红树林是地球上储碳密度最高的蓝碳生态系统之一，其全球分布面积不足陆地森林的1%，却贡献了全球海洋有机碳封存量的10%—15%[1]。目前，红树林、盐沼和海草床共同被纳入联合国政府间气候变化专门委员会(IPCC)国家温室气体清单指南[2]，并已纳入部分国家的温室气体核算体系[3-5]。建立可核算、可验证且具有时序分辨能力的红树林碳汇评估方法已成为迫切需求[6]。传统的红树林碳汇核算主要依赖于样地调查和经验外推，往往面临尺度差异过大、机理认识不足、参数量化困难等方面的挑战[7-8]，易忽视红树林的区域异质性，在大范围碳汇估算中易产生系统性偏差[9]；同时，受限于调查成本和环境条件，样地调查难以获得连续、同步的时序数据，限制了对动态碳过程的定量解析[10]。因此，仅依赖传统调查方法难以满足红树林碳汇在核算精度、时空分辨率和不确定性约束方面的需求[11]。
在观测分析基础上，研究人员陆续开发了适用于红树林碳汇评估的数学模型，包括遥感模型、统计模型、生物地球化学模型等。这些模型经历了从经验统计到机理解释的演进：从最初利用遥感数据建立多元函数经验方程；逐步发展到整合遥感观测、气象、水文、土壤/水体理化性质数据等多源数据，使用机器学习算法拟合区域乃至全球红树林生产力；再到基于植物生理特征、土壤理化性质对碳过程进行机理解释。随着对红树林碳通量过程了解的加深，过程机理模型从单一模块开发过渡到多模块耦合，实现对植被生长、潮汐搬运、沉积物甲烷排放等过程的模拟，将红树林反复被潮汐淹没、盐度胁迫等情境纳入到机理刻画中[12]。模型方法不仅能够在空间上连接样地观测与区域—全球尺度碳评估，还可以在时间维度上刻画红树林碳汇对气候变化和人类活动的响应过程[13-14]，从而成为当前蓝碳研究中不可替代的分析工具。
目前已有部分红树林遥感模型的综述文章[15]，详细介绍了红树林生产力过程[如总初级生产力(GPP)、净初级生产力(NPP)]和生物量积累[16]，但对红树林碳汇模拟模型进行系统总结的研究较少。本文从模型对过程表达及其应用的角度出发，系统梳理当前红树林碳汇模型的主要类型和方法，比较不同模型在结构、尺度适用性和关键过程刻画方面的差异，归纳模型目前存在的优缺点，并展望多源数据融合及人工智能(AI)在红树林碳汇模型发展中的作用[17-18]，以助力红树林碳汇精准监测和管理。
1 基于遥感的红树林碳汇模型红树林主要分布于潮间带，受潮汐淹没和地形条件限制，传统地面调查难以对其进行连续、大范围的观测。与地面调查不同，高空卫星遥感则可实现大尺度、长时序生态监测，提供更丰富的观测信息和数据，有助于进行多源数据融合，生成更高质量的数据集，从而将受限于潮汐和高度空间异质性的离散样地研究外推至区域乃至全球尺度，使其成为连接样地观测与区域—全球尺度碳评估的核心手段。
1.1 光学遥感在红树林生产力与碳汇估算中的应用光学遥感技术利用光谱(400—2 500 nm)捕捉植被生化光谱特性，并通过构建植被指数与红树林生产力之间的经验关系，间接进行碳汇估算。红树林的空间分布和面积变化是区域—全球尺度碳汇核算的基础。早期研究主要依赖中低分辨率(80 m分辨率)光学遥感数据，通过植被指数阈值法或监督分类方法识别红树林分布[16]。随后，Sentinel-2和Landsat系列卫星相继升空，其所搭载的多光谱传感器分辨率提高到10—30 m，在空间覆盖度、时间连续性及数据稳定性上具有显著优势，得以满足红树林大尺度和长期监测的需求。随着多光谱传感器分辨率的不断提升，其对红树林边界的刻画能力显著增强，这有助于在潮汐淹没等复杂环境条件下实现红树林区域的准确识别。在此基础上，研究人员针对红树林的光谱特征，构建了一系列特异性植被指数(表 1)，以进一步提高红树林与周边水体及其他地物类型的区分度。同时，针对红树林周期性潮汐淹没问题，Jia等[22]基于Sentinel-2影像提出一种新的植被指数，该指数利用水体在近红外波段强吸收而植被高反射的光谱差异，削弱水体信号对植被光谱响应的干扰，从而显著提高处于部分淹没状态的红树林的识别精度。Sentinel-2和Landsat系列卫星长期连续观测所得的遥感数据已成为近年来红树林碳监测研究中使用频率最高的数据源。
| 植被指数 Vegetation index |
表达式 Expression |
优势 Advantage |
| IM[19] | (NIR-SWIR)/(NIR×SWIR)×10000 | Improving the accuracy of identifying low-density mangrove forests |
| CMRI[20] | NDVI-NDWI | Improving the accuracy of mangrove classification in mixed vegetation areas |
| MMRI[21] | (|MNDWI|-|NDVI|)/(|MNDWI|+|NDVI|) | Improving the accuracy of mangrove classification |
| MFI[22] | Improving recognition performance in watery environments | |
| MVI[23] | |NIR-Green|/|SWIR-Green| | Improving the accuracy of mangrove identification |
| Note: NIR represents near-infrared band; SWIR represents shortwave infrared band; NDVI represents normalized difference vegetation index; NDWI represents normalized difference water index; MNDWI represents modified normalized difference water index; ρλ represents reflectance at the centre of band λ; λ1, λ2, λ3, λ4 represent centre wavelengths at 705, 740, 783, and 865 nm, respectively; ρBλi represents baseline reflectance at λi; ρ665 and ρ2190 are the reflectance of band 4 (centred at 665 nm) and band 12 (centred at 2 190 nm), respectively; Green represents green band. | ||
