基于分类的城市绿地碳储量估算方法集成遥感影像与LiDAR数据

《Frontiers of Architectural Research》：Classification-based estimation of urban green space carbon storage using integrated remote sensing imagery and LiDAR data

　　

准确且可扩展的城市绿地碳储量估算对于绿色基础设施评估至关重要，但植被类型和群落结构的异质性使建模复杂化。本研究开发了一个分数植被覆盖度（FVC）分层框架，整合了Sentinel-2影像和背包LiDAR，应用于中国南京市中心城区。研究人员建立了一个包含406个样方（每个20 m × 20 m）的数据库。利用LiDAR导出的树高和胸径估计样方尺度的碳储量，同时评估NDVI、RVI和SAVI作为FVC特定回归模型中的预测因子。夏季导出的植被指数与碳储量的相关性比冬季导出的指数更强。基于综合模型评估，研究人员选择NDVI用于低覆盖样方，选择SAVI用于中高覆盖样方。与统一模型相比，分层使预测R²平均提高了49.5%。随后将优化模型应用于植被建模域内绘制碳储量密度图，揭示了FVC类别和绿地结构之间的显著空间差异。通过整合二维卫星影像与三维LiDAR数据，并引入基于FVC的分层策略，该框架提供了一条从样方尺度估算到城市尺度碳制图的可扩展路径，支持绿色基础设施评估和低碳城市规划。

城市绿地碳储量估算是绿色基础设施评估的关键环节，然而植被类型与群落结构的空间异质性导致传统单源遥感或经验模型难以兼顾大尺度适用性与局地精度。现有方法主要分为基于地面测量的中微观尺度评估（如样方清查、LiDAR技术）和基于遥感反演或过程模型的宏观尺度评估，前者受限于高成本与空间覆盖度，后者则面临光谱饱和、垂直结构捕捉不足等挑战。为平衡精度与可扩展性，本研究提出一个基于分数植被覆盖度（FVC）分层的碳储量估算框架，整合Sentinel-2多光谱影像与移动LiDAR点云数据，以中国南京市中心城区为案例，旨在实现从样方尺度到城市尺度的可扩展碳制图，支持低碳城市规划。

研究人员开展了以下研究：通过随机森林分类将植被分为8种类型，利用NDVI像元二分模型计算FVC，并将FVC>0.45的区域划分为低（0.45
主要关键技术方法包括：1）基于随机森林的植被类型分类（8类），使用NDVI、GCVI、RVI及纹理特征，总体精度73.15%，Kappa系数0.68；2）FVC计算采用NDVI像元二分模型，排除FVC≤0.45的非建模区；3）分层随机抽样布设样方，以植被类型和FVC等级为约束，共406个有效样方，来源于南京市23个代表性绿地站点；4）LiDAR点云数据处理使用CHM进行单木分割，提取树高和胸径，结合生物量转换因子法计算样方碳储量，并取log₁₀转换；5）回归模型使用最小二乘法，以植被指数为自变量，log₁₀碳储量为因变量，分别构建三个FVC等级模型及统一模型，并用交叉验证评估。

**研究结果**：

**3.1 三个FVC等级样方的碳储量与植被指数**：通过LiDAR数据计算，样方碳储量范围8.87–68,158.77 kg，均值碳密度7.19 kg/m²。随FVC升高，碳密度均值增加：低覆盖（I类）均值4.31 kg/m²，中覆盖（II类）5.41 kg/m²，高覆盖（III类）7.97 kg/m²，但各等级内变异系数大，数据呈非正态分布。夏季植被指数（7月）普遍高于冬季（1月），且离散度更小，表明夏季指数更稳定。

