森林碳匯監測技術發展現狀與展望*

摘要：在實現“雙碳”目標背景下，森林碳匯監測技術成為研究熱點。文中總結了國內外森林碳匯監測體系建設、監測方法及技術應用方面的現狀，并在此基礎上從技術創新層面及政策支持層面提出進一步推動森林碳匯監測技術快速發展的相關建議：1）構建森林碳匯云計算平臺，形成生成式預訓練大模型，開發多模態數據智能挖掘算法，搭建森林碳匯智能監測數字孿生平臺；2）加強政策支持與法規建設，推動跨部門協同與國際合作，強化監測成果的應用與轉化的政策支持方向。

關鍵詞：森林碳匯；監測技術；監測體系；監測方法

中圖分類號：S757"""文獻標識碼：A"""文章編號：2096-9546（2024）03-0011-11

Forest Sink Monitoring Technology： Current Status and Prospects

Wang Linlong^1，2，3"Zhang Huihua⁴"Liu Yang^1，3"Sha Haochen⁴"Le Linxuan⁴

Yu Hongyan⁵"Zhao Baowei⁵"Feng Junji⁴

（1.Institute of Forest Resource Information Techniques， Chinese Academy of Forestry，

Beijing 100091， China;

2.Research Institute of Forestry Policy and Information， Chinese Academy of Forestry，

Beijing 100091， China;

3.Key Laboratory of Forestry Remote Sensing and Information Technology， National Forestry and

Grassland Administration， Beijing 100091， China;

4.The Information Center of National Forestry and Grassland Administration， Beijing 100714， China;

5.Qinghai Service and Support Center， Qilian Mountain National Park， Xining 810099， Qinghai， China）

Abstract： In the context of China taking efforts to achieve “dual carbon” goals， the forest sink monitoring technology has emerged as a research hotspot. This paper summarizes the current status of forest sink monitoring framework setup， monitoring methodology， and technological applications at home and abroad. Based on this， relevant suggestions are proposed on how to facilitate the fast development of forest sink monitoring technologies through technology innovation and policy support， including： 1） establishing a forest sink cloud computing platform to form the generative pre-trained large models and develop the multi-modal data intelligent mining algorithms so as to construct a digital twin platform for the intelligent monitoring of forest sink; 2） strengthening policy supports and the regulatory framework to promote cross-sector collaboration and international cooperation， and enhancing the application and transformation of monitoring results.

Keywords： forest sink; monitoring technology; monitoring framework; monitoring methodology

在國家實現“雙碳”目標的戰略背景下，森林作為減緩氣候變化、實現碳中和目標的重要自然資源，其碳匯監測技術發展及其相關政策制定與完善日益受到關注，國家和地方層面相繼出臺了一系列相關政策文件。在國家層面，《中共中央 國務院關于加快推進生態文明建設的意見》《生態文明體制改革總體方案》等指導性文件均強調了加強森林資源保護、提升森林質量和效益的重要性，為森林碳匯監測技術的發展提供了政策導向。在此基礎上，國家還制定了一系列技術標準和規范，如森林資源調查監測體系、森林碳匯計量方法等。這些標準與規范為森林碳匯的精準評估提供了科學依據，確保了碳匯監測數據的準確性和可靠性。此外，國家積極推動森林碳匯相關科研項目的立項與實施，為森林碳匯監測技術的發展提供了資金和技術支持；通過設立專項基金、組織科研團隊、推動國際合作等方式，不斷提升森林碳匯監測技術的研發和創新能力。在地方層面，各地也結合實際制定了一系列促進森林碳匯監測技術發展的政策措施，如部分省（區、市）制定的“十四五”林業草原發展規劃中明確提出要科學評估林草碳匯能力，圍繞實現“雙碳”目標編制提升林草碳匯能力行動方案。在此基礎上，北京市、上海市、廣東省等經濟發達地區，以及云南省、福建省等森林資源豐富地區，制定了具體的森林碳匯發展規劃和實施方案，明確了森林碳匯發展的目標和任務，并提出了具體的政策措施和保障措施，為森林碳匯監測技術的發展提供了有力支撐。此外，一些省份出臺了森林碳匯交易政策，鼓勵企業和個人通過植樹造林、森林（竹林）管理等措施增加碳匯，并參與到碳市場交易中，從而實現生態效益與經濟效益的雙贏。同時，一些地方政府還加大了對森林碳匯監測技術研發的投入，支持相關科研機構和企業開展技術創新和成果轉化，推動森林碳匯監測技術的快速發展。盡管國家和地方層面已經出臺了一系列政策并采取了相關措施，但森林碳匯監測技術的發展仍面臨諸多挑戰，如監測體系尚不完善、監測方法和技術手段相對落后、數據質量和精度有待提高等。因此，本文將從森林碳匯監測體系、方法和技術等方面梳理國內外森林碳匯監測技術發展現狀，結合當前政策和管理實際，從技術創新層面及政策支持層面提出相關建議，旨在為我國森林碳匯的監測與管理提供理論依據和技術支持。

