《Frontiers in Forests and Global Change》:Estimation of forest carbon storage with small samples based on Bayesian hierarchical model
编辑推荐:
增强森林碳汇能力对于实现碳中和和减缓气候变化至关重要。准确估算森林碳储量及其潜力可提供重要支撑;然而,森林碳储量估算的精度往往受到样本数量以及复杂地形引起的植被异质性的限制。本研究以三江并流区为研究对象,利用云南省森林资源连续清查数据和多源遥感数据,构建了贝叶
增强森林碳汇能力对于实现碳中和和减缓气候变化至关重要。准确估算森林碳储量及其潜力可提供重要支撑;然而,森林碳储量估算的精度往往受到样本数量以及复杂地形引起的植被异质性的限制。本研究以三江并流区为研究对象,利用云南省森林资源连续清查数据和多源遥感数据,构建了贝叶斯层次模型(Bayesian Hierarchical Model, BHM)、普通最小二乘模型(Ordinary Least Squares, OLS)和随机森林模型(Random Forest, RF)进行比较,旨在验证贝叶斯层次模型在小样本条件下的优势和适用性,提高森林碳储量估算精度,并确定研究区的最优遥感数据源。结果表明:贝叶斯层次模型在各数据集上均表现最佳,取得了最高的精度(R2=0.83),并且随着样本量减少仍保持稳健;基于Landsat 8 OLI影像、Sentinel-2影像及其组合的模型精度对比显示,两种数据联合使用可获得最优的模型拟合性能,表明两种数据源之间具有信息互补性;空间分布分析显示,三江并流区北部和中部森林碳储量较高,而南部和东部相对较低。总体而言,在样本量不足或数据分布存在显著异质性的情况下,贝叶斯层次建模方法能够充分发挥多源遥感数据的优势,从而提高森林碳储量估算精度。
**基于贝叶斯层次模型的小样本森林碳储量估算研究解读**
**一、研究背景与问题**
根据政府间气候变化专门委员会(IPCC)第六次评估报告,全球气候呈现明显变暖趋势,已成为当今世界面临的主要环境挑战之一。森林生态系统作为陆地生态系统的重要组成部分,通过碳汇功能在全球碳循环调节和气候变化减缓中发挥着关键作用。提升森林碳汇能力被认为是实现碳中和与应对气候变化的有效途径,因此准确估算森林碳储量及碳汇潜力,对支撑国际气候治理和国家碳达峰、碳中和目标具有重要意义。
然而,森林碳储量的准确估算在实践中面临诸多挑战。野外调查数据是估算森林生物量和碳储量的重要基础,当样本在空间上均匀分布时,样本量通常足以支持对给定树种的地上生物量和碳储量的可靠预测。但在实际森林生态系统中,野外数据获取往往受到森林分布面积大、地形复杂、可达性差、调查条件困难等因素限制,导致样本空间分布不均、样本量不足。这一问题在偏远山区和森林茂密地区尤为突出。在此条件下,依赖大样本假设的传统统计模型在森林碳储量估算中的适用性和可靠性受到限制。
小域估计(Small Area Estimation, SAE)是一种能在样本数据不足甚至为零的区域生成可靠估计并定量评估估算精度的统计方法。贝叶斯层次模型(Bayesian Hierarchical Model, BHM)作为经典的经验贝叶斯技术,将贝叶斯推断与经典统计建模相结合,尤其在样本量较小的条件下,能够产生比传统调查方法更稳健可靠的估计。相比之下,机器学习算法虽然能捕捉预测变量与响应变量之间的复杂非线性关系,但其性能在很大程度上依赖于充足的代表性训练样本。有限的样本量容易导致过拟合,损害模型稳定性和预测可靠性。传统回归模型和混合效应模型则基于确定性参数估计框架,难以充分刻画模型参数和预测的不确定性。因此,本研究聚焦于三江并流区,旨在验证贝叶斯层次模型在小样本条件下的优势与适用性,提高森林碳储量估算精度,并确定研究区的最优遥感数据源。
