《Sustainability》:Evaluation of Carbon Sequestration of Restored Degraded Lakeside Wetlands Around Chaohu Lake Based on GIS and Machine Learning
编辑推荐:
随着全球城市化加快和农业活动加剧,近几十年来全球约61%的湿地已退化,其碳封存能力显著减弱。十八联圩湿地是巢湖的重要支流系统,因土地利用与覆盖变化、营养盐输入和水文干扰而严重退化。为此,自2018年起实施了大规模生态恢复。为量化恢复成果,研究人员整合遥感、GI
随着全球城市化加快和农业活动加剧,近几十年来全球约61%的湿地已退化,其碳封存能力显著减弱。十八联圩湿地是巢湖的重要支流系统,因土地利用与覆盖变化、营养盐输入和水文干扰而严重退化。为此,自2018年起实施了大规模生态恢复。为量化恢复成果,研究人员整合遥感、GIS和机器学习技术,利用XGBoost模型基于2010年碳数据评估并预测了2017年和2024年的碳封存。结果表明,平均碳密度从2017年的48.70 t ha-1增至2024年的90.18 t ha-1,总碳储量总体增加85.2%。这一显著增强主要归因于土地利用转变和生态系统尺度的恢复效应,包括植被恢复和水文修复。模型验证显示预测误差中等(均方根误差RMSE=0.47–0.74),且在多次重复迭代中性能一致。结合平均绝对误差(MAE)和决定系数(R2)指标,结果表明XGBoost模型能够捕捉湿地碳封存的相对空间格局和恢复诱导的变化,同时在变化景观条件下保持合理的预测稳定性。总体而言,这些发现表明大规模湿地恢复可快速有效地增强区域碳汇能力,并突显了数据驱动建模框架支持湿地管理和碳中和策略的潜力,为中国双碳目标下促进可持续土地利用和优化生态系统管理提供了重要指导。
**论文解读:基于GIS和机器学习的巢湖周边退化湖滨湿地恢复碳封存评估**
**研究背景与问题**
湿地是陆地与水体之间的动态界面,虽仅占全球陆地面积约6%,却承载近40%已知物种并储存约全球三分之一土壤碳。然而,近半个世纪以来,快速城市化、农业集约化和工业污染导致全球约61%的湿地退化,严重削弱其碳封存能力。中国约占全球湿地面积的4%,但过去一个世纪因城镇化、农业扩张和工业发展,湿地面积损失近60%。与此同时,国家“双碳”目标(碳达峰和碳中和)要求到2060年实现碳中和,凸显湿地恢复的紧迫性。巢湖流域的十八联圩湿地曾因土地利用变化、营养盐输入和水文干扰而严重退化,2018年水质降至V类,促使政府启动大规模生态恢复工程。然而,现有研究多依赖静态碳系数或短期野外观测,难以捕捉空间异质性和长期恢复效应;恢复前后连续碳观测数据常缺失,尤其对于中小型湿地;过程模型与数据驱动方法的整合有限,缺乏基于机器学习的框架来评估恢复驱动下的碳封存动态。因此,研究人员开展本研究,旨在量化恢复效果,为湿地管理与碳中和策略提供科学依据。
**研究内容与结论**
研究人员整合遥感、地理信息系统(GIS)、InVEST模型和基于XGBoost的机器学习框架,评估并预测了十八联圩湿地恢复前后的碳封存。研究以2010年碳储量作为基线,利用多源环境变量(气候、植被指数、水分指数、土地利用)驱动XGBoost模型,预测2017年(恢复前)和2024年(恢复后)的碳封存空间分布。结果表明:平均碳密度从2017年的48.70 t ha
-1增至2024年的90.18 t ha
-1,总碳储量增加85.2%(从1349.01吨增至2498.12吨),碳封存能力显著增强。这一增长主要归因于土地利用转变(如耕地和裸地向半自然植被和湿地转化)以及植被恢复与水文修复的协同效应。模型验证显示,2017年均方根误差(RMSE)为0.47,平均绝对误差(MAE)为0.15,决定系数R
2为0.05;2024年RMSE增至0.74,MAE增至0.62,R
2升至0.19,表明模型在恢复后景观中捕捉了更多空间变异,但绝对误差上升。整体而言,XGBoost框架能有效反映相对空间格局和恢复诱导的变化,并具有合理预测稳定性。该研究证明了大规模湿地恢复可快速提升区域碳汇能力,且数据驱动建模框架支持湿地管理与碳中和策略,为政策制定者在中国双碳目标下促进可持续土地利用和优化生态系统管理提供了重要指导。论文发表在《Sustainability》。