1"森林碳匯監測體系

森林碳匯監測體系是以樣地調查、遙感估測、臺站觀測等方法調查和監測森林碳貯存量及其動態變化的技術體系，通過周期性監測獲得多尺度、多類型、多樹種、多形式的碳匯資源長期基礎數據，可精準評估森林經營措施（如砍伐、造林等）對森林碳貯存量的影響，并深入探究森林在碳循環中的作用，為科學制定減緩氣候變化和森林管理相關的政策等提供數據支撐。本文將從森林碳匯監測體系、森林碳匯監測方法和森林碳匯監測技術3個方面綜述國內外森林碳匯監測發展現狀（圖1）。

1.1"國家森林資源調查監測體系

國家森林資源調查監測體系是指由國家或政府制定和管理的監測系統和運行機制，用于全面、持續地監測和評估國家森林資源的狀況、變化和利用情況，為政府或決策者制定森林相關政策規劃和保護措施提供全面、可靠的基礎數據。1）在國際上，面向大尺度、長周期、年度化、連續性的森林碳匯監測需求，美國、加拿大、歐洲、俄羅斯、日本等大多數國家或地區借助快速發展的遙感監測技術，融合分層系統抽樣方法，形成了以地面調查為主、5～10年為調查周期、可用于輔助與驗證其他監測方法的國家森林資源監測體系^［1-3］。2）在國內，結合國家森林資源監測、地方森林資源監測和資源信息通信與管理系統，形成森林資源連續清查與現代數據更新技術相結合的方法，完成國家—省—市多尺度森林資源數據清單，利用數學統計模型方法實現森林資源數據年度更新及年度資源監測^［4-5］。

1.2"森林碳匯遙感監測體系

森林碳匯遙感監測體系利用遙感技術對森林碳匯進行持續的觀測和測量，以監測和評估森林碳貯存量的狀況及其動態變化。1）在國際上，針對傳統森林資源調查監測數據更新滯后、空間覆蓋不均勻、調查覆蓋范圍有限等問題，利用航空或軌道遙感產生的地面和地球觀測數據，結合森林面積、損失和收益等活動數據，以及空間尺度的排放或清除因子，形成了多時序、多尺度、年度化、融合多源傳感器的森林碳匯遙感監測體系，可對土地利用、土地利用變化，以及由森林各種經營措施、林木自然生長、森林自然災害等林業活動引起的碳匯變化進行監測^［6-8］。2）在國內，面向林業碳匯監測的需求，通過融合中、高分辨率光學遙感、雷達遙感、激光雷達遙感等多源遙感監測技術，構建森林遙感碳匯監測技術體系，形成了遙感區劃判斷與地面驗證相結合的方法，可獲取年度土地利用、森林植被及其他碳庫等基礎數據，有效實現森林碳匯年度化計量監測^［9-11］。

1.3"基于臺站觀測的綜合監測體系

基于臺站觀測的綜合監測體系是指以地面臺站觀測為中心，融合多源遙感技術和地面調查方法形成的多尺度、多時序、多技術協同的綜合監測體系，可全面獲取地面臺站及其周圍環境的林木數據和環境因子信息。1）在國際上，美國、加拿大、歐洲等國家或地區利用遙感觀測數據、臺站觀測碳通量數據和耦合的生態系統—氣候模型，形成了不同氣候區、緯度帶、森林生態系統類型的碳通量時空格局及動態變化的監測體系，可實現多尺度、多類型森林生態系統碳通量定量反演，解釋森林碳循環過程各類型碳庫的動態變化及預測未來趨勢變化^［12-14］。2）在國內，截至2024年，通過加速臺站監測體系科學布局，已建設30余個森林生態系統臺站點，涵蓋我國主要的森林生態系統類型，分布于我國主要生態功能區和氣候分布帶，形成了具有充分代表性的森林碳通量觀測網絡，結合遙感觀測、地面調查等多源數據與過程機理模型，可實現對我國區域生態系統碳匯功能及增匯潛力的系統認知和精細評估^［15-17］。