三江并流区指金沙江、澜沧江和怒江平行并流的区域,位于横断山脉核心地带。该地区地形极为复杂,具有陡峭的坡度、深邃的河谷、破碎的景观和显著的海拔梯度,属于亚热带季风气候。复杂的地形和气候条件限制了野外可进入性,导致调查样本稀疏且分布不均,无法充分代表整个研究区域。
**二、研究方法**
本研究以云南省2022年森林资源连续清查数据为基础,共选取87个样地,涵盖针叶林(50个)、阔叶林(18个)和针阔混交林(19个)三种森林类型。遥感数据全部获取自Google Earth Engine平台,包括2022年6月至12月覆盖三江并流区的95景Landsat 8 OLI影像、Sentinel-2影像以及30 m分辨率的SRTM数字高程模型(DEM)数据。气象数据来源于国家青藏高原数据中心,包括月降水量和月均气温数据。植被类型数据采用中国科学院地球大数据科学工程数据共享服务系统提供的30 m全球精细土地覆被动态监测产品。
碳储量计算采用方精云等(1996)建立的生物量-蓄积量关系模型,将森林蓄积量转换为生物量,再乘以相应的含碳率系数。含碳率参考《造林项目碳汇计量监测指南》(LY/T2253-2014)及已有研究确定。
研究中构建并比较了三种模型:贝叶斯层次模型、普通最小二乘模型和随机森林模型。贝叶斯层次模型采用三层结构——数据层、过程层和参数层:数据层将野外实测森林碳储量作为响应变量,采用Student's t分布作为似然函数以应对潜在的重尾误差;过程层通过分层先验结构刻画不同森林植被类型间的参数变异,采用部分池化(partial pooling)框架在不同植被类型间共享信息;参数层为各参数指定弱信息先验分布。模型参数采用马尔可夫链蒙特卡洛(MCMC)算法中的No-U-Turn采样器(NUTS)进行后验采样,基于PyMC 5.0框架实现。预测变量通过逐步回归方法筛选,为保障模型比较的公平性,三种模型使用相同的预测变量集。模型精度评价采用留一法交叉验证(LOOCV),评估指标包括决定系数(R2)、均方根误差(RMSE)和相对均方根误差(rRMSE)。此外还进行了五折交叉验证以评估模型稳健性,并采用Moran's I检验模型残差的空间自相关性。
**三、研究结果**
**模型因子筛选**:基于逐步回归方法,在不同数据源下筛选出的变量类型和组合有所不同,主要包括遥感光谱特征、纹理特征和气候因子。
**模型构建与精度评估**:贝叶斯层次模型在所有数据源上均表现出最优的拟合性能,基于Landsat 8、Sentinel-2和多源融合数据的决定系数分别达到0.80、0.82和0.83,均保持在0.80以上。相比之下,普通最小二乘模型的最大拟合R2仅为0.17(多源数据场景),随机森林的拟合R2在0.47至0.57之间。验证结果表明,BHM的验证R2在0.73至0.76之间,最大RMSE为8.93 t/hm2,rRMSE处于42.4%至45.3%范围;而OLS和RF的验证R2分别仅为0.01–0.07和0.12–0.21,RMSE均超过15 t/hm2。
**模型残差空间自相关分析**:Moran's I检验结果显示,残差的Moran's I值为?0.0299,p值为0.766,大于0.05的显著性水平,不能拒绝残差空间随机的原假设,表明残差不存在显著的空间依赖性。
**不同数据划分方案下的稳健性评估**:五折交叉验证结果表明,不同随机划分下的验证R2保持在0.70–0.75范围内,变异有限,表明模型预测性能对训练样本划分不敏感,具有良好的稳健性,降低了过拟合风险。
**模型收敛诊断与后验参数分析**:轨迹图显示四条MCMC链具有良好的混合性和稳定的采样行为。所有参数的R-hat值范围为0.999至1.003,均低于推荐阈值1.05;有效样本量(ESS)均超过1700,远高于常规标准200,表明后验采样收敛良好。