随着遥感数据获取能力和处理精度的持续提升，红树林光学遥感研究已从低分辨率的红树林面积制图，转向精细的生产力估算[24]。例如，基于光能利用效率(LUE)框架的模型，借助遥感提供的光合有效辐射(PAR)和环境限制因子的空间分布信息，反演植被指数或叶面积指数(LAI)用以表征植被对光能的吸收能力，并结合气象数据估算GPP或NPP，其方程表达为
| $ \mathrm{GPP}=\mathrm{PAR} \times \mathrm{fAPAR} \times \mathrm{LUE}, $ | (1) |
| $ \mathrm{LUE}=\mathrm{LUE}_{\mathrm{max}} \times \text { Salinity }_{\text {scalar }} \times T_{\text {scalar }} \times \cdots, $ | (2) |
式中，fAPAR表示植被吸收PAR的比例，可通过遥感植被指数反演；LUE表示植被将吸收的光能转化为有机碳的效率；LUEmax代表最大光能利用效率，不同的scalar如Salinityscalar、Tscalar等分别表示盐度(Salinity)、温度(T)等环境因子对光能利用效率的抑制作用。针对红树林特殊的环境，在对红树林GPP计算的通用模型中引入影响因子Salinityscalar。
Zheng等[25]基于Sentinel-2数据，在中国沿海红树林区域构建了考虑盐度、温度和水分胁迫的GPP估算模型，明确指出环境胁迫因子对红树林光合效率具有显著调控作用，根据这些调控关系建立的估算模型将GPP估算误差减小约一半。而将多光谱指数与通量塔观测结合，可在生态系统尺度上模拟和验证红树林对二氧化碳的净吸收过程，从而实现对GPP和NPP的区域化估算。尤其在生长季节，遥感数据反演的红树林碳吸收变化趋势与实地通量观测具有较好的一致性[26-28]。尽管光学遥感能较为准确地捕捉到植被生产力的变化，但是红树林生态系统所处的热带亚热带地区常被云层覆盖，需要进行去云筛选，导致有效数据获取不足。然而，即便使用修正云层影响的去云算法，在反演时仍会引入一定误差。
1.2 合成孔径雷达(SAR)与激光雷达(LiDAR)的生物量反演SAR和激光雷达LiDAR凭借独特的穿透能力，克服了光学遥感在云层遮挡下的限制，同时能够有效量化植被垂直结构并估算生物量。SAR数据中的极化信息和多频段组合能够在一定程度上反映植被垂直结构，而LiDAR则可直接获取冠层高度和垂直结构分布。与SAR相比，LiDAR具有更高的空间分辨率(厘米级至米级)和更高的测量精度，但其高昂的成本使其更适用于区域样带的精准生物量核算[29-30]。基于SAR或LiDAR反演得到的冠层高度、树高与森林生物量高度相关，可以通过异速生长方程直接将冠层高度与红树林地上生物量(AGB)联系起来，进一步利用碳转换系数，将其直接转化为碳储量[31]。Pham等[32]利用ALOS-2 PALSAR数据和神经网络模型估算越南沿海海桑Sonneratia caseolaris的生物量，表明该方法具有一定的物种尺度生物量反演能力。然而，通用的异速生长方程可能忽略了区域差异，不同地区的同种红树在不同条件下具有不同的生长曲线，如盐度较低的地区植被生长更快，相比之下，通过本地校准的特异性异速生长方程，可以显著降低误差[33]。
上述光谱传感器与雷达不但可以搭载在卫星平台上，也可以搭载在无人机平台上。后者可根据需求和实际条件设计飞行路线，并能提供更高的分辨率，实现厘米级空间分辨率的观测，不但在空间上不受云层遮蔽的影响，而且在时间上可以避开潮间带的涨潮期，获得更精确的数据。早期无人机主要应用于红树林的管理，开展森林清查和物种分类等工作[34-35]，近年来逐步扩展至生物量和生产力的反演。无人机观测数据与卫星搭载的传感器数据联合使用，可以更精准地反演叶面积指数、高精度地形和冠层高度信息，通过异速生长方程估算区域AGB[24, 36-38]。Li等[24]利用低成本无人机系统，在物种尺度上反演红树林地上碳储量，显著提高了区域碳储量估算精度。罗谨璇等[36]将无人机LiDAR应用于区域红树林AGB的监测。Navarro等[37]在塞内加尔地区，将无人机影像和Sentinel-1/Sentinel-2卫星数据整合到一起，提升了监测效率，成为样地和遥感卫星之间的重要验证桥梁。可见，无人机遥感在红树林碳汇研究中可将地面样地调查的小尺度数据与卫星遥感的大尺度数据进行跨尺度融合。尽管遥感可提供更丰富且多元的数据，但是其在碳汇计量方面主要针对红树林生产力核算过程，有关碳的沉积和迁移过程无法使用遥感进行捕捉，仍需其他模型进行量化。
2 基于统计关系的红树林碳汇模型 2.1 线性/多元回归模型早期的统计模型基于环境梯度和生物量或生产力之间的线性关系。研究者通过实地调查获取气象因子、纬度、盐度等数据构建简单线性回归模型，以此估算全球红树林生物量。由于早期遥感数据分辨率的局限，这些模型仅在局部表现出一定的适用性，在用于全球推广时往往需要对模型参数进行动态调整，模型泛化能力受到明显制约[39]。早期常用的回归公式如公式(3)：
| $ C=f\left(a_1 x_1, a_2 x_2, \cdots a_n x_n\right), $ | (3) |
