中国南方植被地上生物量碳密度数据集(2002–2017) - 中国科学院计算机网络信息中心

生态系统国家野外站历史数据整编专题 I 区论文（评审中） • 版本 ZH2

中国南方植被地上生物量碳密度数据集(2002–2017)

Carbon density data set of aboveground biomass of vegetation in southern China (2002–2017)

袁帅，童晓伟，傅伟，王克林，唐新斋

YUAN Shuai, TONG Xiaowei, FU Wei, WANG Kelin, TANG Xinzhai

DOI: 10.11922/11-6035.csd.2024.0130.zh
CSTR: 32001.14.11-6035.csd.2024.0130.zh
: 10.5281/zenodo.7146104

： 2024 - 05 - 24

： 2024 - 08 - 05

map

1400 21 0

摘要&关键词

摘要：随着石漠化综合治理和生态修复等重大工程的实施，我国西南喀斯特地区已成为全球植被覆盖和地上生物量增长最快的地区之一，也是中国率先实现碳中和目标的潜力区域。但由于地质背景复杂，本区域森林地上生物量的估算存在较大的不确定性。因此，对西南森林地上生物量的准确估算和生态恢复下固碳效应的监测评估研究成为迫切需求，以期为优化生态治理工程、实现碳中和及森林管理提供科学指导。本文利用MODIS和SMOS的卫星观测数据来估算2002年至2017年中国南方的地上碳密度变化；使用2015年碳密度静态基准图来训练机器学习算法，应用于年度MODIS图像来估算碳密度变化；辅以分辨率为25 km × 25 km的SMOS低频无源微波数据独立评估2010–2017年生物量变化和土壤湿度趋势；生成了2002–2017年覆盖中国南方地区的地上生物量碳密度数据集，空间分辨率为500 m × 500 m；并根据分辨率为30 m和5.6 km的独立树木覆盖数据对本数据集进行验证，相关系数达0.9。本数据集量化了造林、采伐和自然再生等不同森林管理策略对碳固存的影响，提供了中国南方地区多种生态系统、植被类型、植被结构在不同时间尺度和空间尺度下的生物量碳密度数据，可为多尺度的生态环境管理和研究提供支持；多源数据提取生物量碳密度信息，与地面调查数据校正、验证相结合的分析方法，可为多尺度的生态环境监测和分析的数据处理提供技术参考；同时本数据集的结果，还可应用于生态环境保护、气候变化、生态系统服务评估、碳排放核算、土地利用规划等专题研究领域，为政府部门、科研机构和环保组织提供重要的决策支持和分析借鉴。

关键词：碳密度；西南八省；多源遥感；机器学习

Abstract & Keywords

Abstract: With the implementation of major projects such as the comprehensive management of rocky desertification and ecological restoration, the karst region of southwest China has become one of the regions with the fastest growth of vegetation cover and aboveground biomass in the world, and is a first potential region in China to achieve the goal of carbon neutrality. However, due to the complex geological background, the estimation of aboveground vegetations biomass in this region is uncertain. Therefore, accurate estimation of aboveground biomass of vegetations in Southwest China and monitoring and evaluation of carbon sequestration under ecological restoration, are urgently needed to provide scientific guidance for optimising ecological management projects, achieving carbon neutrality and forest management.In this data set, MODIS and SMOS satellite observations are used to estimate aboveground carbon density changes in southern China from 2002 to 2017. A static benchmark map of carbon density for 2015 was used to train a machine learning algorithm applied to annual MODIS imagery to estimate carbon density changes. SMOS low-frequency passive microwave data at 25 km × 25 km resolution was used to independently assess biomass changes and soil moisture trends from 2010–2017. The carbon density dataset covers southern China at 500 m × 500 m spatial resolution from 2002–2017. It was validated against independent tree cover data at 30 m and 5.6 km resolutions, with correlation coefficient of 0.9. The dataset quantifies the carbon sequestration impact of different forest management strategies like afforestation, harvesting, and natural regrowth, and provides data on biomass carbon density of multiple ecosystems, vegetation types, and vegetation structures at different temporal and spatial scales in the southern region of China, which can support ecological and environmental management and research at multiple scales. It demonstrates southern China's forests offset 33% of regional fossil fuel emissions, with implications for climate change mitigation. Meanwhile, the results of this dataset can also be applied to ecological environmental protection, climate change, ecosystem service assessment, carbon emission accounting, land use planning and other thematic research areas, which can provide important decision-making support and analyses for government departments, scientific research institutions and environmental protection organisations.

