全球生态系统动力学调查（GEDI）驱动的机器学习用于越南中部Cua Dai河口地上蓝碳制图

《Case Studies in Chemical and Environmental Engineering》：Global Ecosystem Dynamics Investigation-enabled machine learning for aboveground blue-carbon mapping in the Cua Dai estuary, central Vietnam

　　

在破碎化河口景观中，精确的蓝碳评估仍具挑战性，因为多光谱光学数据在茂密冠层上可能饱和，且样地观测通常稀疏。本研究开发了一个谷歌地球引擎（Google Earth Engine，GEE）工作流，整合了全球生态系统动力学调查（Global Ecosystem Dynamics Investigation，GEDI）星载光探测与测距（Light Detection and Ranging，LiDAR）、哨兵一号（Sentinel-1）C波段合成孔径雷达（synthetic aperture radar，SAR）、哨兵二号（Sentinel-2）多光谱影像、航天飞机雷达地形测绘任务（Shuttle Radar Topography Mission，SRTM）地形、主成分分析（principal component analysis，PCA）和机器学习模型，以估算越南中部Cua Dai河口的地上蓝碳储量。经过严格的质量、灵敏度和水陆筛选，保留了2,781个GEDI冠层顶高度（top-of-canopy height，TCH）足迹和6,711个GEDI地上生物量密度（aboveground biomass density，AGBD）足迹作为星载参考观测。比较了随机森林（Random Forest，RF）、梯度提升树（Gradient Boosted Trees，GBT）、支持向量机（Support Vector Machine，SVM）和分类与回归树（Classification and Regression Trees，CART）。RF产生了最稳定的性能，AGBD的均方根误差（root mean square error，RMSE）为17.32 Mg ha^-1，TCH的RMSE为5.45 m。生成的图估算出整个植被景观的平均地上碳（aboveground carbon，AGC）储量为13.659 Mg C ha^-1，总AGC库为109,472.12 Mg C。高碳热点集中在西南部的红树林和河岸冲积带。由于没有本地样地生物量清查，输出结果应解释为GEDI校准的地上碳估算，而非完全经过现场验证的总蓝碳储量。该工作流为恢复目标确定、生态系统服务估值以及未来的测量、报告和核查系统提供了快速且可扩展的基础。

**论文解读：基于GEDI的机器学习框架在破碎化河口地上蓝碳制图中的应用——以越南中部Cua Dai河口为例**

**研究背景与问题**
沿海植被生态系统（如红树林、潮滩和河口湿地）因其高初级生产力和长期碳埋藏能力，成为最高效的自然碳汇之一。然而，在破碎化河口景观中，传统的野外调查或仅依赖光学遥感的方法面临显著挑战：多光谱光学数据（如Sentinel-2）在茂密冠层中易饱和，导致生物量低估；同时，样地观测数据稀缺，难以支撑大范围、高精度的碳储量估算。因此，亟需一种整合多源遥感数据与机器学习的方法，以实现对地上蓝碳的有效制图。

**研究目的与意义**
研究人员旨在开发一种可复现的、低成本的星地观测工作流，用于越南中部Cua Dai河口的地上蓝碳制图。该研究整合了GEDI星载LiDAR、Sentinel-1 SAR、Sentinel-2光学影像、SRTM地形数据、主成分分析（PCA）及多种机器学习模型，在Google Earth Engine（GEE）平台上实现端到端处理。论文发表在《Case Studies in Chemical and Environmental Engineering》。其重要意义在于：为数据有限的沿海区域提供快速碳筛查工具，明确识别高碳热点区域（如红树林和河岸冲积带），支持恢复优先排序、生态系统服务估值及未来测量、报告与核查（MRV）系统的建设。同时，研究明确承认了基于GEDI模型参考数据的不确定性，强调了结果的局限性。

**主要技术方法**（不超过250字）
研究基于GEE平台，采用以下关键技术：
1. **星载LiDAR参考数据**：使用GEDI L2A冠层顶高度（TCH）和L4A地上生物量密度（AGBD）产品，经严格质量筛选（quality_flag=1、灵敏度>0.9、非水体掩膜）后保留2,781个TCH足迹和6,711个AGBD足迹作为空间参考观测。
2. **多源遥感预测变量**：包括Sentinel-2 L2A多光谱波段及归一化植被指数（NDVI）、归一化水体指数（NDWI）、归一化建筑指数（NDBI）；Sentinel-1 GRD SAR的VV、VH极化及比值/差值；SRTM DEM衍生高程和坡度。
3. **主成分分析（PCA）**：应用于光学预测变量块以降低多重共线性，保留前三个主成分（解释98.60%光学方差）。
4. **机器学习模型比较**：对比随机森林（RF）、梯度提升树（GBT）、支持向量机（SVM）和分类与回归树（CART），以70%训练/30%独立验证划分数据，使用决定系数（R2）、均方根误差（RMSE）和平均偏差误差（MBE）评估。
5. **土地覆盖分类**：基于RF对六类（水、森林、一年生作物、多年生作物、裸地、建设用地）进行分类，作为植被掩膜。
样本来源：GEDI足迹覆盖整个研究区，无本地样地生物量清查。

