巴基斯坦印度河三角洲红树林土壤有机碳的空间分布：一种多传感器遥感和机器学习方法

《éthique & Santé》：Spatial distribution of mangrove soil organic carbon in Indus Delta, Pakistan: A multi-sensor remote sensing and machine learning approach

本研究利用Sentinel-1和Sentinel-2卫星影像及实地采样数据，通过CART机器学习模型在Google Earth Engine平台生成2020年10米分辨率印度河三角洲红树林表层土壤有机碳（SOC）基线地图。结果显示平均SOC为67.59±37.41 MgC/ha，总储量达0.91PgC，模型R2=0.95，精度较高。但该区域面临海水入侵和盐碱化威胁，固碳能力受限。成果为生态系统管理、碳汇项目及巴基斯坦红树林保护提供科学依据。

　　研究者们对红树林生态系统中土壤有机碳（SOC）的分布和变化越来越感兴趣，特别是在干旱地区的沿海地带。红树林作为重要的碳汇，其在土壤中储存碳的能力通常远高于陆地干旱地区。然而，全球范围内对于红树林SOC的研究仍存在不足，尤其是在那些生态环境较为特殊、研究条件受限的区域。以巴基斯坦的印度河三角洲为例，它是世界上最大的干旱气候红树林生态系统之一，但关于其SOC的空间数据却十分匮乏。因此，开展针对该地区的SOC研究，不仅有助于更好地理解其碳循环过程，也为生态保护、碳预算管理提供了重要的科学依据。

SOC是生态系统中碳储存的重要组成部分，其含量不仅影响土壤的肥力，也与全球气候变化密切相关。SOC的形成与植物的生长、分解过程以及环境条件的变化紧密相连。在红树林生态系统中，由于其特殊的生长环境，SOC的积累和分布呈现出显著的异质性。这种异质性可能与红树林植物的种类、土壤的物理化学性质、水文条件以及人类活动的影响有关。例如，红树林植物在生长过程中会将部分碳固定在土壤中，而由于红树林常处于潮汐作用下，土壤中的有机质可能更容易被分解或流失。因此，研究SOC的空间分布，有助于识别高碳汇区域，为生态修复和碳封存策略提供指导。

本研究采用遥感技术和机器学习方法，对印度河三角洲的SOC进行了首次高分辨率（10米）的估算。研究团队利用Sentinel-1和Sentinel-2卫星影像，结合实地土壤采样，构建了一个基于CART（分类与回归树）算法的SOC预测模型。Sentinel-1卫星提供的合成孔径雷达（SAR）数据，能够穿透云层，提供连续的地面覆盖信息，而Sentinel-2多光谱数据则能够捕捉植被的光谱特征，从而为SOC的估算提供重要的遥感依据。通过将这两种数据进行整合，研究者们能够更全面地了解红树林区域的SOC分布情况，同时减少由于数据缺失或质量不高所带来的不确定性。

为了提高SOC估算的准确性，研究团队还收集了53个地表土壤样本（深度为10厘米），并使用Walkley-Black方法进行实验室分析。Walkley-Black方法是一种经典的SOC测定方法，其原理是基于土壤中有机质的氧化反应，能够较为准确地估算SOC含量。通过将这些实地数据与遥感数据进行对比，研究团队发现SOC的平均值为67.59 ± 37.41 MgC ha?1，而局部值则从15.07到138.04 MgC ha?1不等，总碳储量约为0.91 PgC。这些数据表明，印度河三角洲的SOC含量具有显著的时空变化，且在不同区域之间存在较大的差异。因此，建立高分辨率的SOC地图，有助于更精确地评估该地区的碳储存能力，为生态管理和碳预算提供科学支持。

在预测SOC的过程中，研究团队采用CART算法，这是一种非参数的机器学习方法，能够根据输入变量的特征，建立决策树模型，从而预测SOC的分布。CART算法的优势在于其能够处理非线性关系，同时具有较强的可解释性，便于研究者理解SOC变化的驱动因素。通过使用40个预测变量，包括光谱波段和衍生指数，研究团队能够更全面地捕捉红树林区域的环境特征，从而提高SOC预测的准确性。实验结果表明，该模型的R2值达到0.95，RMSE为9.18 MgC ha?1，说明模型具有较高的预测精度。这一结果不仅验证了遥感数据在SOC估算中的有效性，也为未来在类似区域的应用提供了参考。

然而，印度河三角洲的红树林生态系统也面临诸多挑战，如海水入侵和高盐度环境。这些环境因素可能会对红树林的生长和碳储存能力产生负面影响。海水入侵会导致土壤盐度升高，影响植物的生长，从而降低SOC的积累速率。此外，高盐度环境可能会加速有机质的分解，减少SOC的储存量。因此，研究团队在分析SOC数据的同时，也对这些环境因素进行了评估，以识别其对SOC变化的影响。通过结合环境变量和SOC数据，研究者们能够更全面地理解红树林生态系统的碳循环过程，并为生态管理和碳封存策略提供科学依据。