Keywords: Carbon density; eight south-western provinces of China; multi-source remote sensing; machine learning

数据库（集）基本信息简介

数据库（集）名称	中国南方植被地上生物量碳密度数据集（2002–2017）
数据通信作者	傅伟（weif@isa.ac.cn）
数据作者	袁帅、童晓伟、傅伟、王克林、唐新斋
数据时间范围	2002–2017年
地理区域	地理范围为97°31′~117°12′E，20°12′~34°19′N，地理区域范围涉及的省份主要是西南八省（四川、云南、广西、贵州、湖南、广东、湖北、重庆）。
空间分辨率	1 km
数据量	852 MB
数据格式	*.tif
数据服务系统网址	https://doi.org/10.5281/zenodo.7146104
基金项目	国家重点研发计划课题“智能化台站数据管理关键技术研究及系统开发"（Grant No.2021YFF0703901）；国家重点研发（Grant No.2022YFF1300700）；国家重点研发（Grant No.2018YFD1100103）；国家自然科学基金（Grant No.41930652）；国家自然科学基金（Grant No.U20A2048）
数据库（集）组成	数据集共包括16个数据文件，即2002–2017年中国南方植被地上生物量碳密度图，数据文件命名采用英文字母与阿拉伯数字的组合形式，具体命名格式为“GBRf2_XXXX”,其中“XXXX”是指各数据文件的所属年份，范围为2002-2017年，每个年份对应一个数据文件；数据文件数据集采用栅格数据结构进行组织和存储，数据格式为*tif；栅格数据中表征区域内“地上生物量碳密度”的属性值单位为：Mg C ha⁻¹；16个数据文件数据存储量共为852MB。

Dataset Profile

Title	Carbon density data set of aboveground biomass of vegetation in southern China (2002–2017)
Datacorresponding author	FU Wei (weif@isa.ac.cn)
Data author(s)	YUAN Shuai, TONG Xiaowei, FU Wei, WANG Kelin, TANG Xinzhai
Time range	2002–2017
Geographical scope	The geographic range is 97°31′~117°12′E, 20°12′~34°19′N, and the geographic area ranges over provinces mainly in the eight southwestern provinces of China (Sichuan, Yunnan, Guangxi, Guizhou, Hunan, Guangdong, Hubei, and Chongqing).
Spatial resolution	1 km
Data volume	852 MB
Data format	.tif
Data service system	https://doi.org/10.5281/zenodo.7146104
Sources of funding	National Key Research and Development Program of China (Grant No.2021YFF0703901); National Key Research and Development Program of China (Grant No.2022YFF1300700); National Key Research and Development Program of China (Grant No.2018YFD1100103); National Natural Science Foundation of China (Grant No.41930652); National Natural Science Foundation of China (Grant No.U20A2048)
Dataset composition	There are 16 data files in Carbon density data set of aboveground biomass of vegetation in southern China (2002-2017), each of the 16 data files is named in the form of combination of English letters and Arabic numerals, as "GBRf2_XXXX", where "XXXX" refers to the year of each data file, ranging from 2002 to 2017. Each year corresponds to a data file; and each data file is organized and stored in raster data structure as the data format of *tif. In the raster data, the unit of attribute value characterizing the "above-ground biomass carbon density" is Mg C ha−1; and the total data storage capacity of the 16 data files is 852MB.

map

引言

陆地生物量碳密度作为陆地单位体积生物量的含碳量，不仅是量化陆地生态系统碳汇功能关键参数，同时是反映森林经营管理和生态恢复工程实施效果的重要指标^[1-2]。大尺度、连续性的陆地生物量碳密度信息对于评估陆地生态系统碳储量、碳汇的空间格局、潜力、稳定性及其驱动因素具有重要意义。

因此，基于不同时空尺度和生态系统进行生物量碳密度的制图研究日益受到科学家关注，以期实现生态系统生物量的动态监测及其碳汇潜力的有效评估。曾庆雨等兼顾自然、经济社会和景观格局特征，基于InVEST模型对2000—2020年黄河流域陆地生态系统碳储量时空演变进行模拟，生成了研究区多年生态系统碳储量时空分布数据集，为区域生态环境保护和土地利用政策的科学制定提供了重要参考；但该数据集的研制过程缺乏对气候条件复杂性与生态系统碳储量相互关系的探讨，且不涉及对地质背景的影响分析^[3]。邓平尽管基于龄组和群落垂直分层两个维度，深入探究了江西省吉安市马尾松人工林不同生长阶段乔木层、灌木层、草本层和凋落物层生物量及碳密度的变化规律，为提高马尾松人工林的经营水平提供了有益思路；但与此同时，该数据集的时空尺度较小，且未探讨不同森林类型及土地利用类型对陆地生物量碳密度变化的影响^[4]。徐丽等为提高我国陆地生态系统碳储量估算精度，生产了2010s 中国陆地生态系统碳密度数据集，为区域生态系统质量评估及生物量模型优化提供了宝贵的基础数据；然而，尽管该数据集覆盖了我国多种陆地生态系统类型，但对于地质背景复杂、人地矛盾突出、森林管理和生态工程活动活跃的西南喀斯特地区而言，该数据集难以充分、客观地反映中国南方地区植被生物量碳密度的空间异质性特征^[5]。

