2024卫星对地观测下的农田碳指标监测体系

卫星对地观测下的农田碳指标监测体系目次前言 III引言 V范围 1规范性引用文件 1术语和定义 1缩略语 2监测体系分级原则 2卫星对地观测下的农田碳指标监测体系 3卫星对地观测下的农田碳指标遥感监测产品体系 4附录A（规范性）空天地一体化农田碳指标监测技术体系框架 9附录B（资料性）遥感碳中和监测原理及优势 11附录C（资料性）国内外主要碳源碳汇监测常用卫星的主要参数 13参考文献 14IPAGEPAGE1卫星对地观测下的农田碳指标监测体系范围本文件规定了卫星对地观测下的农田碳指标监测体系和农田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农田生态系统碳监测相关遥感信息产品的业务化反演生产和农田生态系统碳循环监测技术系统的建设，为农田碳汇计量与监测提供量化依据。规范性引用文件（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修订版术语和定义农田土壤碳汇croplandsoilcarbonsink农田土壤有机质soilorganicmatter（包括作物残体不同阶段的各种分解产物和合成产物的总称。注：包括高度腐解的腐殖物质、解剖结构尚可辨认的有机残体和各种微生物体。[来源：DB11/T1562—2018，3.3，有修改]叶面积指数leafareaindex单位土地面积上植物叶片总面积占土地面积的倍数。光合有效辐射吸收比例fractionofabsorbedphotosyntheticallyactiveradiation与植被结构有关的冠层光学参数，太阳入射光和有效辐射被植被冠层拦截并吸收的比例。土地利用与土地覆盖变化landuseandlandcoverchange缩略语下列缩略语适用于本文件：DEM：数字高程模型（DigitalElevationModel）GPP：总初级生产力（GrossPrimaryProductivity）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）LIDAR：激光雷达数据产品（LightDetectionandRanging）MS：多光谱数据产品（MultispectralDataProduct）MW：微波数据产品（MicrowaveDataProduct）NDVI：归一化差异植被指数（NormalizedDifferenceVegetationIndex）NPP：净初级生产力（NetPrimaryProductivity）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农田遥感碳指标监测需求，制定以下体系分级原则：科学性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。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。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，能方便地与国内外相关分类分级方案接轨。卫星对地观测下的农田碳指标监测体系IPCC20062019卫星对地观测下的农田碳指标监测体系见表1。表1卫星对地观测下的农田碳指标监测体系一级指标二级指标农田生态系统碳通量和碳储量监测指标二氧化碳CO2浓度甲烷CH4浓度氧化亚氮N2O浓度总初级生产力（GPP）净生态系统生产力（NPP）农田地上生物量农田地下生物量农田土壤有机碳库农田土壤有机质土壤碳密度农田生态系统碳循环模型输入参数叶面积指数归一化差异植被指数（NDVI）病虫害监测与预报作物种植面积作物类型农田土壤水分农田土壤养分土地利用与土地覆盖变化光合有效辐射吸收比例卫星对地观测下的农田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农田碳指标遥感监测产品体系，对应的碳指标监测产A空天地一体化农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。