树智碳汇

基于多源遥感数据与分层二分类器的森林碳汇时空动态监测平台
覆盖云南宁洱县与双柏县，实现 2019-2025 年碳汇变化追踪

🌲

{{ (overviewStats.totalForestArea).toFixed(0) }} km²

监测森林总面积

📅

4 年

多期时空监测 (2019/2023-2025)

🗺️

2 县

云南典型林区研究区

🛰️

28 维

多源融合特征空间

🛰️

多源数据融合

Landsat光谱 + 植被指数 + DEM地形因子，28维特征全面刻画碳汇空间格局

📊

时空动态监测

2019年基准训练+2023-2025年碳汇变化追踪，精准捕捉碳汇时空演变动态

⚡

快速低成本

相比传统样地调查，效率提升百倍，实现大范围快速碳汇制图

🌲

林业应用导向

为森林经营、碳汇交易提供决策支持，服务国家双碳战略目标

🔬 技术路线

STEP 1Landsat影像

→

STEP 2DEM地形数据

→

STEP 328维特征工程

→

STEP 4PKU-AGB分级标签

→

STEP 5分层分类器

→

STEP 6碳汇分级预测

🗺️ 研究区概况

📍 宁洱哈尼族彝族自治县

位于云南省普洱市，地处横断山脉南段，以山地地形为主。森林资源丰富，是云南省重要的林业县。属亚热带季风气候，植被以常绿阔叶林和思茅松林为主。

森林面积 km²

{{ allStats.ninger[0].class_stats.Level3.percentage.toFixed(1) }}%

高碳密度占比

{{ ((modelMetrics.ninger?.cv_oa_mean || 0) * 100).toFixed(1) }}%

模型OA

📍 双柏县

位于云南省楚雄彝族自治州，地处哀牢山国家级自然保护区腹地。森林覆盖率高，生物多样性丰富。属亚热带高原季风气候，以云南松林和常绿阔叶林为主。

森林面积 km²

{{ allStats.shuangbai[0].class_stats.Level3.percentage.toFixed(1) }}%

高碳密度占比

{{ ((modelMetrics.shuangbai?.cv_oa_mean || 0) * 100).toFixed(1) }}%

模型OA

{{ currentYear }}年碳汇分级

{{ splitYear2 }}年碳汇分级

审图号：GS（2025）1508号 | 底图来源：天地图

碳汇等级

低碳密度 (Low)

中碳密度 (Medium)

高碳密度 (High)

碳汇变化

等级提升

保持不变

等级下降

预测置信度

高置信度 (≥80%)

中置信度 (60%-80%)

低置信度 (<60%)

×

📊 统计分析

宁洱县

双柏县

碳汇等级面积分布

各等级面积年度对比

碳汇面积变化趋势

特征重要性排序

双研究区碳汇等级对比

🔍 不确定性分析

本项目基于PKU-AGB（北京大学森林地上生物量密度数据集，2019年）作为训练标签。PKU-AGB作为目前公开的全国性森林生物量数据集，虽具有较高参考价值，但仍存在固有误差。我们主动展示模型不确定性，体现科学严谨性，并明确未来改进方向。

{{ region==='ninger' ? '宁洱县' : '双柏县' }} 模型评估

交叉验证 OA {{ ((modelMetrics[region].cv_oa_mean||0)*100).toFixed(1) }}%

验证集 OA {{ (modelMetrics[region].val_oa*100).toFixed(1) }}%

Kappa系数 {{ modelMetrics[region].val_kappa.toFixed(3) }}

各等级制图精度 (PA)

{{ k === 'Level1' ? '低碳密度' : k === 'Level2' ? '中碳密度' : '高碳密度' }} {{ (v*100).toFixed(1) }}%

各等级用户精度 (UA)

{{ k === 'Level1' ? '低碳密度' : k === 'Level2' ? '中碳密度' : '高碳密度' }} {{ (v*100).toFixed(1) }}%

平均置信度 {{ confidenceStats[region] ? (confidenceStats[region].mean_confidence*100).toFixed(1)+'%' : 'N/A' }} 高置信度 {{ confidenceStats[region].high_pct.toFixed(1) }}%

🎯 误差来源分析

1. PKU-AGB数据集固有误差：PKU-AGB基于遥感反演，在陡坡山区、森林-农田交错带精度显著下降

2. 混合像元问题：30m分辨率下，像元内常包含多种地物，导致特征信号混杂

3. 地形阴影影响：山区地形阴影导致光谱值失真，影响植被指数计算

4. 中等级分类困难：低碳密度与中碳密度的光谱差异较小，是主要误分来源

🚀 未来改进方向

✅ 融合 Sentinel-2 更高分辨率数据（10m），减少混合像元影响

✅ 引入 GEDI 激光雷达数据，提供更准确的垂直结构信息

✅ 收集实地样地数据，替代PKU-AGB作为训练标签

✅ 采用深度学习模型（如U-Net），挖掘更深层空间特征

✅ 增加时序特征，利用多年遥感影像的时间变化信息

🤖 模型详情

宁洱县

双柏县

📋 模型参数配置

参数	值
模型类型	{{ modelMetrics[modelRegion].model_type }}
特征数量	{{ modelMetrics[modelRegion].n_features }}
分类数	{{ modelMetrics[modelRegion].n_classes }}
训练样本数	{{ modelMetrics[modelRegion].n_train?.toLocaleString() }}
验证样本数	{{ modelMetrics[modelRegion].n_val?.toLocaleString() }}
n_estimators	{{ modelMetrics[modelRegion].best_params?.n_estimators }}
max_depth	{{ modelMetrics[modelRegion].best_params?.max_depth }}
min_samples_split	{{ modelMetrics[modelRegion].best_params?.min_samples_split }}
min_samples_leaf	{{ modelMetrics[modelRegion].best_params?.min_samples_leaf }}
max_features	{{ modelMetrics[modelRegion].best_params?.max_features }}
CV折数	{{ modelMetrics[modelRegion].cv_folds }}