基于所述带有目标特征数据的训练样本集对所述土壤有机碳估算模型进行处理，生成更新后的土壤有机碳估算模型；基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息。
在本申请的一个实施例中，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：对所述训练样本集进行特征提取，确定原始特征库；根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据。
在本申请的一个实施例中，所述基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息，包括：获取待评估区域的历史土地类型图像；基于所述待评估区域的历史土地类型图像获取所述更新后的土壤有机碳估算模型的评估指标和所述评估指标对应的权重信息；基于所述评估指标和所述评估指标对应的权重信息对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力值；基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
本申请的另一个方面，一种喀斯特碳汇潜力的评估装置，其特征在于，所述装置包括：获取模块，用于获取客户端发送的待评估区域的土地类型信息，其中，所述土地类型信息包括用于表征所述待评估区域的标识信息，所述待评估区域包括喀斯特地区和非喀斯特地区；获取存储有与所述待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，所述土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；处理模块，用于对所述待评估区域的土地类型信息进行预处理，生成土地类型图像；若存储有所述土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述待评估区域的标识信息相匹配的土壤有机碳估算模型，对所述土地类型图像进行处理，生成待评估区域的碳汇潜力值；所述土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，所述计算公式为：SOC＝aSOCC/>SBD/>SCT/>(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
根据本申请的再一个方面，一种电子设备，其特征在于，包括：第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；其中，所述第一处理器配置为经由执行所述可执行指令来执行实现上述的喀斯特碳汇潜力的评估方法。
根据本申请的又一个方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被第二处理器执行时实现上述的喀斯特碳汇潜力的评估方法。
根据本申请的又一个方面，提供一种计算机程序产品，包括计算机程序，其特征在于，所述计算机程序被第三处理器执行时实现上述的喀斯特碳汇潜力的评估方法。
本申请所提供的一种喀斯特碳汇潜力的评估方法及相关设备，由服务器获取客户端发送的待评估区域的土地类型信息，其中，土地类型信息包括用于表征待评估区域的标识信息，待评估区域包括喀斯特地区和非喀斯特地区；对待评估区域的土地类型信息进行预处理，生成土地类型图像；获取存储有与待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；若存储有土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与待评估区域的标识信息相匹配的土壤有机碳估算模型，对土地类型图像进行处理，生成待评估区域的碳汇潜力值；土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，计算公式为：SOC＝aSOCC/>SBD/>SCT/>(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于碳汇潜力值，生成待评估区域的碳汇潜力信息。通过标识信息获取具有处理待评估区域的土地类型信息的土壤有机碳估算模型，并选择负载最低的服务器对该土地类型信息进行处理，从而快速且准确的对待评估区域进行碳汇潜力的评估，建立喀斯特地区碳循环模式，提高喀斯特地区碳汇的调控性能。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
图1示出本申请一实施例所提供的一种喀斯特碳汇潜力的评估方法的流程图；
图2示出了本申请一实施例所提供的一种喀斯特碳汇潜力的评估装置的结构示意图；
图3示出了本申请一实施例所提供的一种电子设备的结构示意图；
图4示出了本申请一实施例所提供的一种存储介质的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。
下面结合图1来描述根据本申请示例性实施方式的喀斯特碳汇潜力的评估方法。需要注意的是，下述应用场景仅是为了便于理解本申请的精神和原理而示出，本申请的实施方式在此方面不受任何限制。相反，本申请的实施方式可以应用于适用的任何场景。
一种实施方式中，本申请还提出一种喀斯特碳汇潜力的评估方法及相关设备。图1示意性地示出了根据本申请实施方式的一种喀斯特碳汇潜力的评估方法的流程示意图。如图1所示，该方法应用于服务器，包括：
S101，获取客户端发送的待评估区域的土地类型信息。
一种实施方式中，待评估区域的土地类型信息包括但不限于大气、水、土壤、生物等多要素的生态环境。以生态环境为土壤进行示例说明，土壤地域的特征信息包括土壤有机碳含量、土壤容重、土壤涂层厚度、地形地貌特征、土壤类型与土壤质地特征、土地利用与植被覆盖特征、流域的气候特征和流域结构特征。土壤类型信息包括但不限于风蚀荒漠化地区、水蚀荒漠化地区、冻融荒漠化地区和盐渍化地区。土壤类型信息还包括用于表征待评估区域的标识信息，标识信息可用预设的特定符号进行表示，本实施例不对特定符号进行限定，只要能实现本方案即可。