式中，x是影响因子，通常为盐度、温度等环境因子及纬度、地形等地理因子，a是根据区域动态调整的参数，n为实际使用的影响因子数量。这类模型实质上是建立了多因子与目标变量之间的多元函数关系，既可以使用气象、土壤等数据，也可以使用遥感数据。当应用于其他区域时，往往需要根据实地调查和专家经验对各个参数进行调整。遥感模型在对遥感数据进行预处理后，为拟合红树林生产力或碳储量，也采用了大量统计模型算法，从方法论的角度也可归为统计模型范畴。
Kauffman等[40]利用全球190个红树林样地的降水、盐度、潮差、纬度等环境变量，采用多元回归模型对全球红树林碳储量进行估计，估算全球红树林的地上碳储量为1.6 Pg C，地下碳储量为10.2 Pg C。该研究发现地上碳储量与地下碳储量的关联性微弱(拟合度R2＜0.3)，但其他区域的实地观测结果显示，地上碳储量与地下碳储量具有一定的线性相关性，这一结果差异表明，要刻画红树林碳库内部的复杂结构仍需要进行多参数的协同反演[40-42]。Rovai等[43]将海岸环境分类，结合土壤中碳氮磷的生态化学计量值(C∶N∶P)，解析了环境驱动因素(如潮汐、河流冲刷、降水和蒸散等)对土壤碳储量的相对贡献，基于全球数据建立统计模型并以此预测全球红树林土壤有机碳储量为2.26 Pg C。值得注意的是，统计模型仅通过数据驱动的方式建立观测变量与碳指标之间的映射关系，高度依赖数据输入的质量，同时受到生态过程复杂度的制约。
2.2 机器学习模型随着多源遥感数据和环境数据库的不断积累以及计算机计算能力的提高，机器学习算法逐渐取代传统回归模型，成为估算红树林生物量和碳储量的主流工具。相较于回归模型，机器学习算法能够高效整合卫星遥感数据、地面调查数据等高维数据，通过刻画复杂系统的非线性关系，进而构建区域—全球尺度的跨尺度估算框架[44]。Luo等[45]指出，相较于单一环境因子，温度与盐度等多因子协同变化更能解释红树林生产力差异。在多数据融合的背景下，使用机器学习算法不仅能够提高模型拟合精度，还可识别对碳储量变化贡献最大的关键驱动因子。不同机器学习算法在红树林生物量反演中的性能表现存在差异。Castillo等[46]比较了常用的18种机器学习算法，发现SMOreg算法在研究区域具有更优异的预测结果，并指出生物物理变量(如LAI)与研究区域高程信息对总生物量的预测更为准确(相关系数r=0.84)。
目前广泛用于红树林生物量反演的机器学习算法包括支持向量机(SVM)、随机森林(RF)、梯度提升机(GBM)等[47-51]。其中RF算法通过随机选取特征与样品，根据不同样品中特征权重构建多棵决策树，具有较好的非线性拟合能力，并能够基于特征重要性量化各变量之间的贡献，研究者在越南、巴西等地整合了光谱信息、植被类型、植被指数等多源数据并利用RF算法进行生物量反演，成功将R2提高到0.73—0.80[44, 52]；SVM则因其在高维特征空间中的稳定表现，被广泛用于中小尺度红树林生物量估算[53]。随着输入变量激增，建模方法逐步从机器学习向深度学习方向演进。Pham等[32]利用ALOS-2 PALSAR卫星的HH/HV后向散射系数对越南区域红树林AGB进行反演，结果显示多层感知机网络(MLPNN)优化模型相较于传统机器学习算法能显著降低估算误差。
在全球尺度的研究中，机器学习算法对参数的拟合能力使得结果较回归模型更加准确。Sanderman等[54]使用RF算法和30 m分辨率的遥感数据构建了碳密度分布统计模型，估计全球红树林土壤碳储量为6.4 Pg C，并揭示了2000—2015年因红树林丧失导致的土壤碳损失达30—122 Tg C，凸显生态系统退化对蓝碳功能的巨大威胁。Jardine等[55]进一步整合了来自28个国家的900个土壤碳含量测量数据，使用袋装决策树和提升决策树模型对全球红树林土壤固碳量进行估算，其结果为(5.00±0.94) Pg C。Maxwell等[56]使用时空机器学习模型预测了2020年1 m土壤深度的全球红树林有机碳含量和容重，并据此估计2020年全球红树林的土壤有机碳储量为4.6 Gt C。尽管机器学习模型能显著提高估算精度，但其结果高度依赖训练数据分布和变量选择，模型本身并不显式表征碳循环过程，同时在变化环境下泛化能力差，往往需要分类讨论。因此，其更适用于碳储量空间格局刻画和驱动因子识别，而非独立解释碳汇形成机制。
3 基于生物地球化学过程的红树林碳汇模型红树林生态系统碳循环过程在特殊的海岸带环境下受温度、盐度、营养盐供给、潮汐动力、地貌特征等多重环境因子共同调控[57]，这些调节因子显著影响红树植物的生长、繁殖以及土壤中碳储量的分布[58-59]。如潮汐频率影响土壤中硫化氢的浓度和土壤的氧化还原电位，进而影响甲烷产生和甲烷厌氧氧化过程；土壤盐度的变化影响红树植物的生长和功能，可改变凋落速率和AGB积累速率[60]。在此背景下，定量解析上述调节因子对红树林生态系统的影响强度，并进行专门的参数化和过程表达，是生物地球化学模型的主要任务。
相较于以遥感反演和统计学习为代表的数据驱动模型，基于过程的生物地球化学模型将生态现象解释为物理、化学和生物过程，并进一步受物质守恒和热力学定律约束，在机理解释和情景预测方面具有更坚实的理论基础。该类模型以质量守恒和反应动力学为基础，描述红树林生态系统中不同的碳积累、碳交换过程。目前，有多种生物地球化学模型被用于模拟红树林中的碳过程，这些模型所侧重的过程各不相同，或是将碳通量、碳储量拆解为光合固碳、植被生长等生理过程，或是模拟有机质分解、氧化还原电位变化等生物地球化学子过程，进一步明确了机理过程在模型中的应用，提升了模型的机制合理性[43, 55, 61]。
