首页分享基于生物炭负碳排放的土壤固碳量测算方法及相关装置.pdf

基于生物炭负碳排放的土壤固碳量测算方法及相关装置.pdf

来源：花匠小妙招时间：2024-11-12 12:32

《基于生物炭负碳排放的土壤固碳量测算方法及相关装置.pdf》由会员分享，可在线阅读，更多相关《基于生物炭负碳排放的土壤固碳量测算方法及相关装置.pdf（18页完成版）》请在专利查询网上搜索。

1、(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 202311283701.6(22)申请日 2023.10.07(71)申请人深圳碳中和生物燃气股份有限公司地址 518000 广东省深圳市宝安区西乡街道福中福社区西乡金海路碧海中心区西乡商会大厦101单元810号申请人宁德时代负碳冶金技术有限公司(72)发明人张文斌(74)专利代理机构深圳汉林汇融知识产权代理事务所(普通合伙)44850专利代理师吴洪波(51)Int.Cl.G01N 33/24(2006.01)G06N 20/00(2019.01)G16B 30/00(2019.01。

2、)G16B 40/00(2019.01)G01N 33/00(2006.01)G01N 1/38(2006.01)G01N 1/44(2006.01)(54)发明名称基于生物炭负碳排放的土壤固碳量测算方法及相关装置(57)摘要本发明涉及数据处理的技术领域，公开了一种基于生物炭负碳排放的土壤固碳量测算方法及相关装置。所述基于生物炭负碳排放的土壤固碳量测算方法包括：通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据；基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果，将所述评估结果与未添加生物炭的土壤样本的预设评估结。

3、果进行对比，得到所述生物炭的固碳差异结果；根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型。本发明实现了灵活，快速且准确的土壤固碳分析，有助于实现环保目标和土壤改良工作的科学指导。权利要求书3页说明书12页附图2页CN 117310124 A2023.12.29CN 117310124 A1.一种基于生物炭负碳排放的土壤固碳量测算方法，其特征在于，包括：通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据；其中，所述目标土壤样本为已添加生物炭的土壤样本；基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果。

4、，将所述评估结果与未添加生物炭的土壤样本的预设评估结果进行对比，得到所述生物炭的固碳差异结果；根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型；其中，所述基于生物炭的土壤固碳量预测模型用于预测在不同环境条件和不同生物炭添加量下，土壤的固碳能力。2.根据权利要求1所述的土壤固碳量测算方法，其特征在于，所述通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据的步骤之前，包括：选取生物质材料，对所述生物质材料在预设的温度范围内进行缺氧热解处理，制备生物炭；其中，所述生物质至少包括材料木材、农作物残余物、食品废弃物；向选定的土壤样本中添加所述生物炭，并通过预置的机械搅拌设备将所述生。

5、物炭与所述土壤样本进行混合，直至达到均匀状态，得到目标土壤样本；对目标土壤样本在预设的温度、湿度和氧气供应条件下进行孵化，模拟实际应用环境中的土壤碳封存过程。3.根据权利要求1所述的土壤固碳量测算方法，其特征在于，还包括：对第一土壤样本的土壤有机碳含量进行采集，得到第一数据，对第二土壤样本的土壤有机碳含量进行采集，得到第二数据；基于预设的主成分分析算法对所述第一数据和所述第二数据分别进行特征提取，得到对应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据进行集合化处理，得到土壤样本数据集合，对所述第一土壤样本的环境因子进行采集，得到第一环境因子，对所述第二土壤样本的环境因子进行采集，得。

6、到第二环境因子，将所述第二环境因子与所述第二环境因子进行加权处理，得到环境因子数据集合；通过预设的微生物基因测序算法分别分析所述第一土壤样本和所述第二土壤样本中的微生物组成和丰度，并进行数据融合，得到微生物数据集合；基于预设的融合算法，将所述土壤样本数据集合、所述环境因子数据集合以及所述微生物数据集合进行融合处理，得到融合数据集，并将所述融合数据集划分为训练样本集和检验样本集；将所述训练样本集输入至训练后的深度学习模型，预测得到土壤有机碳、环境因子、微生物组成和丰度三者之间的关系，基于土壤有机碳、环境因子、微生物组成和丰度三者之间的关系，生成土壤有机碳含量的预测值，根据所述土壤有机碳含量的预测。