S102，对所述待评估区域的土地类型信息进行预处理，生成土地类型图像。
一种实施方式中，基于深度学习神经网络模型对待评估区域的土地类型信息进行图像提取，生成待评估区域的土壤图像；对待评估区域的土壤图像进行灰度化处理，生成目标亮度的土壤图像；对目标亮度的土壤图像进行图像归一化处理，生成预设尺寸大小的土壤图像；对预设尺寸大小的土壤图像进行图像增强处理，生成土地类型图像，其中，土地类型图像包括土壤有机碳含量信息、土壤容重信息、土壤涂层厚度、土壤类型信息和石砾信息，其中，土壤类型信息即土壤的各含量占比。本申请不对如何进行灰度化处理和图像归一化处理的具体实现方式进行限定，只要能实现相关功能即可，基于深度学习神经网络模型提取待评估区域的土地类型信息进行图像提取，获取图像中的树木植被覆盖区和土壤覆盖区作为相应的土壤图像，对相应的土壤图像进行灰度化处理和图像归一化处理，再对处理后的图像进行增强处理，增强处理方法为图像辐射增强处理和图像光谱增强处理，通过基于深度学习神经网络模型对图像进行特征提取，并进行增强处理，从而使图像更为清晰，数据量更小，以便于后续的重合叠加处理。
S103，获取存储有与所述待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址。
一种实施方式中，标识信息可用预设的特定符号进行表示，本实施例不对特定符号进行限定，只要能实现本方案即可。本实施例不对服务器地址的获取方式进行限定，只要能实现本方案即可。
另一种实施方式中，土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的。传统土壤有机碳估算模型难以适用于复杂喀斯特山坝耦合系统的问题，本发明的土壤有机碳估算模型通过修正土壤深度，扣除不同土壤类型和正负地形基岩裸露率，修正不同土壤类型和正负地形土壤有机碳密度估算公式，最终得到土壤有机碳储量估算新方法。在横向上引入了基岩裸露参数，消除了基岩裸露率的重大影响，在纵向上考虑了土壤实际深度的空间异质性。
S104，若存储有所述土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态。
一种实施方式中，通过获取具有土壤有机碳估算模型的服务器的业务负载状态，减少因某个服务器当前的自身负荷（例如包括业务负荷和机器运行负荷的至少一种）较大，从而影响相关服务器处理业务进度较慢的问题，本实施例将实时根据多个服务器的业务负载状态调节客户端向负载较低的服务器发送待评估区域的土地类型图像，从而减轻单个或多个服务器的业务处理压力，大大负载均衡的目的。
S105，若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述待评估区域的标识信息相匹配的土壤有机碳估算模型，对所述土地类型图像进行处理，生成待评估区域的碳汇潜力值。
一种实施方式中，土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，计算公式为：SOC＝aSOCC/>SBD/>SCT/>(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比。
针对缺失数据的土种剖面有机碳密度，先参照类型相近土种的数据结果，建立土壤容重和土壤深度与土壤有机质含量之间的关联模型，再计算缺失数据的土种剖面的容重，通过拟合建立土壤有机质含量与土壤深度之间的关联模型，然后计算缺失数据的土种剖面不同深度土壤有机质的含量，最后根据获得的不同剖面深度的容重和有机碳含量结果，计算缺失数据的土壤有机密度。通过上述计算方法，使缺失数据的土种剖面有机碳密度也可以得到准确计算，进一步提高了计量结果的准确性。
S106，基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
一种实施方式中，设置一个预设碳汇潜力值作为初始值，将该预设碳汇潜力值作为当前区域的土壤正常碳汇值，若当前时间段内的碳汇潜力值大于预设碳汇潜力值时，此时还将计算得出当前碳汇潜力值的增长幅度，根据增长幅度和具体的碳汇潜力值判断待评估区域的碳储量。反之，若当前时间段内的碳汇潜力值小于预设碳汇潜力值时，此时将计算得出当前碳汇潜力值的下降幅度，根据下降幅度、具体的碳汇潜力值以及一开始设定的预设碳汇潜力值一起判断待评估区域的碳储量。以预设碳汇潜力值为15.09（g/kg）为例，若当前时间段内所计算得出的碳汇潜力值为17.48（g/kg），增长幅度约等于15.8%，则意味着当前时间段内待评估区域的碳储量大幅增加。若下一个时间段内所计算得出的碳汇潜力值为16.71（g/kg），下降幅度约等于4.4%，则意味着当前时间段内待评估区域的碳储量小幅降低，但由于当前碳汇潜力值仍大于一开始设置的土壤正常碳汇值，所以，此时当前时间段内待评估区域的碳储量仍处于正常状态，但相比于上一次测量所得的碳储量处于下降趋势，此时需对待评估区域进行监测。此外，本方案将根据时间顺序，将上一次所得的碳汇潜力值作为最新的预设碳汇潜力值，进而更加准确的获取每次不同时间段内的碳汇潜力值的增长幅度。
