《卫星对地观测下的红树林碳指标监测体系》征求意见稿

1卫星对地观测下的红树林碳指标监测体系本文件规定了卫星对地观测下的红树林碳指标体系和红树林碳指标遥感监测产品体系。本文件适用于采用卫星对地观测技术进行红树林生态系统碳监测相关遥感信息产品的业务化反演生产和红树林生态系统碳循环监测技术系统的建设，为红树林碳汇计量与监测提供量化依据。2规范性引用文件下列文件对于本文件的应用是必不可少的。凡是注日期的引用文件，仅所注日期的版本适用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改单）适用于本文件。GB/T32453—2015卫星对地观测数据产品分类分级规则GB/T15919-2010海洋学术语海洋生物学IPCC2006年国家温室气体清单指南IPCC2006年国家温室气体清单指南2019修订版3术语和定义3.1红树林mangroves在热带和亚热带潮间带，以红树植物为主体的各种耐盐的乔木和灌木组成的潮滩湿地木本生物群落。[来源：GB/T15919-2010，5.52，有修改]4缩略语下列缩略语适用于本文件：HS：高光谱数据产品（HyperspectralDataProduct）IPCC：联合国政府间气候变化专门委员会（IntergovernmentalPanelonClimateChange）LR：激光雷达数据产品（LaserRadarDataProduct）MS：多光谱数据产品（MultispectralDataProduct）MW：微波数据产品（MicrowaveDataProduct）NDVI：归一化植被指数（NormalizedDifferenceVegetationIndex）SMRI：红树林淹没指数（SubmergedMangroveRecognitionIndex）5监测体系分级原则依据GB/T32453—2015《卫星对地观测数据产品分类分级规则》第5章对地观测数据分类分级原则，结合碳中和背景下的红树林遥感碳指标监测需求，制定以下体系分级原则：a）科学性：监测指标的设计和产品体系的划分符合国家有关红树林经营碳汇等方法学、标准在内的碳源汇分类科学体系，并能反应卫星遥感数据应用对类别和级别划分的客观需求，符合已经发布的国家标准和国际标准。分级结构清晰，能反映不同级别产品之间的内在特征与联系。2b）可扩展性：体系制定首先考虑目前使用广泛、可标准化程度高的主流遥感监测产品，同时还应考虑未来一定时期出现的新类别、级别可能性，应具备可扩展性。c）实用性：分级设置应简洁明确，易于操作并为各类用户所接收和使用。d）兼容性：应能够与现行使用的国际温室气体排放分类、国内外遥感卫星数据分级规则建立明确的映射关系，能方便地与内国外相关分类分级方案接轨。6卫星对地观测下的红树林碳指标监测体系根据碳中和核算要素分为红树林温室气体排放源碳源监测指标、红树林生态系统碳通量和碳储量监测指标，以及红树林生态系统碳循环模型输入参数三个一级指标。在一级指标的基础上，依据碳源汇目标地物或要素能够利用遥感卫星对地观测技术手段监测可获得性原则进行二级指标的划分。根据《IPCC2006年国家温室气体清单指南2019修订版》、定量衡量红树林生态系统碳通量大小的参数指标和影响决定红树林生态系统碳通量变化的影响因子等参数设置二级监测指标。其中，红树林温室气体排放源碳源监测指标主要为二氧化碳、甲烷、氧化亚氮；红树林生态系统碳通量和碳储量监测指标为红树林生态系统碳循环的直接指数；红树林生态系统碳循环模型输入参数为红树林生态系统碳循环的模型变量。卫星对地观测下的红树林碳指标监测体系见表1。3表1卫星对地观测下的红树林碳指标监测体系7卫星对地观测下的红树林碳指标遥感监测产品体系对应表1中的二级指标，构建卫星对地观测下的红树林碳指标遥感监测产品体系，对应的碳指标监测产品、产品类别、对应卫星数据和传感器主要参数、辅助数据及计算方法见表2，依托附录A空天地一体化4红树林碳指标监测技术体系框架标准化生产相关数据产品。其中，根据GB/T32453—2015《卫星对地观测数据产品分类分级规则》中6.2.2和6.2.4确定各产品的类别及类别标识，便于标准化生产及交换共享。