黄文佳, 梁迅*, 李雅君, 王耀东, 童荣鑫, 周扬, 黄俊龙, 金宇豪, 何杰, 夏义雄, 关庆锋. 大尺度精细植被类型分布推测及植被碳储量估算：一种基于多级邻域的数据合成修复方法[J]. 地理研究, 2026, 45 (7): 1884-1901.
摘要
植被碳储量是研究植被碳汇的重要衡量指标，而现有的大尺度高分辨率下的植被碳储量分布及其变化研究缺乏有力的工具辅助。当前碳储量估算模型通常将植被类型看做一个整体，或只考虑少数几种植被类型，无法用于估算区域的精细植被类型及其变化对区域碳储量及其变化的影响。为此本文构建一种基于随机森林算法的多级邻域搜索元胞自动机（Cellular Automata with Multi-level neighborhood Search, CAMS）模型，可以融合高分辨率土地利用数据及精细植被类型数据，对详细植被类型数据变化进行修复和变化推测，进而实现精细植被类型碳储量及其变化的估算。相较于现已有模型，该模型具有分辨率高、考虑植被型丰富、植被碳储量估算更加精确的优势。本文以湖北省为研究区域，利用CAMS模型对2000-2020年植被型及其碳储量及其变化进行估算，并研究了土地利用变化对植被碳储量及其变化的影响。结果表明：①CAMS模型的Kappa系数为0.97，总体精度达98%，能够有效修补数据并模拟植被类型演变。②湖北省2000-2020年共增加了3.06 Tg，年均增加0.15 Tg/a，主要贡献植被类型为亚热带针叶林及亚热带常绿、落叶阔叶混交林。③近20年间研究区耕地恢复林地面积2,022 km2，新增2.94 Tg的植被碳增量，主要恢复为亚热带针叶林。本研究可为精细化植被碳储量监测及管理提供有力辅助。
01
引言
植被碳储量估算是陆地生态系统碳循环分析、区域碳汇评估及“双碳”目标落地实施的重要基础。如何精准实现大尺度、高分辨率下精细植被类型的碳储量动态估算，一直是生态遥感与土地科学领域的核心研究难点。目前，碳储量、碳通量估算方法主要包含统计清单法、生物地球化学过程模型、InVEST模型及多源遥感反演等多种技术体系，但现有方法普遍难以兼顾高空间分辨率与精细化植被分类，多将植被类型视为整体或仅覆盖少量植被类别，无法精准刻画精细植被类型演变对区域碳储量的影响，高分辨率长时序碳储量估算仍缺乏成熟的技术支撑。近年来，元胞自动机凭借高效的空间演化模拟能力，已在地学时空模拟领域得到广泛应用，同时GEE平台支撑下的高时空分辨率土地覆被数据集，也为大范围植被分类研究提供了全新机遇，但现有研究尚未将元胞自动机模型应用于植被数据的精细化推测中。基于此，本文提出一种融合随机森林算法的多级邻域搜索元胞自动机（CAMS）模型，通过融合高分辨率土地利用数据与精细植被类型数据，并通过多级邻域搜索对土地类别和植被类型不匹配的区域进行修复，实现了大尺度高分辨率植被分布的推测。该方法有利于推动高分辨率制图与生态系统碳汇估算的技术协同，为“双碳”目标下的区域碳储量核算提供了创新性技术框架。
02
研究区域与方法
2.1 研究区与数据
以湖北省为研究区域，使用2000-2020年多年土地利用数据、2001年中国植被分布数据、植被碳密度表格以及气候环境、土壤条件、社会经济相关的驱动数据，研究分辨率为100 m×100 m。
2.2 研究方法
本文构建一种基于随机森林算法的多级邻域搜索元胞自动机（CAMS）模型，可以融合高分辨率土地利用数据及精细植被类型数据，对详细植被类型数据变化进行修复和变化推测，进而实现精细植被类型碳储量及其变化的估算。
（1）植被碳储量计算
本文利用植被碳密度表格中各植被类型的碳密度估计值，比较同一斑块位置不同时间的储存量，确定植被碳储量的变化。
（2）基于随机森林算法的精细植被类型变化规律的挖掘方法
本文采用随机森林分类（RFC）算法来挖掘多种驱动因素和植被类型分布的映射关系，获得各植被类型的发展概率。
（3）多级邻域搜索元胞自动机
基于随机森林挖掘的各植被类型在空间上的发展概率，本文构建了一个多级邻域搜索元胞自动机（Cellular Automata with Multi-level neighborhood Search, CAMS）模型（图1）。该方法首先叠加1:100万植被类型调查数据和土地覆被数据，将植被调查数据中的植被类型赋值给土地利用数据上对应的大类类别（主要指有碳汇能力的林地、灌木、草地、荒漠、湿地），并提取土地覆被数据与植被调查数据不匹配的地区。