本申请中由服务器获取客户端发送的待评估区域的土地类型信息，其中，土地类型信息包括用于表征待评估区域的标识信息，待评估区域包括喀斯特地区和非喀斯特地区；对待评估区域的土地类型信息进行预处理，生成土地类型图像；获取存储有与待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；若存储有土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与待评估区域的标识信息相匹配的土壤有机碳估算模型，对土地类型图像进行处理，生成待评估区域的碳汇潜力值；土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，计算公式为：SOC＝a SOCC />SBDSCT />(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于碳汇潜力值，生成待评估区域的碳汇潜力信息。通过标识信息获取具有处理待评估区域的土地类型信息的土壤有机碳估算模型，并选择负载最低的服务器对该土地类型信息进行处理，从而快速且准确的对待评估区域进行碳汇潜力的评估，建立喀斯特地区碳循环模式，提高喀斯特地区碳汇的调控性能。
可选地，在基于本申请上述方法的另一个实施例中，所述方法还包括：
获取用于指示所述客户端在后续的预设时间段内或预设次数内向业务负载状态最低的服务器发送待评估区域的土地类型信息的转发标识；
若所述业务负载状态最低的服务器为其他服务器，则基于所述转发标识向所述其他服务器发送所述待评估区域的土地类型信息；
接收所述其他服务器发送的待评估区域的碳汇潜力信息。
一种实施方式中，当转发标识对应于指示客户端在后续的预设时间内，和，预设次数内直接向业务负载状态最低的服务器发送待评估区域的土地类型信息的情况下，客户端则需要同时考虑到上述发送条件。本申请中的转发标识可以直接携带有该预设时间内，和/或，预设次数。可以理解的，此种情况为当前服务器根据业务参数（业务参数为用于表征其他服务器的业务负载状态的参数）计算得到预设时间内，和/或，预设次数的值后，将其添加到转发标识中。
另一种方式中，转发标识也可以携带有用于表征其他服务器的业务负载状态的业务参数。此种情况为指示客户端在接收到该业务参数后，基于该业务参数来计算得到该预设时间，和/或，预设次数的值。
可选的，上述两种方式中，可以由当前服务器根据当前自身的业务负载状态而定。例如当前服务器的当前业务负载状态对应于空闲时，由自身计算得到预设时间，和/或，预设次数的值后，将其添加到转发标识中。而当前服务器的当前业务负载状态对应于繁忙时，由客户端来计算得到预设时间，和/或，预设次数的值。
一种方式中，本申请不对预设时间值以及预设次数值进行具体限定，例如预设时间值可以为5分钟，也可以为1小时。而预设次数值可以为5次，也可以为1次等等。
可选地，在基于本申请上述方法的另一个实施例中，所述方法还包括：
获取用于对所述土壤有机碳估算模型进行更新的训练样本集；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对所述土壤有机碳估算模型进行处理，生成更新后的土壤有机碳估算模型；
基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息。
一种实施方式中，将带有目标特征数据的训练样本集基于预设比例划分为用于训练土壤有机碳估算模型的训练集和用于测试预设评价指数的测试集，其中，比例可以按照需要来设定，比如1:8或者1:5等；从训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括目标特征数据；基于多组数据组中的数据样本对土壤有机碳估算模型进行训练，生成更新后的土壤有机碳估算模型；基于测试集对更新后的土壤有机碳估算模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为碳汇潜力值大于预设阈值的地域信息，则将更新后的土壤有机碳估算模型作为目标土壤有机碳估算模型。
另一种实施方式中，将带有目标特征数据的训练样本集基于预设比例划分为用于训练土壤有机碳估算模型的训练集和用于测试土壤有机碳估算模型的测试集；从训练集中提取多组数据组，其中，每组数据组均包含预设数量的数据样本，其中，至少一个数据样本包括标识信息；基于多组数据组中的数据样本对土壤有机碳估算模型进行训练，生成更新后的土壤有机碳估算模型；基于测试集对更新后的土壤有机碳估算模型进行处理，生成测试结果；若测试结果中包含目标特征数据的数据样本为碳汇潜力值大于预设阈值的地域信息，则将更新后的土壤有机碳估算模型作为目标土壤有机碳估算模型。
另一种实施方式中，通过对已评估地域进行分析，可以明确哪些特征参数是可供模型进行计算，而通过带有目标特征数据的训练样本集，是为了对可用于计算的参数进行权重比设置，从而使得得出的结论更准确。例如，碳汇潜力信息较好的地域，是哪些因素所导致的，不同生态质量较好的地域，是否主要影响因素都是相同的，这都是一个不断学习的过程。
另一种实施方式中，土壤有机碳估算模型中包括各生态环境特征类型对应的属性因子，例如，以生态环境特征类型为地域特征类型为例，当地域特征类型为土壤含水量时，其对应的属性因子为年平均降水量、年平均蒸发量、年最大24小时降雨量；地域特征类型为地形时，其对应的属性因子为平均高程、平均坡度、最长汇流路径比；地域特征类型为土地类型时，其对应的属性因子为林地、草地、耕地、水域及水利设施、建筑用地所占比重；地域特征类型为土壤时，其对应的属性因子为砂土、壤土、壤砂土、碎砾石、粉壤土、粘土等；地域特征类型为流域结果，其对应的属性因子为流域面积、形状系数、河网密度等。对上述五种地域特征类型分别进行主成分分析，提取各类型的主成分信息。
可选地，在基于本申请上述方法的另一个实施例中，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