3.1 基于个体或林分尺度的植被生长模型为描述复杂海岸带环境下红树林特异性的结构特征与生理响应，部分研究通过结合盐度、营养胁迫等因子修正植物生长速率，从植被生长过程出发，构建基于个体或林分尺度的植被生长模型。Chen等[62]设计基于个体的植被生长模型，显式模拟树木之间在光照、养分等资源上的竞争关系，从而确定个体的生长期、死亡率及群落结构演变。FORMAN及MANGRO模型不但考虑了植被生长，还引入了飓风等极端天气干扰下的驱动作用；KIWI模型在空间尺度上更灵活，不局限于固定尺寸的林分[63]。此类模型通常以树种类型和树干直径等结构参数描述个体植被特征，可用于模拟生物量变化过程，但目前尚缺乏将其直接用于区域尺度AGB连续模拟的研究。Yoshikai等[64]在空间显式、基于个体的动态全球植被模型(DVM-SEIB-DGVM)中加入植物水力特征在盐胁迫下响应的模块，并针对红树植物地上根建立不同于地下根的生物量库。该模型在不同盐度梯度下模拟的生物量动力学过程与实测数据的季节变化表现出良好一致性，细化了红树植物生长过程对环境梯度的响应特征。关注复杂生理过程的Mango-GPP模型在整合了红树林光合作用的关键控制因素基础之上，引入盐胁迫、温度胁迫，构建不同生长阶段的光能利用曲线以模拟红树林GPP变化。通过通量塔和中高尺度分辨率卫星数据的校准和验证，该模型对红树林GPP的年尺度预测精度可达R2=0.96，远高于遥感模型普遍的0.7—0.9[65]。这类基于个体的植被生长模型参数并不复杂，且模型具有较好的可拓展性，可以通过引入其他胁迫因子进行进一步的模拟，但暂不包括土壤和潮汐的互作关系，因此在碳循环整体过程刻画中仍存在一定局限性。
3.2 生物地球化学耦合模型探究红树林生物地球化学循环过程的模型基于热力学原理等基础学科，关注红树林内能量转化及其与物质性质之间的关系，系统给出边界、约束及过程演化，有助于从机理角度理解碳动态变化的趋势。这类基于过程的模型对红树林生态系统土壤、水文环境中的关键生物地球化学过程，以及影响红树林碳封存、碳固定和生物量等驱动因子进行了详细的阐述，建立了“碳—水—盐”“碳—地貌”等耦合机制，确定了关键控制因子。
将水动力-地貌模型Delft3D-Flexible Mesh和红树林生长模型MesoFON耦合，能够模拟潮汐、径流、沉积物运输影响下红树林完整生命阶段生长及其相互作用[66]。Biome-BGC模型模拟红树林生态系统中水、碳、氮的通量，研究红树林NPP和LAI的动态变化，并针对红树林特殊的生长环境补充适应性生态生理反应，经校验，模型模拟结果的误差仅为2%—7%[45]。Wetland-DNDC模型作为一个综合性的过程机理模型，通过整合水文动态、土壤温度变化、植物生长过程以及土壤碳循环等核心子模块，实现对湿地生态系统中甲烷和二氧化碳通量动态变化的连续模拟与定量评估[67]。Dai等[68]在DNDC模型的生物地球化学过程的基础上，考虑到红树林特有的特征，加入新的功能组件开发M-DNDC模型，模拟红树林生态系统的碳吸收和转移，评估红树林碳储量的时空动态变化和对生态因子的敏感性。MCA-TDNDC模型模拟了不同生态因子变化对红树林生态系统中碳固存效果和温室气体通量的不同程度的影响，如磷盐复合效应通过调控红树植物生长及甲烷通量进而影响红树林生态系统的碳动态变化，该模型也是首个在红树林中模拟甲烷动态的模型[69]。
综合来看，不同生物地球化学模型从植被生长、土壤过程及水动力耦合等角度，对红树林碳汇形成机制进行了多层次解释，但仍存在部分关键过程尚未被充分刻画。例如，气生根在低氧沉积物环境中的气体交换作用及其对沉积物拦截和碳埋藏的影响，在现有模型中尚未得到系统表达。尽管已有研究对树干甲烷排放量进行了核算，但是在使用机器学习算法模拟全球红树植物树干甲烷排放量时，昼夜温度变化及潮汐等因子的影响未能被量化，且不同树种对甲烷、二氧化碳等气体的传导系数暂无法确定，因此，如何准确区分树干排放与沉积物扩散的温室气体排放，仍有待进一步研究[70]。而在潮汐往复对孔隙水中溶解性碳的外排研究中，学者们主要通过达西定律或同位素示踪等手段确定水通量，根据孔隙水在水体中的停留时间和水通量计算溶解碳的累积和溢出，见公式(4)：
| $ \frac{\mathrm{d} c}{\mathrm{~d} t}=k\left(c_{\mathrm{eq}}-c\right), $ | (4) |
式中，c为溶解无机碳(DIC)在孔隙水中的浓度，ceq为DIC在孔隙水中的平衡浓度，k为DIC积累速率常数，其边界条件为表层海水DIC浓度。孔隙水的碳累积异质性与沉积物异质性密切相关，k值需要动态调整[71]。
随着模型复杂度的提高，对输入数据和参数数量的需求显著增加，如M-DNDC等综合模型需对沉积物、植被和气象等多类参数进行联合校准，对数据质量要求较高。不同生物地球化学模型之间的对比如表 2所示。
| 模型 Model |
类型 Type |
模拟关键过程 Simulated key process |
应用生态因子 Application ecosystem factor |
时空尺度 Spatiotemporal scale |
优势 Advantage |
| FORMAN, MANGRO, KIWI, Plant hydraulic model to SEIB-DGVM | Individual-based | Plant physiological processes | Vegetation, salinity, temperature | Region | Uncovering the growth process |
| Mango-GPP | Process-based | GPP | Salinity, temperature, light intensity, CO2 concentration | Region | Developed specifically for mangroves, the GPP outperforms general-purpose models in simulation performance |
| Delft3D+MesoFON | Process-based | Tides, sediment transport processes and mangrove growth | Tides, runoff, salinity | Region | The impact of hydrodynamic processes such as tides and runoff on vegetation growth |