2"森林碳匯監測方法

2.1"天基遙感監測

天基遙感監測是一種利用在軌衛星搭載多種遙測儀器獲取地球表面信息的技術，目前已廣泛應用于森林碳匯監測。1）在衛星傳感器方面，利用典型代表性衛星——美國的Landsat、MODIS、GEDI衛星，歐洲空間局ESA的Sentinel-2，以及我國首顆碳衛星TANSAT、首顆陸地生態系統碳監測衛星句芒號等，構建了以光學、雷達、微波為主的多類型傳感器監測網絡，例如以全色相機、多/高光譜相機、紅外相機為主的光學傳感器，以真實孔徑雷達PAR、合成孔徑雷達SAR為主的雷達傳感器，以及以散射計、成像輻射計、輻射計等為主的微波傳感器。2）在數據集、指標和方法方面，形成了覆蓋全球—區域—局部的多尺度、多波段、全天候、全方位、長時序、中高分辨率的空間遙感數據集，涵蓋植被生長狀況（凈初級生產力NPP，植被指數NDVI）、土地覆蓋，以及土地利用變化、森林生物量/碳儲量等碳匯監測衍生指標和產品，促進了以生態系統碳模型、多源遙感反演模型為主的森林碳匯計量方法體系發展，適用于全球或區域尺度森林碳匯計量監測^［18-20］。3）在應用研究方面，有效解決了傳統地面監測因頻率、成本的限制而無法開展連續性、覆蓋區域范圍廣的森林碳匯監測的問題，通過對全球尺度上植被覆蓋類型分類、區域—局部尺度上森林生物量和碳儲量估算以及自然和人為因素（包括森林生長退化、砍伐）等引起森林變化的長期監測，揭示森林碳循環過程以及自然或人為干擾對碳平衡的影響機制^［21-23］。

2.2"空基遙感監測

空基遙感監測是以有人機、無人機為主的一種利用空中平臺搭載的各種傳感器，獲取地面森林資源信息的高分辨率、廣覆蓋的空間觀測方法。目前，該技術在森林碳匯監測領域備受關注。1）在飛行器和傳感器方面，利用固定翼、多旋翼、無人直升機、無人飛艇等無人駕駛飛行器和以固定翼為主的有人駕駛飛行器，構建了以光學、雷達、微波為主的多類型傳感器監測網絡，例如以可見光相機、多光譜相機、高光譜成像儀、熱紅外成像儀、激光雷達、微波雷達等多類型傳感器構建的森林碳匯監測網絡。2）在數據集、指標與方法方面，形成了長時序、超高分辨率（＜1 m）的區域—局部尺度空間遙感數據集，結合單木分割、樣地統計建模方法體系，生成了高精度的地表高程、森林三維結構及森林變化信息等碳匯監測衍生指標，促進了以后向散射值法、干涉測量技術為主的合成孔徑雷達（Synthetic Aperture Radar，SAR）技術碳儲量監測方法，以及以單木分割建模法、面積法為主的機載激光雷達碳儲量監測方法的發展^［24-27］，適用于單木、區域、國家、全球等多尺度森林碳匯的遙感監測^［28-30］。3）在應用研究方面，解決了傳統地面監測中存在成本高、時效性低、監測周期長、時空覆蓋范圍不足而產生較高的數據不確定性的問題，克服了不同森林碳庫實地測量嚴重不足而導致無法全面捕捉碳庫間動態變化范圍及其空間變異性的局限，突破了天基遙感監測中受自身重訪周期、視場角以及環境因素（地形、云霧等）限制而難以實現一定時空范圍內全覆蓋和高頻次觀測的難題。

2.3"地基監測

地基監測是一種綜合性的地面觀測方法體系，囊括了以樣地清查、地基遙感、臺站觀測為主的監測技術手段，已廣泛應用于森林碳儲量及其動態變化監測。1）在傳感器方面，主要利用地面設備對森林資源進行無接觸式觀測和測量，構建以高分辨率光學成像儀、熱紅外成像儀、激光雷達LiDAR傳感器為主的多類型傳感器監測網絡，形成了以地基、背包式、手持式激光掃描為主的地面激光雷達遙感監測體系，以及手持式單目、雙目相機的攝影測量監測體系。2）在數據集、指標與方法方面，構建了長周期、超高分辨率（＜1 m）的局部—器官尺度空間遙感數據集，如干、枝、葉等器官對象的單木點云數據；基于幾何特征、紋理特征、語義特征的點云數據構建了自動分類方法，可實現單木尺度的不同器官識別、參數量測或估算^［31-32］，形成了單木形態參數及單木—林分—區域生物量/碳儲量等碳匯監測衍生指標^［33-35］，開發了樹木點云分割體素填充、定量結構建模（QSM）等單木體積重建技術，形成了聚類思想建模、圖論方法建模、先驗假設建模、拉普拉斯算子建模和輕量化表達建模等激光點云樹木建模方法，結合木材密度、含碳量等參數，可實現單木尺度生物量、碳儲量的估算^［36-38］。3）在應用研究方面，解決了天基監測和空基監測受地形、云霧、森林密度等因素限制的問題，可提供更靈活的森林碳匯監測方案；提供分辨率更高的圖像數據，捕捉更精細的森林結構特征；提供周期性、高頻次的觀測，定期獲取一定范圍森林資源的狀態和變化信息，可為天基監測和空基監測提供高精度的局部數據驗證或補充。

