当前位置:   article > 正文

2022美赛E题(森林的碳封存)——赛题解读&解题思路

2022美赛e题

2023美赛题分析已经出了!

链接:https://blog.csdn.net/qq_35759272/article/details/129079318

在这里插入图片描述
在这里插入图片描述

赛题目的

问题描述:适当采伐在内的森林管理可能有利于碳封存。森林管理者必须在采伐森林产品的价值让森林继续生长和吸收碳的价值之间找到平衡。

你的论文应该探讨和解决以下几个方面:

  • 1.设计碳封存模型,以确定森林及其产品随着时间的推移预计可以封存多少二氧化碳 。你的模型应确定哪种森林管理计划在封存二氧化碳方面最有效

  • 2.考虑到森林价值的其他评估方式, 最适合碳封存的森林管理计划不一定是最合适的计划,设计一个模型,让森林管理者了解森林的最佳利用方式。你的模型应该确定一个森林管理计划,以平衡评估森林的各种方式(包括碳封存)。考虑一下一些问题以及你自己的问题:

    • 你的决策模型可能建议的管理计划范围是什么?
    • 是否有任何条件限制森林不被砍伐?
    • 适用于所有森林的管理计划之间是否存在过渡点?
    • 如何使用特定森林及其位置的特征来确定管理计划之间的过渡点?
  • 3.你的模型应用于各种森林,决策模型将采伐纳入管理计划

    • 这片森林及其产品在100内将封存多少二氧化碳
    • 这片森林管理计划
    • 假设最佳管理计划需要长达10年的采伐收获间隔时间,比目前时间要长,讨论从现有时间过渡到新时间的策略。

一. 预测碳吸收模型

1.1. 问题分析

(1)随着时间的推移预计可以封存多少二氧化碳 ,其实就是看什么因变量对森林封存二氧化碳有影响,建立它们之间的关系模型,然后预测。
(2)哪种森林管理计划在封存二氧化碳方面最有效,利用(1)建立模型,计算最多二氧化碳吸收量的因变量参数即可

很容易想到:建立天气、森林的面积、不同类型树木覆盖率、涵养水量和森林二氧化碳封存量的模型的关系模型。可以用线性拟合方式或者机器学习XgBoost模型

import xgboost
from numpy import loadtxt
from xgboost import XGBRegressor
from sklearn.model_selection import train_test_split
from sklearn.metrics import accuracy_score
 
# 载入数据集
dataset = loadtxt('pima-indians-diabetes.csv', delimiter=",")

# 划分为X,y
X = dataset[:,0:8]
Y = dataset[:,8]

# 划分数据集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.01, random_state=1729)
print(X_train.shape, X_test.shape)

#模型参数设置
xlf = xgb.XGBRegressor(max_depth=10, 
                        learning_rate=0.1, 
                        n_estimators=10, 
                        silent=True, 
                        objective='reg:linear', 
                        nthread=-1, 
                        gamma=0,
                        min_child_weight=1, 
                        max_delta_step=0, 
                        subsample=0.85, 
                        colsample_bytree=0.7, 
                        colsample_bylevel=1, 
                        reg_alpha=0, 
                        reg_lambda=1, 
                        scale_pos_weight=1, 
                        seed=1440, 
                        missing=None)

xlf.fit(X_train, y_train, eval_metric='rmse', verbose = True, eval_set = [(X_test, y_test)],early_stopping_rounds=100)

# 计算 auc 分数、预测
preds = xlf.predict(X_test)


  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42

问题关键是找到数据!!!但是往往是找不到的,不要为了数据,委曲求全建立数据中仅有的变量之间的关系,其实是可以做组合的;肯定有人推荐你去查中国统计年鉴,缺数据很正常。
新思路:将多个现有模型组合

1.2. 查资料:碳排放怎么估计&碳排放详细和哪些因素相关

  • 封存二氧化碳怎么计算的:
    • 森林碳汇:森林植被通过光合作用固定二氧化碳,将大气中的二氧化碳捕获、封存、固定在木质生物量中,从而减少空气中二氧化碳浓度
    • 林业碳汇:通过造林、再造林或者提升森林经营技术增加的森林碳汇,可以进行交易

1.3. 基于过程的森林生长和 TRIPLEX 碳模型

模拟土壤温度和气候数据和落叶林净碳关系

  • 加拿大在2000年白杨森林的二氧化碳日平均汇率(NEE)和空气温度关系(土壤温度为8厘米):

在这里插入图片描述
叶片脱落观测数据与CO2通量测量数据之间的经验关系
在这里插入图片描述

  • 结论:
    • 气候变化会增加森林 NPP 和生物量碳,但会降低土壤总碳

1.4 树种与氧化碳封存量关系

  • 不同树种的氧化碳封存量不一样:
    • 森林碳汇资源为能够提供碳汇功能的森林资源,包括乔木林、竹林、特灌林、疏林地、未成林造林地、非特灌林灌木林、苗圃地、荒山灌丛、城区和乡村绿化散生林木等。森林植被全口径碳汇=森林资源碳汇(乔木林碳汇+竹林碳汇+特灌林碳汇)+疏林地碳汇+未成林造林地碳汇+非特灌林灌木林碳汇+苗圃地碳汇+荒山灌丛碳汇+城区和乡村绿化散生林木碳汇
    • 毛竹年固碳量为5.09t/hm2,是杉木林的1.46倍,是热带雨林的1.33倍,同时每年还有大量的竹林碳转移到竹材产品碳库中长期保存。

二. 平衡森林价值模型

2.1. 问题分析

林价值除了碳吸收外还有涵养水源、保育土壤、生物多样性保护、净化大气环境、森林游憩、积累营养物质等。
如果有数据,针对多输入多输出,采用机器学习或神经网络来做

三 采伐策略模型

1.1. 问题分析

模型应用于各种森林,制定采伐策略
利用模型一二的结论,控制森林碳吸收量、森林面积情况下,对不同植被采取不同采伐数量策略

参考文献:
【1】基于全口径碳汇监测的中国森林碳中和能力分析
【2】Predicting the onset of net carbon uptake by deciduous forests
with soil temperature and climate data: a synthesis of FLUXNET data

声明:本文内容由网友自发贡献,不代表【wpsshop博客】立场,版权归原作者所有,本站不承担相应法律责任。如您发现有侵权的内容,请联系我们。转载请注明出处:https://www.wpsshop.cn/w/很楠不爱3/article/detail/139803
推荐阅读
相关标签
  

闽ICP备14008679号