如何用遥感AI，计量「森林碳汇」？

碳中和碳负排放侧的经济模式

在提出双碳目标的背景下，相信大家都很熟悉碳中和的概念。—— 碳排放的收入和支出相互抵消。这涉及两个方面，一端是碳排放侧，主要措施是节能减排；另一端是碳负排放侧，可以吸收、捕获和中和碳排放。碳负排放技术作为一种主动手段，对于实现碳峰碳中和尤为重要。

目前，碳负排放技术包括造林/再造林(林业碳汇)、生物碳汇、直接空气捕获和强化风化。

林业碳汇，是指吸收和固定大气中二氧化碳并与碳汇交易相结合的过程、活动或机制。

林业碳汇也是最经济的碳负排放技术，去除二氧化碳的成本为10美元/吨至50美元/吨，直接空气捕获技术最昂贵，单吨成本为数百美元或更高，生物质能 二氧化碳捕获和储存技术介于两者之间，其负碳成本也为100美元/吨至200美元/吨。

2010年至2016年，中国陆地生态系统年均吸收约11.同时，1亿吨碳吸收了45%的人工碳排放。作为陆地生态系统的主体和重要资源，森林充分发挥生态服务功能，提高碳汇率潜力巨大，具有投资低、环保效率高、安全性能好、可再生等优点，是物理化学固碳或其他减排方式无法比拟的。

中国在这一领域也有着独特的优势。森林植被总碳储量达到92亿吨。此外，近40年来对恢复天然森林植被、加强人工林培育的巨大投资也取得了成果。目前，中国的森林面积已达到20亿吨.森林蓄积超过2亿公顷175亿立方米，连续30多年保持双增长，使中国成为世界上森林资源增长最多的国家。

中国森林资源分布图中国森林资源分布图 | 中国高分观测

通过建立林业碳汇交易体系，将在促进我国碳达峰碳中和目标方面发挥重要作用，鼓励具有生态优势的市、县、地方林业和农民积极开展林业生态保护和恢复，通过生态管理和碳汇交易实现自然生态和经济的高质量平行发展。近年来，中国不断出台相关政策，逐步建立和完善相关碳汇市场体系——

2012年6月，国家发展改革委发布了《温室气体自愿减排交易管理暂行办法》，确定了政府主导的自愿减排交易体系管理的基本原则，在此基础上，组织相关领域和行业专家陆续制定和备案了多个CCER建立了碳汇会计、监测计量、审批验证机制及相关管理办法，初步建立了碳汇要素市场体系。

2021年3月，我国生态环境部发布了《碳排放权交易管理暂行条例(草案修订稿)》 中指出可再生能源、林业碳汇、甲烷利用等项目的实施单位可以申请国务院生态主管部门核实项目产生的温室气体减排。

2021年4月，中共中央办公厅、国务院发布《关于建立健全生态产品价值实现机制的意见》推进生态资源权益交易，开展森林覆盖率等资源权益指标交易，完善碳排放权交易机制，探索碳汇权益交易试点等。

然而，中国在增加林业碳汇交易方面仍存在瓶颈，技术方法不够成熟和完善，是一个亟待解决的问题。那么，面对广阔的森林，如何从技术层面准确统计林业碳汇量，使双方能够基于统一的基准实现快速交易，促进国家林业市场体系的建立呢？

如何定量统计浩瀚森林？

在研究森林碳汇时，首先要明确几个概念:森林储量、生物量、森林碳储量、森林碳汇量。

森林积累，是树干材料的总量（m3/hm2)可视为森林总量；生物量：林木有机物总量(干物质)(吨干物质/m3）；森林碳储量，是森林生态系统各碳库中碳元素的储备(或质量)，是森林生态系统多年积累的成果，属于存量。森林碳汇量，上述碳库碳储量的变化之和可以在一定时间内表示，属于流量。

张颖，李晓格.北京森林碳汇潜力分析[J/OL].资源与产业：1-15

这些指标和数据需要通过监测和计量林业碳汇实现。根据 IPCC (国际气候变化研究委员会)对陆地生态系统碳库的定义主要包括地上生物量、地下生物量、枯木、枯落物和土壤有机质 5 国家和地区规模的碳汇计量和监测范围包括： 森林、森林外部分（灌木林、四旁树和散生木、疏林、城市森林）、湿地和荒漠化土地类型。

碳储量计算的数据源包括森林资源清查（一级调查）数据、森林资源规划设计调查（二级调查）数据、森林数据、湿地资源调查数据、荒漠化和沙化土地监测数据、生态网络监测数据、遥感数据、火灾、病虫害等灾害统计数据，以及其他相关的调查规划、设计和研究数据。森林涵盖乔木林、竹林、灌木林、疏林、新造林、灌丛等林地。

然而，收集和统计森林数据并不容易。

首先，森林面积大，人工方式效率低，成本高。联合国粮食和农业组织（FAO）将森林定义为0.5公顷以上的土地，树木高于5米，林冠覆盖率超过10%，或者树木可以在原生境达到这个阈值。 森林面积至少为5000平方米，其中大部分远远超过数据，可达数十万至数千万平方米。林业调查人员进入森林需要大量的精力和时间成本，在一些偏远或恶劣的森林地区很难收集森林数据和现场情况。