3"森林碳匯監測技術

3.1"數據采集傳輸

數據采集傳輸是森林碳匯監測技術的基礎組成部分，通過利用各種技術手段和設備，從森林資源環境中獲取森林碳儲量及其動態變化的多源異構數據，并將其傳輸到處理分析平臺的過程。1）數據采集過程。針對傳統以人工為主的森林調查技術無法滿足森林碳匯年度化監測需求的問題，利用以傳感器技術、攝像頭和視頻捕捉技術、無線通信技術、API接口為主的物聯網數據采集技術方法，構建了以航空遙感、無人機遙感、地面調查與統計、空天地感知網絡為主的數據采集體系，可實現連續的、動態的、大規模的、低成本的數據采集，生成以遙感數據、測量數據、位置數據、物聯網數據和社交網絡數據為主的空間數據集^{［11，39-41］}。2）數據傳輸過程。針對山地環境復雜及遮擋信號干擾傳輸而導致監測數據缺失、不連續等問題，利用無線傳感器網絡WSN將森林內感知網絡監測數據以無線通信方式傳輸，形成了以LoRa+NB-IoT、ZigBee+LoRa為代表的具有低功耗、低成本、遠距離等特點的廣域網，可實現多源類型碳匯感知監測數據的自動化、實時化、高穩定傳輸^［42-44］。

3.2"數據存儲處理

數據存儲處理是對數據采集傳輸過程獲取的數據進行管理、存儲、訪問和處理的全過程，是森林碳匯監測技術的關鍵組成部分。1）在數據存儲方面，針對遙感傳感器、地面觀測臺站和其他數據源采集的海量的高異質性和不規則性數據，美國、加拿大、歐洲等林業發達國家或地區建立了國家—州—地方—項目多層次的林業數據存儲體系。我國已建立了涵蓋國家—省（區）—市—縣多層次的林業數據存儲平臺，初步形成了以大數據、云計算技術、人工智能等為基礎的大數據管理平臺，結合現有的大數據軟件和高性能硬件搭建了基于Hadoop、Apache Spark分布式平臺計算框架，形成了基于關系數據庫、非關系數據庫和分布式文件系統的數據存儲方法。2）在數據融合方面，面向森林碳匯監測過程采集傳輸的結構化數據（如關系數據庫中的表格）、半結構化數據（如JSON、XML文檔）和非結構化數據（如文本、圖像、音頻、視頻等），通過數據清洗和預處理、數據轉換、數據匹配和對齊技術，消除噪聲、缺失、重復等數據質量問題，提升數據的兼容性和可用性，識別不同數據源中的相似屬性和數據項，挖掘異源數據之間的關聯關系，最終生成互相補充、互相驗證的多源異構數據，保障融合處理后多源異構數據的準確性、完整性和一致性。3）在參數提取方面，針對復雜森林環境下單一數據源無法滿足參數提取的精度或質量要求因而影響森林碳匯計量結果可靠性等問題，形成了多模態數據融合和關聯模型方法，利用深度學習框架算法和并行處理技術，充分利用不同數據類型之間的互補性、融合數據特征的可區分性，實現復雜森林生態系統海量、高異質、不規則林業數據參數的快速精準提取^［45-47］。4）在計量模型方面，考慮到森林碳匯計量的需求，利用大數據管理平臺的森林碳匯數據庫，如長時間序列遙感數據、長周期的國家森林資源調查數據及其他森林生態系統氣候環境參數，結合人工智能AI算法和數據挖掘技術，構建了以生態系統碳模型、多源遙感反演模型為主的森林碳匯計量方法體系，可實現全球—區域—局部尺度森林碳儲量時空分布格局的監測。