7、值绘制对应的初始预测分布图；通过实际测定的土壤有机碳含量的实际值和土壤有机碳含量的预测值计算残差值，得到第一残差值，通过预设的插值法对所述第一残差值进行空间插值处理，得到第二残差值；根据深度学习模型预测的土壤有机碳含量和基于所述第二残差值进行空间加运算，得到修正后的预测值，并基于所述修正后的预测值以及初始预测分布图，形成修正后的预测权利要求书1/3 页2CN 117310124 A2分布图；基于所述修正后的预测分布图，构建土壤有机碳含量预测模型。4.根据权利要求3所述的土壤固碳量测算方法，其特征在于，所述环境因子数据至少包括土壤类型、气候条件、植被类型、土壤含水率、pH值、生物炭添加量、添加时。

8、间；所述第一土壤样本为已添加生物炭的土壤样本；所述第二土壤样本为未添加生物炭的其他土壤样本。5.根据权利要求3所述的土壤固碳量测算方法，其特征在于，所述通过预设的微生物基因测序算法分析所述第一土壤样本和所述第二土壤样本中的微生物组成和丰度，得到微生物数据集合，包括：通过预置的离心机对所述第一土壤样本和所述第二土壤样本进行微生物分离处理，得到处理后的土壤样本；通过预设的化学试剂从处理后的土壤样本中提取微生物DNA；基于特异物引物，对提取得到的微生物DNA进行PCR扩增，并通过高通量测序仪获取测序数据；通过预设的数据清洗算法，清洗测序数据，去除测序数据中的错误数据和噪音；利用清洗后的测序数据与预设。

9、的微生物基因序列数据库进行匹配，确定土壤样本中微生物的种类；基于土壤样本中微生物的种类，统计并分析每个土壤样本中各个微生物的组成和丰度，得到微生物数据。6.根据权利要求5所述的土壤固碳量测算方法，其特征在于，所述利用清洗后的测序数据与预设的微生物基因序列数据库进行匹配，包括：获取清洗后的测序数据；根据所述清洗后的测序数据生成唯一的标识码；将生成的唯一的标识码与预设的微生物基因序列数据库进行匹配，查找微生物基因序列数据库中是否存在与所述唯一的标识码匹配的数据表ID；若存在与所述唯一的标识码匹配的数据表ID，则从包含所述ID的数据表中读取出对应的微生物基因序列；根据读取出的微生物基因序列，确定土壤。

10、样本中微生物的种类。7.根据权利要求6所述的土壤固碳量测算方法，其特征在于，所述根据所述清洗后的测序数据生成唯一的标识码，包括：设定一个指定位数的字符串作为初始标识码；在具有多个数据中心以及多台机器的分布式系统环境中，定义可识别的数据中心标识和机器ID标识，根据数据中心标识和机器ID标识生成位置标识；获取当前的毫秒级时间戳，将所述毫秒级时间戳编码为时间编码；初始化一个计数器；其中，所述计数器用于在同一毫秒内为不同的测序数据生成不同的设备标识码；每次生成设备识别码后，检查当前时间是否与上一次生成设备识别码时的时间相同；如相同，则计数器递增一个计时单位；如已到下一毫秒，则计数器将重新归零，以在新的。

11、毫秒内重新计数；权利要求书2/3 页3CN 117310124 A3按照预定顺序将时间编码、位置标识、设备识别码及计数器的计数进行组合，形成测序数据的唯一标识码。8.一种基于生物炭负碳排放的土壤固碳量测算装置，其特征在于，所述基于生物炭负碳排放的土壤固碳量测算装置包括：采集模块，用于通过目标设备对目标土壤样本的碳含量进行实时测量和采集，得到实时测量数据；其中，所述目标土壤样本为已添加生物炭的土壤样本；评估模块，用于基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果，将所述评估结果与未添加生物炭的土壤样本的预设评估结果进行对比，。

12、得到所述生物炭的固碳差异结果；构建模块，用于根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型；其中，所述基于生物炭的土壤固碳量预测模型用于预测在不同环境条件和不同生物炭添加量下，土壤的固碳能力。9.一种基于生物炭负碳排放的土壤固碳量测算设备，其特征在于，所述基于生物炭负碳排放的土壤固碳量测算设备包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于生物炭负碳排放的土壤固碳量测算设备执行如权利要求17中任一项所述的基于生物炭负碳排放的土壤固碳量测算方法。10.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于。