| Biome-BGC | Process-based | Water, carbon and nitrogen storage and fluxes; productivity | Temperature, precipitation, CO2 concentration, salinity | Daily scale, region | Widely used, it can simulate a variety of climate change scenarios |
| M-DNDC | Process-based | Carbon, nitrogen and phosphorus cycles; greenhouse gas emissions | Climate, soil phosphorus, salinity, sulphate, latitude | Daily scale, region | Taking into account a wide range of ecological drivers, including greenhouse gas emission modelling |
4 红树林碳汇模型的适用性
综上所述，几乎所有的红树林碳汇模型均考虑了盐度等关键环境因子的影响，并根据研究目标、实地限制因子、可利用数据等表现出不同的适用性(图 1)。遥感和统计模型相结合更适用于AGB及GPP的时空尺度核算。当云层覆盖率较高时，光学遥感数据质量受限，由此带来的反演误差可能会增大，推荐优先使用SAR数据；而使用无人机则可规避云层和潮汐淹没等不利因素。生物地球化学模型根据不同的研究需求可以覆盖AGB、地下生物量(BGB)以及碳通量过程。当红树林区域潮汐为相对均匀的全日潮或半日潮时，水动力条件较为稳定，可将其纳入胁迫响应模块，使用Delft3D等水动力模块定量刻画周期性淹没问题对红树林生长过程及潮汐、泥沙搬运过程的影响，有助于揭示区域碳储量动态变化。关注温室气体通量的产生机理并模拟沉积物中的具体过程可使用M-DNDC模型，但该模型需要输入大量区域参数。光学影像不足的区域可使用Mango-GPP模型，该模型根据本地物种组成(如物种类型、LAI、生物群落特征等)模拟GPP过程；或基于实地调查数据，利用机器学习等方法学习环境因子与碳通量之间的非线性关系，从而实现区域尺度的模拟。
|
| 图 1 红树林碳汇模型适用性 Fig. 1 Applicability of mangrove carbon sink model |
当前红树林碳汇模型已在区域—全球尺度的生产力与碳储量估算方面形成了较为成熟的技术体系。遥感与统计模型的结合能够较为准确地刻画红树林AGB、GPP及其空间分布特征，且可根据需求选择高分辨率数据进行精准刻画。机器学习算法能够整合多领域的参数，通过调整不同数据之间的权重，对红树林碳储量进行更准确的拟合，这类方法更适用于参数敏感性分析、多因子关系刻画及区域尺度的结果验证。然而，机器学习模型对碳循环过程的描述高度依赖经验参数和统计关系，其适用范围主要集中于大尺度的碳汇量化，对地下碳转化、气体交换及其水文调控机制的刻画能力有限。相较之下，基于过程的生物地球化学模型能够显式刻画植被生长、生物地球化学反应及其与水文动力的耦合关系，在机制解析方面具有不可替代的优势，能够为模拟结果提供物理与生物地球化学一致性约束。但在部分关键碳汇过程的刻画上仍存在明显不足，且由于涉及的参数过于复杂，在区域尺度上建立数据库并进行参数化存在一定挑战。
5 总结与展望红树林碳汇模型的发展不应简单追求多源数据和复杂算法的叠加，而应以刻画关键碳循环机制和过程为核心开展深度模拟，如潮汐驱动下孔隙水和表层海水碳交换及其对溶解无机碳和有机碳输出的调控机制；根系—树干在低氧沉积环境中的气体(尤其是甲烷)交换通量以及潮汐对该气体交换通道的影响等。在获得可靠过程约束的基础上逐步实现多过程耦合，最终形成具有红树林特异性功能的植被生长—生物地球化学循环—物理动力学的多过程耦合体系。
由于不同模型之间在输入、输出及时空尺度上存在显著差异，如何有效结合不同模型的优势，进一步建立精准评估体系仍是关键问题。AI可以作为多源观测和多过程模型之间的桥梁，不但能自动化处理多源数据，还能在多模型耦合中规范数据间的交换规则，明确参数传递和转化路径，使各类模型能够在保持自身复杂度与深度的前提下实现有效协同，提高区域模拟的可靠性。利用大模型的推理能力，可对不同模型的计算流程、假设进行检验和优化。随着大模型自我纠错和本地文件协同能力的提升，可低成本地将其部署在本地(如Openclaw、Opencode等)，借助内置的大模型API或使用自选的模型工具自动审查数据，有助于模型快速搭建能力的提升，在数据分析、模型构建、一致性检查中进一步解放人力，为建立红树林碳、水耦合模型提供支持。例如，利用AI自动剔除遥感数据噪声及异常，提供高质量数据集。生态学研究人员可以更聚焦于本专业问题的提出，借助AI进行额外的数据分析和模型建立，更快地验证结果。同时，模型能力的提升高度依赖高质量、可共享的观测数据支撑。数据应当与调查方法相对应，推进全球尺度红树林调查与产品的标准化，构建开放、可扩展的数据库体系，是实现模型跨区域应用与比较研究的前提。只有在国际协同与数据共享基础上，将观测数据转化为可用参数，红树林碳汇模型才能成为有效服务于生态修复评估、碳交易核算及全球气候变化应对的定量工具。
| [1] |
BOUILLON S, BORGES A V, CASTAÑEDA-MOYA E, et al. Mangrove production and carbon sinks: a revision of global budget estimates[J]. Global Biogeochemical Cycles, 2008, 22(2): GB2013. |
| [2] |
HIRAISHI T, KRUG T, TANABE K, et al. 2013 supplement to the 2006 IPCC guidelines for national greenhouse gas inventories: wetlands[R]. Switzerland: IPCC, 2014.
