这里是科研人的「方法急救站」！🚑
- • 欢迎加入我们的**"学术社群"**，每日更新热点论文复现指南！
论文卡片
我们通过小程序科研零时差追踪到: International Journal of Applied Earth Observation and Geoinformation近期发表题为“Monitoring annual forest carbon stock loss using very high-resolution time series remote sensing images and earth-foundational data”的文章。第一单位为长沙理工大学。
doi: https://doi.org/10.1016/j.jag.2026.105320
数据(代码)链接: https://github.com/wzp8023391/ForestCarbonEstimate
作者邮箱：wangzhp25@csust.edu.cn, chubin@whu.edu.cn, chenzegang@hnsdzystst.com, zhang.yunfei@csust.edu.cn, 615729137@qq.com, 15111018295@163.com, sclong@hnust.edu.cn, zhb@img.net
标签：#森林碳储量 #气候变化 #多源遥感 #深度学习 #变化检测 #树冠高度模型
cover本文内容速览：
- 1. 提出科学问题
- 2. 文章的主要结论
- 3. 分析过程和方法
- 4. 研究的局限性
1. 提出科学问题
1.1 研究领域现状
森林占据了地球表面超过32%的面积，在全球碳循环中发挥着核心作用。利用遥感影像监测森林变化由于成本低且观测周期长，已成为该领域的主流方法。近年来，基于深度学习的语义分割和变化检测模型显著提升了二维层面森林变化的监测效率和精度。然而，现有的研究大多局限于设计先进的算法来监测二维的森林覆盖变化，很少有研究能够在融合多模态空间数据的基础上，同时获取二维森林变化和垂直方向的树冠高度信息。缺少树冠高度这一关键的三维信息，研究人员难以准确估算大尺度区域内真实的森林碳储量损失。
1.2 本文要解决的关键科学问题
针对上述二维监测框架存在的不足，本研究试图解决以下科学问题：
- • 问题 1: 如何有效融合多模态遥感影像与地球基础模型数据（Earth-foundational data），以提高十米空间分辨率下大尺度森林树冠高度模型（CHM）的估算精度。
- • 问题 2: 如何将高分辨率的二维时间序列森林变化检测结果与三维的树冠高度动态数据相结合，从而剔除伪变化，实现对年度森林碳储量损失的高精度、定量化计算。
1.3 研究的理论/现实意义
本研究提出了一种结合二维变化检测与三维树冠高度信息的全新森林碳储量损失估算框架。该框架证明了引入AlphaEarth等地球基础嵌入数据能够显著增强复杂地表特征的提取能力。在现实层面，该方法为利用低成本的卫星遥感数据进行国家级乃至全球级别的高精度森林碳储量监测提供了可行的技术路径。准确量化长时序的碳储量损失，能为地方政府制定科学的森林保护政策及推进全球碳中和目标提供坚实的数据支撑。
2. 文章的主要结论
本研究在湖南省绿心公园区域对所提框架进行了验证，得出了以下核心结论：
- • 结论 1: 结合多模态遥感数据构建的新型CHM估算模型，能够显著提升十米空间分辨率下的树冠高度预测精度。
- • 结论 2: 将三维CHM产品与二维变化检测结果相融合，可以有效剔除因云层遮挡或季节更替造成的误检像素，大幅提高森林变化图谱的可靠性。
- • 结论 3: 结合改进后的森林变化区域与树冠高度信息，研究测算出该区域的年度森林碳储量损失，数据显示自2021年以来，该区域的碳储量损失呈现显著下降趋势，印证了近期森林保护政策的有效性。
3. 分析过程和方法
[更加详细的复现指南可加入学术社区获取!]
