孙德尔本斯蓝碳监测：基于GEDI LiDAR与多源数据融合的10米分辨率林冠高度与生物量估算（2016–2024年）

《Remote Sensing Applications: Society and Environment》：Blue-Carbon Monitoring in the Sundarbans: 10 m Canopy Height and Biomass from GEDI LiDAR and Multi-Sensor Fusion, 2016–2024

　　

本研究构建了孙德尔本斯红树林全区域高分辨率（10 m）、双年度（2016–2024）林冠高度与地上生物量密度（Aboveground Biomass Density, AGBD）数据集，通过将经过严格质量筛选的GEDI（Global Ecosystem Dynamics Investigation）激光雷达观测与多源光学、雷达、地形及纹理预测因子相融合。利用优化的机器学习框架，模型取得了较高的精度（林冠高度：均方根误差RMSE = 2.28 m，决定系数R² = 0.63；生物量：RMSE = 11.06 Mg ha^-1，R² = 0.85），且与该区域全球同类产品相比，与GEDI参考数据的一致性更优。模型预测结果进一步通过独立的ICESat-2（Ice, Cloud, and land Elevation Satellite-2）ATL08观测数据进行验证，确认了其超越GEDI参考数据的一致性与泛化能力。研究结果揭示了结构稳定性的显著空间差异：印度缓冲区（Indian Buffer）与核心区（Core Zones）以及孟加拉国萨特希拉林区（Satkhira Range）在研究期间保持稳定，而昌德帕伊（Chandpai）、萨兰科拉（Sarankhola）和库尔纳（Khulna）则出现林冠高度与生物量的持续下降，这可能反映了不同区域受气旋、盐度入侵及人为压力影响的差异。林冠高度与生物量之间的强耦合关系凸显了基于高度的监测作为数据受限情境下碳储量估算替代指标的价值。通过精细时空尺度解析结构变化，该数据集为全球最关键红树林生态系统之一的蓝碳核算、气候韧性规划及生物多样性保护提供支撑。该方法框架可转移至全球其他沿海与三角洲森林，为野外通达性受限区域的高分辨率、多时相监测提供可扩展途径。

## 一、研究背景与问题提出

红树林是地球上生产力最高、碳储量最丰富的生态系统之一，提供海岸稳定、生物多样性保护及全球蓝碳储量贡献等多项生态系统服务。尽管仅占全球热带森林面积的0.1%，红树林却在地上生物量和地下沉积物中储存了不成比例的大量碳，成为气候变化减缓策略的关键组成部分。然而，这些生态系统正面临海平面上升、极端天气事件、盐度入侵、土地利用变化及不可持续资源开发等日益加剧的压力，导致其面积和健康状况出现可测量的下降。

孙德尔本斯分布于恒河-布拉马普特拉-梅格纳河系下游三角洲平原，横跨孟加拉国与印度，是世界上面积最大的连片红树林，约10,000 km²。作为联合国教科文组织世界自然遗产地，该生态系统支撑着具有全球意义的生物多样性，包括濒危的孟加拉虎（*Panthera tigris tigris*），并通过缓冲气旋风暴潮和稳定沉积物动态来支撑区域海岸韧性，同时提供渔业支持、养分循环和碳固存等关键的供给与调节服务。尽管具有如此重要的生态和社会经济意义，孙德尔本斯仍日益受到海平面上升、气旋影响、盐度入侵及非法采伐、水产养殖扩张等人为干扰的威胁，这些因素均可改变林冠结构和生物量。

野外实地森林清查虽是量化林冠高度和地上生物量的最精确手段，但在孙德尔本斯这一广阔的潮汐红树林中，由于通达困难、潮汐淹没及危险野生动物等因素，其应用受到严重制约。这些后勤障碍促使研究人员日益依赖卫星遥感技术，该技术能够在景观至区域尺度上实现对森林结构的一致性、可重复且经济高效的监测。光学传感器如Landsat和Sentinel-2已通过光谱指数（如归一化植被指数NDVI、增强型植被指数EVI）广泛应用于植被状况和生产力评估，而合成孔径雷达（Synthetic Aperture Radar, SAR）系统包括Sentinel-1、ALOS PALSAR和Radarsat-2则提供了云穿透能力和对林冠结构及水分的敏感性。