|
| [3] |
BINDOFF N L, CHEUNG W W L, KAIRO J G, et al. Changing ocean, marine ecosystems, and dependent communities[M]//PÖRTNER H O, ROBERTS D C, MASSON-DELMOTTE V, et al. IPCC special report on the ocean and cryosphere in a changing climate. Switzerland: IPCC, 2019: 447-588.
|
| [4] |
PENDLETON L, DONATO D C, MURRAY B C, et al. Estimating global "blue carbon" emissions from conversion and degradation of vegetated coastal ecosystems[J]. PLoS One, 2012, 7(9): e43542. DOI:10.1371/journal.pone.0043542 |
| [5] |
MACREADIE P I, ANTON A, RAVEN J A, et al. The future of blue carbon science[J]. Nature Communications, 2019, 10: 3998. DOI:10.1038/s41467-019-11693-w |
| [6] |
SUN Z Y, AN Y H, KONG J Y, et al. Exploring the spatio-temporal patterns of global mangrove gross primary production and quantifying the factors affecting its estimation, 1996—2020[J]. Science of the Total Environment, 2024, 908: 168262. DOI:10.1016/j.scitotenv.2023.168262 |
| [7] |
ADAME M F, CORMIER N, TAILLARDAT P, et al. Deconstructing the mangrove carbon cycle: gains, transformation, and losses[J]. Ecosphere, 2024, 15(3): e4806. DOI:10.1002/ecs2.4806 |
| [8] |
OUYANG X G, LEE S Y. Improved estimates on global carbon stock and carbon pools in tidal wetlands[J]. Nature Communications, 2020, 11: 317. DOI:10.1038/s41467-019-14120-2 |
| [9] |
DAHL M, LAVERY P S, MAZARRASA I, et al. Recommendations for strengthening blue carbon science[J]. One Earth, 2025, 8(3): 101175. DOI:10.1016/j.oneear.2025.101175 |
| [10] |
DINILHUDA A, AKBAR A A, JUMIATI, et al. Potentials of mangrove ecosystem as storage of carbon for global warming mitigation[J]. Biodiversitas, 2020, 21(11): 5353-5362. |
| [11] |
GHOSH S M, BEHERA M D, JAGADISH B, et al. A novel approach for estimation of aboveground biomass of a carbon-rich mangrove site in India[J]. Journal of Environmental Management, 2021, 292: 112816. DOI:10.1016/j.jenvman.2021.112816 |
| [12] |
史娴, 聂堂哲, 熊千, 等. 基于InVEST与MaxEnt模型的海南岛红树林生态系统碳储量增量预估[J]. 热带生物学报, 2023, 14(3): 298-306. |
| [13] |
LOVELOCK C E, BARBIER E B, DUARTE C M. Tackling the mangrove restoration challenge[J]. PLoS Biology, 2022, 20(10): e3001836. DOI:10.1371/journal.pbio.3001836 |
| [14] |
朱耀军, 郭菊兰, 武高洁. 红树林湿地有机碳研究进展[J]. 生态学杂志, 2012, 31(10): 2681-2687. |
| [15] |
ROY A D, ARACHCHIGE P S P, WATT M S, et al. Remote sensing-based mangrove blue carbon assessment in the Asia-Pacific: a systematic review[J]. Science of the Total Environment, 2024, 938: 173270. DOI:10.1016/j.scitotenv.2024.173270 |
| [16] |
WANG L, JIA M M, YIN D M, et al. A review of remote sensing for mangrove forests: 1956—2018[J]. Remote Sensing of Environment, 2019, 231: 111223. DOI:10.1016/j.rse.2019.111223 |
| [17] |
LEWIS J I, TONEY A, SHI X L. Climate change and artificial intelligence: assessing the global research landscape[J]. Discover Artificial Intelligence, 2024, 4: 64. DOI:10.1007/s44163-024-00170-z |
| [18] |
ATTARD-FROST B, BRANDUSESCU A, LYONS K. The governance of artificial intelligence in Canada: findings and opportunities from a review of 84 AI governance initiatives[J]. Government Information Quarterly, 2024, 41(2): 101929. DOI:10.1016/j.giq.2024.101929 |
| [19] |
WINARSO G, PURWANTO A D. Evaluation of mangrove damage level based on Landsat 8 image[J]. International Journal of Remote Sensing and Earth Sciences, 2014, 11(2): 105-116. |
| [20] |
GUPTA K, MUKHOPADHYAY A, GIRI S, et al. An index for discrimination of mangroves from non-mangroves using LANDSAT 8 OLI imagery[J]. MethodsX, 2018, 5: 1129-1139. DOI:10.1016/j.mex.2018.09.011 |
| [21] |
DINIZ C, CORTINHAS L, DE SOUZA JR G N, et al. Brazilian mangrove status: three decades of satellite data analysis[J]. Remote Sensing, 2019, 11(7): 808. DOI:10.3390/rs11070808 |
| [22] |
JIA M M, WANG Z M, WANG C, et al. A new vegetation index to detect periodically submerged mangrove forest using single-tide Sentinel-2 imagery[J]. Remote Sensing, 2019, 11: 2043. DOI:10.3390/rs11172043 |
| [23] |
