结合遥感与机器学习量化英国东部农业排水泥炭地CO2通量的升尺度研究

为解决英国农业排水泥炭地CO2排放监测难题，研究人员利用遥感与机器学习技术，开发了基于随机森林的升尺度模型，实现了对GEP、TER和NEE的高精度预测（整体精度77%），揭示了区域碳通量的时空异质性，为英国2050年净零目标提供了关键数据支持与方法创新。

　　

英国的低地泥炭地是重要的农业区域，却也是温室气体排放的“热点”。这些排水后的泥炭地因有氧分解加速而持续释放二氧化碳（CO₂），占英国泥炭地总排放的32%。然而，由于土地类型复杂、管理方式多样，田间尺度的CO₂通量监测一直面临巨大挑战。传统的涡度协方差（EC）观测虽精度高，但成本昂贵、覆盖有限，难以实现大范围动态监测。如何准确、经济地量化区域碳通量，成为实现英国2050年净零目标的关键科学问题。

为此，来自莱斯特大学的研究团队在《Remote Sensing Applications: Society and Environment》发表论文，首次将遥感（RS）与机器学习（ML）结合，对英格兰东部农业排水泥炭地的CO₂通量进行升尺度研究。他们利用多源卫星数据（Landsat与Sentinel-2）、气象资料和土壤碳信息，训练随机森林模型，成功预测了田间尺度的总初级生产力（GEP）、总生态系统呼吸（TER）及净生态系统交换量（NEE），并绘制了首张芬地区域2023年碳通量空间分布图，为泥炭地管理提供了高分辨率、可推广的技术框架。

研究团队主要采用了以下关键技术方法：基于Google Earth Engine平台融合多源遥感数据（包括地表温度LST、植被指数EVI、NDVI、NDMI等）；整合网格化气象数据（气温TAS、短波辐射RSDS）与土壤水分模型；使用随机森林回归器（RFR）对14天聚合周期的GEP和TER进行训练与预测，并通过蒙特卡罗方法传播不确定性；采用空间交叉验证评估模型泛化能力；最后利用UKCEH土地覆盖数据区分耕地与草地类别，实现区域升尺度制图。

3.1. 通量与遥感、气候变量的关系

研究发现，TER与温度变量（TAS、LST）相关性最强（R=0.82），而GEP与植被指数（如EVI，R=0.73）关联更密切。NEE则与GEP呈负相关（R=-0.67），表明光合作用强度主导净碳交换方向。草地的NEE与各变量相关性均高于耕地，反映出不同土地利用下的碳循环机制差异。

3.2. 模型性能

模型整体精度达77%，其中TER预测最优（R²=0.84，RMSE=1.18 gC/m²/d），其次为NEE（R²=0.77）和GEP（R²=0.76）。特征重要性分析显示，TER主要受温度驱动，GEP则依赖EVI等植被指标。草地的预测准确性（R²=0.87）显著高于耕地（R²=0.66），可能与耕地管理措施（如轮作、灌溉）引入的噪声有关。

3.3. 空间交叉验证

在未参与训练的Baker’s Fen站点，模型仍能较好捕捉NEE季节动态（R²=0.7），但存在系统性高估，尤其在冬季和春季。这表明模型虽具泛化能力，但对特定环境（如浅层泥炭、特殊芬型）的适应性需进一步优化。

3.4. 模型应用

2023年芬地区域升尺度结果显示，NEE空间异质性显著（范围：-2.52至1.04 kgC/m²），耕地普遍为碳源（正值），草地为碳汇（负值）。季节性分析表明，秋季和冬季通量变幅最大，凸显了管理措施与气候因子的交互影响。

本研究通过遥感与机器学习融合，突破了传统监测方法的时空限制，首次实现了英国农业泥炭地CO₂通量的高分辨率升尺度估算。模型在TER预测和草地环境中表现优异，但在耕地应用中受管理多样性影响仍存在不确定性。未来需整合更多管理实践参数（如灌溉、耕作）和更高时空分辨率数据，以提升复杂农业环境的预测精度。

该研究为泥炭地恢复措施（如再湿润）的效果评估提供了量化工具，也为区域碳核算和政策制定提供了科学依据。通过建立基线碳通量场景，该方法支持长期动态监测，助力英国实现碳中和目标，并为全球类似生态系统提供了可推广的技术范式。