(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211290283.9 (22)申请日 2022.10.21 (71)申请人 之江实验室 地址 311121 浙江省杭州市余杭区之江实 验室南湖总部 (72)发明人 梁楠楠　董波　王嘉琪　陈怡桐　 李倩　 (74)专利代理 机构 北京志霖恒远知识产权代理 有限公司 1 1435 专利代理师 戴莉 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/26(2012.01) G06F 17/18(2006.01) G06F 30/27(2020.01)G06N 20/00(2019.01) (54)发明名称 一种基于机器学习的县域森林碳汇估算方 法和装置 (57)摘要 本发明公开了一种基于机器学习的县域森 林碳汇估算方法和装置， 包括以下步骤： 步骤S1： 筛选固定样地， 森 林小班； 步骤S2： 计算所述固定 样地的生物量、 碳储量、 蓄积量、 生物量转扩因 子、 树种组成和每平方米株数， 调取所述固定样 地的平均胸径、 平均树高、 龄组、 起源、 郁闭度和 植被覆盖度； 调取所述森林小班的变量因子； 步 骤S3： 得到预处理数据集； 步骤S4： 确定估算模 型； 步骤S5： 得到各县森林碳汇量。 本发明实现了 固定样地数据与森林小班数据融合视角下的县 域森林碳储量估算， 避免传统森 林碳储量估算模 型中变量数量有限、 无法充分纳入 所有林分因子 变量导致森 林碳储量估算偏差较大的缺点， 更精 确的估算县级尺度的森林碳储量。 权利要求书2页 说明书8页 附图5页 CN 115358644 A 2022.11.18 CN 115358644 A 1.一种基于 机器学习的县域森林碳汇估算方法， 其特 征在于， 包括以下步骤： 步骤S1： 在所有森林资源连续清查数据中筛选固定样地， 在所有森林资源规划设计调 查数据中筛 选森林小班； 步骤S2： 计算所述固定样地的生物量、 碳储量、 蓄积量、 生物量转扩因子、 树种组成和每 平方米株数， 调取所述固定样地的平均胸径、 平均树高、 龄组、 起源、 郁闭度和植被覆盖度； 调取所述森林小班的变量因子： 树种组成、 每平方米株数、 平均胸径、 平均树高、 龄组、 起源、 郁闭度和植被覆盖度； 步骤S3： 将所述固定样地的蓄积量、 树种 组成、 每平方米株数、 平均胸径、 平均树高、 龄 组、 起源、 郁闭度和植被覆盖度作为固定样地的变量因子， 所述固定样地的生物 量、 碳储量、 生物量转扩因子作为模型监督值， 模型监督值和固定样地的变量因子构成数据集， 并将所 述数据集进行 预处理， 得到预处 理数据集； 步骤S4： 基于多种监督值、 变量组合和决策树算法进行遍历建模， 将所述预处理数据集 分为训练集和测试集， 利用所述训练集输入模型对模型进行训练， 利用所述测试集并根据 决定系数和均方根 误差确定估算模型； 步骤S5： 将所述森林小班的变量因子带入所述估算模型， 获取小班碳储量， 并对各个所 述小班碳储量分县域加总， 计算加总后的碳储量与上一年度碳储量的差值， 得到各县森林 碳汇量。 2.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 步骤S1中所述筛选的方法包括数据集筛选 法和特征变量筛选法， 所述数据集筛选法为以地 类类型为乔木林和疏林地进行筛选， 所述特征变量筛选法为以所述固定样地和所述森林小 班共有的林分因子作为特 征变量进行筛 选。 3.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 S2中计算所述固定样地的树种组成的方式为： 通过所述森林小班的树种组成十分法， 根据 各树种蓄积量占比换算得到固定样地的树种组成。 4.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 S2中所述 生物量转扩因子为所述固定样地的生物量与所述固定样地的蓄积量的比值。 5.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 步骤S3中所述预 处理具体为： 采用一位有效编码将所述数据集中的离散型特征变量映射到 多维空间， 并利用standardscaler函数进行 标准化处理， 得到预处 理数据集。 6.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 步骤S4中利用随机森林、 梯度提升决策树、 轻量的梯度提升机、 极端梯度提升和梯度提升+ 类别型特征的机器学习算法进行遍历建模。 7.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 步骤S4中训练得到的多个模型， 对多个模型计算决定系数和均方根误差， 并对多个所述决 定系数和多个所述均方根误差进 行排序， 将所述决定系数排序第一和所述均方根误差排序 倒数第一的模型作为估算模型。 8.如权利要求1所述的一种基于机器学习的县域森林碳汇估算方法， 其特征在于， 所述 步骤S5中获取小班碳储量计算路径的类型分为： 当所述估算模型中预测变量为生物量转扩因子， 则结合活立木蓄积量、 树种含碳系数权　利　要　求　书 1/2 页 2 CN 115358644 A 2计算得到小班碳储量； 当所述估算模型中预测变量 为生物量， 则结合 树种含碳系数计算得到小班碳储量； 当所述估算模型中预测变量 为碳储量， 则无需再做进一 步计算， 得到小班碳储量。 9.一种基于机器学习的县域森林碳汇估算装置， 其特征在于， 包括存储器和一个或多 个处理器， 所述存储器中存储有可执行代码， 所述一个或多个处理器执行所述可执行代码 时， 用于实现权利要求1 ‑8中任一项所述的一种基于 机器学习的县域森林碳汇估算方法。 10.一种计算机可读存储介质， 其特征在于， 其上存储有程序， 该程序被处理器执行时， 实现权利要求1 ‑8中任一项所述的一种基于 机器学习的县域森林碳汇估算方法。权　利　要　求　书 2/2 页 3 CN 115358644 A 3