13、，所述指令被处理器执行时实现如权利要求17中任一项所述的基于生物炭负碳排放的土壤固碳量测算方法。权利要求书3/3 页4CN 117310124 A4基于生物炭负碳排放的土壤固碳量测算方法及相关装置技术领域0001本发明涉及数据处理的技术领域，尤其涉及一种基于生物炭负碳排放的土壤固碳量测算方法及相关装置。背景技术0002目前，全球环境问题越来越突出，其中最为严重的就是全球气候变暖现象。而二氧化碳作为主要的温室气体，其排放量与全球升温有直接关系。为了降低大气中的二氧化碳含量，人们开始寻求各种方法固存或者吸收二氧化碳。其中，使用生物炭进行土壤固碳，通过吸收大量的二氧化碳，被认为是一种非常有效果的解决。

14、方式。生物炭在固碳过程中本身会产生碳封存，不仅可以吸收大气中的二氧化碳，还可以把碳更长期地储存在土壤中，实现负碳排放。0003虽然当前已经有针对生物炭固碳效果的运用和研究，但是在实际运用过程中，对生物炭的固碳效果进行精确地定量评估仍然存在一定的困难。这主要在于土壤环境差异性大，如温度、湿度等因素会对固碳效果产生重要影响，同时生物炭的种类和添加量等也会影响最终的固碳效果。此外，目前尚不存在一个能够全面、准确地预测不同环境条件下，生物炭在土壤中的固碳能力的模型。因此，在实际应用过程中，不能对应用效果进行准确评估和预测，这在一定程度上限制了生物炭在气候变化适应和减缓方面的应用。0004基于以上原因，。

15、需找到一种新的解决方案，以满足在变化的环境条件下，对生物炭土壤固碳量进行准确预测的需要。发明内容0005本发明提供了一种基于生物炭负碳排放的土壤固碳量测算方法及相关装置，用于解决在变化的环境条件下如何对生物炭土壤固碳量进行准确预测的技术问题。0006本发明第一方面提供了一种基于生物炭负碳排放的土壤固碳量测算方法，所述基于生物炭负碳排放的土壤固碳量测算方法包括：通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据；其中，所述目标土壤样本为已添加生物炭的土壤样本；基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果，将所。

16、述评估结果与未添加生物炭的土壤样本的预设评估结果进行对比，得到所述生物炭的固碳差异结果；根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型；其中，所述基于生物炭的土壤固碳量预测模型用于预测在不同环境条件和不同生物炭添加量下，土壤的固碳能力。可选的，在本发明第一方面的第一种实现方式中，所述通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据的步骤之前，包括：选取生物质材料，对所述生物质材料在预设的温度范围内进行缺氧热解处理，制说明书1/12 页5CN 117310124 A5备生物炭；其中，所述生物质至少包括材料木材、农作物残余物、食品废弃物；向选定的土壤样本中添加所述生物炭，。

17、并通过预置的机械搅拌设备将所述生物炭与所述土壤样本进行混合，直至达到均匀状态，得到目标土壤样本；对目标土壤样本在预设的温度、湿度和氧气供应条件下进行孵化，模拟实际应用环境中的土壤碳封存过程。0007可选的，在本发明第一方面的第二种实现方式中，还包括：对第一土壤样本的土壤有机碳含量进行采集，得到第一数据，对第二土壤样本的土壤有机碳含量进行采集，得到第二数据；基于预设的主成分分析算法对所述第一数据和所述第二数据分别进行特征提取，得到对应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据进行集合化处理，得到土壤样本数据集合，对所述第一土壤样本的环境因子进行采集，得到第一环境因子，对所述第二土。

18、壤样本的环境因子进行采集，得到第二环境因子，将所述第二环境因子与所述第二环境因子进行加权处理，得到环境因子数据集合；通过预设的微生物基因测序算法分别分析所述第一土壤样本和所述第二土壤样本中的微生物组成和丰度，并进行数据融合，得到微生物数据集合；基于预设的融合算法，将所述土壤样本数据集合、所述环境因子数据集合以及所述微生物数据集合进行融合处理，得到融合数据集，并将所述融合数据集划分为训练样本集和检验样本集；将所述训练样本集输入至训练后的深度学习模型，预测得到土壤有机碳、环境因子、微生物组成和丰度三者之间的关系，基于土壤有机碳、环境因子、微生物组成和丰度三者之间的关系，生成土壤有机碳含量的预测值，。

19、根据所述土壤有机碳含量的预测值绘制对应的初始预测分布图；通过实际测定的土壤有机碳含量的实际值和土壤有机碳含量的预测值计算残差值，得到第一残差值，通过预设的插值法对所述第一残差值进行空间插值处理，得到第二残差值；根据深度学习模型预测的土壤有机碳含量和基于所述第二残差值进行空间加运算，得到修正后的预测值，并基于所述修正后的预测值以及初始预测分布图，形成修正后的预测分布图；基于所述修正后的预测分布图，构建土壤有机碳含量预测模型。0008可选的，在本发明第一方面的第三种实现方式中，所述环境因子数据至少包括土壤类型、气候条件、植被类型、土壤含水率、pH值、生物炭添加量、添加时间；所述第一土壤样本为已添加。

