[发明专利]木质生物质生物量碳储量变化量核算方法在审
| 申请号: | 201910586257.2 | 申请日: | 2019-07-01 |
| 公开(公告)号: | CN112182476A | 公开(公告)日: | 2021-01-05 |
| 发明(设计)人: | 姜涵;郭玥锋 | 申请(专利权)人: | 苏州五蕴明泰科技有限公司 |
| 主分类号: | G06F17/10 | 分类号: | G06F17/10 |
| 代理公司: | 北京卫智畅科专利代理事务所(普通合伙) 11557 | 代理人: | 陈佳 |
| 地址: | 215000 江苏省苏*** | 国省代码: | 江苏;32 |
| 权利要求书: | 查看更多 | 说明书: | 查看更多 |
| 摘要: | |||
| 搜索关键词: | 木质 生物 生物量 储量 变化 核算 方法 | ||
1.一种木质生物质生物量碳储量变化量核算方法,包括:
将核算周期内目标城市的散生木、四旁树和疏林作为一个总体,获取散生木、四旁树和疏林的总蓄积量VOT、总蓄积生长量VOT-G和总蓄积消耗量VOT-L或活立木蓄积量总生长率ROT-G和活立木蓄积量总消耗率ROT-L;
通过以下公式计算所述核算周期内所述目标城市生物量碳储量变化量ΔCOT:
或
其中,ΔCOT表示散生木、四旁树和疏林的生物量碳储量年变化量;
VOT-G表示散生木、四旁树和疏林的年均总蓄积量生长量;
VOT-L表示散生木、四旁树和疏林的年均总蓄积量消耗量;
VOT表示散生木、四旁树和疏林的总蓄积量;
ROT-G表示散生木、四旁树和疏林的年均总蓄积量生长率;
ROT-L表示散生木、四旁树和疏林的年均总蓄积量消耗率;
表示目标城市林木生物量转换与扩展因子BCEF的加权平均值;
表示目标城市林木地下生物量与地上生物量比值R的加权平均值;
表示目标城市林木生物量含碳率的加权平均值。
2.根据权利要求1所述的方法,其特征在于,所述扩展因子BCEF通过以下公式计算:
BCEF=BEF×D;
其中,BEF表示生物量转换因子;
D表示本木材密度。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
将所述目标城市的生物量碳储量变化量输入碳储量变化监控平台,所述碳储量变化监控平台包括控制系统以及多个飞行设备;
所述控制系统将所述目标城市的生物量碳储量变化量与基准变化量进行比较,若所述目标城市的生物量碳储量变化量与基准变化量的差值大于预设阈值,向通信连接的终端发送预警信息,以及向所述多个飞行设备发送侦查指令;
所述多个飞行设备根据侦查指令,定期飞行至指定区域,并对指定区域的植被拍摄图像或视频,并将所述拍摄图像或视频发送至控制系统;
所述控制系统对接收到的多个图像或视频进行图像识别,得到表征是否有火灾隐患的识别结果信息。
4.根据权利要求3所述的方法,其特征在于,所述控制系统对接收到的多个图像或视频进行图像识别,得到表征是否有火灾隐患的识别结果信息,包括:
将所述多个图像或视频依次输入预先训练的隐患识别模型,得到表征是否有火灾隐患的识别结果信息,所述隐患识别模型通过以下步骤训练得到:
获取训练样本集,训练样本集中的训练样本包括样本图像和用于表征该样本图像中显示的植被是否有火灾隐患的标注信息;
从所述训练样本集中选取训练样本,将该训练样本中的样本图像作为输入,将输入的样本图像对应的标注信息作为输入,对初始隐患识别模型进行训练,得到所述隐患识别模型。
5.根据权利要求4所述的方法,其特征在于,所述初始隐患识别模型可以是以下至少一项:
卷积神经网络CNN、循环神经网络RNN、LSTM长短期记忆循环神经网络。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若所述识别结果信息表征有火灾隐患,所述制系统向所述多个飞行设备发送药剂喷洒指令;
所述多个飞行设备响应于接收到所述药剂喷洒指令,飞行至指定地点并完成药剂喷洒。
7.根据权利要求5所述的方法,其特征在于,所述方法还包括:
若所述识别结果信息表征没有火灾隐患,向所述多个飞行设备发送降低侦查频率的指令;
所述多个飞行设备响应于接收到所述降低侦查频率的指令,采用低频率侦查模式进行侦查。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于苏州五蕴明泰科技有限公司,未经苏州五蕴明泰科技有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910586257.2/1.html,转载请声明来源钻瓜专利网。
- 上一篇:一种空调设备的送风格栅
- 下一篇:一种油烟检测探头





