亚太地区人类活动与气候变化对蓝碳生态系统影响的时空评估

《Environmental Technology & Innovation》：Spatiotemporal Assessment of Human and Climate Pressures on Blue Carbon Ecosystems in Asia Pacific

蓝碳生态系统压力评估与保护策略研究：基于2014-2022年卫星数据与机器学习模型分析，发现亚太地区日本北部、澳大利亚东南部、中国东部及印尼东部压力最高，不同生态系统压力指数空间分布一致。研究提出融合遥感数据与随机森林算法的量化评估框架，为全球气候行动和海岸带管理提供决策支持。

　　蓝碳生态系统，如海草床、盐沼和红树林，是重要的自然碳汇，但正面临着气候变化和人类活动带来的日益严重的威胁。尽管这些生态系统的生态价值已被广泛认可，但对其脆弱性的全面和高分辨率评估仍然有限。本研究利用2014至2022年的多时相卫星数据，结合线性回归和随机森林模型，评估了人类和气候压力的时空变化趋势。通过整合趋势分析与预测建模，本研究提供了一种数据驱动的方法，以识别受到最高压力的区域。研究结果表明，日本北部、澳大利亚东南部、中国东部和印度尼西亚东部的蓝碳生态系统承受着最强烈的压力，其中海草床的符合率达到了63.06%，盐沼为47.77%，红树林为22.89%。这些发现突显了在这些地区采取针对性保护措施的紧迫性，以防止进一步的退化。本研究提出的框架支持基于数据的蓝碳生态系统韧性评估，并为政策制定者和保护规划者提供了实用的指导，以提高气候适应能力和可持续的海岸管理。

蓝碳生态系统的退化源于气候波动和人类活动的双重影响。例如，厄尔尼诺和拉尼娜等气候事件会干扰光合作用、生物量生产力和沉积物微生物过程，从而削弱生态系统的韧性。然而，人类活动占蓝碳生态系统退化的主要原因，包括土地复垦、沿海基础设施开发和资源开采，导致约60%的蓝碳生态系统损失。这些过程削弱了长期碳储存的潜力。尽管蓝碳生态系统退化的机制已被广泛记录，但人类和气候压力的综合和空间变化效应仍不完全明确，尤其是在像亚太地区这样广阔的区域。鉴于国际和区域倡议的序列，2014年成为评估生态系统基于海岸治理早期实施阶段的重要基准。2014-2022年期间也是目前可用于此分析的最长连续中高分辨率卫星记录，允许对研究区域内的蓝碳生态系统进行一致的多年度评估。

此前的研究已经通过各种方法对蓝碳生态系统的压力进行了建模。例如，Fauzi等人（2021）通过空间叠加分析评估了印尼沿海生态系统的气候和人为压力，Wang等人（2023）研究了中国江苏省的土地覆盖和环境变化，Dahl等人（2023）通过专家主导的脆弱性评估分析了海草床的二氧化碳排放风险。Valjarevi?等人（2025）进一步展示了GIS和遥感技术整合在分析土地利用动态及其生态后果方面的有效性，强调了空间数据分析在理解自然栖息地变化中的价值。尽管这些努力提供了重要的见解，但它们主要依赖于本地或短期的观测数据，缺乏整合的多源数据集。遥感技术提供了一种变革性的解决方案，通过持续的大规模、多时相的蓝碳生态系统监测。然而，大多数遥感研究仍然停留在描述层面，限制在量化多种压力因素的累积、非线性相互作用方面。

虽然遥感技术在蓝碳生态系统观测方面取得了进展，但机器学习（ML）提供了一种创新的方法，弥补了其分析上的局限。传统的统计或叠加方法通常只能识别相关性，而无法捕捉多个环境驱动因素之间的复杂非线性关系。相比之下，机器学习通过整合多个遥感衍生的预测因子，学习其相互作用，从而产生高分辨率、空间明确的生态系统压力预测。这种方法特别适用于结合异质性指标的蓝碳生态系统评估，如海表温度（SST）、地表温度（LST）、夜间灯光和植被指数，这些指标各自只提供部分信息。此外，机器学习利用持续的遥感记录，减少了对昂贵的实地测量的依赖，提高了在数据有限地区的覆盖能力。基于这一理由，本研究假设结合线性回归和机器学习的综合框架可以有效地利用多源遥感指标，预测亚太地区蓝碳生态系统所承受的人类和气候压力的空间强度。