一种实施方式中，根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集，利用现有的技术对原始特征库进行划分，生成训练数据集和测试数据集，本实施例中只要能进行划分即可，采用什么方式并不作任何限制。利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果，使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果，根据预测结果以及测试集类预测结果，生成目标特征数据。使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果，实施例中只要能得到测试集类预测结果即可，采用什么算法并不作任何限制。根据预测结果以及测试集类预测结果，生成目标特征数据。具体地，获取训练数据集对应的数据分类结果，因为每个训练数据集的分类结果都是事先能够确定的，可以直接在外界获取得到该数据。对比预测结果与数据分类结果，确定第一对比结果；对比测试集类预测结果与数据分类结果，确定第二对比结果；判断第二对比结果与第一对比结果是否满足预设要求时，当满足预设要求时，将对应的各个特征确定为目标特征数据。
可选地，在基于本申请上述方法的另一个实施例中，所述基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息，包括：
获取待评估区域的历史土地类型图像；
基于所述待评估区域的历史土地类型图像获取所述更新后的土壤有机碳估算模型的评估指标和所述评估指标对应的权重信息；
基于所述评估指标和所述评估指标对应的权重信息对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力值；
基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
一种实施方式中，获取待评估区域对应的图像信息，对图像信息进行切片处理，生成多个局部图像，基于土壤有机碳估算模型分别对多个局部图像进行处理，分别生成多个局部图像对应的分数，将多个局部图像对应的分数进行相加，从而获得待评估区域的最终得分。此外，还将分别对多个局部图像对应的分数进行处理，获取与生成对应局部图像分数占比最大的影响因子，基于影响因子生成待评估区域的土地类型图像。服务器将获取分数相同的地域信息，并判断影响不同地域信息的主要影响因子是什么，然后判断不同影响因子之间的关联性，若不同地域信息的主要影响因子均相同，则表明该主要影响因子的重要性较高。
另一种实施方式中，土壤有机碳估算模型的评估指标包括土壤有机碳含量信息、土壤容重信息、土壤涂层厚度、土壤类型信息和石砾信息，其中，各评估指标对应的权重信息为土壤有机碳含量信息权重为0.3，土壤容重信息权重为0.1、土壤涂层厚度权重为0.2、土壤类型信息权重为0.3和石砾信息的占比信息权重为0.1。
通过应用以上技术方案，服务器获取客户端发送的待评估区域的土地类型信息，其中，土地类型信息包括用于表征待评估区域的标识信息，待评估区域包括喀斯特地区和非喀斯特地区；基于深度学习神经网络模型对待评估区域的土地类型信息进行图像提取，生成待评估区域的土壤图像；对待评估区域的土壤图像进行灰度化处理，生成目标亮度的土壤图像；对目标亮度的土壤图像进行图像归一化处理，生成预设尺寸大小的土壤图像；对预设尺寸大小的土壤图像进行图像增强处理，生成土地类型图像，其中，土地类型图像包括土壤有机碳含量信息、土壤容重信息、土壤涂层厚度、土壤类型信息和石砾信息。
获取存储有与待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；若存储有土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与待评估区域的标识信息相匹配的土壤有机碳估算模型，对土地类型图像进行处理，生成待评估区域的碳汇潜力值；土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，计算公式为：SOC＝a SOCC />SBD />SCT />(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于碳汇潜力值，生成待评估区域的碳汇潜力信息。
获取用于对土壤有机碳估算模型进行更新的训练样本集；对训练样本集进行特征提取，确定原始特征库；根据原始特征库划分各个特征数据集，生成训练数据集和测试数据集；利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；根据预测结果以及测试集类预测结果，生成目标特征数据；基于带有目标特征数据的训练样本集对土壤有机碳估算模型进行处理，生成更新后的土壤有机碳估算模型；获取待评估区域的历史土地类型图像；基于待评估区域的历史土地类型图像获取更新后的土壤有机碳估算模型的评估指标和评估指标对应的权重信息；基于评估指标和评估指标对应的权重信息对待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力值；基于碳汇潜力值，生成待评估区域的碳汇潜力信息。
获取用于指示客户端在后续的预设时间段内或预设次数内向业务负载状态最低的服务器发送待评估区域的土地类型信息的转发标识；若业务负载状态最低的服务器为其他服务器，则基于转发标识向其他服务器发送待评估区域的土地类型信息；接收其他服务器发送的待评估区域的碳汇潜力信息。通过标识信息获取具有处理待评估区域的土地类型信息的土壤有机碳估算模型，并选择负载最低的服务器对该土地类型信息进行处理，从而快速且准确的对待评估区域进行碳汇潜力的评估，建立喀斯特地区碳循环模式，提高喀斯特地区碳汇的调控性能。
一种实施方式中，如图2所示，本申请还提供一种喀斯特碳汇潜力的评估装置，包括：
获取模块201，用于用于获取客户端发送的待评估区域的土地类型信息，其中，所述土地类型信息包括用于表征所述待评估区域的标识信息，所述待评估区域包括喀斯特地区和非喀斯特地区；获取存储有与所述待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，所述土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；
