基于无人机遥感与机器学习的红树林生态系统地上碳储量估算方法创新研究

为解决红树林生态系统碳储量估算精度不足的问题，研究人员创新性地结合无人机LiDAR与高重叠影像点云数据，采用树级建模方法构建集成回归模型，实现MAE仅1.79 kg的精准估算。该研究为蓝碳生态系统（Blue Carbon）监测提供了高分辨率技术方案，对气候变化 mitigation（缓解）策略制定具有重要实践意义。

　　

红树林作为海岸带蓝碳生态系统的核心组成部分，每年可吸收超过2200万吨碳，但其全球范围内35%-86%的退化率令人忧心。肯尼亚蒙巴萨地区近30年损失了20%的红树林，部分区域甚至高达80%——这些消失的绿色屏障不仅削弱了碳汇能力，更使当地社区失去渔业资源和海岸防护。传统森林调查方法面临潮汐、泥泞等环境限制，而卫星遥感又受光谱饱和效应（spectral saturation）困扰，难以精确估算高生物量区域。

阿尔伯塔大学地球与大气科学系(Department of Earth and Atmospheric Sciences, University of Alberta)的研究团队另辟蹊径，选择肯尼亚Mwakirunge和Mteza两处正在修复的红树林作为研究对象。这些以Avicennia marina等5种幼树为主的林区，平均树高仅2.52-6.65米，为无人机遥感提供了理想的开阔冠层条件。研究人员创新性地采用树级建模方法，通过DJI Matrice 300 RTK搭载的Zenmuse L1 LiDAR传感器和RGB相机，获取厘米级精度的点云数据，结合仅6个0.1公顷样地的759株匹配树木数据，构建了突破性的碳储量估算体系。

关键技术包括：1）基于布料模拟滤波(CSF)算法的地面点分类；2）改进的PCS算法实现82%单木分割精度；3）从LiDAR点云提取191项高度与强度指标；4）采用主成分分析(PCA)将特征维度降低93%；5）集成随机森林(RF)、XGBoost和K近邻(KNR)模型，通过SHAP值解析特征贡献。

【生长特征分析】

样地调查显示修复区红树林呈现低密度特征（32-272株/0.1公顷），平均胸径(DBH)3.61-11.75厘米，估算地上碳密度(AGC)仅0.804-3.857 kg/m²。Holdridge复杂度指数(HCI)与AGC呈正相关，揭示结构复杂性对碳储量的影响。

【机器学习模型】

集成模型在测试集表现优异（MAE=1.79 kg），较单模型提升23%-31%。特征分析表明最大树高(Hmax)是最关键预测因子，而强度指标(DF2)使模型精度提升5%。对数转换处理偏态数据使性能提高6%，但SMOGN合成数据反而导致MAE恶化29%。

【空间分布制图】

克里金插值生成的1米分辨率AGC图显示，90%区域碳密度<20 kg/m²，仅北部成熟林区出现>50 kg/m²高值区。树级建模成功识别裸地零值区域，克服了样方法的空间均质化缺陷。

【数据源对比】

高质量影像点云（Flight023）与LiDAR估算结果高度吻合（R²=0.71，RMSE=0.97 kg/m²），但中低质量影像因拼接误差产生>10 kg/m²偏差，证实LiDAR在数据稳定性上的优势。

这项发表于《Ecological Genetics and Genomics》的研究，开创性地将树级建模引入红树林碳监测领域。相比传统需要30-80个样地的样方法，新方法仅需6个样地即可实现更高空间分辨率，使无人机单次飞行就能完成公顷级碳储量评估。研究同时证实，在幼龄林监测场景中，高重叠影像可替代85%的LiDAR功能，为资源有限地区提供了经济方案。不过作者也指出，该方法在郁闭成熟林的适用性仍需验证，未来需开发更强大的单木分割算法以应对复杂冠层挑战。这项技术突破不仅助力"红树林修复碳汇项目"的精准计量，更为《巴黎协定》框架下的蓝碳交易提供了可靠方法论支撑。