5表2卫星对地观测下的红树林碳指标遥感监测产品体系卫星对地观测原始数据及传感主标高光谱遥感数据，空间分辨率优利用辅助数据进行气体浓度校核和空间插值计算，估度红树林初级多光谱遥感监测，空间分辨率优利用遥感卫星例如Sentinel-2识别红树林生态系统中GPP值的年度特征，利用植被光合作用模型（VPM）模型计算红树林年初级红树林地上多光谱遥感数据，空间分辨率优高分辨多波束线性体制的激光测号卫星反演的红树林区域地面高程和植被冠层高度和冠层覆盖面积数据信息，以及基于异速生长理论的异速生长方程估算不同形态红树林地上生物红树林地下多光谱遥感数据，空间分辨率优高分辨多波束线性体制的激光测和植被冠层高度和冠层覆盖面积信息的清查；在此基础上通过将实测红树b）根据不同红树林类型，利用地下与地上的根冠比（R/S）或者地下与地红树林土壤多光谱遥感监测，空间分辨率优利用基于分类提升回归(CBR)和粒子群优化(PSO)算法进行特征选择的新型混合人工智能CBR-PSO模型对红树林的土壤有机碳进行估算。结合多传感器光学(Sentinel-2)和合成孔径雷达(Sentine-1和ALOS-2PALSAR-2)遥感6表2卫星对地观测下的红树林碳指标遥感监测产品体系（续）卫星对地观测原始数据及传感主红树林斑多光谱产品多光谱遥感监测，空间分辨率优新红树林分布数据；对比传统目视解译动态更新方法，利用GoogleEarth红树林种高光谱产品多光谱产品高光谱遥感数据，空间分辨率优参数，最终通过决策树模型获得了研究区红b）利用辅助数据以及基于光谱波段、植被指数、冠层高度模型（源自摄影土地覆盖与土地利多光谱产品多光谱遥感监测，空间分辨率优分为：互花米草、林地、草地、水库/养殖池、人工表面和河海水域、滩涂和其它。并且利用GEE云平台获取物候及光谱特征：根据对象的光谱、纹红树林扰多光谱产品多光谱遥感监测，空间分辨率优利用辅助数据和可用于监测时间序列图像上红树林扰动和恢复变化的LandTrendr（光谱-时间分割）算法，结合7表2卫星对地观测下的红树林碳指标遥感监测产品体系（续）卫星对地观测原始数据及传感主多光谱产构建经验或物理模型，结合适当的反演策略实现参数病态反演；或采用机光合有效辐多光谱产基于遥感植被指数，构建光合有效辐射吸收比例叶绿素浓度多光谱产植被指数与组合植被指数并构建高维数据集，综合利用正态分布检验、最大相关系数法与变量重要性评价进行数据降维和变量优选；分别基于单一线性回归算法、机器学习回归算法和堆栈集成学习回归算法建立遥感反演多光谱产基于改进的夫琅和费线提取算法eFLD(extendedFLD)，利用一个在夫琅和费线内的波段和两个分别在夫琅和费线两侧的波段，首先使用数学模型重高光谱产合成孔径雷达卫星a)经验模型法：通过对遥感数据的某一波段、波段组合或利用遥感数据计算的植被指数与植被覆盖率进行回归，建立经验模型，同时利用空间外推b)决策树分类法：基于遥感影像数据，根据各种植被的光谱特征，通过简单的数学统计与归纳获得分类规则与算法，建立知识库进行分类，从而估8表2卫星对地观测下的红树林碳指标遥感监测产品体系（续）卫星对地观测原始数据及传感主红树林冠利用机载激光雷达数据的独立冠层高度模型（CHM）、使用WorldView1图像的立体摄影测量并结合带有TanDEM-X图像的干涉合成孔径雷达归一化植级，统计和显示区域的红树林生长状况。过程监测主要是通过时序NDVI图像来构建作物生长过程，通过生长过程的年际间的对比来反映生长的状红树林淹使用Sentinel-2的NDVI和NIR波段的时间序列和GE利用NDVI基于物候的差异来识别和去除互花米草对水下红树林区域的干量得到的孔隙水盐度数据相结合的方式针对盐度变化对红树林的健康状况和生理指标进行分析，得出适宜不同物种红树林生长————9），无线电探空仪数据，气球飞行基于辅助数据和随机森林（RF）算法的基本思想，通过先进技术微波测深仪（ATMS）提供的微波（MW）被动观测从而分析大气温度（T）和水蒸值——（资料性）空天地一体化红树林碳指标监测技术体系框架A.1空天地一体化观测系统随着近年来气候变化导致的海平面上升，上游水流量减少等综合影响，水体盐度随之发生变化。高盐度是影响红树林生态系统的生物多样性和带状分布的重要因素之一。因此，沿海地区受到公开（清晰可见）和隐蔽（隐藏）影响的综合影响。本文件选取了几个重要的环境因子（水体盐度、土壤pH值、降水量和气温）作为红树林生态系统碳循环模型的输入参数。