处理模块202，用于对所述待评估区域的土地类型信息进行预处理，生成土地类型图像；若存储有所述土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述待评估区域的标识信息相匹配的土壤有机碳估算模型，对所述土地类型图像进行处理，生成待评估区域的碳汇潜力值；所述土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，所述计算公式为：SOC＝a SOCC />SBD />SCT />(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述待评估区域的土地类型信息进行预处理，生成土地类型图像，包括：
基于深度学习神经网络模型对待评估区域的土地类型信息进行图像提取，生成待评估区域的土壤图像；
对所述待评估区域的土壤图像进行灰度化处理，生成目标亮度的土壤图像；
对所述目标亮度的土壤图像进行图像归一化处理，生成预设尺寸大小的土壤图像；
对所述预设尺寸大小的土壤图像进行图像增强处理，生成土地类型图像，其中，所述土地类型图像包括土壤有机碳含量信息、土壤容重信息、土壤涂层厚度、土壤类型信息和石砾信息。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述方法还包括：
获取用于指示所述客户端在后续的预设时间段内或预设次数内向业务负载状态最低的服务器发送待评估区域的土地类型信息的转发标识；
若所述业务负载状态最低的服务器为其他服务器，则基于所述转发标识向所述其他服务器发送所述待评估区域的土地类型信息；
接收所述其他服务器发送的待评估区域的碳汇潜力信息。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述方法还包括：
获取用于对所述土壤有机碳估算模型进行更新的训练样本集；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对所述土壤有机碳估算模型进行处理，生成更新后的土壤有机碳估算模型；
基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
在本申请的另外一种实施方式中，所述处理模块202，被配置为所述基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息，包括：
获取待评估区域的历史土地类型图像；
基于所述待评估区域的历史土地类型图像获取所述更新后的土壤有机碳估算模型的评估指标和所述评估指标对应的权重信息；
基于所述评估指标和所述评估指标对应的权重信息对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力值；
基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
本申请实施例提供了一种电子设备，如图3所示，电子设备3包括第一处理器300，存储器301，总线302和通信接口303，所述第一处理器300、通信接口303和存储器301通过总线302连接；所述存储器301中存储有可在所述第一处理器300上运行的计算机程序，所述第一处理器300运行所述计算机程序时执行本申请前述任一实施方式所提供的所述喀斯特碳汇潜力的评估方法。
其中，存储器301可能包含高速随机存取存储器（RAM：Random Access Memory），也可能还包括非不稳定的存储器（non-volatile memory），例如至少一个磁盘存储器。通过至少一个通信接口303（可以是有线或者无线）实现该系统网元与至少一个其他网元之间的通信连接，可以使用互联网、广域网、本地网、城域网等。
总线302可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。其中，存储器301用于存储程序，所述第一处理器300在接收到执行指令后，执行所述程序，前述本申请实施例任一实施方式揭示的所述喀斯特碳汇潜力的评估方法可以应用于第一处理器300中，或者由第一处理器300实现。
第一处理器300可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过第一处理器300中的硬件的集成逻辑电路或者软件形式的指令完成。上述的第一处理器300可以是通用处理器，包括中央处理器(Central ProcessingUnit，简称CPU)、网络处理器(Network Processor，简称NP)等；还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器301，第一处理器300读取存储器301中的信息，结合其硬件完成上述方法的步骤。
本申请的上述实施例提供的电子设备与本申请实施例提供的喀斯特碳汇潜力的评估方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机可读存储介质，如图4所示，所述计算机可读存储介质存储401有计算机程序，所述计算机程序被第二处理器402读取并运行时，实现如前述的喀斯特碳汇潜力的评估方法。
本申请实施例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全部或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电子设备(可以是空调器，制冷装置，个人计算机，服务器，或者网络设备等)或processor(处理器)执行本申请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、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
本申请的上述实施例提供的计算机可读存储介质与本申请实施例提供的喀斯特碳汇潜力的评估方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
