将基于深度学习的替代建模方法整合到城市森林配置优化中，以最大化碳封存效果

《Journal of Environmental Management》：Integrating deep learning-based surrogate modeling into urban forest allocation optimization for maximizing carbon sequestration

城市森林规划中，基于代理的模型整合人工神经网络与遗传算法，通过空间优化最大化碳汇潜力，研究以首尔善为例，发现邻近现有绿地能提升碳汇效率。

　　

作者：Da Seul Kim、Dong Kun Lee、Eun Sub Kim、Hyemee Hwang、Hyerim Jeon、Zhiying Jin、Chae Yeon Park 所属机构：韩国首尔国立大学景观建筑与农村系统工程系

引言

温室气体排放，尤其是二氧化碳（CO?），是气候变化的主要驱动因素，对全球环境可持续性构成威胁。为此，政府间气候变化专门委员会（IPCC）强调了土地在减少排放方面的关键作用（2023年）。为实现全球碳中和，各国根据《巴黎协定》制定了国家自主贡献（NDCs），明确了减少温室气体排放的承诺。在各种策略中，基于自然的土地解决方案（NbS），如植树造林、湿地恢复和再造林，因具有碳封存能力和增强生态系统韧性而受到关注（Buma等人，2024年；Ellis等人，2024年）。特别是城市植树造林，由于城市地区排放量高且具有空间定向碳封存的潜力，近年来备受重视（Guo等人，2024年；Masiero等人，2022年；Teo等人，2021年）。这一趋势得到了城市层面政策承诺和资金投入的支持，例如美国的“百万棵树计划”（MillionTreesNYC）、中国的“百万亩造林工程”（One Million-Mu Afforestation）和意大利的“ForestaMi”项目（Brilli等人，2022年）。 鉴于城市空间有限、土地需求竞争激烈以及预算紧张，战略性土地利用规划对于提高城市植树造林的效果至关重要，包括改善连通性、空气质量以及雨水管理（Jin和Song，2023年；Jones和McDermott，2018年）。在此背景下，采用了土地分配优化方法来支持城市绿化规划的决策（Hwang等人，2025年；Kim等人，2025a；Li等人，2022年）。其中，启发式优化技术对于处理复杂和非线性的空间规划问题尤为有价值，因为它们能够灵活高效地处理空间依赖性和庞大的解空间，而精确方法难以应对这些问题（Song和Chen，2018年）。然而，这类方法在搜索过程中通常需要多次数值模拟，计算成本较高。这些模拟对于评估包括气候变化、人口变化、城市扩张和绿地政策干预在内的多种未来情景是必要的（Cao等人，2024年；Jiang等人，2017年；Li等人，2023b，2024a；Wang等人，2024b），从而有助于确定最佳的土地利用配置。 以往的研究采用了多种建模方法来评估或优化碳封存，从基于静态系数的方法（Chen等人，2023年；Fu等人，2024年；Li等人，2024b；Liu等人，2022b；Qiu等人，2025年；Tang等人，2024年；Wu等人，2024年；Xin等人，2024年；Yang等人，2025年）到基于过程的动态植被模型（Bayer等人，2023年；Pérez-Romero等人，2025年）。尽管这些方法有助于理解碳封存的空间模式，但也存在一些局限性：它们往往无法捕捉空间异质性，需要大量计算资源，或者无法在土地利用配置发生变化时轻松更新碳估算（Escobedo等人，2011年；Lv等人，2025年）。这些限制阻碍了迭代式的、基于情景的城市植树造林规划，因为土地利用模式从根本上影响着可实现的碳封存量（Yang等人，2024年；Zhai等人，2024年）。基于机器学习的替代模型也在相关环境领域得到广泛应用，如优化水质和水量管理以及城市热岛缓解（Feng等人，2025年；Fraehr等人，2025年；Luo等人，2023年；Xiong等人，2025年），显示出其在高效逼近复杂系统方面的潜力。然而，尽管它们能够在显著降低计算负担的同时提供空间细节，但在植被碳封存方面的应用仍然较少。因此，需要一个既能提供空间细节又能保证计算效率的建模框架。第2节将对模型及其局限性进行更详细的回顾。 本研究旨在通过将基于替代学习的方法整合到城市土地利用优化中，以动态估算空间异质性的碳通量，从而弥补这一方法论空白。所提出的框架结合了基于人工神经网络（ANN）的净初级生产力（NPP）预测模型与空间优化技术，以捕捉碳封存对不同土地利用配置的非线性响应。本研究的目标如下： - 开发一个计算效率高的基于ANN的替代模型，能够利用空间异质性的环境和景观变量来预测NPP； - 将替代模型整合到城市土地利用优化框架中，以确定能够最大化碳封存潜力的植树策略； - 通过韩国水原市的案例研究，展示该框架的适用性，为数据驱动和空间适应性强的植树规划提供借鉴。 通过这种方法，本研究推动了城市碳建模的方法论创新，并为开发更加适应性和可持续的城市植树造林策略做出了贡献。

