Spatial Estimation of Carbon Sequestration Using Remote Sensing and Its Application in Carbon-credit Assessment: A Comprehensive Review

方法

综述多光谱、高光谱、SAR、LiDAR等遥感与GIS、机器学习融合方法。

发现

遥感可空间连续估算多类碳库，但不确定性及MRV要求制约碳信用转化。

机会点

可研究多源数据融合与AI驱动的数字MRV，降低碳信用评估不确定性。

碳固存是减缓气候变化的基础，因为陆地和水生生态系统将碳储存在植被、生物量、土壤和地壳中。可靠估算碳储量及其时空变化，对于制定气候政策、生态系统管理、碳核算和碳信用评估至关重要。传统野外测量可提供详细信息，但受采样要求、成本、劳动力、空间异质性以及连续监测局限性等因素制约。遥感提供了一种互补方法，能够在不同时空尺度上对植被特征、土地覆盖变化、生物量及其他碳相关变量进行空间连续观测。多光谱、高光谱、合成孔径雷达、激光雷达、热红外和高分辨率卫星观测的进步，拓展了碳估算能力。这些技术与地理信息系统、野外观测、统计技术和机器学习算法的集成，使得对地上生物量、地下生物量、土壤有机碳、森林碳、农业碳、红树林碳和蓝碳资源进行精确空间评估成为可能。然而，与传感器特性、野外数据质量、模型选择、空间变异性、时间动态和尺度转换相关的不确定性仍是公认的局限。将空间碳估算转化为碳信用，需要考虑基线条件、额外性、永久性、泄漏、不确定性、核查以及测量、报告和核查要求。本综述批判性地审视了遥感技术、碳估算模型、空间制图方法、机器学习技术、碳核算框架及其在碳信用评估中的集成。特别强调了多源数据融合、新兴地球观测技术、人工智能、不确定性评估和数字化MRV系统。识别了主要的方法学、技术和政策差距，以及开发透明、空间明确、科学稳健且可扩展的碳信用评估框架的机遇。