**研究结果**
**3.1 土地利用/土地覆盖分类**
2025年LULC分类显示，一年生作物占25.75 km2（20.40%），森林25.61 km2（20.29%），水23.22 km2（18.40%），多年生作物20.71 km2（16.41%），裸地15.78 km2（12.50%），建设用地15.14 km2（12.00%）。与2020年相比，森林面积从34.86 km2减少至25.61 km2，裸地面积从6.52 km2增至15.78 km2，表明河口景观受岸线变化、沉积物暴露和土地利用转换影响而破碎化。LULC图总体精度（OA）为96.77%，Kappa系数为0.9606，生产者精度和用户精度除建设用地和多年生作物外均达100%，表明分类结果可靠，可作为植被掩膜使用。

**3.2 回归性能与PCA敏感性分析**
四种算法比较显示，RF表现最优：AGBD的RMSE为17.32 Mg ha^-1，TCH的RMSE为5.45 m，且MBE最接近零（AGBD为-0.042 Mg ha^-1，TCH为0.192 m），表明系统偏差极小。尽管GBT的R2略高，但RF在解释力和误差控制之间取得最保守平衡。PCA敏感性实验表明，PCA虽未显著提升RF性能（因RF本身对相关变量鲁棒），但略微降低了RMSE并压缩了预测变量集，因此被保留为降维步骤。雷达变量和地形变量补充了结构和水分信息，增强了模型对河口短距离生态梯度的刻画能力。

**3.3 地上碳制图与解读**
基于所选RF模型，平均AGC储量为13.659 Mg C ha^-1，总AGC库为109,472.12 Mg C。高碳密度和总碳集群集中在西南部红树林带和河岸冲积带，中等值出现在混合植被和农业缓冲区，低值对应受干扰、稀疏或裸露表面。TCH验证结果（RMSE=5.45 m，R2=0.633）支持了碳模型的结构合理性。最高生物量和最高冠层处仍存在低估，与光谱饱和、GEDI足迹异质性及中等分辨率预测变量限制一致。研究结果与全球热带红树林生态系统碳储量范围（10–50 Mg C ha^-1，Mcleod et al., 2011）相符，表明Cua Dai河口处于平均恢复阶段，受自然和人为因素影响。

**讨论与结论**
讨论部分指出：本研究的估算值处于全球热带红树林碳储量范围内，与东南亚类似季风潮汐区域（如印度尼西亚、泰国）结果相似；但RMSE在大生物量区域仍较高，与光学数据信号饱和问题一致。GEDI数据在改善森林冠层结构预测中发挥了关键作用，优于仅使用光学数据的研究。研究应被解释为GEDI校准的地上碳制图，而非完全现场验证的完整蓝碳清单。未来工作应整合k折交叉验证、独立野外测量、更高分辨率遥感数据，并扩展至地下生物量和土壤有机碳，以实现总蓝碳储量的综合评估。

**结论翻译**：本研究开发了一个基于全球生态系统动力学调查（GEDI）的机器学习工作流，用于Cua Dai河口的地上蓝碳制图。通过整合星载LiDAR、Sentinel-1雷达、Sentinel-2光学影像、地形变量、PCA降维预测变量和机器学习模型，在GEE平台上为破碎化河口景观生成了高精度LULC图和稳定生物量模型。在四种测试算法中，RF提供了最佳的精度和稳定性平衡，AGBD的RMSE为17.32 Mg ha^-1，TCH的RMSE为5.45 m。最终图估算出109,472.12 Mg C的地上碳，最高密度集中在西南部红树林和河岸带。该研究应被解读为GEDI校准的地上碳制图，而非现场验证的完整蓝碳清单。尽管如此，该工作流为数据有限的河口环境中的快速沿海碳筛查、恢复优先排序、生态系统服务估值和未来MRV开发提供了实用基础。未来研究应纳入k折交叉验证和独立野外测量以增强模型稳健性，并整合更高分辨率遥感数据及地下生物量和土壤有机碳，以实现更全面的总蓝碳储量评估。