为了验证这一假设，本研究设定了两个明确且可衡量的目标：一是利用线性回归方法量化2014至2022年间蓝碳生态系统压力关键代理指标的时序趋势，包括归一化植被指数（NDVI）、叶绿素-a浓度、地表温度（LST）、海表温度（SST）、夜间灯光和燃烧指数；二是开发一个基于机器学习的预测模型，将这些指标在像素级别整合，以绘制蓝碳生态系统压力强度的空间分布，并确定亚太地区蓝碳保护的重点区域。本研究整合了线性回归和随机森林模型，共同分析蓝碳生态系统的时序趋势和空间模式。分析重点放在高风险的沿海环境，如河流三角洲、红树林主导的河口、低洼岛屿海岸线和人口密集的工业走廊，这些区域代表了亚太地区的主要生态风险区。

本研究的创新之处在于将多时相、多参数的遥感数据与机器学习相结合，构建了一个统一的蓝碳生态系统（BCE）压力指数。该指数代表了一个新的定量指标，捕捉了气候和人为压力在像素层面的综合影响，为传统评估方法提供了显著的方法学进步。多年度（2014-2022）的数据集使得在亚太地区对蓝碳生态系统压力动态进行详细的时空评估成为可能。通过将长期趋势分析与机器学习预测相结合，本研究引入了一种混合分析框架，能够实现蓝碳生态系统的实时监测和生态系统退化的早期预警。最终的模型成为一种变革性的决策支持工具，为政策制定者和保护实践者提供支持。总体而言，本研究提出了一种新颖的数据驱动方法，填补了遥感分析与可操作政策之间的空白，支持基于证据的管理，并与全球气候和保护承诺，包括《巴黎协定》和国际蓝碳议程相一致。

在方法上，本研究采用了一种综合方法，结合长期环境和人为压力分析与基于机器学习的预测建模。该方法首先识别影响红树林、盐沼和海草床生态系统的关键压力因素，使用诸如地表温度（LST）、归一化植被指数（NDVI）、夜间灯光、海表温度（SST）和叶绿素-a水平等参数。通过线性回归分析，量化了这些参数从2014到2022年的长期压力趋势，构建了蓝碳生态系统压力指数。考虑到全球和区域在蓝碳倡议上的政策变化，2014年被视为分析亚太地区基于生态系统海岸治理早期实施阶段的关键起点，从而有助于评估其后续影响。

研究选择2014至2022年的时间段，是因为它与国际和区域蓝碳治理的早期阶段相吻合，并且代表了目前亚太地区可用的最长连续中高分辨率卫星数据记录。虽然八年的数据周期不如理想，但它是评估蓝碳生态系统时空压力动态的最可靠基础。将这一数据集视为“长期”分析，在卫星监测的背景下强调了其连续性和政策相关性。

模型整合了多个压力指标，包括夜间灯光、地表温度、海表温度和燃烧指数，以及生态系统特异性参数，如盐度指数、NDVI、叶绿素-a和归一化差值叶绿素指数（NDCI）。然后，蓝碳生态系统压力指数作为随机森林（RF）算法的输入，用于预测蓝碳生态系统压力强度的空间分布，并确定保护优先区域。该模型的性能通过多种验证指标进行评估，包括曲线下面积（AUC）、变量重要性分析、相关矩阵和预测能力分数（PPS）。通过整合长期压力趋势与机器学习预测，本研究确定了蓝碳生态系统退化风险最高的区域，这些高压力区域成为保护工作的重点，指导政策制定者和环境利益相关者实施战略干预，以保护蓝碳生态系统，减少碳损失并增强沿海生态系统的韧性。

本研究的另一个重要方面是利用多源数据集，通过统一的地理空间框架进行整合，确保环境、气候和人为变量之间的可比性，从而提高结果的准确性和可解释性。标准化的数据处理流程也增强了可重复性，允许未来的研究者使用新出现的卫星数据集扩展或复制该方法。

研究中使用的SST数据来自海洋颜色标准地图图像（SMI）MODIS产品，为了解影响蓝碳生态系统稳定性的海洋热力学动态提供了关键见解。夜间灯光强度，作为人类活动和沿海城市化的代理指标，来自VIIRS夜间灯光数据集，时间跨度为2014至2022年，空间分辨率为463米。叶绿素-a浓度，作为沿海生产力和富营养化的指标，来自MODIS海洋颜色SMI数据集。为了捕捉陆地对蓝碳生态系统的影响，地表温度（LST）数据来自MOD11A2.006 Terra地表温度数据集，覆盖2014至2022年，分辨率为1公里。植被动态分析使用NOAA CDR AVHRR NDVI数据集，为长期的植被健康和生物量生产力提供了记录。此外，高分辨率的遥感图像来自Sentinel-3 OLCI EFR（海洋和陆地颜色仪器全分辨率）和Landsat-8 Collection 2 Tier 1 TOA反射率，以提高检测蓝碳生态系统变化的空间准确性。

