《Ecological Indicators》:Urbanization and afforestation are associated with competing carbon stock dynamics in Xiong ’an New Area: A decade of evidence from multi-temporal land cover mapping
编辑推荐:
年度土地覆盖变化和碳储量的时间序列是一个有用的生态指标,用于追踪快速城市化地区的碳汇功能。然而,现有研究依赖于中低分辨率产品和静态单时相估计,无法捕捉碳汇功能随时间的演变。新植树苗在光谱上难以区分的时期与碳积累的早期阶段重叠,因此错误分类会系统性地低估碳汇面积
年度土地覆盖变化和碳储量的时间序列是一个有用的生态指标,用于追踪快速城市化地区的碳汇功能。然而,现有研究依赖于中低分辨率产品和静态单时相估计,无法捕捉碳汇功能随时间的演变。新植树苗在光谱上难以区分的时期与碳积累的早期阶段重叠,因此错误分类会系统性地低估碳汇面积。雄安新区,快速城市化和大规模造林同时发生,是研究这一问题的合适案例。研究人员提出了TS-Carbon-Framework,该框架将三帧语义分割网络(TriFuseNet)、InVEST碳储量模型和误差传播分析整合到一个处理链中,将多时相Sentinel-2影像转化为年度碳储量指标。TriFuseNet利用种植前历史帧与当前帧之间的累积光谱差异,将新植植被与农田分离。在雄安新区的8类分割数据集上,平均交并比(mean Intersection over Union, mIoU)达到45.33%,比最佳对比方法高2.44个百分点,且树木类IoU达到35.21%,比最佳单帧对比方法(SegFormer-B4)高6.99个百分点。总碳储量范围为1.938×107至2.658×107 Mg C。TriFuseNet的系统偏差为-2.43%,校正后树木类的碳储量比像素计数估计高10.32%。这一可更新的指标体系可为区域生态监测和碳汇管理提供参考。
论文解读文章
研究背景:陆地生态系统每年通过植被碳汇吸收约30%的人为碳排放,但现有研究依赖中低分辨率产品(如Landsat 30m、MODIS 500m)和静态单时相估计,无法捕捉碳汇功能随时间的动态演变。新植树苗在早期生长阶段与农田光谱混淆,导致碳汇面积被系统性低估。雄安新区自2017年建设以来,城市扩张和生态绿化工程同时进行,形成独特的“碳源-碳汇并行”格局,适合研究这一科学问题。为此,研究人员提出了TS-Carbon-Framework(时间语义碳监测框架),旨在生成高精度时间序列土地覆盖数据,并评估碳储量动态,为区域生态监测和碳汇管理提供可更新的参考指标。该论文发表在《Ecological Indicators》。
主要技术方法:研究人员采用的关键技术方法包括:TriFuseNet(三帧并行门控融合网络),以Mix Transformer B2为编码器,通过累计光谱差异区分新植树木与农田,包含时间注意力融合(Temporal Attention Fusion, TAF)、残差时间增强(Residual Temporal Enhancement, RTE)、并行分支门控(Parallel Branch Gate, PBG)和历史时序稳定性调制(Historical Temporal Stability Modulation, HTSM)损失函数;InVEST碳储量模型(Integrated Valuation of Ecosystem Services and Tradeoffs),基于土地利用类型和气象校正碳密度参数计算碳储量;误差传播分析基于混淆矩阵进行面积校正和不确定性量化。数据来源:2016-2025年雄安新区Sentinel-2影像(10m分辨率),参考标签来自Dynamic World V1并经人工校正,共2460个图像块,按年份(2016-2022训练,2023-2025测试)分割。
研究结果:
4.2 TriFuseNet的分割性能:通过对比11种方法,TriFuseNet在测试集上mIoU达到45.33%,比最佳对比方法高2.44个百分点,树木类IoU达到35.21%,比最佳单帧方法(SegFormer-B4)高6.99个百分点。消融实验表明,并行三帧融合比顺序融合在树木类上提升0.35个百分点,时间泛化实验显示,随着训练窗口扩展,TriFuseNet性能最稳定。
4.3 土地覆盖面积动态:基于年度土地覆盖图,耕地面积净减少183.63 km2,建设用地净增加67.46 km2,水体净增加62.70 km2,林地先增后减(2016年54.49 km2增至2022年116.68 km2,后降至2025年83.25 km2)。土地覆盖变化呈现阶段性特征:2016-2019年以生态优化为主,2019-2022年耕地贡献率高达49.23%,大量转为建设用地和林地,2022-2025年建设用地成为主导变化类型(贡献率31.91%)。
4.4 碳储量时空动态:InVEST模型估算的总碳储量在1.938×10
7至2.658×10
7 Mg C之间波动,呈现“下降-上升-波动”趋势。耕地碳储量持续下降(从2.019×10
7 Mg C降至1.230×10
7 Mg C),林地碳储量逐渐恢复(2024年达2.531×10
6 Mg C)。空间自相关分析显示,Moran's I从2016年0.434降至2022年0.291,再回升至2025年0.349,局部热点(高-高聚集)随时间迁移,与“千年秀林”工程和核心启动区建设阶段对应。
4.5 碳储量指标可靠性:误差传播分析表明,TriFuseNet的系统偏差为-2.43%,为所有方法中最小,且是唯一使树木类碳储量校正后高于像素计数估计的方法(+10.32%),而其他9种方法均呈现负偏差(-3.08%至-71.87%),表明新植树木错分为农田导致森林碳汇面积被系统性低估。
讨论与结论:讨论部分指出,TriFuseNet通过并行双分支结构有效解决了新植树木识别问题,误差传播分析揭示了分类误差对碳储量估算的不对称敏感性,即树木类精度提升对碳汇估算的改善最为关键。土地覆盖转换呈现“农业用地转为建设用地和生态用地”的并行模式,碳储量动态与政策实施阶段(如白洋淀治理、千年秀林工程)对应,空间自相关分析提供了生态优先区识别依据。研究局限性包括:碳密度参数未区分林龄、未单独考虑洪泛植被和灌木、气象校正数据存在变异性,但敏感性分析表明总碳储量对这些假设相对稳健(偏差在-3.9%至+4.2%之间)。结论部分翻译如下:本文提出了TS-Carbon-Framework,将三帧语义分割网络TriFuseNet、InVEST碳储量模型和误差传播分析整合为从Sentinel-2多时相影像到年度碳储量生态指标的完整处理链。针对单时相方法无法区分新植树木与农田的精度瓶颈,TriFuseNet利用种植前历史帧与当前帧之间的累积光谱变化作为判别依据,在雄安新区2016-2025年8类分割数据集上实现测试mIoU 45.33%,比最优对比方法高2.44个百分点,树木类IoU比最佳单帧对比方法(SegFormer-B4)提高约7个百分点。InVEST模型获得的年度碳储量在1.938×10
7 Mg C至2.658×10
7 Mg C之间波动,耕地大面积转为建设用地与总量阶段性下降相关,研究后期造林工程的碳汇增强效应与总量趋于稳定一致,但尚未恢复至建设前水平。误差传播分析显示,TriFuseNet的系统偏差为-2.43%,为所有对比方法中最小,且是唯一使树木类碳储量校正后高于像素计数估计的方法(+10.32%),其余9种方法的树木类负偏差一致表明新植植被错分导致森林碳汇面积系统性低估。