《International Journal of Digital Earth》：Long-term mapping of aboveground carbon storage in China (2000?2020) using a prior-knowledge-constrained deep learning model
编辑推荐：
陆地生态系统通过封存大气中的二氧化碳（CO2）在减缓气候变化方面发挥着关键作用，其中地上碳储量（AGC）是生态系统碳汇能力的重要指标。然而，现有的AGC估算方法仍受到自然与人为驱动因素整合不足、更新成本高以及不确定性较大等问题的制约。在本
陆地生态系统通过封存大气中的二氧化碳（CO2）在减缓气候变化方面发挥着关键作用，其中地上碳储量（AGC）是生态系统碳汇能力的重要指标。然而，现有的AGC估算方法仍受到自然与人为驱动因素整合不足、更新成本高以及不确定性较大等问题的制约。在本研究中，研究人员开发了一种先验知识约束的注意力U-Net框架，该框架整合了土地利用类型特定的碳密度信息，以提高AGC估算的一致性和稳定性。通过集成多种环境驱动因素，该框架有效捕捉了环境因子与AGC之间的非线性关系，从而实现了对中国陆地生态系统地上碳储量的空间连续估算。所提出的模型达到了75.97%的总体精度，同时显著降低了估算不确定性。基于该框架，生成了中国1 km分辨率的AGC数据集。结果表明，森林是国家级AGC的主要贡献者，年均碳储量为6.28 × 103 Tg C，占AGC总量的66.66%。总体而言，本研究为长期AGC估算提供了一种改进的方法框架，并为碳汇评估和碳中和规划提供了可靠的数据支持。
**基于先验知识约束注意力U-Net的中国陆地生态系统地上碳储量长期制图研究解读**
**一、研究背景与科学问题**
自工业革命以来，全球城市化与工业化进程加速了人为活动对生态系统碳循环的压力，引发了海平面上升、干旱、洪水等极端气候事件，对人类生存与可持续发展构成严重威胁。陆地生态系统作为全球碳循环的关键组成，在碳储存与维持区域及全球碳平衡中发挥根本性作用。地上碳储量（AGC）作为量化植被生物量中碳储量及其空间分布的核心指标，其精确估算对于理解区域碳储存动态、支持碳核算与碳中和战略制定至关重要。
中国约占全球陆地面积的6.4%，涵盖森林、草地、农田和湿地等多种生态系统，具有巨大的碳汇潜力。在国家"碳达峰"与"碳中和"目标驱动下，三北防护林、退耕还林还草、天然林保护等大型生态修复工程显著增强了陆地碳汇能力。然而，快速城市化、高强度土地利用和大规模能源开发也改变了生态系统结构与功能，增加了碳储量的不确定性。现有AGC估算方法主要分为基于清查、基于遥感和基于模型三类，但普遍存在更新成本高、模型结构僵化、对输入参数敏感、泛化能力差等问题。现有碳储量数据集亦存在时空分辨率不足、不确定性高、更新频率有限等缺陷。因此，如何在复杂国家尺度环境条件下准确估算AGC变化并识别其空间分布格局，仍是亟待解决的方法论挑战。
**二、研究内容与意义**
针对上述问题，本研究从自然与人为两个维度筛选了12个影响因子，集成多源遥感数据与碳储量统计数据构建训练、验证和测试数据集，提取土地利用碳密度先验知识并约束注意力U-Net模型，生成了2000至2020年中国陆地生态系统地上碳储量时空数据集。通过与NASA发布的2010—2020年地上生物量数据集进行独立验证，评估了数据集的可靠性。该研究旨在解决中国陆地生态系统碳储量估算中时空分辨率不足与高不确定性的问题，为精确碳核算与碳中和路径设计提供科学依据，并促进全球可持续发展。论文发表于《International Journal of Digital Earth》。
