基于无人机多光谱与热红外数据预测城市草坪CO2排放：布法罗草与圣奥古斯丁草的案例研究

《Tumour Virus Research》：Predicting CO 2 Emissions Using UAV Spectral and Thermal Data in Urban Lawns: A Case Study of Buffalograss and St. Augustinegrass

为精准监测城市绿地碳通量，本研究利用无人机多光谱与热红外数据，结合TOTRAM物理模型与机器学习算法，构建了 turfgrass CO2efflux 预测模型。结果表明，融合土壤湿度、NDRE、近红外波段与冠层温度的随机森林模型预测效果最佳（RMSE=2.69 μmol CO2m-2s-1），证实无人机遥感技术可有效实现小尺度城市绿地碳排放的高精度估算，为城市碳管理提供新方案。

　　

随着全球气候变化加剧，大气中二氧化碳浓度持续升高已成为推动气温上升和降水模式改变的关键因素。在城市化快速发展的背景下，除化石燃料燃烧等人为排放源外，陆地生物源CO₂通量——主要来自植物和微生物呼吸作用——同样是碳循环的重要组成部分。然而，由于城市环境具有高度空间异质性，传统上通过测量舱和通量塔等“点测量”方法直接量化CO₂排放通量不仅耗时费力、成本高昂，且将点位结果推广到更大空间尺度时面临挑战。

在这一背景下，遥感技术为大范围、快速监测植被动态和估算环境参数提供了高效手段。以往研究多基于卫星遥感数据建立区域或全球尺度的CO₂通量估算模型，但对于城市中小尺度绿地（如居民区草坪）的碳排放监测，高空间分辨率的无人机（Unmanned Aerial Vehicle, UAV）数据更具优势。无人机不易受云层干扰，能捕捉更细微的空间变异，特别适合庭院绿地等破碎化景观的精准研究。尽管草坪在美国城市绿地中占比高达38–68%，并贡献了城市绿化碳吸收量的80–90%，但利用无人机遥感技术估算草坪CO₂排放的研究仍较为有限。

为此，研究人员在美国加州大学河滨分校农业实验站开展了一项针对两种暖季型草坪草——‘UC Verde’布法罗草（Buchloe dactyloides）和‘A-G’圣奥古斯丁草（Stenotaphrum secundatum）的实证研究。通过三年不同的灌溉处理，结合无人机搭载的多光谱相机和热红外相机采集数据，并同步测量CO₂排放通量、土壤湿度和温度。研究团队重点评估了物理模型与机器学习方法在估算碳排放中的效果，并探索是否可建立跨草种的通用模型，以提升方法在实际城市管理中的适用性。

在研究过程中，团队主要依托以下几项关键技术：首先，利用无人机平台进行高分辨率多光谱与热红外影像采集，空间分辨率分别达到2厘米与3厘米；其次，采用热光学梯形模型（Thermal-Optical Trapezoid Model, TOTRAM）反演土壤湿度，该模型基于地表温度与归一化植被指数（NDVI）之间的线性关系，通过定义干湿边来估算标准化土壤水分含量；第三，运用随机森林（Random Forest）与支持向量机（Support Vector Machine, SVM）等机器学习算法，融合遥感反演的土壤湿度、植被指数（包括NDRE、NDVI等）与冠层温度等特征，构建CO₂通量预测模型；此外，研究还涉及对实验样地（共72个小区）进行长期观测，数据采集时间集中在生长季（5月至10月）的午间时分，以保证数据一致性。所有地面测量与无人机飞行同步进行，确保数据在时空上的匹配。

2.3.1. 使用TOTRAM估算土壤湿度

TOTRAM模型通过建立地表温度与NDVI之间的干湿边，形成梯形空间，进而估算归一化土壤湿度。结果显示，干边截距（i_d）为63°C，湿边截距（i_w）为35°C，所构建的土壤湿度估算模型精度较高，归一化均方根误差（RMSE）为0.07 cm³cm^-3。该模型能有效区分不同灌溉处理下的土壤湿度差异，为后续通量估算提供可靠输入。

3.2. 土壤湿度估算

TOTRAM模型在估算近地表（7.5厘米）土壤湿度方面表现良好，估算值与实测值之间的R2为0.54，平均绝对误差（MAE）为0.05 cm³cm^-3，RMSE为0.07 cm³cm^-3。模型成功捕捉了生长季初期（5–6月）与后期（8月）土壤水分的空间分异，且湿度分布与植被覆盖度（NDVI）呈正相关，印证了植被生理活动对土壤水分的调控作用。

3.3. CO₂排放通量预测：综合数据集

通过皮尔逊相关性分析发现，CO₂排放通量与土壤湿度（实测r=0.62，估算r=0.40）及植被指数（如NDRE r=0.61）显著相关，而与土壤温度相关性微弱（r=-0.07）。在多种预测模型中，融合土壤湿度（实测或TOTRAM估算）、NDRE、近红外波段和冠层温度的随机森林模型表现最优。其中，使用实测土壤湿度的模型（Model 7）预测误差最低（RMSE=2.69 μmol CO₂m^-2s^-1，R2=0.63），而仅使用遥感估算土壤湿度的模型（Model 6）其精度下降幅度有限（RMSE=3.05，R2=0.51），说明无人机遥感数据可有效替代实地测量。研究还发现，针对两种草种分别建模并未提升预测性能，表明可建立跨物种通用模型。

3.4. CO₂排放预测：物种特异性数据集

虽然针对单一草种构建的模型R2较低（布法罗草模型R2=0.22，圣奥古斯丁草模型R2=0.45），但其误差值（RMSE、MAE）受数据集本身变异幅度影响更大。由于布法罗草观测值的标准差较小，其模型误差也相对更低。这进一步说明，在物种特性差异不大的情况下，采用综合数据集建立统一模型更具实用价值。

3.5. 管理意义

研究表明，灌溉措施通过影响土壤湿度进而调节草坪草的生理活动（如光合作用、根系呼吸）和微生物分解过程，最终主导CO₂排放通量的变化。尽管高灌溉处理伴随更高的CO₂排放，但这可能也意味着更强的植物碳固定能力，从而在整体碳平衡中产生净固碳效应。无人机遥感技术为城市绿地碳通量的快速、精准监测提供了可行工具，有助于优化灌溉策略，实现城市绿地的科学管理。

3.6. 局限性与未来方向

本研究聚焦单一植被类型（草坪草），未涵盖树木、灌木等城市常见植被，未来需扩展至混合植被群落。此外，数据采集限于暖季草生长季，缺乏秋冬季节数据，后续应纳入冷季草种及全年观测以完善模型。无人机数据时空分辨率存在固有矛盾，未来可结合高频卫星影像（如Planet卫星）提升模型时效性与大范围推广能力。

研究结论与意义

本研究表明，利用无人机遥感数据估算城市草坪CO₂排放通量具有较高可行性。TOTRAM模型能有效反演土壤湿度，将其作为输入变量可显著提升碳排放预测精度。随机森林模型在融合多源遥感特征后表现最佳，且跨草种通用模型的成功建立增强了方法在异质性城市绿地中的适用性。该研究发展了物理模型与机器学习结合的框架，为实现非接触、大面积城市绿地碳通量监测提供了新方法，对城市碳核算与气候变化减缓具有重要意义。