基于静态系数的模型

基于静态系数的模型是土地利用优化中用于碳封存的最常用方法。这些研究通常使用基于土地利用类型的固定碳封存系数模型，这些系数通常来自InVEST（生态系统服务与权衡综合评估）模型（Chen等人，2023年；Fu等人，2024年；Li等人，2024b；Liu等人，2022b；Qiu等人，2025年；Tang等人，2024年；Wu等人，2024年；Xin等人，2024年；Yang等人，2025年）。

方法

我们结合了人工神经网络（ANN）和遗传算法（GA），开发了一个优化框架，用于确定最有效的城市植树造林方案（图1）。在此研究中，城市植树造林指的是在城市中（通常是在之前未造林的土地上）种植新森林（Wang等人，2025年）。 具体而言，GA用于确定能够最大化NPP增加的最佳土地斑块组合。

ANN替代模型的性能

ANN模型表现出稳健的预测性能，在训练数据集上的R2值为0.87，在测试数据集上的R2值为0.82（图4）。为了进一步评估统计不确定性，使用不同的训练和测试数据集分割方式对模型进行了10次额外训练，同时保持所有超参数不变。在这些训练中，训练R2值的范围为0.85至0.87，测试R2值的范围为0.80至0.81，证实了模型的稳定性和稳健性。

ANN与GA的集成优化

本研究通过将高预测能力的ANN模型与GA集成，开发了一种优化的城市森林分配策略。将基于深度学习的ANN作为GA框架中的替代适应度评估器，显著提高了计算效率。传统的GA实现往往面临高评估成本，尤其是在需要重复模拟的空间优化任务中。先前的研究表明，将ANN作为替代模型进行集成可以改善这一问题。

结论

本研究开发了一个ANN-GA优化框架，用于识别能够最大化碳封存的最优城市植树策略。应用于韩国水原市后，该框架表明，碳汇潜力不仅取决于总造林面积，还取决于绿地的空间配置。在现有绿地附近建立的森林在碳封存方面获得了最大的收益。 结果强调，要最大化碳封存效果，需要综合考虑多种因素。

CRediT作者贡献声明

- **Da Seul Kim**：撰写初稿、方法论制定、概念化。 - **Dong Kun Lee**：撰写、审稿与编辑、资金筹集。 - **Eun Sub Kim**：撰写、审稿与编辑、概念化。 - **Hyemee Hwang**：方法论研究。 - **Hyerim Jeon**：撰写、审稿与编辑、方法论研究。 - **Zhiying Jin**：可视化设计。 - **Chae Yeon Park**：撰写、审稿与监督。

写作过程中使用AI和AI辅助技术的声明

在准备本论文的过程中，作者使用了[ChatGPT4]来改进文稿语言。使用该工具/服务后，作者根据需要对内容进行了审查和编辑，并对出版物的内容负全责。

资助 本文得到了韩国环境部（KEITI）的“生态系统碳汇创建与管理技术开发项目”（RS-2023-00218245）的支持。

利益冲突声明 作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。