尽管这些遥感数据具有重要价值，但大多数针对孙德尔本斯的光学或SAR数据应用在空间范围上受限、时间上静态，或仅限于林冠覆盖度、密度等水平结构属性。近期星载激光雷达技术的进步极大提升了大范围获取垂直森林结构参数的能力。美国国家航空航天局（NASA）的GEDI任务自2018年底起在国际空间站上运行，提供约25 m地面分辨率的光波形激光雷达测量，具有高垂直精度，能够在各类生态系统中实现林冠高度及相关结构参数的准确反演。GEDI Level 2A数据提供相对高度指标如RH98（Relative Height at 98th percentile），而Level 4A产品则基于波形衍生结构属性估算AGBD。GEDI RH98指标已在多种森林类型中被广泛验证为真实林冠高度的稳健可靠替代指标，而衍生的AGBD产品也在多个生物群落中表现出高精度和与野外测量数据的强一致性。

然而，GEDI的采样受限于其轨道地面轨迹，足迹之间存在较大空间间隙。为生成连续、全覆盖的林冠高度和生物量图，必须利用包括光学、SAR、地形及植被指数在内的互补多源遥感数据集，在预测建模框架中对这些测量进行空间外推。由GEDI与多源数据融合衍生的全球林冠高度产品，包括Potapov等（2021）的30 m分辨率产品和Lang等（2023）的10 m分辨率产品，代表了重要进展。但这些产品通常限于单一年份基线，限制了其量化变化的能力，且在复杂红树林环境中常表现出系统性偏差，包括对矮林冠的高估和对高林冠的低估。生物量数据集面临类似限制，大多数保持静态，尽管孙德尔本斯面临热带气旋（如2007年Sidr、2009年Aila、2020年Amphan）、盐度入侵和人为压力造成的高干扰暴露。这些局限阻碍了气旋驱动林冠突发性丧失和渐进性结构转变的检测。

尽管存在全球林冠高度和生物量产品，但针对整个孙德尔本斯的连续10 m双年度林冠高度和生物量记录，以经过严格质量筛选的GEDI观测和全面多源预测因子进行本地校准，此前尚未编制。现有全球产品（如Potapov等，2021；Lang等，2023）限于单一年份基线且在红树林环境中显示系统性偏差，而孙德尔本斯聚焦的研究或分辨率较粗、或空间范围有限、缺乏时间连续性。本研究通过将已建立的多源数据融合实践与孙德尔本斯特定的数据质量控制工作流相结合，开发了一个整合GEDI激光雷达与Sentinel-2光学影像、Sentinel-1 SAR后向散射与纹理指标、ALOS PALSAR后向散射、地形衍生指标、动态土地覆盖分类及光谱-纹理指数的机器学习框架，以生成2016–2024年双年度10 m林冠高度和AGBD图。

## 二、研究目标与技术方法

本研究旨在：（1）基于GEDI RH98和多源预测因子建模双年度林冠高度；（2）通过将模拟高度与额外光谱、雷达和地形变量相结合估算AGBD；（3）量化孙德尔本斯森林结构和碳储量的多年趋势。所用主要关键技术方法包括：

**多源遥感数据融合与预测因子构建**。集成了Sentinel-2多光谱光学波段、Sentinel-1 C波段SAR后向散射及纹理特征、ALOS PALSAR L波段SAR后向散射、基于数字高程模型的地形衍生指标、动态土地覆盖分类数据，以及包括归一化植被指数（NDVI）、增强型植被指数（EVI）等在内的光谱指数。此外，从上述数据中提取了灰度共生矩阵（GLCM）空间纹理指标和局部统计量以捕捉林冠异质性。

**GEDI激光雷达数据质量控制与处理**。对GEDI RH98和AGBD足迹实施了严格的质量筛选流程，包括过滤低质量波形、排除受云层和地表水影响的观测，确保用于模型训练和验证的激光雷达数据具有高度可靠性。

**基于Optuna优化的XGBoost机器学习框架**。采用XGBoost（eXtreme Gradient Boosting）算法构建预测模型，通过Optuna自动超参数优化框架进行调参，在最大化预测精度的同时最小化过拟合风险。模型采用空间分块（spatial block）设计进行验证，确保训练和验证 footprints 在空间上相互独立。