我国滨海湿地红树林的自然增汇潜力很大，滨海湿地蓝碳的优势表现在单位面积的固碳效率上。而且，滨海湿地沉积物储碳巨大，一旦受到破坏，储存的碳将被释放到大气中。然而，我国滨海湿地的碳汇潜力缺乏系统观测，观测手段不足，观测站位少，观测的系统性不足，更缺乏统一的标准，这些问题都导致现有数据库不全面。我国沿海地区是快速城市化的区域，这決定了该区域滨海湿地面临更多元而复杂的人为干扰，例如来自城市化、富营养化、海岸挤迫和生物入侵的共同景响。以往研究虽提供了滨海湿地萎缩、功能退化、病害甚至死亡的证据；但生态系统固碳功能及其机制的还需进一步研究。特别是将人为干扰作为全球变化的主导因素，对滨海湿地生态系统碳汇功能的演变开展系统性研究，将有助于预估未来蓝碳生态系统效率。卫星遥感观测在碳源/汇核查方面发挥重要作用。遥感作为一种先进的湿地测绘技术，已广泛应用与红树林测绘。围绕碳达峰、碳中和实施过程中红树林碳汇计量监测、建立体现海洋碳汇价值的生态保护补偿机制的核心需求，建议发展利用卫星、飞艇浮空器、无人机在线监测空天地一体化立体监测技术，研究“自上而下”的红树林生态系统碳源汇监测系统，提供高分辨率的红树林生态系统碳通量同化数据。A.2红树林生态系统碳循环过程模型通过模拟红树林生态系统碳循环的过程和机制，提供网格化碳通量变化估计，从而定量划分不同驱动因素对红树林碳汇变化的贡献，并预测其未来变化。具体包括以下方面:a）发展遥感大数据驱动的红树林生态系统碳通量估算方法，建立红树林生态系统碳循环关键参量高时频、高精度、全要素红树林生态系统碳源汇核算服务平台，建设红树林碳汇监测评估体系，全面量化边界组织区域内的碳汇指数。b）开发人类-自然耦合红树林生态系统碳循环过程模型，建立红树林生态系统碳循环参数数据库，提高模型模拟精度，以准确预测中国红树林生态系统的碳汇潜力。A.3综合应用在空天地一体化观测系统和红树林生态系统碳循环过程模型的支持下，利用卫星对地观测下的红树林碳指标遥感监测产品开展红树林碳汇综合应用。包括以下方面:a）规范碳汇项目开发，推进红树林造林/再造林碳汇项目计量与监测工作的开展，确保项目产生的碳汇可测量、可报告和可核查。b）进行情景模拟和决策分析，通过设置不同的碳中和目标约束（如何减排、如何增汇等），得到最有效、最合理的碳中和路径，为寻找碳中和最优科学路径提供强有力的技术和工具支持。c）管理红树林资源数据，掌握现有海岸带蓝碳状况，选择合适的红树林经营方法，保护红树林，有效解决红树林经营管理成效评价和干扰监测的问题。d）开展红树林经营碳普惠，实行“红树林险+碳汇贷”模式，通过碳汇“未来收益权+保险单”质押贷款方式，以预期碳汇价值的保单为质押，根据红树林碳汇未来收益权价值及保险保额确定授信额度，构建以绿色金融为支撑的“低碳”发展机制。（资料性）遥感碳中和监测原理及优势B.1遥感监测原理碳排放遥感监测方面：主被动卫星遥感观测大气二氧化碳都是基于碳分子在红外波段的光谱特性。红外吸收光谱反映了红外辐射分子之间的相互作用，即分子由于吸收或反射而引起的振动和旋转状态变化。就大气而言，其主要成分N2和O2在红外（IR）区域是弱吸收体，而痕量气体如CO2、H2O或CH4是有效的吸收体，导致地球温度升高。只有在分子具有改变它们在跃迁期间的偶极矩的能力时，红外辐射的吸收才会发生。目前GOSAT卫星和OCO-2卫星所使用的反演算法都是利用近红外辐射光谱数据获得廓线浓度加权的柱二氧化碳干空气混合比XCO2。反演算法的主要组成是前向模型、反演方法和误差分析。碳吸收遥感监测方面：遥感技术在获取大尺度陆表参数等方面具有独特的优势，并且可以从遥感影像上直接获取到重要的陆表要素信息（环境参数和植物生长参数），包含了。通过遥感反演获取这些物理参数，可直接作为红树林生态系统模型的驱动变量或参量，结合遥感影像上获取的土地利用和土地覆盖变化或植被现状动态信息进行碳汇的研究。B.2遥感监测优势传统的碳源汇计算主要依赖于地面观测、野外调查、统计数据分析、大气和生态系统模型模拟等方法，但这些方法都存在很大的局限性，比如地面观测的空间代表性不足，空间样本有限且耗费巨大等问题。卫星遥感资料可以获得全球和区域的温室气体和红树林碳汇分布，具有稳定、长时间序列、广空间区域等优点，可弥补站点的不足，有助于提高对碳源汇和气候变化的认识。