所有在本研究中使用的数据集都是根据三个关键标准选择的：空间覆盖范围、时间一致性以及在之前研究中的科学验证。每个数据集都代表了其相应生态系统或环境参数的最全面和广泛认可的来源。在分析之前，所有栅格数据集都被重新投影到统一的坐标系统（WGS84，EPSG:4326）并重采样到统一的空间分辨率，以确保跨指标的空间可比性。时间对齐通过将月度或季节性合成数据聚合为年度均值来实现，时间范围为2014-2022年。这一协调过程减少了数据集之间空间和时间的不匹配，从而提高了整合的蓝碳生态系统压力评估的可靠性。此外，使用基于遥感的数据集允许在不同国家边界上进行一致的大规模监测，确保结果的客观性和可重复性。

SST数据来自海洋颜色标准地图图像（SMI）MODIS产品，为了解影响蓝碳生态系统稳定性的海洋热力学动态提供了关键见解。夜间灯光强度，作为人类活动和沿海城市化的代理指标，来自VIIRS夜间灯光数据集，时间跨度为2014至2022年，空间分辨率为463米。叶绿素-a浓度，作为沿海生产力和富营养化的指标，来自MODIS海洋颜色SMI数据集。为了捕捉陆地对蓝碳生态系统的影响，地表温度（LST）数据来自MOD11A2.006 Terra地表温度数据集，覆盖2014至2022年，分辨率为1公里。植被动态分析使用NOAA CDR AVHRR NDVI数据集，为长期的植被健康和生物量生产力提供了记录。此外，高分辨率的遥感图像来自Sentinel-3 OLCI EFR（海洋和陆地颜色仪器全分辨率）和Landsat-8 Collection 2 Tier 1 TOA反射率，以提高检测蓝碳生态系统变化的空间准确性。

所有数据集的选择都基于三个关键标准：空间覆盖范围、时间一致性以及在之前研究中的科学验证。每个数据集都代表了其相应生态系统或环境参数的最全面和广泛认可的来源。在分析之前，所有栅格数据集都被重新投影到统一的坐标系统（WGS84，EPSG:4326）并重采样到统一的空间分辨率，以确保跨指标的空间可比性。时间对齐通过将月度或季节性合成数据聚合为年度均值来实现，时间范围为2014-2022年。这一协调过程减少了数据集之间空间和时间的不匹配，从而提高了整合的蓝碳生态系统压力评估的可靠性。此外，使用基于遥感的数据集允许在不同国家边界上进行一致的大规模监测，确保结果的客观性和可重复性。

通过整合这些多源数据集在一个统一的地理空间框架内，本研究确保了环境、气候和人为变量之间的交叉可比性，从而提高了最终的蓝碳生态系统压力指数的准确性和可解释性。这一标准化的数据处理流程也增强了可重复性，允许未来的研究者使用新出现的卫星数据集扩展或复制该方法。

SST数据来自海洋颜色标准地图图像（SMI）MODIS产品，为了解影响蓝碳生态系统稳定性的海洋热力学动态提供了关键见解。夜间灯光强度，作为人类活动和沿海城市化的代理指标，来自VIIRS夜间灯光数据集，时间跨度为2014至2022年，空间分辨率为463米。叶绿素-a浓度，作为沿海生产力和富营养化的指标，来自MODIS海洋颜色SMI数据集。为了捕捉陆地对蓝碳生态系统的影响，地表温度（LST）数据来自MOD11A2.006 Terra地表温度数据集，覆盖2014至2022年，分辨率为1公里。植被动态分析使用NOAA CDR AVHRR NDVI数据集，为长期的植被健康和生物量生产力提供了记录。此外，高分辨率的遥感图像来自Sentinel-3 OLCI EFR（海洋和陆地颜色仪器全分辨率）和Landsat-8 Collection 2 Tier 1 TOA反射率，以提高检测蓝碳生态系统变化的空间准确性。

所有在本研究中使用的数据集都是根据三个关键标准选择的：空间覆盖范围、时间一致性以及在之前研究中的科学验证。每个数据集都代表了其相应生态系统或环境参数的最全面和广泛认可的来源。在分析之前，所有栅格数据集都被重新投影到统一的坐标系统（WGS84，EPSG:4326）并重采样到统一的空间分辨率，以确保跨指标的空间可比性。时间对齐通过将月度或季节性合成数据聚合为年度均值来实现，时间范围为2014-2022年。这一协调过程减少了数据集之间空间和时间的不匹配，从而提高了整合的蓝碳生态系统压力评估的可靠性。此外，使用基于遥感的数据集允许在不同国家边界上进行一致的大规模监测，确保结果的客观性和可重复性。

通过整合这些多源数据集在一个统一的地理空间框架内，本研究确保了环境、气候和人为变量之间的交叉可比性，从而提高了最终的蓝碳生态系统压力指数的准确性和可解释性。这一标准化的数据处理流程也增强了可重复性，允许未来的研究者使用新出现的卫星数据集扩展或复制该方法。