**独立数据验证策略**。除GEDI数据的分块交叉验证外，还利用独立的ICESat-2 ATL08数据产品对模型预测结果进行外部一致性验证，以评估模型在GEDI参考数据之外的泛化能力。

## 三、研究结果

**模型精度与性能验证**。通过针对2019–2022年间独立于训练数据的10%空间分块保留GEDI参考测量进行验证，优化后的XGBoost林冠高度（RH98）模型表现优异。该模型利用经Optuna调优的全套选定预测因子进行训练，包括光谱、雷达、地形及指数类变量，空间分块设计确保了验证足迹与训练数据在空间上的独立性。

**模型的多源数据整合效应**。通过整合Sentinel-2光学波段、Sentinel-1雷达后向散射与纹理指标、地形衍生指标及光谱指数，模型捕捉了林冠结构与环境信号之间复杂的非线性关系，而这些关系常被单源传感器方法所遗漏。约88,000个经过严格质量控制的GEDI观测数据的纳入，为模型提供了可靠的垂直结构参考基准。

**空间异质性与时间动态**。研究结果揭示了孙德尔本斯红树林结构稳定性的显著空间分异格局。印度缓冲区与核心区以及孟加拉国萨特希拉林地在研究期间保持结构稳定；与之形成对比的是，昌德帕伊、萨兰科拉和库尔纳区域经历了林冠高度和生物量的持续下降。这种空间差异格局很可能反映了不同分区在气旋暴露程度、盐度入侵强度及人为压力方面的差异性影响。

**林冠高度与生物量的耦合关系**。林冠高度与生物量之间存在的强耦合关系，为数据受限情境下以高度监测作为碳储量估算替代指标提供了实证支撑。这一发现对于缺乏野外实测生物量数据的区域尤为重要。

**数据集特征与开放获取**。最终产出的10 m分辨率、双年度（2016–2024）林冠高度和AGBD产品，以图像集合形式托管于Google Earth Engine平台，实现了全球开放获取。数据集包含两个图像集合，分别对应林冠高度和AGBD，为后续研究和应用提供了便利的数据接口。

## 四、讨论与结论

本研究提出的林冠高度与生物量建模框架，在孙德尔本斯红树林结构高分辨率监测方面展现出强劲潜力。多源数据融合策略有效克服了单一传感器的局限性，机器学习优化框架确保了模型在时间序列上的可靠性与稳定性。与现有全球产品相比，该数据集通过本地化校准和质量控制，显著改善了在复杂红树林环境中的估计精度，特别是在处理高林冠和低林冠的系统性偏差方面取得进展。

该数据集的核心价值在于其精细的时空分辨率（10 m、双年度），使其能够同时捕捉气旋等干扰事件导致的突发性林冠损失，以及盐度渐变、渐进性人为压力驱动的缓慢结构变化。这种对渐进与突变双重过程的解析能力，对于理解三角洲红树林的动态响应机制至关重要。

方法论的全球可转移性是本研究的另一重要贡献。该框架可推广至其他野外通达性受限的沿海与三角洲森林区域，为类似生态系统提供高分辨率、多时相监测的标准化途径。ICESat-2 ATL08数据的独立验证进一步确认了结果的稳健性和泛化价值。

**研究结论**：本研究呈现了孙德尔本斯全区域高分辨率（10 m）、双年度（2016–2024）林冠高度与AGBD数据集，通过将经过严格质量筛选的GEDI激光雷达观测与多源光学、雷达、地形及纹理预测因子相融合，在为本区域适配和校准的机器学习融合框架内实现了高精度估算。该建模框架通过先进的机器学习优化，达成了高精度和时间一致性，与现有全球产品相比表现出改善的性能。该开放获取数据集为孙德尔本斯及其他关键红树林生态系统的蓝碳核算、气候韧性规划和生物多样性保护提供了迄今为止空间和时间细节最为丰富的红树林结构动态记录。