基于遥感与深度学习的缅甸幼龄柚木林地上碳储量动态监测（2019–2023）

本研究针对缅甸柚木人工林传统地面监测方法难以实现大尺度碳储量动态追踪的问题，整合多源遥感数据与机器学习（ML）、深度学习（DL）模型，创新性地构建了ResNet-18深度学习框架与多场景数据融合方案（Sentinel-2+ALOS PALSAR-2+植被指数），实现了幼龄柚木林地上碳储量（AGC）的高精度估算（R2=0.76）。研究发现2019–2023年间研究区89%的区域AGC呈增长趋势，为热带人工林碳汇监测与REDD+机制实施提供了关键技术支撑。

　　

柚木（Tectona grandis Linn. f.）作为全球最具经济与生态价值的热带硬木树种之一，缅甸勃固山脉地区因其优越的气候与土壤条件被公认为柚木的原生地与核心生长区。近年来，在缅甸再造林与恢复计划（MRRP）等政府举措推动下，柚木人工林面积持续扩大，展现出巨大的碳封存潜力，对基于森林的气候变化减缓策略具有重要意义。然而，传统的地面调查方法虽在样地尺度精度较高，但存在人力成本高、时效性差、难以大范围推广等局限，导致缅甸幼龄柚木林的地上碳储量（Aboveground Carbon, AGC）动态监测存在显著空白。

为应对这一挑战，Kyaw Win等研究人员在《Geomatica》发表研究，整合多源遥感数据与人工智能算法，对缅甸勃固山脉西部Pauk Khaung Township的幼龄柚木林开展2019至2023年的AGC变化检测。该研究通过融合光学遥感（Sentinel-2）、雷达数据（ALOS PALSAR-2）、植被指数、纹理特征及环境数据，构建27种数据组合场景，并对比随机森林（RF）、支持向量机（SVM）、K近邻（KNN）、XGBoost-GA、最大似然（ML）、卷积神经网络（CNN）、多层感知器（MLP）及ResNet-18共8种机器学习与深度学习模型性能，最终筛选最优方案实现AGC的高分辨率制图与变化趋势解析。

研究采用的关键技术方法包括：基于Google Earth Engine（GEE）平台的遥感数据获取与预处理（涵盖Sentinel-2、ALOS PALSAR-2、MODIS及GLDAS-2.1气候土壤数据）；利用灰度共生矩阵（GLCM）提取纹理特征；结合七种特征重要性评估方法（如PLSR-VIP、RF-VI、Pearson相关性等）筛选预测变量；通过五折交叉验证与网格搜索优化超参数；应用图像差分法进行时序变化检测。所有分析均在Google Colab与R-4.3.0环境中实现。

3.1. Important Feature Selection

通过七种特征重要性分析方法发现，纹理特征（如B8波段衍生的corr和prom）与土壤湿度、温度参数（如SoilMoi40_100cm_inst、Qair_f_inst）对AGC估算贡献显著，凸显了多源数据在捕捉植被结构与环境响应中的互补性。

3.2. Accuracy Assessments for Different Scenarios using Machine Learning and Deep Learning Models

ResNet-18模型在多数场景中表现最优，尤其在场景6（融合GLDAS数据）达到最高精度（R2=0.87），但其空间分辨率与地面数据不匹配可能引入偏差。场景12（Sentinel-2+ALOS PALSAR-2+植被指数）在保证精度的同时更具空间一致性（R2=0.76），被选为最终建模方案。

3.3. Comparison of Aboveground Carbon Estimation between Top Five Scenarios with ResNet-18 Model

统计分析表明，基于GLDAS的场景（6与22）与光学-雷达融合场景（12、17、2）存在显著差异（p<0.05），而场景12、17、2间无显著差异，进一步支持场景12的可靠性。

3.4. Comparison of Aboveground Carbon Predictions obtained from Scenario 12 with Eight Models

线性混合效应模型显示，不同模型对AGC预测值影响显著（p<0.001）。ResNet-18与RF预测结果无显著差异（p=0.15），但显著优于其他模型（如KNN、CNN等），证实深度学习模型在复杂特征学习中的优势。

3.5. Spatial Distribution of Aboveground Carbon of Young Teak Plantations (2019-2023)

2019年研究区AGC范围为0.11–26.07 Mg C ha^?1（均值13.09 Mg C ha^?1），2023年降至0.47–11.66 Mg C ha^?1（均值6.06 Mg C ha^?1）。这种下降可能与幼龄林生长阶段性波动或数据处理中的尺度效应有关。

3.6. Detecting Change when Assessing Aboveground Carbon Variations in Young Teak Plantations

变化检测显示，2019–2023年间89.22%的区域AGC呈增长趋势，10.73%的区域出现下降，0.04%区域无变化。表明绝大多数幼龄柚木林处于碳积累阶段，局部减少可能源于人为干扰或环境压力。

4. Discussion

研究强调多源遥感数据整合（如Sentinel-2光谱信息、ALOS PALSAR-2结构探测能力及植被指数）对提升AGC估算精度的重要性。ResNet-18凭借残差学习结构有效捕获非线性特征，其性能优于传统机器学习模型。与印尼、印度等地柚木林相比，本研究AGC估值较低，可能与林龄、立地条件及样地设计有关。AGC普遍增长趋势反映了幼龄林生长特性，局部减少需结合实地调查进一步解析。

该研究首次在缅甸实现幼龄柚木林AGC的长时间序列遥感监测，为热带人工林碳汇评估提供了可推广的技术框架。其所提出的多模型比对与场景优化策略，对全球REDD+项目实施、碳交易机制及森林可持续经营具有重要实践意义。未来研究需关注环境因子对AGC变化的驱动机制，并深化多尺度数据融合算法以提升监测稳定性。