3.3"典型數據處理

由于世界各國的國情、林情均存在差異，用于森林碳匯監測評估的碳模型各不相同。林業發達國家形成了以統計模型、過程模型和遙感參數模型為主的碳模型體系，而多數發展中國家仍以單一統計經驗模型為主，部分未開展森林資源清查的少數國家則直接采用IPCC排放因子等數據進行碳匯估算。與國外林業發達國家相比，我國碳模型研究起步晚但發展快，形成了以統計經驗模型為主，遙感參數模型、過程模型為輔的碳模型體系^［48-50］。1）統計經驗模型。基于森林資源清查數據，利用森林特征、氣候因子、立地條件等變量與植被碳儲量建立統計模型關系，用于中小區域尺度碳匯估算。截至2020年，針對不同地區、不同植被類型已形成了200多個樹種、5 900多個生物量統計經驗方程，能較好地滿足省（區）—市—縣多尺度森林碳匯計量的需求，是國家面向IPCC森林碳匯排放報告的主要碳計量模型或方法^［51-53］。2）過程模型。通過模擬植被的光合作用、呼吸作用、蒸騰蒸發及土壤水分散失過程的機理，建立了一個囊括大氣、土壤和植被的整體系統及各系統的相應子模型，可實現區域尺度植被碳匯及其動態變化監測，其中以CBM-CFS3模型和3-PG模型為代表，在我國三峽庫區、大興安嶺地區、遼寧省、河北省、江蘇省、青海省、吉林省、湖南會同縣和湖北興山縣等地均有應用案例^［54-57］。3）遙感模型。通常基于多時序遙感影像數據集，利用提取的植被生態參數，如光合有效輻射PAR、最大光能利用率LUEmax、歸一化植被指數NDVI、葉面積指數LAI等建立生態參數—碳儲量耦合關系模型，用于區域或全球尺度碳儲量的時空分布格局。針對大尺度、連續性森林碳動態變化觀測的需求，遙感模型已應用于大多數區域，涉及省（區、市）、市、縣、保護區或林場、林分等多個尺度、多個樹種以及多類生態系統^［58-59］。

比較分析不同模型可以發現，不同碳模型的原理機制、適用范圍、數據來源、復雜程度均有所差異。統計模型具有參數簡單、模型直觀以及專注于數據間統計關系的特性，但在解釋性機制和理論支撐方面存在不足；相比之下，過程生態模型則具有多參數，且模型結構較為復雜，能夠輸出高精度的結果，并能有效地解釋森林碳匯的產生機制或過程；遙感參數模型估算范圍廣、監測周期較短，適合大尺度碳儲量估算，能滿足碳匯年度化、連續化監測需求。總之，不同碳模型各有優缺點。在森林碳匯監測評估過程中，需衡量數據可用性、適用范圍、測量成本、減少不確定性等因素，選擇最適合實際情況的碳模型。

4"森林碳匯監測展望

未來我國森林碳匯監測將朝向大數據、云計算、物聯網、移動互聯網、人工智能、數字孿生技術的融合創新應用發展，通過融合圖像、視頻、音頻、文檔等多模態數據，構建生成式預訓練大模型，形成統一的森林碳匯數字孿生智能監測云平臺，完成大尺度、長時序、多類型森林碳匯的自動化、實時化、智能化、通用化、交互式監測，通過碳匯大數據的實時動態處理和分析，實現從單一級處理到集群、從單一區域到全球、從單要素到全要素的轉變，為未來森林碳匯經營及其交易市場提供具備有高可靠性、實時性、準確性、統一性的碳匯計量監測數據庫與可視化評估分析服務。同時，應加強政策支持與法規建設，進一步推動跨部門協同與國際合作，進而強化監測成果的應用與轉化。

4.1"技術創新層面

1） 構建森林碳匯云計算平臺。針對傳統數據存儲、計算方法無法滿足多元化、智能化、精細化碳匯監測應用，未來將構建支撐海量多模態數據的統一集群空間，形成圖像、視頻、音頻、文檔等多模態數據的高吞吐處理技術、數據分層存儲、自動數據分級流動技術；構建森林碳匯云計算平臺，形成可彈性擴展和伸縮的計算和存儲資源、GPU加速技術優化的計算環境、資源隔離的高性能虛擬機、超低延時的集群網絡通訊，以及智能化自動化的管理。

2） 形成生成式預訓練大模型。針對傳統碳匯監測模型通用性不高、可遷移性不足的問題，融合大數據、大知識和大計算，形成面向森林碳匯多模態數據的生成式預訓練大模型，為碳匯監測與評估提供一套通用化、高時效的解決方案，有效填補跨模態生成式預訓練模型在森林碳匯監測領域的空白。

3） 開發多模態數據智能挖掘算法。針對海量、多源異構數據之間的關系挖掘深度不夠、規律不明顯等問題，結合圖像、文本、音頻等不同模態數據之間的交互關系和數據關聯性，運用多模態數據挖掘技術和人工智能算法模型，挖掘比傳統統計模型或機器學習模型更多的關聯規則信息，提高跨模態生成式預訓練模型的性能和準確性。

4） 搭建森林碳匯智能監測數字孿生平臺。針對傳統的碳匯監測可視化分析水平不高的問題，運用物聯網、大數據、人工智能、移動互聯網、數字孿生技術等，構建面向多模態數據的數字化景觀要素模型，結合生成式的預訓練大模型，形成多尺度、多樹種、長時序的真實森林數字孿生體，形成自動化、實時化、標準化、可交互式的森林碳匯智能監測數字孿生平臺。

4.2"政策支持層面

1） 加強政策支持與法規建設。針對當前森林碳匯監測領域存在的政策不完善、法規缺失等問題，建議加強政策支持與法規建設。一方面出臺相關政策，明確森林碳匯監測的重要性，為監測工作提供依據；一方面制定詳細的法規和標準，規范監測流程、數據質量和報告要求，確保監測結果的準確性和可靠性。此外，還應建立激勵機制，鼓勵企業和個人積極參與森林碳匯監測，推動監測工作的全面開展。

2） 推動跨部門協同與國際合作。森林碳匯監測涉及多個部門和領域，需要跨部門協同合作才能取得實效。建議政府加強部門間的溝通與協調，建立信息共享和聯合監測機制，避免重復監測和資源浪費。同時，積極尋求國際合作機會，參與國際森林碳匯監測項目，學習借鑒國際先進經驗和技術，提升我國森林碳匯監測的國際化水平。通過跨部門協同與國際合作，共同推動森林碳匯監測事業的快速發展。

3） 強化監測成果的應用與轉化。森林碳匯監測的最終目的是為森林碳匯經營及其交易市場提供可靠的數據支持。建議強化監測成果的應用與轉化，將監測數據轉化為實際可行的政策和措施。具體而言，可以建立森林碳匯數據庫和可視化評估系統，為政府決策、企業經營和公眾監督提供便捷的信息服務。同時，加強與碳交易市場的銜接，推動監測成果在碳交易中的應用，實現森林碳匯的經濟價值和社會價值。通過強化監測成果的應用與轉化，不斷提升我國森林碳匯監測的實用性和影響力。

參考文獻

［1］

TOTH S F，OKEN K L，STAWITZ C C，et al.Optimal survey design for forest carbon monitoring in remote regions using multi-objective mathematical programming［J］.Forests，2022，13（7）：972.

［2］BREIDENBACH J，GRANHUS A，HYLEN G，et al.A century of National Forest Inventory in Norway -"informing past，present，and future decisions［J］.Forest Ecosystems，2020，7（1）：46.

［3］BOURIAUD O，DON A，JANSSENS I A，et al.Effects of forest management on biomass stocks in Romanian beech forests［J］.Forest Ecosystems，2019，6（1）：19.

［4］張會儒，雷相東，李鳳日.中國森林經理學研究進展與展望［J］.林業科學，2020，56（9）：130-142.

［5］方精云.碳中和的生態學透視［J］.植物生態學報，2021，45（11）：1173-1176.

［6］MCROBERTS R E，NAESSET E，SAATCHI S，et al.Local validation of global biomass maps［J］.International Journal of Applied Earth Observation and Geoinformation，2019，83.DOI：10.1016/j.jag.2019.101931.

［7］MCROBERTS R E，NAESSET 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.

［8］MCROBERTS R E，NAESSET E，GOBAKKEN T.Comparing the stock-change and gain-loss approaches for estimating forest carbon emissions for the aboveground biomass pool［J］.Canadian Journal of Forest Research，2018，48（12）：1535-1542.

［9］李增元，劉清旺，龐勇.激光雷達森林參數反演研究進展［J］.遙感學報，2016，20（5）：1138-1150.

［10］李增元，趙磊，李堃，等.合成孔徑雷達森林資源監測技術研究綜述［J］.南京信息工程大學學報（自然科學版），2020，12（2）：150-158.

［11］李增元，陳爾學.中國林業遙感發展歷程［J］.遙感學報，2021，25（1）：292-301.

［12］FRANZ D，ACOSTA M，ALTIMIR N，et al.Towards long-term standardised carbon and greenhouse gas observations for monitoring Europe，s terrestrial ecosystems：a review［J］.International Agrophysics，2018，32（4）：439-455.

［13］HEISKANEN J，BRUMMER C，BUCHMANN N，et al.The integrated carbon observation system in Europe［J］.Bulletin of the American Meteorological Society，2022，103（3）：E855-E872.

［14］HUDAK A T，FEKETY P A，KANE V R，et al.A carbon monitoring system for mapping regional，annual aboveground biomass across the northwestern USA［J］.Environmental Research Letters，2020，15（9）.DOI：10.1088/1748-9326/ab93f9.

［15］ZHAO J F，LIU D S，CAO Y，et al.An integrated remote sensing and model approach for assessing forest carbon fluxes in China［J］.Science of the Total Environment，2022，811.DOI：10.1016/j.scitotenv.2021.152480.

［16］于貴瑞，何洪林，周玉科.大數據背景下的生態系統觀測與研究［J］.中國科學院院刊，2018，33（8）：832-837.

［17］于貴瑞，王秋鳳，朱先進.區域尺度陸地生態系統碳收支評估方法及其不確定性［J］.地理科學進展，2011，30（1）：103-113.

［18］XIAO J F，CHEVALLIER F，GOMEZ C，et al.Remote sensing of the terrestrial carbon cycle：a review of advances over 50 years［J］.Remote Sensing of Environment，2019，233.DOI：10.1016/j.vse.2019.111383.