BALOLOY A B, BLANCO A C, ANA R R C S, et al. Development and application of a new mangrove vegetation index (MVI) for rapid and accurate mangrove mapping[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2020, 166: 95-117. DOI:10.1016/j.isprsjprs.2020.06.001 |
| [24] |
LI Z, ZAN Q J, YANG Q, et al. Remote estimation of mangrove aboveground carbon stock at the species level using a low-cost unmanned aerial vehicle system[J]. Remote Sensing, 2019, 11(9): 1018. DOI:10.3390/rs11091018 |
| [25] |
ZHENG Y H, TAKEUCHI W. Estimating mangrove forest gross primary production by quantifying environmental stressors in the coastal area[J]. Scientific Reports, 2022, 12: 2238. DOI:10.1038/s41598-022-06231-6 |
| [26] |
MANNA S, NANDY S, CHANDA A, et al. Estimating aboveground biomass in Avicennia marina plantation in Indian Sundarbans using high-resolution satellite data[J]. Journal of Applied Remote Sensing, 2014, 8: 083638. DOI:10.1117/1.JRS.8.083638 |
| [27] |
KUMAR T, DAS P K. Estimation of gross primary productivity of Indian Sundarbans mangrove forests using field measurements and Landsat 8 Operational Land Imager data[J]. Tropical Ecology, 2023, 64: 167-179. DOI:10.1007/s42965-022-00256-8 |
| [28] |
LELE N, KRIPA M K, PANDA M, et al. Seasonal variation in photosynthetic rates and satellite-based GPP estimation over mangrove forest[J]. Environmental Monitoring and Assessment, 2021, 193: 61. DOI:10.1007/s10661-021-08846-0 |
| [29] |
BUNTING P, ROSENQVIST A, HILARIDES L, et al. Global mangrove extent change 1996—2020:Global Mangrove Watch version 3.0[J]. Remote Sensing, 2022, 14(15): 3657. DOI:10.3390/rs14153657 |
| [30] |
UNGER D R, HUNG I K, BROOKS R, et al. Estimating number of trees, tree height and crown width using Lidar data[J]. GIScience & Remote Sensing, 2014, 51(3): 227-238. |
| [31] |
FELICIANO E A, WDOWINSKI S, POTTS M D, et al. Estimating mangrove canopy height and above-ground biomass in the everglades national park with airborne LiDAR and TanDEM-X data[J]. Remote Sensing, 2017, 9: 702. DOI:10.3390/rs9070702 |
| [32] |
PHAM T D, YOSHINO K, BUI D T. Biomass estimation of Sonneratia caseolaris (L.) Engler at a coastal area of Hai Phong city (Vietnam) using ALOS-2 PALSAR imagery and GIS-based multi-layer perceptron neural networks[J]. GIScience & Remote Sensing, 2017, 54(3): 329-353. |
| [33] |
FELICIANO E A, WDOWINSKI S, POTTS M D. Assessing mangrove above-ground biomass and structure using terrestrial laser scanning: a case study in the Everglades National Park[J]. Wetlands, 2014, 34(5): 955-968. DOI:10.1007/s13157-014-0558-6 |
| [34] |
PULITI S, ØRKA H O, GOBAKKEN T, et al. Inventory of small forest areas using an unmanned aerial system[J]. Remote Sensing, 2015, 7(8): 9632-9654. DOI:10.3390/rs70809632 |
| [35] |
CAO J J, LENG W C, LIU K, et al. Object-based mangrove species classification using unmanned aerial vehicle hyperspectral images and digital surface models[J]. Remote Sensing, 2018, 10(1): 89. DOI:10.3390/rs10010089 |
| [36] |
罗谨璇, 田义超, 张强, 等. 利用无人机激光雷达估算红树林地上生物量[J]. 海洋学报, 2023, 45(8): 108-119. |
| [37] |
NAVARRO J A, ALGEET N, FERNÁNDEZ-LANDA A, et al. Integration of UAV, Sentinel-1, and Sentinel-2 data for mangrove plantation aboveground biomass monitoring in senegal[J]. Remote Sensing, 2019, 11(1): 77. DOI:10.3390/rs11010077 |
| [38] |
WU B, ZHAGN W Z, TIAN Y C, et al. Characteristics and carbon storage of a typical mangrove island ecosystem in Beibu Gulf, South China Sea[J]. Journal of Resources & Ecology, 2022, 13(3): 458-465. |
| [39] |
HAMILTON S E, FRIESS D A. Global carbon stocks and potential emissions due to mangrove deforestation from 2000 to 2012[J]. Nature Climate Change, 2018, 8: 240-244. DOI:10.1038/s41558-018-0090-4 |
| [40] |
KAUFFMAN J B, ADAME M F, ARIFANTI V B, et al. Total ecosystem carbon stocks of mangroves across broad global environmental and physical gradients[J]. Ecological Monographs, 2020, 90(2): e01405. DOI:10.1002/ecm.1405 |
| [41] |
LI X, YEH A G, WANG S, et al. Regression and analytical models for estimating mangrove wetland biomass in South China using Radarsat images[J]. International Journal of Remote Sensing, 2007, 28(23): 5567-5582. |
| [42] |