**主要技术方法**
研究人员采用的关键技术方法包括:(1)基于InVEST模型碳模块,整合多源遥感数据(来源于橡树岭国家实验室分布式主动存档中心ORNL DAAC和ISRIC世界土壤信息)计算2010年基线碳储量(包含地上生物量碳、地下生物量碳和0–30 cm土壤有机碳);(2)利用Google Earth Engine(GEE)平台获取归一化植被指数(NDVI)和归一化水体指数(NDWI)作为植被和水分表征;(3)从WorldClim数据库获取年均温和年降水数据(分辨率约4.5 km);(4)在ArcGIS Pro中使用监督随机树分类器对土地利用分为五类(耕地、植被、裸地、建设用地、水体),总体精度91%,Kappa系数0.88;(5)采用XGBoost回归模型,以2010年碳储量为因变量,环境变量为预测因子,预测2017和2024年碳封存,并使用五折交叉验证重复100次评估模型性能。
**研究结果**
**3.1 描述性分析**
通过空间分析,2010年十八联圩湿地土地利用和碳分布呈现明显空间异质性:耕地和森林占主导,湿地面积有限且破碎;土壤有机碳(SOC)在西部和中部较高,东南部和外围较低;地上和地下生物量碳空间趋势一致,集中于局部高值区。2017至2024年土地利用发生显著变化:2017年以健康植被为主,2024年植被覆盖度降低且更破碎,裸地和低覆盖植被扩展,水体面积显著增加并连片。不同土地利用类型碳密度差异显著:森林总碳密度最高(地上生物量碳3.65 t ha
-1,地下生物量碳1.14 t ha
-1,SOC 45.70 t ha
-1),耕地和裸地次之,建设用地和水体碳储量最低。
**3.2 碳汇预测图与时间趋势**
基于InVEST–XGBoost预测,2017年碳封存以低到中等为主(0.91–4.54 t ha
-1),低值区广泛分布于中北部;2024年碳封存值升至10.73 t ha
-1,高值区在西、东、南部连续扩展。总碳储量从2010年的1348.90 t和2017年的1349.01 t增至2024年的2498.12 t,平均碳密度从48.7 t ha
-1升至90.18 t ha
-1,增幅85.2%。
**3.3 均方根误差对湿地碳汇预测精度的评估**
通过100次迭代的RMSE、MAE和R
2评估模型性能:2017年RMSE=0.47,MAE=0.15,R
2=0.05,表明低平均误差但方差解释能力弱;2024年RMSE=0.74,MAE=0.62,R
2=0.19,误差整体升高且分布更均匀,模型捕捉了更多空间变异但绝对误差增大,反映出恢复后景观复杂性增加对预测精度的影响。
**总结与结论**
讨论部分指出,碳封存增长主要归因于植被恢复与水文修复的协同效应,但碳密度值为土地覆盖级均值,未考虑植被年龄,可能高估早期恢复阶段的地上生物量碳。数据源方面,气候变量分辨率(4.5 km)与30米尺度不匹配,导致空间细节损失,但土地利用、NDVI和NDWI等30米分辨率变量主导了空间异质性捕捉。模型选择上,XGBoost能处理非线性关系和多重共线性,通过100次五折交叉验证增强鲁棒性,且与随机森林、CatBoost等算法相比在预测精度上具有优势。模型性能方面,2024年RMSE升高反映了恢复后景观空间异质性增强,误差集中于过渡区和近期恢复区,而稳定区域预测不确定性低。内部有效性通过交叉验证保障,但未来需纳入人为活动强度、干旱程度等更多驱动因子。外部有效性表明研究结果可推广至其他类似人为管理湿地,且所有变量来源于全球开源遥感数据,增强了框架的可转移性。研究意义在于,湿地恢复可显著提升碳汇能力,为基于自然的解决方案(NbS)提供实证,支持中国碳中和目标。未来管理建议:优先大规模湿地恢复,实施空间定向干预,利用空间显式模型识别碳汇热点,并整合水文与营养管理策略。
**研究结论**
本研究整合遥感、GIS和机器学习技术,评估了巢湖流域十八联圩湿地大规模生态恢复前后的碳封存动态。主要结论如下:大规模生态恢复在生态系统尺度上显著增强了碳封存——总碳储量从2017年的1349.01吨增至2024年的2498.12吨,总体增加85.2%,表明恢复后湿地碳封存能力显著提升。空间分析显示,高碳密度区的扩展与恢复措施驱动的土地利用转变密切相关,包括森林和密植区增长、耕地向半自然植被转化以及低覆盖或裸地的恢复;而建设用地持续呈现低碳密度,突显人为干扰对碳储量的持久影响。基于XGBoost的建模框架通过整合气候与环境变量,有效捕捉了湿地碳封存的相对空间格局和恢复诱导的变化,实现了碳密度分布的空间显式可视化,尽管恢复后景观中预测不确定性增加。尽管存在数据可用性、空间分辨率以及关键过程级变量直接测量缺失等限制,结果一致表明生态恢复提升了多土地利用类型的总碳储量和碳密度。这些发现应被解读为恢复效果的景观尺度指标,而非过程级碳通量的精确估计。总体而言,本研究为湿地恢复在增强区域碳汇、缓解气候变化以及实现中国“双碳”目标(碳达峰和碳中和)中的作用提供了科学证据。未来建模工作可通过纳入更广泛的时间显式水文、生态和人为驱动因子,以及利用深度学习方法的进展来更好地捕捉复杂湿地碳动态。