引言
红树林是地球上最高效的天然碳汇之一，在活生物量和积水沉积物中储存大量碳。先前的研究表明，红树林生态系统具有异常高的碳密度，通常超过许多陆地热带森林，特别是由于沉积物中大量的地下碳储存 (Alongi, 2014, Donato et al., 2011; Zhang et al., 2024)。因此，红树林的保护和恢复越来越被认为是在增强碳封存的同时，改善沿海生态系统韧性和生态稳定性的有效方法 (Macreadie et al., 2021)。
尽管具有生态和气候意义，但在加速的环境变化下，红树林碳汇的长期稳定性仍然越来越不确定。在热带和亚热带地区，由于沿海城市化、水产养殖扩张、工业活动和土地利用转化，红树林森林正在减少，将以前稳定的碳库转变为潜在的温室气体排放源 (Macreadie et al., 2021)。环境变异性，包括水文波动和养分可用性，在调节沿海湿地内的碳埋藏和生态系统功能中起着关键作用 (Alongi, 2020)。因此，气候压力与生态过程之间的相互作用可能会显著改变红树林生态系统中的植被结构、生物量积累和长期碳封存潜力 (Ward et al., 2016)。了解海平面上升、盐度入侵、水文变异和气候条件如何影响红树林碳动态，对于评估在快速变化的气候条件下蓝碳生态系统的韧性和未来稳定性至关重要。
遥感技术和机器学习算法的最新进展已大大改善了跨大型和复杂景观的森林生物量和碳储量监测与估算 (Datta et al., 2023)。传统的基于实地的生物量评估提供了宝贵的生态信息，但在空间上仍然有限，且在难以进入的红树林环境中难以实施。结合先进机器学习模型的遥感方法显示出准确绘制红树林生态系统中植被结构、地上生物量和碳分布的潜力 (Ghosh et al., 2021, Sunkur et al., 2024)。机器学习、深度学习和地理空间遥感的最近进展通过有效地从多源卫星数据集中捕获复杂的光谱和结构模式，大大改善了红树林生物量、碳储量、冠层结构和生态系统响应的估算 (Datta et al., 2023, Han et al., 2024, Prakash et al., 2022, Sinha et al., 2018)。最近关注孙德尔本斯的研究强调了机器学习和遥感在理解红树林动态、评估森林健康状况和评估气候变化驱动的环境影响方面日益增长的重要性 (Hussain et al., 2026, Khan et al., 2021, Mondal et al., 2025)。
位于恒河 - 布拉马普特拉河 - 梅克纳三角洲的孙德尔本斯红树林代表了世界上最大的连续红树林生态系统，也是南亚最重要的蓝碳储库之一 (Liu et al., 2024, Zhang et al., 2024)。尽管受孙德尔班斯生物圈保护区和老虎项目保护，该生态系统仍然极易受到海平面上升、盐度入侵、淡水排放量下降、沿海侵蚀和旋风干扰的影响 (Chowdhury et al., 2023)。先前的研究强调了控制红树林生态系统内碳循环的复杂生物地球化学过程，并强调了环境条件如何强烈影响生产力和碳交换动态 (Alongi, 2014)。盐度梯度和水文制度的长期变化也被证明会影响孙德尔本斯景观中的红树林健康、物种组成和生态系统功能 (Ward et al., 2016)。
尽管研究兴趣日益浓厚，但孙德尔本斯的大多数研究依赖于局部观测或短期评估，限制了在景观尺度上对长期生物量和碳动态及其环境控制的理解。河口红树林生态系统内的碳循环过程对环境干扰高度敏感，这可能会显著影响该地区的整体碳平衡 (Datta et al., 2023)。热带旋风等极端气候事件可能导致广泛的植被死亡，并触发从以前稳定的生物量和沉积物库中大规模释放碳 (Macreadie et al., 2021)。此外，相对较少的研究整合了长期卫星时间序列数据集和机器学习技术，以调查印度孙德尔本斯内的时空生物量动态及相关的环境驱动因素。
尽管越来越认识到红树林作为关键蓝碳生态系统的重要性，但在不断加剧的环境压力下，其碳封存能力的长期稳定性仍然知之甚少。这种不确定性在印度孙德尔本斯尤为相关，那里的自然驱动因素，如海平面上升、盐度入侵、水文变异和气候干扰，比直接的人为压力施加了更大的影响。为了解决这一知识差距，本研究整合了三十年的陆地卫星观测、生物量测量和机器学习模型，以量化红树林生物量和碳储量的时空变化，评估其环境控制，并评估印度孙德尔本斯是否继续作为有韧性的碳汇发挥作用，或者是否显示出碳临界转换的早期迹象。
Sinchan Banerjee|Abhisek Santra|Shreyashi S. Mitra