为此，本数据集从复杂地质背景和森林管理的影响出发，基于高时空分辨率卫星光学影像和机器学习方法生产了2002-2017年中国南方植被生物量碳密度数据。与其它同类数据集相比，本数据集量化了造林、采伐和自然再生等不同森林管理策略对碳固存的影响，对于有效理解区域尺度复杂地质背景条件、土地利用类型及气候多样性对生物量空间格局的影响具有重要意义，可为区域生态系统服务评估和碳排放高精度估算提供数据支撑。

1 数据采集和处理方法

本数据集估算了2002–2017年500 × 500 m²尺度下森林面积和碳密度的动态（图1）。在利用MODIS数据制作了年度森林地图的基础上，并将其与30 m和5.6 km尺度下的独立树木覆盖数据进行了比较；进而由年度森林图生成得出了森林连续性和动态的类型信息。由于该地区的森林管理是一个非常动态的过程，需要在合理的空间比例尺上绘制出年度地图，而这是任何公开产品都无法提供的。由于分析是在0.25 km²的空间尺度上进行的，陆地表面类型不可避免地包括农业种植、植物生长、森林砍伐、物种演替等多种过程，最终的分类是由网格单元内的大多数这些过程确定的，但少数过程对实际森林面积的影响也很重要，特别是周期性的砍伐播种、物候等森林动态过程。值得注意的是，一个500 × 500平方米的区域被定义为植树造林类型，只意味着该网格内发生了造林过程，而并不代表在整个0.25km²的面积上都分布有树。

图1 数据集生成流程图

Figure 1 Generation Flowchart for the Data set

我们使用静态未发表的2015年全球木本植被碳密度基准图来研究中国森林碳变化^[6,7]。该地图是使用三种类型的数据构建的：（1）来自ICESat-1（冰、云和陆地高程卫星）上的地球科学激光高度计系统（GLAS）的800多万个波形，使用半系统采样方法反映了森林和木本植被的垂直结构；（2）来自国家清查和研究生物量样地的大量地面数据，用于开发将GLAS激光雷达数据转换为全球不同森林类型的碳密度的模型;（3）来自Landsat的卫星图像;2015年ALOS相控阵l波段合成孔径雷达数据，SRTM陆地高程数据。以glass预测的生物量为因变量，卫星图像为自变量，采用贝叶斯最大熵算法^[6,8]，对碳密度及其不确定性进行了预测，并绘制了1 ha空间网格单元的全球分布图。机器学习算法使用800万GLAS导出的碳密度作为训练数据，预测每个像素落入碳密度范围的概率。然后将概率图结合起来计算每个像素的碳密度的平均值和方差。预测算法的细节以及与其他机器学习方法的比较已经在早期的出版物中进行了讨论^[8]。该地图是对早期泛热带地图的改进，包括最新和先进的遥感数据，以及包括热带地区树木木材密度变化的新模型。

每个网格单元的地图的不确定性包括与碳密度模型和空间相关性相关的不确定性^[6,9]。虽然由于使用光学卫星数据和木材密度变化的影响，以前的地图被批评为茂密的热带森林，但我们的研究区域并不存在茂密的雨林，我们的数据与基准地图之间没有饱和^[10]。虽然归一化植被指数（NDVI）在森林上明显饱和，但来自高分辨率雷达传感器的卫星图像提高了对整个研究区域内再生森林和低碳密度森林的森林结构和生物量的灵敏度。

利用碳密度图训练MODIS梯度增强决策树模型（MCD43A47波段;NDII，EVI2，MCD43A3短波反照率）和SRTM高程模型^[11]。模型训练、预测和验证仅使用覆盖研究区域的数据。我们使用50%的可用像素（n=286,824）来训练模型，剩余的50%用于验证。模型的质量总体较高（r=0.86，斜率=0.74，RMSE=11Mg C ha^-1），原始地图的碳密度可以被复制，而不会在森林上饱和（图2）。将该模型应用于每年的数据集，得出年碳密度图。动力学与低频无源微波卫星数据进行了比较，其中还包括对时间不确定性的估计。

