申请/专利权人：南京农业大学;中南林业科技大学;安徽省勘查技术院(安徽省地质矿产勘查局能源勘查中心);南京大学

申请日：2023-12-19

公开（公告）日：2024-03-22

公开（公告）号：CN117422156B

主分类号：G06N20/20

分类号：G06N20/20;G06F18/27;G06N5/01;G06Q50/26;G06F17/11

优先权：

专利状态码：有效-授权

法律状态：2024.03.22#授权;2024.02.06#实质审查的生效;2024.01.19#公开

摘要：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。

主权项：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。

全文数据：

权利要求：

百度查询： 南京农业大学;中南林业科技大学;安徽省勘查技术院(安徽省地质矿产勘查局能源勘查中心);南京大学 一种森林生态系统碳储功能评估方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD