全球卫星遥感数据的协同应用对陆地生态系统动态监测至关重要，然而不同传感器间的光谱差异将导致下游应用出现系统性偏差。针对这一问题，课题组开发了一种基于机器学习的多波段约束反射率协调方法—HARMU，有效解决了Landsat 8（OLI）与Sentinel-2（MSI）之间的光谱不一致问题。研究结果表明，HARMU在提升数据一致性方面显著优于现有方法，为全球植被参数反演和时间序列分析提供了全新工具。该成果近期发表于遥感领域顶刊《IEEE Transactions on Geoscience and Remote Sensing》。

研究背景：

Landsat 8与Sentinel-2组成的虚拟星座虽能提供平均每2.9天的十米级观测数据，但两者的地表反射率产品存在显著差异。OLI与MSI的可见光与近红外波段虽部分重叠，但红边（MSI B5-B7）及宽近红外（MSI B8）等波段缺乏对应配置，且两者大气校正方法（LaSRC与Sen2Cor）导致蓝波段与短波红外波段存在系统性偏差。传统线性回归方法（如HLS产品）依赖静态系数，仅适用于光谱重叠波段，无法处理非重叠波段，并在面对复杂地表类型的时空异质性时表现有限。因此，亟需开发一种能够实现全波段光谱协调、兼具物理一致性与时空泛化能力的光谱协调方法。

研究方法：

本文提出的多波段反射率协调方法HARMU，基于机器学习算法挖掘不同传感器波段间的非线性关系。与传统的一一对应波段回归策略不同，HARMU使用源传感器的所有波段信息协同预测目标传感器的单个波段反射率，从而充分利用波段间的光谱关联性。具体而言，HARMU采用高斯过程回归构建Landsat 8 OLI与Sentinel-2 MSI反射率之间的非线性映射关系。HARMU模型在全球代表性站点BELMANIP2.1上进行了训练与交叉验证。使用Google Earth Engine获取2019-2021年期间OLI与MSI的原始影像，并筛选配对时间差不超过1天的高质量无云样本。最终获得共计9535个样本对（站点×日期），其中41%为同一日期，59%相差一天。

主要结果：

HARMU方法在跨传感器反射率协调中展现出显著优势。基于BELMANIP2.1站点2019–2021年数据的交叉验证结果（图1）表明，HARMU生成的Sentinel-2 MSI反射率（基于Landsat 8反射率）在所有波段上与对应的观测值高度一致，公共波段（如Red、NIR）R²均超过0.91，重建的红边波段（RE1、RE2、RE3）无明显系统偏差，充分证明了方法的高精度与稳定性。在GBOV独立验证站点，HARMU在多种植被类型下均表现稳定（图2），即使在样本较少的常绿针叶林（ENF）中，R²仍维持在0.81以上，显示出其对复杂地表的强适应性。在区域尺度上的应用显示（图3），HARMU协调后的多波段假彩色影像与原始Sentinel-2高度一致。红边和近红外波段的偏差在森林、湿地和农田等常见土地覆盖类型中整体控制在0.02–0.04以内，在植被密集区偏差趋近于零。这些结果表明，HARMU在站点和区域尺度均具备良好泛化能力和鲁棒性。

研究结论：

本研究提出的光谱协调方法具备全波段适用性，兼顾物理机制约束与时空推广能力，为Landsat-Sentinel虚拟星座的一体化数据融合提供了关键支撑。后续将进一步拓展其在水体、冰雪与城市等复杂地表类型中的适用性，并部署于Google Earth Engine平台，推动全球尺度的高效遥感数据处理与应用实现。

2025年4月3日，春暖花开，万物复苏。为促进团队交流、提升凝聚力，交通线路安全与生态保护遥感课题组于4月3日组织开展了2025年春季出游系列活动——“蔚迹”（Veg）第三期。全体成员齐聚风景如画的梦桐泉酒店，在自然风光与欢声笑语中度过了一段轻松惬意的春日时光。

午后抵达梦桐泉酒店，课题组一行人便沉浸在大自然的怀抱中。碧波荡漾的水池边，成员们悠然赏鱼、嬉戏逗趣，更有“抓大鹅”的欢乐互动，引得现场笑声不断；绿意盎然的大草坪上，大家或沐浴暖阳、畅聊科研与生活，或挥动球拍打羽毛球、重拾童年回忆的“打沙包”游戏，活力四射的身影为春日增添了一抹跃动的色彩。同时室内棋牌室的麻将桌上，智慧与运气的较量同样热火朝天，进一步拉近了团队成员的距离。

活动精心准备了丰盛的春日野餐，精致小蛋糕甜而不腻，为午后时光增添一份甜蜜；现场烤制的金黄焦香的烤全羊、外酥里嫩的烤兔，搭配热气腾腾的养生汤锅，香气四溢的烟火气中，大家围坐分享美食，畅谈工作与生活的点滴，暖胃更暖心。