本申请实施例提供了一种计算机程序产品，包括计算机程序，所述计算机程序被第三处理器执行实现如前述所述的方法。
本申请的上述实施例提供的计算机程序产品与本申请实施例提供的喀斯特碳汇潜力的评估方法出于相同的发明构思，具有与其存储的应用程序所采用、运行或实现的方法相同的有益效果。
需要说明的是，在本申请中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者还是包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本申请中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于评估喀斯特碳汇潜力的评估方法、电子装置、电子设备、以及可读存储介质实施例而言，由于其基本相似于上述所述的喀斯特碳汇潜力的评估方法实施例，所以描述的比较简单，相关之处参见上述所述的喀斯特碳汇潜力的评估方法实施例的部分说明即可。
虽然本申请披露如上，但本申请并非限定于此。任何本领域技术人员，在不脱离本申请的精神和范围内，均可作各种更动与修改，因此本申请的保护范围应当以权利要求所限定的范围为准。
Claims (9)
1.一种喀斯特碳汇潜力的评估方法，其特征在于，包括：
获取客户端发送的待评估区域的土地类型信息，其中，所述土地类型信息包括用于表征所述待评估区域的标识信息，所述待评估区域包括喀斯特地区和非喀斯特地区；
对所述待评估区域的土地类型信息进行预处理，生成土地类型图像；
获取存储有与所述待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，所述土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；
若存储有所述土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；
若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述待评估区域的标识信息相匹配的土壤有机碳估算模型，对所述土地类型图像进行处理，生成待评估区域的碳汇潜力值；
所述土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，所述计算公式为：SOC＝aSOCC/>SBD/>SCT/>(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；
基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
2.如权利要求1所述的方法，其特征在于，所述对所述待评估区域的土地类型信息进行预处理，生成土地类型图像，包括：
基于深度学习神经网络模型对待评估区域的土地类型信息进行图像提取，生成待评估区域的土壤图像；
对所述待评估区域的土壤图像进行灰度化处理，生成目标亮度的土壤图像；
对所述目标亮度的土壤图像进行图像归一化处理，生成预设尺寸大小的土壤图像；
对所述预设尺寸大小的土壤图像进行图像增强处理，生成土地类型图像，其中，所述土地类型图像包括土壤有机碳含量信息、土壤容重信息、土壤涂层厚度、土壤类型信息和石砾信息。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：
获取用于指示所述客户端在后续的预设时间段内或预设次数内向业务负载状态最低的服务器发送待评估区域的土地类型信息的转发标识；
若所述业务负载状态最低的服务器为其他服务器，则基于所述转发标识向所述其他服务器发送所述待评估区域的土地类型信息；
接收所述其他服务器发送的待评估区域的碳汇潜力信息。
4.如权利要求1或3所述的方法，其特征在于，所述方法还包括：
获取用于对所述土壤有机碳估算模型进行更新的训练样本集；
对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集；
基于所述带有目标特征数据的训练样本集对所述土壤有机碳估算模型进行处理，生成更新后的土壤有机碳估算模型；
基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息。
5.如权利要求4所述的方法，其特征在于，所述对所述训练样本集进行预处理，生成带有目标特征数据的训练样本集，包括：
对所述训练样本集进行特征提取，确定原始特征库；
根据所述原始特征库划分各个特征数据集，生成训练数据集和测试数据集；
利用分类器对原始特征库划分各个测试数据集进行预测，确定预测结果；
使用预设算法在原始特征库划分各个训练数据集进行训练，得到测试集类预测结果；
根据预测结果以及测试集类预测结果，生成目标特征数据。
6.如权利要求4所述的方法，其特征在于，所述基于所述更新后的土壤有机碳估算模型对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力信息，包括：
获取待评估区域的历史土地类型图像；
基于所述待评估区域的历史土地类型图像获取所述更新后的土壤有机碳估算模型的评估指标和所述评估指标对应的权重信息；
基于所述评估指标和所述评估指标对应的权重信息对所述待评估区域的土地类型图像进行处理，生成待评估区域的碳汇潜力值；
基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
7.一种喀斯特碳汇潜力的评估装置，其特征在于，所述装置包括：
获取模块，用于获取客户端发送的待评估区域的土地类型信息，其中，所述土地类型信息包括用于表征所述待评估区域的标识信息，所述待评估区域包括喀斯特地区和非喀斯特地区；获取存储有与所述待评估区域的标识信息相匹配的土壤有机碳估算模型的服务器地址，其中，所述土壤有机碳估算模型为基于喀斯特地区的面积大于非喀斯特地区的面积所生成的；