本研究的成果不仅有助于建立印度河三角洲的SOC基线地图，也为全球范围内的红树林研究提供了新的方法和思路。通过将遥感技术和机器学习方法相结合，研究者们能够更高效地获取和分析SOC数据，从而减少传统实地采样所需的时间和成本。此外，高分辨率的SOC地图能够为政策制定者提供重要的数据支持，帮助他们制定更加科学和有效的生态保护和碳管理政策。例如，在全球碳交易机制（如REDD+和蓝碳项目）中，SOC的准确估算对于碳信用的分配和碳封存项目的实施至关重要。因此，本研究的成果不仅具有学术价值，也具有重要的现实意义。

本研究的另一个重要贡献是建立了印度河三角洲的SOC数据集，并通过不确定性分析，评估了预测结果的可靠性。不确定性分析是遥感数据应用中的关键环节，能够帮助研究者识别预测结果中的误差来源，并为后续研究提供改进的方向。通过结合多种数据源和分析方法，研究团队能够更全面地评估SOC的分布情况，同时减少由于单一数据源所带来的偏差。这一方法不仅适用于印度河三角洲，也可以推广到其他类似的红树林生态系统，为全球范围内的碳研究提供参考。

在生态管理和碳预算方面，SOC数据的准确估算对于制定可持续的管理策略至关重要。例如，在湿地保护、植被恢复和碳封存项目中，SOC的含量可以直接影响碳储存的效率和生态系统的稳定性。因此，建立高分辨率的SOC地图，有助于识别高碳汇区域，并为这些区域的保护和管理提供科学依据。此外，SOC数据还可以用于评估生态系统的健康状况，帮助政策制定者制定更加科学和有效的保护措施。例如，在气候变化加剧的背景下，了解SOC的变化趋势，有助于预测未来碳储存能力的变化，并为应对气候变化提供数据支持。

本研究的成果也为未来的红树林研究提供了新的方向。例如，可以进一步探索SOC与其他生态参数之间的关系，如植被覆盖度、土壤湿度、盐度等。这些参数可能会对SOC的积累和分布产生重要影响，因此，建立多参数的SOC预测模型，有助于更全面地理解红树林生态系统的碳循环过程。此外，可以利用更高分辨率的遥感数据，如Landsat或Sentinel-2的多光谱数据，进一步提高SOC估算的精度。同时，也可以结合更多的实地采样数据，如土壤微生物群落、有机质分解速率等，为SOC的研究提供更加丰富的数据支持。

在生态保护方面，SOC的准确估算对于制定有效的保护措施具有重要意义。例如，在红树林生态系统中，SOC的含量直接影响土壤的肥力和植物的生长，因此，了解SOC的分布情况，有助于识别需要优先保护的区域。此外，SOC的含量还可以作为评估生态系统恢复效果的重要指标。通过比较不同时间点的SOC数据，可以评估红树林生态系统的健康状况，并为生态修复项目提供科学依据。因此，建立高分辨率的SOC地图，不仅有助于当前的生态保护工作，也为未来的生态修复和碳封存项目提供了数据支持。

在碳预算管理方面，SOC的准确估算对于全球碳循环的研究具有重要意义。SOC是全球碳循环中的重要组成部分，其含量直接影响碳储存和碳释放的平衡。因此，了解SOC的分布情况，有助于更精确地估算全球碳预算，并为碳封存项目的实施提供科学依据。此外，SOC的含量还可以作为评估碳封存潜力的重要指标，帮助政策制定者制定更加科学和有效的碳管理策略。例如，在气候变化背景下，了解SOC的变化趋势，有助于预测未来碳储存能力的变化，并为应对气候变化提供数据支持。

本研究的成果也为未来的遥感技术应用提供了新的思路。例如，可以进一步探索不同遥感数据源之间的协同效应，如合成孔径雷达（SAR）和多光谱数据的结合，能够提供更全面的环境信息，从而提高SOC估算的精度。此外，可以结合更多的机器学习算法，如随机森林、支持向量机等，进一步提高SOC预测的准确性。同时，也可以利用更高分辨率的遥感数据，如Sentinel-2的10米分辨率数据，进一步提高SOC估算的空间精度。这些方法不仅适用于印度河三角洲，也可以推广到其他类似的红树林生态系统，为全球范围内的碳研究提供参考。

在数据共享方面，本研究的数据集已经上传至Zenodo平台，供全球研究者使用和参考。数据共享是科学研究的重要环节，能够促进知识的传播和合作。通过公开SOC数据集，研究者们可以利用这些数据进行进一步的研究，探索SOC与其他生态参数之间的关系，评估不同区域的碳储存能力，并为生态保护和碳管理提供科学依据。此外，数据共享还可以帮助政策制定者更好地理解红树林生态系统的碳循环过程，从而制定更加科学和有效的管理策略。

综上所述，本研究通过结合遥感技术和机器学习方法，成功建立了印度河三角洲的SOC基线地图，为全球范围内的红树林研究提供了新的方法和思路。SOC的准确估算不仅有助于理解红树林生态系统的碳循环过程，也为生态保护、碳预算管理和碳封存项目提供了重要的数据支持。此外，本研究的成果也为未来的红树林研究提供了参考，如进一步探索SOC与其他生态参数之间的关系，利用更高分辨率的遥感数据，以及结合更多的机器学习算法，提高SOC估算的精度和可靠性。这些研究方向不仅有助于当前的生态保护工作，也为未来的碳管理策略提供了科学依据。