20、生物炭的土壤样本；所述第二土壤样本为未添加生物炭的其他土壤样本。0009可选的，在本发明第一方面的第四种实现方式中，所述通过预设的微生物基因测序算法分析所述第一土壤样本和所述第二土壤样本中的微生物组成和丰度，得到微生物数据集合，包括：通过预置的离心机对所述第一土壤样本和所述第二土壤样本进行微生物分离处理，得到处理后的土壤样本；说明书2/12 页6CN 117310124 A6通过预设的化学试剂从处理后的土壤样本中提取微生物DNA；基于特异物引物，对提取得到的微生物DNA进行PCR扩增，并通过高通量测序仪获取测序数据；通过预设的数据清洗算法，清洗测序数据，去除测序数据中的错误数据和噪音；利用清洗。

21、后的测序数据与预设的微生物基因序列数据库进行匹配，确定土壤样本中微生物的种类；基于土壤样本中微生物的种类，统计并分析每个土壤样本中各个微生物的组成和丰度，得到微生物数据。0010可选的，在本发明第一方面的第五种实现方式中，所述利用清洗后的测序数据与预设的微生物基因序列数据库进行匹配，包括：获取清洗后的测序数据；根据所述清洗后的测序数据生成唯一的标识码；将生成的唯一的标识码与预设的微生物基因序列数据库进行匹配，查找微生物基因序列数据库中是否存在与所述唯一的标识码匹配的数据表ID；若存在与所述唯一的标识码匹配的数据表ID，则从包含所述ID的数据表中读取出对应的微生物基因序列；根据读取出的微生物基因。

22、序列，确定土壤样本中微生物的种类。0011可选的，在本发明第一方面的第六种实现方式中，所述根据所述清洗后的测序数据生成唯一的标识码，包括：设定一个指定位数的字符串作为初始标识码；在具有多个数据中心以及多台机器的分布式系统环境中，定义可识别的数据中心标识和机器ID标识，根据数据中心标识和机器ID标识生成位置标识；获取当前的毫秒级时间戳，将所述毫秒级时间戳编码为时间编码；初始化一个计数器；其中，所述计数器用于在同一毫秒内为不同的测序数据生成不同的设备标识码；每次生成设备识别码后，检查当前时间是否与上一次生成设备识别码时的时间相同；如相同，则计数器递增一个计时单位；如已到下一毫秒，则计数器将重新归零。

23、，以在新的毫秒内重新计数；按照预定顺序将时间编码、位置标识、设备识别码及计数器的计数进行组合，形成测序数据的唯一标识码。0012本发明第二方面提供了一种基于生物炭负碳排放的土壤固碳量测算装置，所述基于生物炭负碳排放的土壤固碳量测算装置包括：采集模块，用于通过目标设备对目标土壤样本的碳含量进行实时测量和采集，得到实时测量数据；其中，所述目标土壤样本为已添加生物炭的土壤样本；评估模块，用于基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果，将所述评估结果与未添加生物炭的土壤样本的预设评估结果进行对比，得到所述生物炭的固碳差异结果；。

24、构建模块，用于根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型；其中，所述基于生物炭的土壤固碳量预测模型用于预测在不同环境条件和不同生物炭添加说明书3/12 页7CN 117310124 A7量下，土壤的固碳能力。本发明第三方面提供了一种基于生物炭负碳排放的土壤固碳量测算设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于生物炭负碳排放的土壤固碳量测算设备执行上述的基于生物炭负碳排放的土壤固碳量测算方法。0013本发明的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得。

25、计算机执行上述的基于生物炭负碳排放的土壤固碳量测算方法。0014本发明提供的技术方案中，有益效果：本发明提供一种基于生物炭负碳排放的土壤固碳量测算方法及相关装置，通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据；基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果，将所述评估结果与未添加生物炭的土壤样本的预设评估结果进行对比，得到所述生物炭的固碳差异结果；根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型；本发明能在短时间内完成对土壤碳含量的实时测量和分析，迅速获得了土壤当前的碳含量数据，并为后续工作提供基。