**三、主要技术方法**
研究人员选取温度、降水、太阳辐射、地表相对湿度、蒸发量、归一化植被指数（NDVI）、净初级生产力（NPP）、总初级生产力（GPP）、森林类型等9项自然变量以及土地利用覆被（LUCC）、夜间灯光（NTL）、人口密度（POP）等3项人为变量作为驱动因素。以NASA 2010年地上碳密度数据为训练真值，2010—2020年地上生物量数据为验证数据。基于中国科学院土地利用分类体系划分16个土地利用亚类，通过统计分析提取各土地利用类型碳密度先验区间。构建包含编码器、瓶颈、解码器和全连接层的注意力U-Net模型，采用空间分层抽样划分训练与测试区域，以平均绝对误差（MAE）为损失函数、Adam优化器训练，并引入早停策略防止过拟合。采用蒙特卡洛Dropout方法进行不确定性量化。
**四、研究结果**
**4.1 基于土地利用类型的碳密度先验知识**
研究人员将中国3855882个土地利用网格与NASA 2010年全球碳密度数据进行空间叠加，通过箱线图分析、频数直方图、Shapiro–Wilk正态性检验等方法，确定16种土地利用类型的碳密度范围及概率分布。结果表明，有林地的碳密度最高，最大值达199.45 Mg C/ha；灌木林地、疏林地次之，上限分别为183.23和159.54 Mg C/ha。其他建设用地碳密度最低，最大仅1.27 Mg C/ha。值得注意的是，水田的碳密度下界为1.82 Mg C/ha，是各土地利用类型中最低碳密度值最高的类型，表明其碳储量稳定在一定范围内。这与水稻种植过程中持续的人为投入密切相关。
**4.2 模型精度验证与数据不确定性评估**
研究人员将估计的AGC产品与NASA生物量参考数据集进行逐像元比较，计算相对误差（RE）、均方根误差（RMSE）和决定系数（R2）。结果显示，RE=0（高度一致）占10.03%，0
**4.3 2000—2020年中国陆地生态系统地上碳储量数据集**
基于先验知识约束的注意力U-Net模型，研究人员生成了2000—2020年中国陆地生态系统地上碳储量数据集（每5年一期）。空间分布呈现"东高西低、南多北少"的格局，高碳储量区集中于气候条件优越的东北和华南，低碳储量区集中在干旱贫瘠的西北。静态来看，20年间年均总碳储量约为9.4 × 10
3 Tg C，其中森林生态系统年均碳储量为6.28 × 10
3 Tg C，占总量66.66%。动态来看，总碳储量从2000年的8.39 × 10
3 Tg C增加到2020年的10.39 × 10
3 Tg C，增长率为19.24%，呈波动上升趋势。森林碳储量占比从67.92%略降至65.01%，但绝对储量持续增加。城市生态系统增长率最高（92.85%），反映了城市绿化与生态建设的成效。
**五、讨论与结论**
在方法对比方面，研究人员设计了四组对比实验：先验知识约束的注意力U-Net、无先验约束的注意力U-Net、基线U-Net及经典inVEST模型。结果表明，先验知识约束的注意力U-Net精度最高（R2=0.87，RE=75.97%，RMSE=0.0012 Tg C），尤其在高碳密度区域显著减少了异常值；无先验约束的注意力U-Net次之（R2=0.83）；基线U-Net（R2=0.75）和inVEST模型（R2=0.69）表现相对较低。相比inVEST模型，R2提高了26.08%，整体精度提高了16.74%。
在时空变异性方面，研究人员以中国九大生态流域为单元进行分析。松辽流域碳储量增幅最大（总净增789.11 Tg C），主要归因于生态修复工程的持续实施；西南诸河流域降幅最明显（总净损失–77.92 Tg C），与大规模水电开发、地形复杂性和植被退化密切相关。
研究结论认为，该框架有效解决了数据覆盖不足、时空分辨率有限和估算不确定性高等关键问题，为国家级碳储量精确估算和碳中和目标实现提供了重要数据支撑。同时，研究也指出局限：仅关注地上碳储量而未包含土壤和地下碳库；时空分辨率仍有提升空间；模型基于单一参考年（2010）训练，时间可迁移性依赖碳储量与驱动因子关系稳定的假设。未来研究将致力于提高空间分辨率、纳入土壤与地下碳组分、建立多年训练数据集并整合更多生态与社会经济变量。