处理模块，用于对所述待评估区域的土地类型信息进行预处理，生成土地类型图像；若存储有所述土壤有机碳估算模型的服务器的个数为多个，则获取多个服务器的业务负载状态；若所述业务负载状态最低的服务器为当前服务器，则基于当前服务器所存储的与所述待评估区域的标识信息相匹配的土壤有机碳估算模型，对所述土地类型图像进行处理，生成待评估区域的碳汇潜力值；所述土壤有机碳估算模型包括用于生成待评估区域的碳汇潜力值的计算公式，所述计算公式为：SOC＝aSOCC/>SBD/>SCT/>(1-G)；其中，SOC表示碳汇潜力值，a为预先设定的时长调节梯度，SOCC为土壤有机碳含量，SBD为土壤容重，SCT为土壤涂层厚度，G为大于3mm的石砾所占土壤的体积百分比；基于所述碳汇潜力值，生成待评估区域的碳汇潜力信息。
8.一种电子设备，其特征在于，包括：
第一处理器；以及存储器，用于存储所述第一处理器的可执行指令；
其中，所述第一处理器配置为经由执行所述可执行指令来执行权利要求 1～6中任意一项所述的喀斯特碳汇潜力的评估方法。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被第二处理器执行时实现权利要求1～6中任意一项所述的喀斯特碳汇潜力的评估方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245729.9A CN117852775B (zh) | 2024-03-05 | 2024-03-05 | 一种喀斯特碳汇潜力的评估方法及相关设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410245729.9A CN117852775B (zh) | 2024-03-05 | 2024-03-05 | 一种喀斯特碳汇潜力的评估方法及相关设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117852775A true CN117852775A (zh) | 2024-04-09 |
| CN117852775B CN117852775B (zh) | 2024-05-28 |
Family
ID=90540482
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410245729.9A Active CN117852775B (zh) | 2024-03-05 | 2024-03-05 | 一种喀斯特碳汇潜力的评估方法及相关设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117852775B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174506A (zh) * | 2019-06-28 | 2019-08-27 | 中国科学院地球化学研究所 | 一种喀斯特地区土壤有机碳估算方法 |
| CN111539380A (zh) * | 2020-05-14 | 2020-08-14 | 中国科学院地球化学研究所 | 一种基于岩石裸露率的喀斯特山地土壤有机碳储量与碳密度估算方法 |
| CN115270043A (zh) * | 2022-07-27 | 2022-11-01 | 重庆地质矿产研究院 | 一种用于西南岩溶矿区生态碳汇的计算方法 |
| GB202305398D0 (en) * | 2022-06-30 | 2023-05-24 | Univ Guizhou | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm |
| CN116858999A (zh) * | 2023-07-05 | 2023-10-10 | 中环宇恩(广东)生态科技有限公司 | 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法 |
-
2024
- 2024-03-05 CN CN202410245729.9A patent/CN117852775B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110174506A (zh) * | 2019-06-28 | 2019-08-27 | 中国科学院地球化学研究所 | 一种喀斯特地区土壤有机碳估算方法 |
| CN111539380A (zh) * | 2020-05-14 | 2020-08-14 | 中国科学院地球化学研究所 | 一种基于岩石裸露率的喀斯特山地土壤有机碳储量与碳密度估算方法 |
| GB202305398D0 (en) * | 2022-06-30 | 2023-05-24 | Univ Guizhou | Spatial prediction and evaluation method of soil organic matter content based on partition algorithm |
| CN115270043A (zh) * | 2022-07-27 | 2022-11-01 | 重庆地质矿产研究院 | 一种用于西南岩溶矿区生态碳汇的计算方法 |
| CN116858999A (zh) * | 2023-07-05 | 2023-10-10 | 中环宇恩(广东)生态科技有限公司 | 基于红树林生态系统碳汇潜力监测评估的碳汇统计方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117852775B (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dickson et al. | Mapping the probability of large fire occurrence in northern Arizona, USA | |