26、础数据。并且，通过机器学习算法，能够对生物炭在土壤样本中的固碳效果进行量化评估，将复杂的固碳进程转化为数值或评级，使得固碳效果的研究和分析更直观，更易于理解。同时，比较添加生物炭的土壤样本和未添加生物炭的土壤样本的碳含量变化，能清晰地看出生物炭的固碳效果，并且得出固碳差异结果。最后，根据固碳差异结果，能构建出基于生物炭的土壤固碳量预测模型，该模型可用于预测不同环境条件和不同生物炭添加量下土壤的固碳能力，为实际的土壤改良工作和环保工作提供科学的预测和支持。附图说明0015图1为本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的一个实施例示意图；图2为本发明实施例中基于生物炭负碳排放的土壤固碳。

27、量测算装置的一个实施例示意图。具体实施方式0016本发明实施例提供了一种基于生物炭负碳排放的土壤固碳量测算方法及相关装置。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产。

28、品或设备固有的其它步骤或单元。0017为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的一个实施例包括：说明书4/12 页8CN 117310124 A8步骤101、通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据；其中，所述目标土壤样本为已添加生物炭的土壤样本；可以理解的是，本发明的执行主体可以为基于生物炭负碳排放的土壤固碳量测算装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。0018具体的，本发明实施例的具体实现过程如下：样本选择：首先，选取已添加生物炭的土壤样本，。

29、这是实验的研究对象。比如，可以选择一块已经施用了生物炭的农田土壤作为样本。0019设备准备：准备好能进行土壤碳含量检测的目标设备。这种设备通常包括但不限于土壤光谱仪，土壤组分分析仪等能够实时测量并分析土壤碳含量的设备。0020样本预处理：接着，对选择的土壤样本进行必要的预处理，如烘干，磨粉，筛选等，以便能够进行後面的碳含量检测。0021碳含量测量：将预处理后的土壤样本放入目标设备中，按照设备操作指南进行实时测量土壤中的总碳含量。在此过程中，设备会生成土壤碳含量的实时测量数据。0022数据记录：记录或储存得到的实时测量数据，以备后续的分析访问。这些数据通常以数值或图形的方式表示，并且可以直接反映。

30、土壤当前的碳含量情况。0023步骤102、基于所述实时测量数据，通过预设的机器学习算法对所述生物炭在目标土壤样本中的固碳效果进行量化评估，得到固碳效果的评估结果，将所述评估结果与未添加生物炭的土壤样本的预设评估结果进行对比，得到所述生物炭的固碳差异结果；具体的，本发明实施例的具体实现过程如下：选择合适的机器学习算法：根据研究需求，确定一个合适的机器学习算法。常用的算法包括线性回归，支持向量机，随机森林等。比如，选择随机森林算法来处理这个问题。0024训练机器学习模型：以已有的土壤样本数据作为训练集，其中数据包括了土壤样本的碳含量等一系列属性，以及对应的固碳效果结果。通过训练，模型理解这些数据之。

31、间的关系。0025对生物炭固碳效果进行量化评估：将实时测量得到的碳含量数据输入到已训练好的模型中，模型会根据学习到的规则，预测出目标土壤样本对应的固碳效果量化值。0026得到固碳效果的评估结果：模型输出的预测值就是所述生物炭在目标土壤样本中的固碳效果的量化评估结果。0027评估结果对比：此步骤需要拥有未添加生物炭的土壤样本的预设评估结果。这个预设评估结果可以基于历史数据、已有研究或理论预测得出。再将生物炭土壤的固碳效果评估结果与之对比。0028得到固碳差异结果：对比分析后，得出生物炭的固碳差异结果，这是指添加生物炭前后土壤固碳的改变度。0029设想一个实例，明确上述步骤：选择机器学习算法：假定。

32、为了解决这个问题，选择了随机森林算法，由于它在处理复杂非线性数据上的优势。0030训练机器学习模型：拥有一批包含多种特征（如土壤类型，PH值，生物炭添加量等）和对应固碳效果的历史土壤样本数据。这些数据被用于训练随机森林模型，模型学习了各说明书5/12 页9CN 117310124 A9个特征与固碳效果之间的关系。0031量化评估固碳效果：一块已添加生物炭的农田进行了土壤碳含量的实时测量，得到的这些数据被输入到上一步训练好的模型中，模型返回预测的固碳效果的量化值，假设为X。0032得到固碳效果的评估结果：这个量化值X就是所述生物炭在这块农田土壤样本中的固碳效果的评估结果。0033评估结果对比：同。