PAGEPAGE5表2卫星对地观测下的农田碳指标遥感监测产品体系产品产品类别数据获取与处理要求卫星对地观测原始数据及传感主要参数辅助数据常用计算方法二氧化碳CO2浓度高光谱产品（HS）高光谱遥感数据，空间分辨率优于2km，重访周期不超过16d。数据等。反演各温室气体的二氧化碳当量。甲烷CH4浓度氧化亚氮N2O浓度总初级生多光谱产品多源遥感监测，空间分辨率优于地基通量观测网络数据、气象数、农田生态系统碳通产力（GPP）（MS）1km，重访周期小于8d。据、DEM数据以及土地利用数据等。植被—大气—土壤系统碳循环模型（CEVSA）计算区域的总初级生产力。基于遥感统计方法，建立总初级生产力数据与遥感植被指数的经验关系。量和碳储量监测指标净生态系统生产力（NPP）多光谱产品（MS）多源遥感监测，空间分辨率优于1km，重访周期小于8d。地基通量观测网络数据、气象数据、DEM数据以及土地利用数据等。利用卡内基—阿姆斯—斯坦福方法（CASA）等光能利用率模型、各碳库土壤异养呼吸模型，建立日步长的机理性生态模型估算净生态系统生产力。多光谱产品（MS）、高感卫星数据、激光雷达数据等相结合，使用机器学习回归拟合建模，实现作农田地上生物量光雷达产品高/多光谱遥感监测，空间分辨率10m16d。地面核查数据物生物量的区域制图。选择作物生育期进行核查，相对应的卫星遥感数据选择可获取的时间上最接（LIDAR）近采样时间的数据；在数据质量存在问题时，考虑采用相应月份的平均合成数据进行制图。表2卫星对地观测下的农田碳指标遥感监测产品体系（续）产品产品类别数据获取与处理要求卫星对地观测原始数据及传感主要参数辅助数据常用计算方法农田地下生物量多光谱产品光雷达产品（LIDAR）高/多光谱遥感监测，空间分辨率优于500m，重访周期不超过16d。地面核查数据基于多源遥感卫星数据驱动的地物识别技术，实现农田作物类型、农田冠层覆盖情况的清查；在此基础上通过将实测农田碳库数据（地下生物量与多源遥感卫星数据和激光雷达数据等相结合，使用机器学习回归拟合建模，实现农田生物量的区域制图。或者地下与地上生物量的关系对农田地下生物量进行估算。基于多源遥感卫星数据驱动的地物识别技术，实现农田植被类型，农田冠层农田生态系统碳通量和碳储农田土壤有机碳库多光谱产品光雷达产品高/多光谱遥感监测，空间分辨率优于1km，重访周期不超过16d。地面核查数据覆盖情况的反演。在此基础上通过将实测农田土壤有机碳库数据与多源遥感卫星数据、激光雷达数据等相结合，使用机器学习回归拟合建模。通过高分辨率水文—生物地球化学过程模型（CNMM-DNDC），对从热带到温带地区典型农田生态系统和长时间序列“三高”（即时间、空间和过程高分辨率）的综合模拟，实现了对农田生态系统的土壤水热条件、植物生长、量监测指标（LIDAR）碳氮循环过程和碳氮气体地气交换等过程全耦合的分布式三维模拟，同时，平衡等众多表征变量的预测，最终实现对有机碳库等众多表征变量的预测。农田土壤有机质多光谱产品（MS）高/多光谱遥感监测，空间分辨率优于30m，重访周期不超过16d。地面核查数据Landsat8遥感图像，用快速大气校正（QUAC）模型对遥感图像段多元线性回归分析的方法，构建区域土壤有机质含量的定量反演模型。土壤碳密度多光谱产品波数据产品（MW）多源遥感监测，空间分辨率优于1km，重访周期小于8d。地基通量观测网络数据、DEM碳密度的时空演变过程。表2卫星对地观测下的农田碳指标遥感监测产品体系（续）农田生态系统碳循环模型输入参数产品产品类别数据获取与处理要求卫星对地观测原始数据及传感主要参数辅助数据常用计算方法叶面积指数多光谱产品（MS）多光谱遥感监测，空间分辨率优于500m，时间分辨率优于10d。地面核查数据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；或采用机器学习等方法实现由多波段反射率反演叶面积指数的具体方法。归一化差异植被指多光谱产品（MS）多光谱遥感监测，空间分辨率优于500m，时间分辨率优于10d。地面核查数据、气象观测数据NDVI图像的值，通过其与去年或多年平均，以NDV1图像来也有称随时间变化监测。通过比较寻找出当年与典型年曲线间的相似和差异，从而作出对当年作物长势的评价。病虫害监测与预报多光谱产品（MS）多光谱遥感监测，空间分辨率优于500m，时间分辨率优于10d。地面核查数据通过遥感可周期性提取病虫害作物面积、空间分布等信息。