其次，森林的内部条件和结构比统计农田更复杂。作物通常排列或其他规则的几何形状，但天然森林中的树种不规则，通常有更有机的空间排列，如优势树种可以隐藏在树冠下方。

联合国开发计划署于1993-1997年（UNDP）援助的中国森林资源调查技术现代化项目结合遥感技术、地理信息技术、数据库、数学预测模型和地面调查方法，建立了以太空遥感技术为主要信息收集手段的新型国家森林资源监测系统。自1999年启动的第六次全国森林资源持续清查以来，遥感技术开始了商业应用，对实现全覆盖清查体系、提高森林资源调查精度、防止森林资源清查结果偏差发挥了重要作用。

加入机器学习和数字模型，森林碳汇统计事半功倍:通过遥感数据 AI，为森林蓄积量、生物量估算、碳储量、碳汇量提供基础数据。

用遥感AI进行「森林调查」与「生物量估算」

森林定量统计的原理主要是基于植物的反射光谱特征。不同的植物或同一种植物在不同的生长发育阶段，不同的反射光谱曲线形式和特征，不同的病虫害、灌溉和施肥条件也会导致植物反射光谱曲线的变化，利用植物的特点，结合遥感技术，结合地面调查，通过机器学习分析，可以进行大规模的森林调查。在遥感技术下，利用红波段与近红外波段的波段组合（植被指数）与地面生物量数据的关系进行多元化回归分析和建模，间接估计森林生物量。

将机器学习应用于卫星图像的结果显示了加州内华达山部分地区主要树种的混合。红色用于表示峡谷活橡树 ( Quercus chrysolepis ) 绿色表示香雪松 ( Calocedrus 属)，蓝色表示白冷杉 ( Abies concolor )。| SilviaTerra

- 森林调查适合哪些遥感数据？

主要包括Landsat TM、SPOT-5.高分数据，NOAA/AVHRR、合成孔径雷达（SAR）、激光雷达（Lidar）等。

Landsat TM：LANDSAT5携带的主题成像传感器(TM)使用7个波段TM数据的7个波段和各波段的组合，如植被指数的归一化(NDVI) 等，多元回归分析建模和生物量估算与生物量或材料积累的关系。 世纪80年代，Landsat-TM森林资源二级调查开始使用数据。

SPOT-5、高分数据：后期由于Landsat TM低分辨率限制了二级调查的应用，SPOT-数据以其较高的空间分辨率吸引了林业用户。广东、海南、云南、陕西、贵州、甘肃、宁夏、内蒙古、新疆等省自2003年起相继应用 SPOT-5 对森林资源进行试点应用和二级调查，并更新了林相图。目前，高分数据已基本用于替代 SPOT-森林资源二类数据调查。

辽宁省清原县森林资源规划设计调查 | 中国高分观测

NOAA/AVHRR：AVHRR是NOAA该系列卫星的主要探测器包括5通道光谱扫描辐射仪。AVHRR生物量估算的数据主要是通过AVHRR数据计算NDVI指数是估算森林生物量的常用方法。AVHRR森林分类也使用数据，但其分类精度不如TM数据。

合成孔径雷达（SAR）：微波具有一定的穿透能力，可以穿透林冠和树干。因此，微波遥感可以充分准确地反映森林的内部结构和生物量。合成孔径雷达(SAR)作为一种主动微波传感器，它不依赖于太阳辐射的变化，具有全天候和全天候的地面观测能力，可以随时随地获取植被信息。但根据SAR数据估测森林生物量的后向散射机理可知，影响森林后向散射的因素将增加利用SAR数据反映了森林生物量的复杂性，因此需要考虑树木结构、植物含水量、林下条件和地形对后散射的影响。此外，雷达视角也受到影响SAR提取森林生物量的因素通常需要使用当地的数据DEM对辐射干扰面积进行数据校正。

卫星遥感图像最初解决了大规模森林监测和碳汇定量问题，对不同地区特定类型森林进行精细建模成为挑战。正如上面所说，森林的内部结构是最复杂和难以监测的部分。此时，激光雷达技术已成为各县市森林精细管理和碳汇测量的有效手段。

激光雷达（Lidar）：它是一种主动遥感技术，通过激光束准确获取三维坐标信息，结合地面样本调查和数学模型反演技术，可以快速获得大规模的森林高度和森林结构参数域的林木蓄积量、生物量、碳储量等信息，在大范围、高时效、高精度林木高度与林分垂直结构信息获取方面相对其他数据获取手段具有更加精准、立体的优势。

基于LiDAR数据，可提取树冠高度模型和样地森林平均高；结合遥感数据、森林一张图面积数据可推算区域范围内的蓄积等相关林分因子；结合更多样地数据等，获取更为精确的地貌类型、郁闭度等级、树种组、径阶，建立和完善树高-胸径，生物量-郁闭度等数学生长模型库。