33、时，拥有一个未添加生物炭的同类土壤样本的预设固碳效果评估结果Y，这个结果可能基于历史的实验数据预设得出。0034得到固碳差异结果：通过对比，找出添加生物炭前后的固碳效果之差，即 X和Y的差值，这个差值就是生物炭的固碳差异结果。0035步骤103、根据所述固碳差异结果，构建基于生物炭的土壤固碳量预测模型；其中，所述基于生物炭的土壤固碳量预测模型用于预测在不同环境条件和不同生物炭添加量下，土壤的固碳能力。0036具体的，本发明实施例的具体实现过程如下：收集数据：收集大量已有的有关土壤的数据，包括但不限于土壤类型，pH值，生物炭添加量，环境条件（如气候，温度等），和已知的固碳量。这样的数据可以从公开。

34、的数据源或者已经进行过的实验中获得。0037数据清洗：对收集的数据进行清洗和预处理。这一步骤主要是为了去除无效，不准确或不相关的数据，以确保数据质量。0038特征选择与工程：对每个土壤样本，确定影响土壤固碳能力的关键特征集，比如生物炭的添加量，土壤类型，环境条件等。对这些特征进行一定的工程处理，如把连续的变量离散化，把无序的类别变量进行编码等。0039模型训练：运用选择的机器学习算法（例如随机森林，回归模型，神经网络等）利用上述的特征集和已知固碳量训练模型。模型通过学习，理解这些特征和固碳量之间的关系。0040模型测试与验证：用一部分未用于训练的数据测试模型的预测能力，对预测结果与实际情况进行。

35、对比，从而验证模型的准确性。0041预测模型的创建：经过测试验证，模型表现良好后，此预测模型即可用于预测在不同环境条件和不同生物炭添加量下的土壤固碳能力，用户只需输入相应的条件即可得出预测结果。0042以下面一个具体的例子来说明这个过程：收集数据：以亚洲不同地区的农田为研究对象，收集每一块农田的土壤类型，pH值，生物炭添加量，气候，温度等特征信息，以及相应的已知固碳量。0043数据清洗：数据可能包含无效或错误的条目，例如某些农田的固碳量可能未被记录或被错误记载，这些数据应被清洗或修正。0044特征选择与工程：确定影响土壤固碳能力的关键特征，比如土壤类型被编码为1代表粘土，2代表砂壤土，3代表壤。

36、土等，生物炭的添加量直接以吨为单位，气候条件被编码为1代表热带，2代表温带，3代表寒带等。0045模型训练：假定选择了随机森林作为机器学习算法，输入上一步处理好的特征集和已知固碳量，训练模型。说明书6/12 页10CN 117310124 A100046模型测试与验证：将其中30%的农田数据留作测试集，用训练好的模型进行预测，对比实际值，计算预测误差，验算模型的准确性。0047预测模型的创建：在经过上述五步后，成功创建出一个基于生物炭的土壤固碳量预测模型。假如现有一块砂壤土的农田，处于温带，湿度为70%，计划添加10吨生物炭，将这些参数输入到预测模型中，模型会输出预期的土壤固碳量，这样农田管理。

37、者就能预期这块农田施用生物炭后的固碳能力。0048本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的另一个实施例包括：所述通过目标设备对目标土壤样本的碳含量进行实时测量，得到实时测量数据的步骤之前，包括：选取生物质材料，对所述生物质材料在预设的温度范围内进行缺氧热解处理，制备生物炭；其中，所述生物质至少包括材料木材、农作物残余物、食品废弃物；向选定的土壤样本中添加所述生物炭，并通过预置的机械搅拌设备将所述生物炭与所述土壤样本进行混合，直至达到均匀状态，得到目标土壤样本；对目标土壤样本在预设的温度、湿度和氧气供应条件下进行孵化，模拟实际应用环境中的土壤碳封存过程。0049具体的，实现上述步骤。

38、的具体过程如下：选取生物质材料：首先选取适宜的生物质材料，这些材料可能来自于众多来源，包括木材，农作物残余物，食品废弃物等。0050制备生物炭：生物质材料被放入专门的设备中，例如热解炉，该设备可以在预定的温度范围内对生物质材料进行缺氧热解处理，使其转化为生物炭。此过程实际上是生物质材料在无氧或低氧环境下的进一步热解，具体的温度范围需要根据研究目标和设备进行设定。0051生物炭与土壤样本混合：选定的土壤样本中添加预先制备的生物炭。然后使用预置的机械搅拌设备，如旋转搅拌器，将生物炭与土壤样本混合。需要持续地搅拌直至物质均匀分布，这样才能保证生物炭完全与土壤样本混合，得到目标土壤样本。0052土壤孵。