此次春游活动不仅让团队成员在忙碌的科研工作中放松身心，更通过多元化地互动体验深化了团队凝聚力。“蔚迹”是交通线路安全与生态保护遥感课题组打造的特色团建品牌，旨在通过户外活动探索自然、感悟生态保护的意义，同时增强团队协作精神。活动自推出以来，已成功举办三期，成为课题组文化建设的亮丽名片。

春日不迟，相逢有时。期待下一次“蔚迹”之旅，共赏更多风景！

摘要

碳储存对生态系统的稳定至关重要。人类活动引起土地利用/土地覆盖(LULC)变化，对碳储量产生了重大影响。及时有效地评估LULC转化对碳储量的影响，对区域碳循环至关重要。本研究结合斑块生成土地利用模拟(PLUS)和生态系统服务与权衡综合评估(InVEST)模型，分析了川滇生态屏障区LULC变化对碳储量的潜在影响。研究发现从1995到2020年，川滇生态屏障区的碳储量总体呈增加趋势，增幅为0.396 Tg/yr；其中退耕还林是推动区域碳储量增加的主要原因，这凸显了生态工程对碳储量的积极作用。预测结果表明，加强生态保护可进一步提高碳固存潜力0.6633 Tg/yr，而优先农田保护将抑制生态系统的碳固存能力，使区域碳储量以每年0.3512 Tg的速度递减。这些发现加深了我们对生态工程在碳动态中作用的理解，并为未来生态管理和区域可持续发展提供了科学参考。

研究背景

碳储存是陆地生态系统调节全球碳循环和应对气候变化的核心功能。不同LULC类型的固碳能力差异显著，而人类活动驱动的LULC变化（如森林砍伐、城市扩张）会破坏植被和土壤碳库，导致生态退化与碳储量下降。中国作为全球碳排放的主要贡献者，近年来通过实施《国家生态环境建设规划》等生态工程（如退耕还林、天然林保护），在1990-2020年间有效缓解了城市化对碳储量的负面影响，但区域差异仍需深入评估。

川滇生态屏障区是中国第二大林区，其森林资源对水土保持、生物多样性维护及碳固存至关重要。而该区域长期受到农业扩张、城市化进程及生态工程实施的共同影响，导致土地利用类型发生显著变化，并进一步影响区域碳储量的时空演变特征。因此，我们通过分析川滇生态屏障区过去的LULC变化及其对碳储量的影响来验证生态工程对碳储量增加的积极作用。进一步结合多情景模拟方法，系统预测了未来不同策略下LULC的演变及其碳储量响应，旨在为评估生态工程的长期生态效益和实现生态保护与可持续发展的协同目标提供科学依据和实践指导。

方法

本研究选取1995-2020年为研究时段，该时期涵盖了我国生态工程（如退耕还林、土地恢复）实施的关键阶段。为系统评估生态工程对LULC的影响，我们以5年为间隔进行数据分析，既避免了短期波动干扰，又能反映工程的阶段性效果。首先，我们基于多期LULC数据，通过面积比例统计和转移矩阵分析量化了不同土地利用类型间的转化特征，从而揭示生态工程对土地利用转化的驱动作用。其次，整合历史LULC数据与碳密度数据，利用InVEST模型估算区域碳储量，并采用Theil-Sen中值法分析其时空演变趋势。随后，我们利用随机森林算法解析历史LULC变化与经济社会、气候环境等驱动因子的关联性，定量评估各因素对土地利用转换的贡献度；然后基于多类型随机斑块种子（CARS）的元胞自动机（CA）模型，模拟了不同情景下的未来土地利用格局。最后，将模拟的LULC数据纳入InVEST模型，以进一步评估碳储量的预测变化。该方法的详细流程图如图1所示。

主要结果

川滇生态屏障区森林覆盖率超过50%（图2），显著高于全国24.02%的平均水平，是区域内主要的碳库。森林面积从1995年的127,744 km²增加到2020年的133,934 km²，其中农田和草地转为森林的面积分别占扩张面积的54.59%和45.16%。这归功于20世纪90年代末启动的退耕还林等生态工程项目的推动。同时，城市化进程对土地利用格局也产生了深远影响，其中89.71%的建设用地来源于农田，转化面积为1,705.53 km²。从碳储量的变化趋势看，碳储量变化趋势呈现显著的空间异质性（图3），碳储量下降区域与城市扩张地区密切相关，碳储量增加区域和森林扩张的区域几乎重合。而该区域的碳储量总体以0.396 Tg/yr的速度增加（图4），这表明森林的扩张抵消了城市增长造成的碳损失。

预测结果表明（图5），自然情景（S1）和生态保护情景（S2）的碳储量均呈增加趋势，其中S2的碳储量增幅明显高于S1（0.6633 Tg/yr vs. 0.1164 Tg/yr）。与S1和32相比，农田保护情景（S3）下的碳储量显著下降，以每年0.3512 Tg的速度减少。加强生态保护往往以牺牲部分农田为代价来有效提升碳储存能力（图6），但对粮食安全构成了潜在风险。而优先保护农田会抑制森林和城市对农田的占用，但同时会降低生态系统的碳固存潜力。我们发现实现生态系统健康与粮食安全之间的平衡，特别是了解森林、草原和农田之间转换的动态变得至关重要。