选择病害叶片中对叶绿素敏感的波段，结合实测叶绿素含量，建立叶片叶绿素含量的估算模型，提取病虫害信息；从而评估对作物产量等相关参数的影响。作物种植面积多光谱产品（MW）多光谱遥感监测，空间分辨率优于10m，时间分辨率优于10d。地面核查数据通过遥感快速、准确识别农作物类型，对于完善农作物面积监测方法。基TMETM+13MODISEVI遥感影像数据，采用生态分类法的监督分类与决策树分类相结合的人机交互解译方法，进行作物种植面积的提取。作物类型多光谱产品（MS）多光谱遥感监测，空间分辨率优于500m，时间分辨率优于10d。地面核查数据不同类型的农作物的叶子内部构造有一定的差别，利用遥感技术识别作物类型。根据实地调查关键时段特征和遥感影像，采集提取作物、种植地在不同时间阶段的光谱特征进行作物分类。详细NDVI时间分布可以有效的区分农业生产地区的作物种类。表2卫星对地观测下的农田碳指标遥感监测产品体系（续）产品产品类别数据获取与处理要求卫星对地观测原始数据及传感主要参数辅助数据常用计算方法农田土壤水分多光谱产微波数据产品（MW）多光谱遥感监测，空间分辨率优于500m，时间分辨率优于10d。微波遥感监测，空间分辨率优于60m，时间分辨率优于12d。地面核查数据基于多源遥感数据，提取多个与土壤含水量相关的特征参数，经过差分进化特征选择（DEFS）和主成分分析（PCA）算法对特征参数进行筛选和降维后，结合地面实测数据，使用遗传神经网络（GA-BP）反演土壤水分。农田土壤养分多光谱产品（MS）多光谱遥感监测，空间分辨率优于60m，时间分辨率优于10d。地面核查数据遥感影像和土壤有效磷（AP）、速效钾（AK）量的空间分布图，实现区域土壤养分含量的大面积、快速、精准估算。土地利用与土地覆盖变化多光谱产品（MS）多光谱遥感监测，空间分辨率优于500m。地面核查数据1900对中国历史碳收支进行重新模拟评估，更正中国土地利用变化与覆盖（LUCC）和碳收支模拟评估中存在的偏差。光合有效辐射吸收比例多光谱产品（MS）多光谱遥感监测，空间分辨率优于1km。地面核查数据、气象数据等基于遥感植被指数，构建光合有效辐射吸收比例遥感反演的经验方法。PAGEPAGE14附录A附录B（规范性）附录C空天地一体化农田碳指标监测技术体系框架概述空天地一体化农田碳指标监测技术系统主要包括天空地一体化数据获取、产品标准化生产、模拟分析与决策支持以及综合应用几个部分，具体关系见图A.1。图A.1空天地一体化农田碳指标监测技术体系框架空天地一体化观测系统卫星遥感观测在碳源/汇核查方面发挥重要作用。我国于2016年发射了第一颗二氧化碳监测科学实验卫星，又陆续发射风云三号D星、高分五号大气成分监测卫星和高分六号卫星。2022年，我国首颗陆地生农田生态系统碳循环过程模型通过模拟农田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农田碳汇变化的贡献，并预测其未来变化。具体包括以下方面：开发人类－自然耦合农田生态系统碳循环过程模型，建立农田生态系统碳循环参数数据库，提高模型模拟精度，以准确预测中国农田生态系统的碳汇潜力。综合应用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。管理农田资源数据，掌握现有农田状况，选择合适的农田管理措施（施肥方式、种植制度、耕作模式等），有效解决农田经营管理成效评价和干扰监测的问题。在农田碳指标监测平台支持下，定期更新农田碳汇监测数据和计量监测结果，加快推进农田碳汇附录D附录E（资料性）附录F遥感碳中和监测原理及优势遥感监测原理N2和O2CO2H2O或CH4是有效的吸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。InformationSystem）技术，并根据地区地形、作物类型及生长环境值之间的关系建立回归模型，得出幂函数模型的反演结果精度最高、稳定性最强，也是最适合监测农田生产力的模型，可广泛应用。遥感监测优势300口稠密地区。虽然观测站点数量仍在不断扩展中，但是其有限的空间代表性，导致定量理解大气温室气体的源汇分布仍存在较大问题。（附录G附录H（资料性）附录I国内外主要碳源碳汇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