［19］PETTORELLI N，SCHULTE TO BUHNE H，TULLOCH A，et al.Satellite remote sensing of ecosystem functions：opportunities，challenges and way forward［J］.Remote Sensing in Ecology and Conservation，2018，4（2）：71-93.

［20］POTTER C，KLOOSTER S，CRABTREE R，et al.Carbon fluxes in ecosystems of Yellowstone National Park predicted from remote sensing data and simulation modeling［J］.Carbon Balance and Management，2011，6（1）：3.

［21］SANNIGRAHI S，PILLA F，BASU B，et al.Examining the effects of forest fire on terrestrial carbon emission and ecosystem production in India using remote sensing approaches［J］.Science of the Total Environment，2020，725.DOI：10.1016/j.scitotonv.2020.138331.

［22］PASETTO D，ARENAS-CASTRO S，BUSTAMANTE J，et al.Integration of satellite remote sensing data in ecosystem modelling at local scales：practices and trends［J］.Methods in Ecology and Evolution，2018，9（8）：1810-1821.

［23］BYRD K B，BALLANTI L，THOMAS N，et al.A remote sensing-based model of tidal marsh aboveground carbon stocks for the conterminous United States［J］.ISPRS Journal of Photogrammetry and Remote Sensing，2018，139：255-271.

［24］DALPONTE M，COOMES D A.Tree-centric mapping of forest carbon density from airborne laser scanning and hyperspectral data［J］.Methods in Ecology and Evolution，2016，7（10）：1236-1245.

［25］HOPKINSON C，CHASMER L，BARR A G，et al.Monitoring boreal forest biomass and carbon storage change by integrating airborne laser scanning，biometry and eddy covariance data［J］.Remote Sensing of Environment，2016，181：82-95.

［26］BAZEZEW M N，HUSSIN Y A，KLOOSTERMAN E H.Integrating Airborne LiDAR and Terrestrial Laser Scanner forest parameters for accurate above-ground biomass/carbon estimation in Ayer Hitam tropical forest，Malaysia［J］.International Journal of Applied Earth Observation and Geoinformation，2018，73：638-652.

［27］VATANDALAR C，ABDIKAN S.Carbon stock estimation by dual-polarized synthetic aperture radar （SAR） and forest inventory data in a Mediterranean forest landscape［J］.Journal of Forestry Research，2022，33（3）：827-838.

［28］URBAZAEV M，THIEL C，CREMER F，et al.Estimation of forest aboveground biomass and uncertainties by integration of field measurements，airborne LiDAR，and SAR and optical satellite data in Mexico［J］.Carbon Balance and Management，2018，13（1）：5.DOI：10.1186/s13021-018-0093-5.

［29］COOMES D A，DALPONTE M，JUCKER T，et al.Area-based vs tree-centric approaches to mapping forest carbon in Southeast Asian forests from airborne laser scanning data［J］.Remote Sensing of Environment，2017，194：77-88.

［30］QI Z Y，LI S M，PANG Y，et al.Assessing spatiotemporal variations of forest carbon density using bi-temporal discrete aerial laser scanning data in Chinese boreal forests［J］.Forest Ecosystems，2023，10：

DOI：10.1016/j.fecs.2023.100135.

［31］RODRIGUEZ-VEIGA P，WHEELER J，LOUIS V，et al.Quantifying forest biomass carbon stocks from space［J］.Current Forestry Reports，2017，3（1）：1-18.

［32］ZHAO M M，YANG J L，ZHAO N，et al.Estimation of China，s forest stand biomass carbon sequestration based on the continuous biomass expansion factor model and seven forest inventories from 1977 to 2013［J］.Forest Ecology and Management，2019，448：528-534.

［33］STOVALL A E L，VORSTER A G，ANDERSON R S，et al.Non-destructive aboveground biomass estimation of coniferous trees using terrestrial LiDAR［J］.Remote Sensing of Environment，2017，200：31-42.

［34］GONZALEZ DE TANAGO J，LAU A，BARTHOLOMEUS H，et al.Estimation of above-ground biomass of large tropical trees with terrestrial LiDAR［J］.Methods in Ecology and Evolution，2018，9（2）：223-234.

［35］WANG Q，PANG Y，CHEN D S，et al.Lidar biomass index：a novel solution for tree-level biomass estimation using 3D crown information［J］.Forest Ecology and Management，2021，499.DOI：10.1016/j.foreco.2021.119542.

［36］BOHN RECKZIEGEL R，LARYSCH E，SHEPPARD J P，et al.Modelling and comparing shading effects of 3D tree structures with virtual leaves［J］.Remote Sensing，2021，13（3）：532.

［37］CALDERS K，ADAMS J，ARMSTON J，et al.Terrestrial laser scanning in forest ecology：expanding the horizon［J］.Remote Sensing of Environment，2020，251.DOI：10.1016/j.rse.2020.112102.

