《Environmental Challenges》:Carbon Sequestration Assessment in Napier Grass Plantations Using UAV-Based Imagery and Blockchain-Enabled Carbon Trading
编辑推荐:
在自愿碳市场要求的频率下量化能源草种植园的碳固存仍然具有挑战性,因为破坏性采样和弹式量热法(bomb calorimetry)在分析上可靠但劳动密集。本论文展示了一个中试规模工作流,该工作流将无人机影像(UAV imagery)和图像处理与区块链账本(bloc
在自愿碳市场要求的频率下量化能源草种植园的碳固存仍然具有挑战性,因为破坏性采样和弹式量热法(bomb calorimetry)在分析上可靠但劳动密集。本论文展示了一个中试规模工作流,该工作流将无人机影像(UAV imagery)和图像处理与区块链账本(blockchain ledger)相结合,用于估算和记录泰国那空拉差是玛府蓬登地区一个5 rai(约0.8公顷)场地内Pak Chong 1象草(Pennisetum purpureum × P. americanum)在单一四个月生长季中的地上和地下碳质量。每月无人机正射影像(orthomosaics)被分割成每丛(per-hill)瓦片,从中提取冠层面积(canopy area)和高度,并作为输入用于异速生长回归模型(allometric regression models),这些模型根据实验室弹式量热法数据(BS EN 14918:2009;ASTM D7582)进行校准;得到的碳质量估算结果被提交至一个兼容以太坊的测试账本,以提供防篡改的出处证明(tamper-evident provenance)。预测的碳质量与实验室测量结果的平均绝对百分比误差(MAPE)在2–9%范围内一致。冠层面积到生物量以及茎碳分数的回归相对稳定(R分别为0.914和0.816),而根碳分数的二阶多项式模型(R = 0.9015)在留一交叉验证(leave-one-out cross-validation, LOOCV)和自助重采样(bootstrap resampling)下被证明不稳定,这是校准集较小(n = 4个每月时间点)的结果,作为主要局限性被讨论。第4个月的总地上和地下碳质量,使用标准化学计量转换(stoichiometric conversion)以CO?当量(CO?-equivalent)表示,达到0.441 × 10?3吨CO?-eq。由于该研究仅基于单一品种、场地和季节,这些发现作为结合无人机估算与区块链锚定记录保存的概念验证(proof-of-concept)展示,而非作为通用或市场就绪的碳核算方法提出。
**论文解读:基于无人机影像与区块链的象草碳固存评估研究**
**1. 研究背景与问题**
全球人为二氧化碳(CO?)排放是气候变化的主要驱动因素。《巴黎协定》及COP26承诺要求包括泰国在内的签约国建立可信的监测、报告与验证(MRV)体系以核算碳汇。泰国国家适当减缓行动(NAMA)目标为到2030年温室气体排放较基准情景减少20%,若获得国际资金与技术支持则提高至40%。这些目标对农业和林业部门构成巨大压力,必须量化生物碳存量以支撑市场级别的碳信用交易。当前实践依赖破坏性采样与实验室弹式量热法,该方法虽分析可靠,但田间尺度重复应用时操作缓慢且成本高昂。无人机(UAV)搭载高分辨率相机为通过摄影测量冠层建模实现非破坏性、高通量地上生物量估算提供了新途径,但针对快速生长的多年生能源草(如象草)的严格校准验证仍十分稀缺。此外,碳记录完整性问题催生了对区块链锚定账本的需求,以提供可审计的出处证明,但现有实现大多停留在概念原型阶段,缺少与实地测量数据的实际部署。因此,本研究旨在开发一个端到端工作流,将无人机影像、MATLAB图像处理与区块链账本相结合,用于估算和记录象草种植园的地上及地下碳质量,并以泰国自愿减排(T-VER)市场为潜在应用场景。
