一种森林碳储量估算模型与技术方法

一、本发明涉及一种森林生态、遥感和机器学习的，特别是涉及一种森林碳储量估算模型与技术方法

背景技术：

0、二、背景技术

1、随着全球气候变化问题的日益严峻，森林碳储量的研究和管理变得越来越重要。森林作为一种重要的碳汇，其在地球碳循环中扮演着关键角色。森林碳储量是指在某一特定时间点，森林生态系统中所有生物和非生物组成部分，包括植被、土壤、枯落物和木质产品等，所储存的碳元素总量。在全球碳循环中，森林占据了显著的地位。尽管森林覆盖面积仅占全球陆地表面的三分之一左右，但它们却储存了全球一半以上的陆地碳。这使得森林成为了陆地固碳生态系统中最重要的一部分，对减缓全球气候变化具有直接的影响。

2、森林碳储量的估算受到多种因素的影响，误差和不确定性两大因素是当下的难题。传统的样地清查法耗费时间久，财力多，且精度有限，难以支撑当下大区域的周期性监测需要。高分辨率、多模态的遥感数据与机器学习方法为精确监测和动态评估森林碳储量及其变化提供了技术手段。

3、在此背景下，本专利申请旨在提出一种森林碳储量估算模型与技术方法。本发明将遥感数据与样地数据相结合，基于机器学习的方法建立森林碳储量估算模型，精确估算森林植被地上碳储量，解决区域尺度森林碳储量难以评估的难题。综上所述，发明一种森林碳储量估算模型与技术方法尤为重要。

技术实现思路

0、三、
技术实现要素：

1、本发明的目的是提供一种基于多源遥感数据和机器学习方法的森林碳储量估算模型与技术方法，解决传统森林碳储量调查的误差性和不确定性两大问题。

2、本发明的目的是这样实现的：

3、步骤1：在研究区设置实测样地，对样地内的树木展开清查，记录树种、树高、胸径等信息。

4、步骤2：根据异速生长方程计算各类树种的生物量，进而获取样地内的森林碳储总量，作为样地调查的基础数据集。

5、步骤3：借助google earth engine(gee)云平台获取光学遥感(landsat/modis)，通过手持或背包式方式获取激光雷达(lidar)等数据。

6、步骤4：对遥感数据进行预处理，包括云掩膜、点云抽稀与去噪。最后对两种遥感数据进行位置匹配。

7、步骤5：选取landsat影像的光谱波段、光谱指数与纹理特征，sar因子和地形因子为变量，并构建ndvi、等多种植被指数作为遥感变量之一，并利用gee进行变量重要性评价和相关性评价进行筛选，纳入森林碳储量估算模型。

8、步骤6：以步骤5筛选的遥感变量作为自变量，以步骤2样地获取的碳储量为因变量。选择随机森林(rf)、分类回归树(cart)及梯度提升树(gbdt)三类机器学习算法构建森林碳储量估算模型。

9、步骤7：将样本集划分为训练与测试集，对步骤6的三类森林碳储量估算模型进行训练和精度评价，选取最佳的估算模型，并对模型进行调整达到最优化。最后对研究区区域的碳储量进行制图。

技术特征：

1.一种森林碳储量估算模型与技术方法，其特征是(1)利用实测样地和多源遥感数据相结合的方式；(2)记录样地内的林分信息、树种信息与位置信息；(3)依据异速生长方程计算样地内的树种碳储量；(4)使用相关性评价、重要性评价及变量组合等形式筛选变量；(5)构建基于机器学习的森林碳储量估算模型，并优化。(6)对研究区域森林碳储量进行反演制图。

2.依据权利要求1实测样地的方法是：(1)样地信息包含优势树种、胸径与树高，样地编号、位置坐标与日期信息。(2)依据研究尺度大小划定样地大小，并均匀分布。

3.依据权利要求1构建基于机器学习的森林碳储量估算模型的方法，其方法是：(1)以筛选的变量为自变量，实测森林碳储量为因变量，建立森林碳储量估算模型；(2)将传统的多元回归与随机森林优先比较，进而比较分类回归树与梯度提升树模型；(3)以r2和rmse为评价指标，获得最佳的森林碳储量估算模型。

技术总结
本发明公开了一种森林碳储量估算模型与技术方法，包括：样地调查的实施方案，记录林分重要信息，作为计算碳储量的参数；基于多源遥感数据，结合光学与LiDAR数据的各自优势，获取重要的遥感变量；进而采用机器学习的方法优选出最佳的森林碳储量估算模型。最后，对研究区域的森林碳储量进行反演制图。

技术研发人员：孙维婕,于强,王雨
受保护的技术使用者：北京林业大学
技术研发日：
技术公布日：2024/4/17