［38］郭慶華，胡天宇，馬勤，等.新一代遙感技術助力生態系統生態學研究［J］.植物生態學報，2020，44（4）：418-435.

［39］GSCHWANTNER T，ALBERDI I，BAUWENS S，et al.Growing stock monitoring by European national forest inventories：historical origins，current methods and harmonisation［J］.Forest Ecology and Management，2022，505.DOI：10.1016/j.foreco.2021.119868.

［40］CHIRICI G，CHIESI M，FIBBI L，et al.High spatial resolution modelling of net forest carbon fluxes based on ground and remote sensing data［J］.Agricultural and Forest Meteorology，2022，316.DOI：10.1016/j.agrformet.2022.108866.

［41］BUSTAMANTE M M C，ROITMAN I，AIDE T M，et al.Toward an integrated monitoring framework to assess the effects of tropical forest degradation and recovery on carbon stocks and biodiversity［J］.Global Change Biology，2016，22（1）：92-109.

［42］SHARMA M，RASTOGI R，ARYA N，et al.LoED：LoRa and edge computing based system architecture for sustainable forest monitoring［J］.International Journal of Engineering Trends and Technology，2022，70（5）：88-93.

［43］OJO M O，ADAMI D，GIORDANO S.Experimental evaluation of a LoRa wildlife monitoring network in a forest vegetation area［J］.Future Internet，2021，13（5）：115.

［44］譚星，馮鵬飛，張旭，等.物聯網技術在我國智慧林業建設中的應用現狀及發展策略［J］.世界林業研究，2019，32（5）：57-62.

［45］TSIPIS A，PAPAMICHAIL A，ANGELIS I，et al.An alertness-adjustable cloud/fog IoT solution for timely environmental monitoring based on wildfire risk forecasting［J］.Energies，2020，13（14）：3693.

［46］XU Y J.Wireless sensor monitoring system of Canadian Poplar Forests based on Internet of Things［J］.Artificial Life and Robotics，2019，24（4）：471-479.

［47］QIU H Q，ZHANG H Q，LEI K X，et al.Forest digital twin：a new tool for forest management practices based on Spatio-Temporal Data，3D simulation Engine，and intelligent interactive environment［J］.Computers and Electronics in Agriculture，2023，215.DOI：10.1016/j.compag.2023.108416.

［48］HUANG W L，DOLAN K，SWATANTRAN A，et al.High-resolution mapping of aboveground biomass for forest carbon monitoring system in the Tri-State region of Maryland，Pennsylvania and Delaware，USA［J］.Environmental Research Letters，2019，14（9）.DOI：10.1088/1748-9326/ab2917.

［49］HARRIS N L，GIBBS D A，BACCINI A，et al.Global maps of twenty-first century forest carbon fluxes［J］.Nature Climate Change，2021，11：234-240.

［50］LUO Y J，WANG X K，OUYANG Z Y，et al.A review of biomass equations for China，s tree species［J］.Earth System Science Data，2020，12（1）：21-40.

［51］李海奎.碳中和愿景下森林碳匯評估方法和固碳潛力預估研究進展［J］.中國地質調查，2021，8（4）：79-86.

［52］WANG L L，ZHANG H Q，LEI K X，et al.A novel forest dynamic growth visualization method by incorporating spatial structural parameters based on convolutional neural network［J］.IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing，2023，17：3471-3488.

［53］WANG L L，ZHANG H Q，ZHANG H C，et al.A novel 3D tree-modeling method of incorporating small-scale spatial structure parameters in a heterogeneous forest environment［J］.Forests，2023，14（3）：639.

［54］MEYER G，BLACK T A，JASSAL R S，et al.Simulation of net ecosystem productivity of a lodgepole pine forest after mountain pine beetle attack using a modified version of 3-PG［J］.Forest Ecology and Management，2018，412：41-52.

［55］馮源，肖文發，黃志霖，等.未來氣候變化情景下三峽庫區馬尾松林生物量固碳動態與空間分異［J］.生態學雜志，2019，38（12）：3567-3576.

［56］馮源.氣候變化和自然干擾對三峽庫區森林生態系統碳收支的影響［D］.北京：中國林業科學研究院，2020.

［57］馮源，肖文發，朱建華，等.造林對區域森林生態系統碳儲量和固碳速率的影響［J］.生態與農村環境學報，2020，36（3）：281-290.

［58］CHIRICI G，CHIESI M，CORONA P，et al.Prediction of forest NPP in Italy by the combination of ground and remote sensing data［J］.European Journal of Forest Research，2015，134（3）：453-467.

［59］于貴瑞，方華軍，伏玉玲，等.區域尺度陸地生態系統碳收支及其循環過程研究進展［J］.生態學報，2011，31（19）：5449-5459.