基于亚米级遥感与机器学习的北京五环区域城市绿地碳储量估算及提升策略

《Remote Sensing》：Carbon Storage Patterns and Sequestration Enhancement Strategies of Urban Green Spaces in High-Density Urban Areas: Insights from Beijing Within the 5th Ring Road

　　

摘要

城市绿地对城市碳循环具有关键调控作用，然而碎片化和植被差异阻碍了碳储量的精确估算。本研究以北京市五环路区域（666.5 km²）为研究对象，结合GF-7亚米级遥感影像和750个采样样地的野外数据，构建了四种机器学习模型（RF、XGBoost、GBDT、BP神经网络），并采用SHAP分析解释特征重要性，提出碳汇提升方案。基于Boruta特征筛选的XGBoost模型表现出稳健的性能（R² = 0.83，RMSE = 1.79 kg/m²，MAE = 1.13 kg/m²），其R²较其他算法提升了6.4%~38.7%。郁闭度高度主导了碳储量的变化（SHAP贡献值：0.321，解释率为31.7%），移除该变量后模型R²下降了47.98%。研究区地上植被总碳储量达到9.04 × 10⁵ Mg，平均地上碳密度为4.80 kg/m²；落叶乔木对地上碳储量的贡献最大（80.61%），并呈现内低外高的空间分布格局。郁闭度高度每增加1 m，树冠覆盖区的地上碳储量可增加21.38%，相当于整个研究区碳储量增加4.10%。综合实施郁闭度高度提升、10%灌木/草地替换以及低碳汇区改造等措施，可使总碳储量增加8.82 × 10⁴ Mg（其中低碳汇区改造单独贡献1.76 × 10⁴ Mg），相比当前地上基线具有9.76%的提升潜力。