**3.2 碳储量回归模型的构建与评估**：Spearman相关分析显示，7月植被指数与log₁₀碳储量的相关性优于1月，NDVI和SAVI优于RVI。分层回归模型在各类中表现优于统一模型：I类选用NDVI二次多项式（R²=0.463），II类选用SAVI指数模型（R²=0.707），III类选用SAVI二次多项式（R²=0.635）。统一模型R²仅约0.32–0.34。分层模型平均R²提升49.5%，RMSE在I、II类中分别降低66.3%和77.8%，但III类RMSE略有上升（6%），归因于高覆盖下的光谱饱和与结构异质性。预测值与LiDAR实测值对比显示，模型在低中碳储量样方中表现良好，但对高碳储量样方存在低估，平均偏差在±20%以内。

**3.3 城市绿地碳储量的空间分布**：将优化模型应用于FVC>0.45的植被像元，得到南京市中心城区绿地总碳储量约2.86×10⁶吨，平均碳密度7.40 kg/m²。其中III类覆盖贡献74.35%的碳储量，碳密度13.81 kg/m²，显著高于I类（3.31 kg/m²）和II类（4.09 kg/m²）。高碳储量区集中分布在核心生态区、山地公园和大型外围绿地斑块。不同植被类型碳密度排序为：竹林（BG）>落叶阔叶林（DBF）>常绿阔叶林（EBF）>针叶林（CF）>针阔混交林（CBMF）>落叶常绿阔叶混交林（BMF）>灌木林（SL）>草地（GL）>不透水面（IS），但竹林样本量有限，需进一步验证。与已有研究对比，南京市中心城区碳密度（7.40 kg/m²）接近全市均值（6.816 kg/m²），高于上海（5.8 kg/m²）和江苏省建成区历史均值（2.3–3.5 kg/m²），验证了模型可靠性。

**讨论部分总结**：研究讨论了LiDAR与遥感融合在提升碳储量估算精度与效率方面的优势，指出分层建模相比统一模型能有效降低组内异质性，提高模型适应性。分析了高覆盖样方中RMSE略增的原因（光谱饱和与结构异质性），并初步尝试随机森林（RF）模型，结果显示RF在极端覆盖条件下表现更优，但最小二乘分层模型在中覆盖区仍具稳健性与可解释性。研究还强调了植被结构复杂性是经验建模的生态基础，高覆盖、多层次的群落结构碳储量更高，并为南京市中心城区绿地碳汇提升提出三点策略：在低中覆盖区构建乔灌草复合群落、在高覆盖但低碳效区进行精准更新、在高效生态区限制人为干扰。最后指出模型在跨区域应用时需根据当地植被和气候条件重新校准，并讨论了当前研究的局限性，包括传统回归模型对非线性关系捕捉能力有限、模型仅校准于南京、部分植被类型样本代表性不足等。

**研究结论**：本研究开发了一个FVC分层框架，整合Sentinel-2影像和背包LiDAR，用于估算并制图异质性城市绿地的碳储量，主要结论如下：
1）样方碳储量总体上随植被覆盖度增加而增加，但在各FVC等级内存在高度变异。平均碳密度从I类的4.31 kg/m²增加到II类的5.41 kg/m²和III类的7.97 kg/m²。7月影像导出的植被指数与log₁₀转换碳储量的相关性优于1月影像，NDVI和SAVI总体优于RVI。
2）FVC分层通过考虑覆盖依赖的光谱-碳关系改善了回归性能。基于模型拟合与预测误差的综合评估，I类选用NDVI模型，II类和III类选用SAVI模型，对应的log₁₀碳储量尺度R²分别为0.463、0.707和0.635，均高于相应的统一模型。然而，高碳储量样方仍易因光谱饱和与类内结构异质性而被低估。
3）在FVC>0.45的植被建模域内，模型导出的碳储量约为2.86×10⁶吨。III类植被贡献了建模总碳储量的74.35%，高碳储量区主要集中分布在核心生态区、山地公园和大型外围绿地斑块。这些结果强调了保护成熟、高覆盖、结构复杂的植被群落的重要性。
总体而言，二维卫星影像与三维LiDAR测量的结合，加上基于FVC的分层策略，提供了从样方估算到城市尺度碳制图的可扩展路径。该框架可支持空间碳评估与绿地规划，但将其应用于其他城市时需使用当地代表性植被与环境条件进行重新校准。