

测绘科学技术|基于人工智能和卫星遥感的人造灌木林碳汇估算及监测研究

汉斯出版社

2025-11-14

导读：关注汉斯出版社公众号联系小编即可投稿，还可获取最新论文模板！

点击蓝字，关注我们

导读

在汉斯出版社《测绘科学技术》期刊上，有文章提出一种基于随机森林算法与多源遥感数据融合的灌木碳汇估算模型，为应对气候变化提供高效、低成本、可持续的科学决策支持，系统性解决传统监测中效率不足、数据断层等难题。

基本信息

基于人工智能和卫星遥感的人造灌木林碳汇估算及监测研究

Research on Estimation and Monitoring of Carbon Sinks in Artificial Shrublands Based on Artificial Intelligence and Satellite Remote Sensing

作者：

崔浩然, 雷中行*：内蒙古师范大学科学技术史研究院，内蒙古呼和浩特；李璟琇田：内蒙古师范大学教育学院，内蒙古呼和浩特；刘奕含：内蒙古大学经济管理学院，内蒙古呼和浩特

关键词：

卫星遥感；灌木碳汇监测；人工智能；数据包络分析

基金项目：

内蒙古师范大学学生科技创新项目资助“基于DEA模型的造林碳汇项目监测效率研究”(2025XSKC21)。

doi：

https://doi.org/10.12677/gst.2025.134027

论文详情

上下滑动阅读更多内容

研究现状分析

传统林业碳汇监测长期依赖人工样地调查与生物量法，局限于小范围实测数据，效率低、成本高且难以适配灌木林结构复杂、覆盖度低的特点。

随着卫星遥感技术的突破，监测手段从“点状调查”向“全域感知”演进。监测方法从传统线性模型向智能解译跨越。

当前造林碳汇监测研究多聚焦于乔木碳汇核算，从单一碳汇核算向全周期管理延伸，传统方法因忽视灌木生态贡献面临技术空白，依赖单一数据源与静态模型，难以精准提取灌木生物量、生长特征等关键参数，且线性算法对高维、非结构化数据的处理能力较弱，严重制约大范围监测的准确性与时效性。

针对上述问题，本研究创新融合高精度遥感影像与多模态人工智能技术，构建基于深度学习的灌木林树种精准识别模型，分类精度超过90%。

研究方法

1. 技术路线(如图1)：

2. 人造灌木林碳汇估算方法

本研究数据来源于Google Earth Engine (GEE)平台获取的Sentinel-1 C波段雷达影像与Sentinel-2多光谱光学影像，其中Sentinel-2数据选自2024年生长季的6月至10月期间，云量低于20%的L2A级数据，空间分辨率为10米，覆盖内蒙古鄂尔多斯市约3.6万平方公里干旱半干旱灌木林区域。

将收集到的影像数据进行预处理，特征提取与优选，对随机森林算法和支持向量机进行比较，通过构建准确率、精确率、召回率和F1分数对随机森林计算结果进行精度验证。具体细节见原文链接。

3. DEA经济效率计算模型

在DEA模型中，投入与产出指标的选取至关重要，直接影响效率评估的准确性和可靠性。根据投入与产出指标的相关性、可获取性、数量适中等选取原则，本研究选取监测成本为投入指标，项目减排量及成交价格为产出指标。基于碳汇项目监测体系特征与碳金融市场经济价值属性，遵循可观测性、同质性与非共线性原则构建效率评估指标体系。投入变量选取全生命周期监测成本(CM)，涵盖遥感数据采集、地面核查及设备折旧费用，满足投入要素的可货币化度量要求；产出变量包括碳汇减排当量(QC)与碳汇交易价格(PT)，前者基于IPCC方法学计算核准减排量(CERs)，后者反映碳资产市场定价效率的年度加权均价。

结果与讨论

1. 影像识别系统结果

该影像识别系统以1米级高分辨率卫星影像为输入，利用随机森林算法对影像特征进行提取与分类。系统能够有效识别并区分地表不同类型的区域，最终输出清晰的分类结果，准确地将影像中的各类地物划分到相应的类别中，为后续的土地利用规划、环境监测等提供了有力的数据支持。

2. DEA经济效率结果

DEA经济效率分析结果显示，不同监测方式在效率及适用场景上存在显著差异(如表1)。