自由度参数ν的后验均值为4.013,表明观测误差呈现一定的重尾特征,验证了Student's t似然函数选择的合理性。
**不同样本量下模型精度对比**:BHM在样本量降至25个时仍能达到R2_cv≈0.65的较高且稳定的预测性能;而OLS和RF在同一条件下表现不佳,在25个样本时R2_cv分别为?0.29和?0.09,表明其预测性能甚至不如直接使用观测均值作为预测。
**不同森林类型的拟合效果**:BHM在针叶林、阔叶林和混交林三种森林类型中均获得最低的RMSE和rRMSE值,展现出最一致且准确的估算性能。
**森林碳储量空间分布特征**:基于BHM和多源数据的估算结果显示,研究区森林碳储量范围为0至245.86 t/hm2,呈现北中部较高、南部和东部较低的空间分布格局。阔叶林碳储量主要处于中等水平,集中在研究区西部和南部局部区域;混交林碳储量呈点状或小斑块状分布,主要分布在怒江傈僳族自治州,碳储量相对较低。95%可信区间宽度(CI width)的空间分布显示,大部分林区的CI宽度集中在0–30 t/hm2范围内,表明模型预测相对稳定;高不确定性区域主要分布在地形复杂、生态异质性强的地区。海拔梯度上,阔叶林碳储量主要集中于2500–3000 m(占32.13%),针叶林碳储量主要分布在3000 m以上,混交林主要分布于2000–2500 m(占31.97%)。坡度方面,森林碳储量主要分布在20–40°范围内。坡向方面,阳坡和半阳坡碳储量占比最高。
**四、讨论与结论**
**讨论**:本研究首次将BHM应用于三江并流区小样本条件下的碳储量估算。结果表明,与传统建模方法(OLS和RF)相比,BHM在有限样本条件下仍能有效缓解数据稀疏带来的不确定性问题,表现出良好的数值稳定性和收敛性。这一优越性能主要归因于BHM的层次结构和参数建模策略:通过在不同层次指定参数并采用层次先验信息,降低先验信息对估计结果的过度影响;将森林类型等具有随机变异特征的因子纳入层次结构,显式纳入不同类型间的差异;结合固定效应和随机效应系统刻画不确定性;通过弱信息先验施加正则化约束,在样本信息有限时有效整合整体信息和分层信息。此外,BHM通过后验分布和置信区间量化预测不确定性,为决策者提供预测可信度的评估。研究也存在一定局限性,包括层次结构模型对误差分布和层次关系的简化假设可能不完全满足复杂生态系统、MCMC数值方法的计算成本较高、逐步回归变量选择可能引入参数估计偏差等。
**结论**:(1)通过比较单独使用Landsat 8 OLI数据、Sentinel-2数据及其组合的森林碳储量估算结果,发现融合数据集的估算性能最佳。基于Landsat 8 OLI和Sentinel-2数据联合构建的三种模型均表现出相对更高的拟合精度和更低的RMSE值,表明两种卫星数据的互补信息相比单一数据源能够提高基于遥感的森林碳储量估算精度。(2)三种遥感估算模型的比较表明,贝叶斯层次模型在利用遥感变量估算森林碳储量方面综合表现最优,拟合精度最高,R2值达0.83。与普通最小二乘和随机森林等传统建模方法相比,贝叶斯层次模型在样本量减少时仍能保持相对稳定的预测性能,有效解决了极小样本条件下传统模型参数估计不稳定和预测性能下降的问题,为数据有限情况下的森林碳储量估算提供了更稳健的解决方案。(3)基于模型反演的三江并流区森林碳储量空间分析揭示了显著的空间变异。森林碳储量总体呈现北部和中部较高、南部和东部较低的格局,高碳储量区域主要分布于海拔较高、森林生态系统相对完好的地区。不同地形条件和植被类型间的碳储量存在显著差异,表明地形条件和植被类型是影响森林碳储量空间变异的重要因素。(4)所提出的贝叶斯层次建模框架为改进有限样本条件下的森林碳储量估算提供了一种潜在方法。通过整合多源遥感数据和不确定性量化,该框架能够实现更可靠的碳储量估算,为山区森林碳监测与评估提供有用信息。