绩溪县林业局通过遥感影像+激光雷达碳汇时空计量模式，形成全国首例碳汇本底计量与实景三维森林成果 | 箩筐技术

值得注意的是，在对森林进行定量统计时，融合多源、多时相遥感数据会让统计结果更加准确：每种遥感数据源收集到森林数据的维度和分辨率是不同的，它们可以实现对森林更多维的描述，例如，高分辨率可为低分辨率数据提供误差校正，有效提高森林生物量的估算精度；长达几十年的LANDSAT卫星图像非常适合发现物种之间的差异；雷达通常包含有关整体森林结构的更多信息...最为关键的是将这些不同类型的影像结合起来，通过多元回归分析、神经网络和数学模型模拟等形成估测模型，反演森林树种清单、森林地上生物量，进而计算森林碳储存量。

- 怎样的AI算法适合森林生物量的遥感估算？

利用遥感数据对生物量进行估算不是直接进行的，而是利用遥感数据计算植被指数、叶面积指数、材积等，然后利用这些因子与生物量的密切关系估算区域的生物量。并且，针对各地森林不同实际情况，可选择不同的AI算法模型，或直接建立适合研究区域的数学模型，以下介绍几种常用的森林生物量遥感估算模型。

多元回归分析：森林生物量与众多因素相关，一个因变量与多个自变量之间的数量关系问题，可用多元回归分析解决，故多元回归分析被广泛用于森林生物量的遥感估算研究，尽可能多地利用遥感数据的相关波段可提高生物量的估算精度。

人工神经网络：由于多元回归分析要求各变量之间无相关性，遥感数据的各波段无法满足这一要求，神经网络可以实现多元回归分析功能，又不要求变量独立，因此可以利用神经网络来估算生物量。

神经网络又称人工神经网络，是由大量处理单元(类似于生物神经网络系统的神经元)组成的非线性大规模自适应动力学系统，具有学习能力、记忆能力、计算能力以及智能处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理、存储和检索功能，它具有非线性、非局域性、非定常性等特点。神经网络所涉及到的网络模型有：线性网络、后向(BP)神经网络、径向基函数网络和回归网络等。

虽然神经网络具有多元回归无法取代的优点，但神经网络难以描述变量和输出数据之间的关系，因此限制了其在区域尺度上的应用。

数学建模：估算区域生物量还可以通过数学方法建模实现。不同的森林类型和树种类型，所建立的数学模型不尽相同，直接建立适合研究区域的数学模型也不失为一种估算区域生物量的好方法，比如：利用Landsat TM建立的生理主成分预测生长(3PC)模型用于估算生物量清查和清查变化情况；由3个地面调查数据集的林冠高度模型与机载激光雷达数据结合，可估算热带森林的生物量。但值得注意的是，在这样的使用场景下，一个通用的生物量模型始终是不存在的。

另外，一般加法模型GAM和决策树模型也可建立森林生物量模型，能够获得更高精度；但是具有场景局限性，如在基于样地数据估算区域尺度上的森林生物量时，决策树模型不适用。

森林碳储量可视化地图 | SilviaTerra

林业碳汇遥感平台展望

利用遥感AI测算林业碳汇在带来大尺度、高效率和精确性的同时，也面临挑战，其中最为主要的是海量数据处理挑战和多环节业务流程集成。

数据挑战包括，数TB级的海量时空数据处理，多源时空数据融合，以及遥感数据的快速更新。例如，Landsat卫星影像可以追溯到1972年，内容非常丰富，拥有数百万张光学和红外波段的图像，并需要融合多源高分辨率航空影像、数字高程图等，这些数据每天都在不断增长，需要快速发布、有序管理与融合分析。同时，碳封存情况很难被高频监测，通过对遥感底图的更新，能够基于时空变化，监测并获取最新的碳封存数据。

另一方面，我们也从上文可见，森林生物量估算与碳汇动态计量，是相当复杂的问题，涉及到地面数据采集、遥感数据源、AI建模和精度验证等多个环节，需要将多源数据采集获取、遥感数据以及控制点实际数据处理、森林遥感AI模型、精度验证等进行系统集成，形成流程化业务模式，提升林业碳汇业务整体效率。

由此可见，开发基于软件平台的覆盖全国森林数据系统，是森林碳汇相关领域具有前景的方向，一方面能够解决较小森林碳汇监测过于昂贵而无法参与碳交易的问题，通过降低单个林业碳汇计量成本，降低林业碳汇整体交易门槛；同时通过时效性遥感数据的实时更新，获取最新的碳汇数据，保证准确的碳交易数据基础，让双方基于统一、最新基准进行碳交易，为林业碳汇交易市场奠定良好的数据与技术基础。

参考资料

· 知乎：碳中和——森林碳储量计算方法（1）Accumulation

· 遥感在森林地上生物量估算中的应用 何红艳 郭志华 肖文发

· 2019 中国高分卫星应用国家报告

· 经济日报 《林业碳汇交易还有哪些坎？》

文章来源于公众号 超擎时空