文章的核心研究逻辑建立在一个范式转变之上：从单纯的二维面积变化监测，转向结合垂直树冠高度的三维碳储量损失估算。
▲Figure 1. 传统二维森林变化检测与本文提出的三维碳覆盖变化及树冠高度计算的范式对比为了实现这一目标，作者选择了湖南省长株潭生态绿心地区作为研究区。该区域具有典型的常绿阔叶林和竹林，且近年来受到了严格的政策保护，是验证高精度碳储量损失估算的理想场所。
▲Figure 2. 湖南省生态绿心公园研究区位置示意图整个研究框架分为三个主要逻辑步骤：首先是年度树冠高度模型（CHM）的预测；其次是基于极高分辨率（VHR）影像的二维森林年度变化检测；最后是融合三维高度信息来修正二维变化，并计算碳储量损失。
▲Figure 3. 结合多模态数据估算森林碳储量损失的总体工作流程图在年度树冠高度模型（CHM）估算阶段，作者采用了一种多模态数据融合策略。传统的CHM估算多依赖于单一的激光雷达（如GEDI）或无人机数据，空间连续性或获取成本存在局限。本文引入了Google开发的十米分辨率AlphaEarth嵌入数据，该数据融合了空间、时间及高分辨率地表细节，包含64维的高级语义特征。作者将Sentinel-1的SAR波段（VV和VH）、Sentinel-2的光学波段与AlphaEarth嵌入数据沿通道维度拼接。由于特征维度高达76维，研究利用1×1卷积核进行降维并增强特征表达。模型架构选用经典的U-Net网络，并将2020年的GEDI L2A相对高度（RH95）数据作为真实标签进行端到端训练，损失函数选用L1-loss。训练完成的模型随后被迁移用于预测2018至2024年间所有年份的CHM产品。
▲Figure 4. 基于U-Net架构和AlphaEarth嵌入数据的CHM估算流程接下来是年度二维森林变化检测。为了捕捉精细的空间变化，作者使用了0.5至0.8米分辨率的国产高分系列（GF-2, GF-7）及吉林一号等影像。在这一步骤中，作者应用了此前在两百万平方公里数据集上预训练过的孪生网络（Siamese-style）深度学习变化检测模型。该模型通过对比相邻年份的高分辨率影像，提取出双时相的森林变化区域，从而生成初步的二维年度变化图谱。
▲Figure 5. 结合二维变化检测与三维CHM信息的年度森林变化修正流程文章通过图表清晰地展示了CHM估算结果的时间序列变化，证明了模型在捕捉区域尺度树冠高度动态方面的稳定性。
▲Figure 6. 2018年至2024年研究区年度CHM预测产品通过放大特定城郊区域，可以直观观察到高分辨率CHM产品对局部林地高度变化的刻画能力。
▲Figure 7. 城郊区域2018年至2024年年度CHM产品的详细视图单纯依靠二维光学影像进行变化检测，不可避免地会受到云层阴影、光照变化等因素干扰，产生伪变化像素。这就引出了本研究最关键的方法论创新：利用三维CHM数据精炼二维变化结果。其核心算法逻辑是：将初步检测出的变化多边形与同时期的年度CHM产品叠加。对于每一个被标记为“已改变”的多边形，算法会计算其内部CHM的平均值。如果该区域的平均树高在变化发生的年份出现了显著下降（例如设定的阈值大于10米），并且在下一年度保持低位，该多边形才会被确认为真正的森林损失区域；否则，将其作为假阳性结果剔除。
▲Figure 8. 2018至2024年各监测年份的极高分辨率影像及年度森林变化检测结果分布作者通过具体的局部案例，利用折线图展示了变化区域内树冠高度均值随时间断崖式下降的过程，这种图表结合了空间分布（遥感图）与定量属性（高度折线），极具说服力地展示了高度信息在验证真实砍伐事件中的作用。
▲Figure 9. 年度森林变化检测结果的详细图例，曲线代表变化区域内CHM均值的下降趋势最后一步是碳储量损失估算。在获得了高精度的真实森林损失面积（二维）和损失发生前的树冠高度（三维）后，作者采用体积到生物量的经验转换方程进行计算。首先用面积乘以高度计算出损失体积，随后通过基于中国实测树木建立的异速生长方程（引入参数a和b）计算地上生物量（AGB），最终乘以碳含量系数（0.5）得出碳储量损失值。研究通过折线图呈现了多年的碳储量损失总量，清晰地反映了该地区生态治理的成效。
▲Figure 10. 研究区2018年至2024年年度森林碳储量损失的时间序列统计综合来看，该文章的逻辑链条非常紧密。它并没有停留在提升某一单一算法的精度上，而是利用不同维度物理量（面积与高度）的交叉验证机制，解决了一个复杂的现实遥感监测痛点。
如果你觉得这篇文章对你有帮助，欢迎点赞👍、收藏⭐️和分享🔗给更多的科研小伙伴们！
如果你有任何问题，欢迎加入我们的学术社群与大家讨论交流💬
最后祝大家都能多多发顶刊！！