**2. 主要关键技术方法**
研究采用以下关键技术:① 无人机影像采集:使用DJI Phantom 4多旋翼平台,在5、10、15、20米四个飞行高度获取顶视和倾斜(45°)影像,利用PIX4D Mapper进行结构光运动(SfM)点云重建与正射影像生成;② 图像处理管线:在MATLAB R2026a中实现,包括RGB转灰度、Canny边缘检测、全局二值阈值(强度0.4)、228×228像素瓦片分割,从中提取每丛冠层面积和高度;③ 异速生长回归模型:基于四个月度时间点(n=4)的实验室弹式量热法数据(BS EN 14918:2009;ASTM D7582)校准,对地上重量采用线性回归,对茎碳分数采用线性回归,对根碳分数采用二阶多项式回归;④ 区块链记录:将碳记录序列化为JSON对象,通过Solidity智能合约提交至以太坊Sepolia权益证明测试网,实现防篡改出处证明。样本来自泰国那空拉差是玛府蓬登地区5 rai(约0.8公顷)商业象草种植园,设四个子样区,每月进行破坏性采样。
**3. 研究结果**
- **4.1 无人机表型输出**:每月正射影像经MATLAB管线处理后,冠层面积从第1个月的平均1778.74 cm2/丛增至第4个月的17210.28 cm2/丛;地上干重从93.47 g增至227.63 g;地下干重从7.69 g增至36.12 g。
- **4.2 地上重量与冠层面积的校准**:以月度均值拟合线性回归,Y = 0.00838·X + 96.2,R2 = 0.836,R = 0.914,表明冠层面积可解释83.6%的月际方差。
- **4.3 茎与根的碳含量**:茎碳分数与瓦片平均密度的线性回归得R = 0.816,R2 = 0.666;根碳分数与密度的二阶多项式回归得R = 0.9015,R2 = 0.8127。但多项式模型在交叉验证中不稳定。
- **4.4 预测与实验室碳质量对比**:无人机预测与实验室参考值的平均绝对百分比误差(MAPE)在茎碳为2–5%,根碳为4–9%,最大偏差出现在第3个月(冠层闭合导致二值掩膜像素饱和)。
- **4.5 试点区域碳固存估算**:将单丛预测缩放至5 rai场地,以CO?当量(CO?-eq)表示,第4个月总碳固存(C-TT)实验室值为0.441×10?3 t CO?-eq,预测值为0.464×10?3 t CO?-eq,MAPE为5%。
- **4.6 交叉验证与分割分类器指标**:留一交叉验证(LOOCV)显示,地上重量回归的MAPE从13%(样本内)升至32%;茎碳线性模型最稳定(样本内2.0%,LOOCV 6.8%);根碳多项式模型极不稳定(样本内3.9%,LOOCV 99.3%)。二值分割阈值t=0.4时,F1得分为0.870,最大F1在Otsu阈值(约0.64)处达0.999。
**4. 讨论与结论**
讨论部分指出,2–9%的MAPE与森林冠层无人机生物量估算的上限一致,但最大残差出现在冠层闭合的第3个月,建议采用自适应阈值。区块链层以约92,000 gas/记录的成本提供防篡改出处,但需与TGO认可实验室的凭证协同,而非取代现有T-VER MRV链。研究局限性包括:校准集仅4个时间点,R和R2为描述性而非推断性;空间采样限于单一品种和场地;根碳多项式模型不稳定;区块链部署在测试网,未解决生产环境的经济和吞吐量问题。
结论部分翻译:本研究报告了一个用于监测Pak Chong 1象草碳固存的端到端无人机–MATLAB–区块链工作流。在Pong Daeng 5 rai试点的四个月生长窗口中,预测碳质量与实验室弹式量热法结果在2–9% MAPE内一致。校准回归得冠层面积与地上重量R=0.914,茎碳分数线性回归R=0.816,根碳分数二阶多项式R=0.9015。交叉验证显示线性模型泛化良好(茎碳LOOCV MAPE 6.8%),而多项式根碳模型不稳定(LOOCV MAPE 99.3%,自助法95%置信区间延伸至约100%),未来重复研究中需采用更保守的模型。Canny+全局阈值冠层分割在t=0.4操作点达F1=0.870,在Otsu最优t=0.64处升至F1=0.999。第4个月试点总碳固存估算为0.441×10?3 t CO?-eq。碳记录被锚定至兼容以太坊的测试账本,为下游T-VER信用签发提供防篡改出处。受限于第4.7节所述局限性,该工作流作为完全基于实验室的MRV的低成本、可审计补充。这些结果应视为Pak Chong 1象草在Pong Daeng种植园的单点单季节概念验证,而非经验证的通用模板;将该框架扩展至其他品种、场地、土壤/肥料制度或生长季节,并与已有无人机生物量估算方法及国际认可MRV协议进行比较,需在独立的多季节重复后方可认为其具备运行T-VER信用签发的条件。