图2 NDVI与碳密度对比图

Figure 2 The figure of NDVI compared to carbon density

2 数据样本描述

中国南方植被地上生物量碳密度数据集 (2002-2017)（以下简称“数据集”）共包括16个数据文件，即2002-2017年各年的中国南方植被地上生物量碳密度分布图（数据子集）。数据子集命名采用英文字母与阿拉伯数字的组合形式，具体命名格式为“GBRf2_XXXX”,其中“XXXX”是指各数据子集的所属年份，范围为2002-2017年，每个年份对应一个数据子集，其空间范围为97°31′~117°12′E，20°12′~34°19′N，该空间范围包括了四川、云南、广西、贵州、湖南、广东、湖北和重庆等8个中国南方省区。数据集采用栅格数据结构进行组织和存储，空间分辨率为1km,数据格式为*tif，16个数据文件数据存储量共为852MB。以 2002年中国南方植被地上生物量碳密度数据(文件名:GBRf2_2002.tif)为例，GBRf2_2002.tif中像元分辨率为30m，地理坐标系为WGS1984，最高值为466 Mg C ha⁻¹，最低值为-19 Mg C ha⁻¹；同时，由于数据源存在一定的云量，导致数据集中部分地区“地上生物量碳密度”的属性值缺失，被赋为值为Nodata。。

3 数据质量控制和评估

我们将MODIS衍生的碳密度图与SMOS L-VOD （l波段植被光学深度）数据集（目前是唯一一个基于低频被动微波的地表生物量碳动态的空间明确数据集）进行了比较。本数据集2010–2017年的分辨率为25 × 25 km²，转换使用Saatchi和Baccini在之后的生物质基准图，并取两种校准的平均值。在像元水平上，MODIS 碳密度与L-VOD 碳密度具有良好的空间相关性（r = 0.7）。对于时间比较，我们对该地区每年的MODIS 碳密度和L-VOD图进行了平均，两组数据集的时间动态非常吻合（r = 0.90），表明碳密度的动态变化可靠。时间动态的不确定性通过MODIS和SMOS衍生的碳密度变化之间的RMSE来评估。对于基于不同基准校准图的不确定度评估。由于区分不同森林类型需要较高的分辨率，因此只能提供研究区域整体的时间不确定性，而不同森林类型的不确定性仅限于空间层面。在这里，我们计算了用于校准的基准图与MODIS导出的每种森林类型的碳密度图之间的RMSE，相关系数达0.9。

4 数据价值

目前，国内外的相关数据集主要依赖于遥感技术、野外调查和模型估算。本数据集则创新地采用多种数据源，如高分辨率遥感影像、地面调查数据和生态模型结果，通过先进的数据整理和质量控制技术，以确保数据的准确性和可靠性。主要创新点及数据价值如下：

（1）本数据集覆盖了中国南方地区各种不同类型的生态系统，包括森林、草原、湿地等，以及不同植被类型和植被结构；此外，数据集还包括了不同时间尺度和空间尺度下的生物量碳密度数据，可为多尺度的生态环境管理和研究提供支持。

（2）本数据集加工方法的创新性。采用先进的遥感影像解译技术、生态模型和数据挖掘算法，从多源数据中提取生物量碳密度信息，并结合地面调查数据进行校正和验证。此外，数据集加工中生成的空间插值和时间序列分析等数据处理工具，为同类型多尺度的生态环境监测和分析的数据处理提供支持。

（3）中国南方地上生物量碳密度数据集，可应用于生态环境保护、气候变化、生态系统服务评估、碳排放核算、土地利用规划等多个专题研究领域；高时空分辨率的生物量碳密度数据和专业化的数据处理工具，也将为政府部门、科研机构和环保组织提供重要的决策支持和数据处理加工方法借鉴。

[1]

Tong, X., Brandt, M., Yue, Y. et al. Forest management in southern China generates short term extensive carbon sequestration. Nat Commun 11, 129 (2020). https://doi.org/10.1038/s41467-019-13798-8.

+ CSCD · Baidu Scholar

[2]

Lal, R. Forest soils and carbon sequestration. For. Ecol. Manage 220, 242(2005). https://doi.org/10.1016/j.foreco.2005.08.015

+ CSCD · Baidu Scholar

[3]

曾庆雨, 孙才志. 黄河流域陆地生态系统碳储量测算及其影响因素[J]. 生态学报, 2024, (13): 1-18.