39、化：目标土壤样本在预设的温度、湿度、及氧气供应条件下进行孵化。孵化过程实际上是模拟了真实环境下的土壤碳封存过程。这个步骤可以借助孵化器进行，设定好相应的生长条件，使得生物炭与土壤的相互作用接近真实的土壤环境。0053例如，选取秸秆作为生物质材料，然后在500的条件下进行缺氧热解，得到生物炭。选择一份砂壤土样本，向其中加入5%重量比例的生物炭，接着用搅拌器将它们进行混合，直至均匀。然后将混合后的土壤样本放入孵化器，设定温度25，湿度70%，并保持良好的氧气供应，进行为期3个月的孵化，最后得到的就是目标土壤样本。0054本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的另一个实施例包括：对第一。

40、土壤样本的土壤有机碳含量进行采集，得到第一数据，对第二土壤样本的土壤有机碳含量进行采集，得到第二数据；基于预设的主成分分析算法对所述第一数据和所述第二数据分别进行特征提取，得到对应的第一特征数据和第二特征数据，将第一特征数据和第二特征数据进行集合化处说明书7/12 页11CN 117310124 A11理，得到土壤样本数据集合，对所述第一土壤样本的环境因子进行采集，得到第一环境因子，对所述第二土壤样本的环境因子进行采集，得到第二环境因子，将所述第二环境因子与所述第二环境因子进行加权处理，得到环境因子数据集合；通过预设的微生物基因测序算法分别分析所述第一土壤样本和所述第二土壤样本中的微生物组成和。

41、丰度，并进行数据融合，得到微生物数据集合；基于预设的融合算法，将所述土壤样本数据集合、所述环境因子数据集合以及所述微生物数据集合进行融合处理，得到融合数据集，并将所述融合数据集划分为训练样本集和检验样本集；将所述训练样本集输入至训练后的深度学习模型，预测得到土壤有机碳、环境因子、微生物组成和丰度三者之间的关系，基于土壤有机碳、环境因子、微生物组成和丰度三者之间的关系，生成土壤有机碳含量的预测值，根据所述土壤有机碳含量的预测值绘制对应的初始预测分布图；通过实际测定的土壤有机碳含量的实际值和土壤有机碳含量的预测值计算残差值，得到第一残差值，通过预设的插值法对所述第一残差值进行空间插值处理，得到第二。

42、残差值；根据深度学习模型预测的土壤有机碳含量和基于所述第二残差值进行空间加运算，得到修正后的预测值，并基于所述修正后的预测值以及初始预测分布图，形成修正后的预测分布图；基于所述修正后的预测分布图，构建土壤有机碳含量预测模型。0055具体的，为了更好的理解本发明实施例，以下列具体例子作为说明：运用实验室化验的方法分别测定这两块土壤的有机碳含量，并将数据记录下来。接着利用主成分分析算法对这两个数据进行特征提取，得到他们的特征数据。0056同时，也会采集这两块土壤的环境因子，例如温度，湿度，PH值等，然后将这些因子加权，生成环境因子数据集合。0057接着用微生物基因测序算法分析这两个土壤样本中存在的。

43、微生物种类以及数量，得出微生物数据集合。然后，通过融合算法合并这三部分数据，最后将融合的数据集合划分为训练样本集（例如，70%的数据）和检测样本集（例如，30%的数据）。0058然后，将训练样本集输入训练过的深度学习模型，如，随机森林、神经网络等，据此预测土壤有机碳、环境因子及微生物的相互影响，生成土壤有机碳含量的预测值，并绘制初始预测分布图。0059接着，计算预测值与实际测定的有机碳含量的残差，得到第一残差值。运用如克里金方法的空间插值，处理第一残差值，得到第二残差值。0060在上述过程基础上，用预测的土壤有机碳含量与第二残差值进行空间加运算，得到了修正后的预测值。然后根据这个修正后的预测值。

44、以及初始预测分布图，形成修正后的预测分布图。最后，则根据这个修正后的预测分布图，构建一个土壤有机碳含量预测模型。0061本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的另一个实施例包括：所述环境因子数据至少包括土壤类型、气候条件、植被类型、土壤含水率、pH值、生说明书8/12 页12CN 117310124 A12物炭添加量、添加时间；所述第一土壤样本为已添加生物炭的土壤样本；所述第二土壤样本为未添加生物炭的其他土壤样本。0062本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的另一个实施例包括：所述通过预设的微生物基因测序算法分析所述第一土壤样本和所述第二土壤样本中的微生物组成和丰。