| Stanley et al. | Estimating site occupancy and abundance using indirect detection indices | |
| Osuch et al. | Trends in projections of standardized precipitation indices in a future climate in Poland | |
| McFarlane et al. | The extent and potential area of salt-affected land in Western Australia estimated using remote sensing and digital terrain models | |
| CN105549009B (zh) | 一种基于超像素的sar图像cfar目标检测方法 | |
| Han et al. | Bayesian uncertainty analysis in hydrological modeling associated with watershed subdivision level: a case study of SLURP model applied to the Xiangxi River watershed, China | |
| Vanhatalo et al. | Species distribution modeling with Gaussian processes: A case study with the youngest stages of sea spawning whitefish (Coregonus lavaretus L. sl) larvae | |
| CN111915058B (zh) | 基于长短时记忆网络和迁移学习的洪水预测方法与装置 | |
| CN111582689A (zh) | 一种生态保护红线保护成效的评估方法及系统 | |
| Jafarzadeh et al. | Examination of various feature selection approaches for daily precipitation downscaling in different climates | |
| Xiong et al. | Long time-series urban heat island monitoring and driving factors analysis using remote sensing and geodetector | |
| Zaifoglu et al. | Regional frequency analysis of precipitation using time series clustering approaches | |
| Escoto et al. | Pasig river water quality estimation using an empirical ordinary least squares regression model of Sentinel-2 satellite images | |
| CN117408495B (zh) | 一种基于土地资源综合管理的数据分析方法及系统 | |
| CN109886303A (zh) | 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法 | |
| CN117852775B (zh) | 一种喀斯特碳汇潜力的评估方法及相关设备 | |
| Li et al. | A variable-correlation model to characterize asymmetric dependence for postprocessing short-term precipitation forecasts | |
| CN103268391A (zh) | 基于朴素贝叶斯的自适应雷电灾害风险预估方法 | |
| Anilan et al. | Application of Artificial Neural Networks and regression analysis to L-moments based regional frequency analysis in the Eastern Black Sea Basin, Turkey | |
| CN114708432B (zh) | 基于规则网格离散化目标分割区域的加权度量方法 | |
| CN115062859B (zh) | 一种对长爪沙鼠的密度进行预测的方法和装置 | |
| Waseem et al. | Comparing spatial interpolation schemes for constructing a flow duration curve in an ungauged basin | |
| Huang et al. | Reliability of ensemble climatological forecasts | |
| CN117827465B (zh) | 一种生态环境预警的方法及相关设备 | |
| Evans et al. | Integrating remotely sensed data with other spatial data sets to predict areas at risk from salinity |
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 |