+ CSCD · Baidu Scholar

[4]

邓平. 马尾松人工林植被生物量及碳密度特征[D]. 南昌: 江西农业大学, 2015.

+ CSCD · Baidu Scholar

[5]

Xu, L., He, N., Yu, G. et al. A dataset of carbon density in Chinese terrestrial ecosystems (2010s). Sci Data, 4,1(2014).

+ CSCD · Baidu Scholar

[6]

SAATCHI S S, HARRIS N L, BROWN S, et al. Benchmark map of forest carbon stocks in tropical regions across three continents[J]. Proceedings of the National Academy of Sciences of the United States of America, 2011, 108(24): 9899–9904. DOI: 10.1073/pnas.1019576108.

+ CSCD · Baidu Scholar

[7]

CARREIRAS J M B, QUEGAN S, LE TOAN T, et al. Coverage of high biomass forests by the ESA BIOMASS mission under defense restrictions[J]. Remote Sensing of Environment, 2017, 196: 154–162. DOI: 10.1016/j.rse.2017.05.003.

+ CSCD · Baidu Scholar

[8]

XU L, SAATCHI S S, SHAPIRO A, et al. Spatial distribution of carbon stored in forests of the democratic republic of Congo[J]. Scientific Reports, 2017, 7(1): 15030. DOI: 10.1038/s41598-017-15050-z.

+ CSCD · Baidu Scholar

[9]

MCROBERTS R E, NÆSSET E, LIKNES G C, et al. Using a finer resolution biomass map to assess the accuracy of a regional, map-based estimate of forest biomass[J]. Surveys in Geophysics, 2019, 40(4): 1001–1015. DOI: 10.1007/s10712-019-09507-1.

+ CSCD · Baidu Scholar

[10]

MITCHARD E T, SAATCHI S S, BACCINI A, et al. Uncertainty in the spatial distribution of tropical forest biomass: a comparison of pan-tropical maps[J]. Carbon Balance and Management, 2013, 8(1): 10. DOI: 10.1186/1750-0680-8-10.

+ CSCD · Baidu Scholar

[11]

BACCINI A, WALKER W, CARVALHO L, et al. Tropical forests are a net carbon source based on aboveground measurements of gain and loss[J]. Science, 2017, 358(6360): 230–234. DOI: 10.1126/science.aam5962.

+ CSCD · Baidu Scholar

数据引用格式

张雪梅, Martin Brandt, 岳跃民, 等. 中国南方地上生物量碳密度数据集 (2002–2017)[DS/OL]. V1. Science Data Bank, 2024. (2024-08-05). DOI:10.5281/zenodo.7146104.

map

稿件与作者信息

论文引用格式

袁帅, 童晓伟, 傅伟, 等. 中国南方地上生物量碳密度数据集 (2002–2017)[J/OL]. 中国科学数据, 2024. (2024-08-05). DOI:10.11922/11-6035.csd.2024.0130.zh.

袁帅

YUAN Shuai

主要承担工作：数据整编与数据论文撰写。

（1999—），男，湖南省湘潭市人，硕士研究生，在读，研究方向为生态学。

童晓伟

TONG Xiaowei

主要承担工作：数据分析与生产。

（1986—），女，湖南省湘潭市人，博士，研究员，研究方向为生态遥感和区域生态恢复机制。

傅伟

FU Wei

主要承担工作：数据整理、审核与数据论文撰写。

weif@isa.ac.cn

（1979—），男，湖南省常德市人，硕士，高级工程师，主要从事生态监测与信息化建设。

王克林

WANG Kelin

主要承担工作：总体工作部署。

（1963—），男，湖北省老河口市人，硕士，研究员，研究方向为区域生态。

唐新斋

TANG Xinzhai

主要承担工作：数据的质控及信息化。

（1976—），男，山东威海市人，硕士，工程师，主要从事生态数据与信息的集成与共享。

国家重点研发计划课题“智能化台站数据管理关键技术研究及系统开发"（Grant No.2021YFF0703901）；国家重点研发（Grant No.2022YFF1300700）；国家重点研发（Grant No.2018YFD1100103）；国家自然科学基金（Grant No.41930652）；国家自然科学基金（Grant No.U20A2048）

National Key Research and Development Program of China (Grant No.2021YFF0703901); National Key Research and Development Program of China (Grant No.2022YFF1300700); National Key Research and Development Program of China (Grant No.2018YFD1100103); National Natural Science Foundation of China (Grant No.41930652); National Natural Science Foundation of China (Grant No.U20A2048)

map

出版历史

I区发布时间：2024年8月5日（版本ZH2）