45、度，得到微生物数据集合，包括：通过预置的离心机对所述第一土壤样本和所述第二土壤样本进行微生物分离处理，得到处理后的土壤样本；通过预设的化学试剂从处理后的土壤样本中提取微生物DNA；基于特异物引物，对提取得到的微生物DNA进行PCR扩增，并通过高通量测序仪获取测序数据；通过预设的数据清洗算法，清洗测序数据，去除测序数据中的错误数据和噪音；利用清洗后的测序数据与预设的微生物基因序列数据库进行匹配，确定土壤样本中微生物的种类；基于土壤样本中微生物的种类，统计并分析每个土壤样本中各个微生物的组成和丰度，得到微生物数据。0063具体的，实现上述步骤的具体过程如下：微生物分离：首先，采用预置的离心机对第一。

46、土壤样本和第二土壤样本进行微生物的分离处理，方法可能包括形成悬浮液并利用离心机从土壤样本中分离出微生物，得到处理后的土壤样本。0064提取微生物DNA：然后，使用预设的化学试剂如酚氯仿提取法等，从处理后的土壤样本中提取微生物的DNA，这是微生物遗传信息的关键部分。0065PCR扩增和测序：在获得了微生物DNA后，基于特异引物对微生物DNA进行PCR（Polymerase Chain Reaction）扩增，使得微生物DNA数量增加，以便于后续的测序分析。扩增过后的样本，通过高通量测序仪来获取测序数据，这一步是确定微生物种类和数量的关键。0066数据清洗：测序仪提供的原始数据往往包含大量的错误数。

47、据和噪音，因此需要利用预设的数据清洗算法对测序数据进行初步处理，目的是去除测序数据中的错误数据与噪音，得到可以直接研究的数据。0067微生物种类确定和丰度统计分析：通过将清洗后的测序数据与预设的微生物基因序列数据库进行匹配，可以确定土壤样本中微生物的种类。确定了各个微生物种类后，对各个土壤样本中的微生物组成和丰度进行统计和分析，即可得到微生物数据。0068本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的另一个实施例包括：所述利用清洗后的测序数据与预设的微生物基因序列数据库进行匹配，包括：获取清洗后的测序数据；根据所述清洗后的测序数据生成唯一的标识码；将生成的唯一的标识码与预设的微生物基因。

48、序列数据库进行匹配，查找微生物基说明书9/12 页13CN 117310124 A13因序列数据库中是否存在与所述唯一的标识码匹配的数据表ID；若存在与所述唯一的标识码匹配的数据表ID，则从包含所述ID的数据表中读取出对应的微生物基因序列；根据读取出的微生物基因序列，确定土壤样本中微生物的种类。0069具体的，实现上述步骤的具体过程如下：获取清洗后的测序数据：首先，获取经过清洗的测序数据。数据清洗是去除噪声和错误的数据，以得到准确的DNA碱基配对序列。0070生成唯一的标识码：然后，根据这些清洗后的测序数据，生成一个唯一的标识码。这个标识码可以是一个哈希值或其它能唯一标识DNA序列的码。例如，。

49、使用一种叫做MD5的算法，它能将任何长度的数据转换成一串固定长度的唯一标识码。0071匹配数据库：有了这个唯一的标识码，接着进行与预设的微生物基因序列数据库的匹配。这个数据库是一个已知的、用于识别微生物的DNA序列库。将每一个唯一的标识码与数据库中的数据表ID进行一一匹配，来查找是否存在与该标识码对应的微生物基因序列。0072读取微生物基因序列：如果数据库中存在与唯一标识码匹配的数据表ID，那么我们从该ID的数据表中读取出相应的微生物基因序列。这个基因序列代表了一个特定种类的微生物。0073确定微生物种类：根据读取的微生物基因序列，我们就能确定土壤样本中微生物的种类。例如，确定出样本中含有大量。

50、的硝化细菌、分解腐植物的放线菌等。0074本发明实施例中基于生物炭负碳排放的土壤固碳量测算方法的另一个实施例包括：所述根据所述清洗后的测序数据生成唯一的标识码，包括：设定一个指定位数的字符串作为初始标识码；在具有多个数据中心以及多台机器的分布式系统环境中，定义可识别的数据中心标识和机器ID标识，根据数据中心标识和机器ID标识生成位置标识；获取当前的毫秒级时间戳，将所述毫秒级时间戳编码为时间编码；初始化一个计数器；其中，所述计数器用于在同一毫秒内为不同的测序数据生成不同的设备标识码；每次生成设备识别码后，检查当前时间是否与上一次生成设备识别码时的时间相同；如相同，则计数器递增一个计时单位；如已到。