表1 植被类型与土地利用类型匹配规则及碳密度表
其中湖北省植被匹配规则如表1所示，不符合匹配规则的情况则视为不匹配区域（例如植被调查斑块数据内显示为林地斑块，而土地利用数据则识别为草地或耕地的斑块等）。CAMS模型针对林地、灌木、草地、荒漠和湿地这五类土地类型中的不匹配区域，开展了精细化的植被分布模拟。随后CAMS模型在植被发展概率、邻域因素以及随机因子的影响下，利用各类植被的发展概率，通过搜索土地利用数据与植被调查数据之间不匹配地块周边的植被类型，推测和填补不匹配的区域内的植被类型。
其中该模型中的多级邻域搜索模块基于自动窗口方法实现，其核心思想是先预定义一个窗口边长的集合，其中窗口边长成倍递增，然后依次以预定义的边长的窗口来遍历图像。算法在每个窗口内统计像元邻域的植被类型，并计算各类型的邻域概率，计算公式如下所示：
式中：
表示第L次搜索时候，第k类植被对元胞的邻域作用，用第k类用地类型在邻域范围内的面积比例表示；NL为方形邻域的大小。最后，CAMS模型以土地覆被数据为标准，将联合概率最大的植被类型，赋值给土地覆被数据内不确定植被类型的地区。
图1 多级邻域搜索元胞自动机的算法流程
03
主要结果
湖北省植被碳储量时空变化：湖北省2000-2020年植被碳储量共增加了3.06 Tg，年均增加0.15 Tg/a，主要贡献植被类型为亚热带针叶林及亚热带常绿、落叶阔叶混交林，碳储量高值区主要集中分布在湖北省西部及东部山区。
土地利用变化对植被碳储量的影响：近20年间研究区耕地恢复林地面积2,022 km⟡，新增2.94 Tg的植被碳增量，主要恢复为亚热带针叶林林地扩张共增加了2.94 Tg碳储量，建设用地的扩张共造成了1.60 Tg碳损失。
表2 湖北省2000-2020年各类用地和植被类型面积（km2）
图2 多级邻域搜索元胞自动机模型修补前后效果对比：（a）为湖北省局部地区2000年修补前数据（b）为湖北省局部地区2000年修补后数据
与已有模型及数据对比：本文模型在空间细节和精细程度上优于InVEST模型；与MMRFE和MMEM数据集对比，本文模拟结果与MMEM模型更相近；本文估算的湖北省多年平均林地植被碳密度为35.9 Mg/ha，与方精云等的研究结果（36.9-41 Mg/ha）更为接近；中国林草生态综合监测评价报告公布的2021年湖北省森林碳储量清查结果为301.55 Tg，与本文2020年估算结果318.55 Tg较为接近。
模型精度验证：CAMS模型的Kappa系数为0.97，总体精度达98%，能够有效修补数据并推演植被类型演变。微域场景下填补效果最佳，且明显优于不含随机森林算法的U-CAMS模型。
图3 湖北省植被类型分布数据及植被碳密度图
图4 本模型结果与InVEST模型结果对比图（对比结果为湖北省2020年植被碳储量分布）
图5 本模型结果与MMRFE、MMEM模型结果对比图（对比结果为湖北省2010年植被碳密度分布）
图6 验证数据
04
结论与讨论
本文提出的CAMS模型，可通过融合高分辨率土地利用数据及精细植被类型数据，对详细植被类型数据变化进行修复及变化推测，进而实现精细植被类型碳储量及其变化估算。模型精度验证结果显示，其Kappa系数达0.97，总体精度达98%，表明该模型具备较强的模拟可靠性，能为区域的精细植被碳管理提供有力的数据支持。对比现有的碳储量估算模型，CAMS模型结果分辨率高、考虑植被类型丰富、植被碳储量估算结果更加精确，并且兼顾了植被碳储量及其变化结果的空间分布。该模型具有更高的灵活性和跨区域适用性，适用于大区域的植被碳储量及其变化研究，可为区域碳中和决策提供有效的技术支撑。未来可考虑联合湖北省森林资源清查数据建立省域尺度“植被类型-龄组-碳密度”查找表、融合Sentinel-2等多源遥感时序数据识别林分年龄结构、耦合过程模型模拟气候驱动的生产力变化，构建“静态基底+动态修正”的混合估算框架，以同步提升碳储量估算的时空精度与解释能力。