自本世纪，国内外相继发射了多颗采用短波红外吸收带作为探测波段的星载温室气体探测器，随着探测仪指标和反演方法的不断改进，探测的环境参数种类将越来越多，精度也将逐步提高。通过发展先进的定量遥感技术，也推进我国自主的天基碳监测体系规划和系统论证，结合多尺度、多维度各型卫星系统，分阶段部署、组网运行，协同服务“双碳”监测整体目标。基于卫星对地观测技术进行双碳相关遥感信息产品的反演，包括碳源（二氧化碳、甲烷等）和红树林碳汇监测指标体系的建立和指标的精准量化，为碳交易宏观监测提供量化依据。（资料性）国内外主要碳源碳汇/海洋监测常用卫星的主要参数目前国内外主要碳源碳汇监测常用卫星参数见表C.1。表C.1国内外主要碳源碳汇监测常用卫星参数216米多光谱“红边”盖周期：1天星大气一号------2 Ku/C波段天底指向AVHRR5-4参考文献[1]GB/T14950—2009摄影测量与遥感术语[2]HY／T0349－2022《海洋碳汇核算方法》[3]IPCC《对2006IPCC国家温室气体清单指南的2013增补：湿地》[4]IUCN《海岸带蓝碳：红树林、盐沼和海草床碳储量与释放因子评估方法》[5]AR-AM0014《退化红树林栖息地的造林和再造林》[6]海南国际蓝碳研究中心《海南红树林造林/再造林碳汇项目方法学》[7]刘良云等.全球碳盘点卫星遥感监测方法，进展与挑战.遥感学报，2022，26.2：25.[8]MDPI《基于深度学习的海洋溶解无机碳、总碱度和pH值的高分辨率估算》[9]陈高，钟才荣，李明玉，余洲，刘心雨，贾明明.2022.1990年—2020年广西北仑河口红树林扰动研究.遥感学报，26（6）：1112-1120DOI：10.11834/jrs.20221579.2015(3):10-14.DOI:10.3969/j.issn.1674-9944.2015.03.004.[11]章钊颖,王松寒,邱博,宋练,张永光.2019.日光诱导叶绿素荧光遥感反演及碳循环应用进展.遥感学报,23(1):37–52DOI：10.11834/jrs.20197485.[12]付波霖，邓良超，张丽，覃娇玲，刘曼，贾明明，何宏昌，邓腾芳，高二涛，范冬林.2022.联合星载高光谱影像和堆栈集成学习回归算法的红树林冠层叶绿素含量遥感反演.遥感学报，26（61182-1205DOI：10.11834/jrs.20211374.[13]董泰锋,蒙继华,吴炳方.基于遥感的光合有效辐射吸收比率(FPAR)估算方法综述[J].生态学报,2012,32(22):12.DOI:10.5846/stxb201110241573.[14]周在明，陈本清，徐冉，等.基于无人机高光谱特征的红树林种群识别研究−以漳江口红树林国家级自然保护区为例[J].海洋学报，2021，43(9)：137–145doi:10.12284/hyxb2021136[15]T/CMSA0027—2022区域陆地碳汇评估技术指南[16]DiPaolaF,RicciardelliE,CiminiD,CersosimoA,DiPaolaA,GallucciD,GentileS,GeraldiE,LarosaS,NiloST,etal.MiRTaW:AnAlgorithmforAtmosphericTemperatureandWaterVaporProfileEstimationfromATMSMeasurementsUsingaRandomForestsTechnique.RemoteSensing.2018;10(9):1398./10.3390/rs10091398[17]C.YangandJ.Liang,"SoilpHValueForecastingUsingUWBEchoesBasedonEnsembleMethods,"inIEEEAccess,vol.7,pp.173249-173256,2019,doi:10.1109/ACCESS.2019.2956170.[18]SriRahayuRomadhoni,Lindaetal.“Annualcharacteristicsofgrossprimaryproductivity(GPP)inmangroveforestdur