MENG Y C, BAI J K, GOU R K, et al. Relationships between above- and below-ground carbon stocks in mangrove forests facilitate better estimation of total mangrove blue carbon[J]. Carbon Balance and Management, 2021, 16: 8. DOI:10.1186/s13021-021-00172-9 |
| [43] |
ROVAI A S, TWILLEY R R, CASTAÑEDA-MOYA E, et al. Global controls on carbon storage in mangrove soils[J]. Nature Climate Change, 2018, 8: 534-538. DOI:10.1038/s41558-018-0162-5 |
| [44] |
PHAM L T H, BRABYN L. Monitoring mangrove biomass change in Vietnam using SPOT images and an object-based approach combined with machine learning algorithms[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 128: 86-97. DOI:10.1016/j.isprsjprs.2017.03.013 |
| [45] |
LUO Z K, SUN O J X, WANG E, et al. Modeling productivity in mangrove forests as impacted by effective soil water availability and its sensitivity to climate change using Biome-BGC[J]. Ecosystems, 2010, 13: 949-965. DOI:10.1007/s10021-010-9365-y |
| [46] |
CASTILLO J A A, APAN A A, MARASENI T N, et al. Estimation and mapping of above-ground biomass of mangrove forests and their replacement land uses in the Philippines using Sentinel imagery[J]. ISPRS Journal of Photogrammetry and Remote Sensing, 2017, 134: 70-85. DOI:10.1016/j.isprsjprs.2017.10.016 |
| [47] |
KOTWAL S. Applying remote sensing, google earth engine, and machine learning to predict the carbon sequestration potential of sundarbans mangroves[J]. Asian Journal of Environment & Ecology, 2024, 23(8): 140-150. |
| [48] |
LI Q S, WONG F K K, FUNG T. Mapping multi-layered mangroves from multispectral, hyperspectral, and LiDAR data[J]. Remote Sensing of Environment, 2021, 258: 112403. DOI:10.1016/j.rse.2021.112403 |
| [49] |
MORENO MUÑOZ A S, GUZMÁN ALVIS Á I, BENAVIDES MARTÍNEZ I F. A random forest model to predict soil organic carbon storage in mangroves from Southern Colombian Pacific coast[J]. Estuarine, Coastal and Shelf Science, 2024, 299: 108674. DOI:10.1016/j.ecss.2024.108674 |
| [50] |
YUAN H H, YANG G J, LI C C, et al. Retrieving soybean leaf area index from unmanned aerial vehicle hyperspectral remote sensing: analysis of RF, ANN, and SVM regression models[J]. Remote Sensing, 2017, 9(4): 309. DOI:10.3390/rs9040309 |
| [51] |
JACHOWSKI N R A, QUAK M S Y, FRIESS D A, et al. Mangrove biomass estimation in Southwest Thailand using machine learning[J]. Applied Geography, 2013, 45: 311-321. DOI:10.1016/j.apgeog.2013.09.024 |
| [52] |
DE SOUZA PEREIRA F R, KAMPEL M, SOARES M L G, et al. Reducing uncertainty in mapping of mangrove aboveground biomass using airborne discrete return lidar data[J]. Remote Sensing, 2018, 10(4): 637. DOI:10.3390/rs10040637 |
| [53] |
PHAM T D, YOSHINO K, LE N N, et al. Estimating aboveground biomass of a mangrove plantation on the northern coast of Vietnam using machine learning techniques with an integration of ALOS-2 PALSAR-2 and Sentinel-2A data[J]. International Journal of Remote Sensing, 2018, 39(22): 7761-7788. DOI:10.1080/01431161.2018.1471544 |
| [54] |
SANDERMAN J, HENGL T, FISKE G, et al. A global map of mangrove forest soil carbon at 30 m spatial resolution[J]. Environmental Research Letters, 2018, 13(5): 055002. DOI:10.1088/1748-9326/aabe1c |
| [55] |
JARDINE S L, SⅡKAMÄKI J V. A global predictive model of carbon in mangrove soils[J]. Environmental Research Letters, 2014, 9(10): 104013. DOI:10.1088/1748-9326/9/10/104013 |
| [56] |
MAXWELL T L, HENGL T, PARENTE L L, et al. Global mangrove soil organic carbon stocks dataset at 30 m resolution for the year 2020 based on spatiotemporal predictive machine learning[J]. Data in Brief, 2023, 50: 109621. DOI:10.1016/j.dib.2023.109621 |
| [57] |
SASMITO S D, KUZYAKOV Y, LUBIS A A, et al. Organic carbon burial and sources in soils of coastal mudflat and mangrove ecosystems[J]. CATENA, 2020, 187: 104414. DOI:10.1016/j.catena.2019.104414 |
| [58] |
MACK S K, LANE R R, DENG J, et al. Wetland carbon models: applications for wetland carbon commercialization[J]. Ecological Modelling, 2023, 476: 110228. DOI:10.1016/j.ecolmodel.2022.110228 |
| [59] |
MCKEE K L, CAHOON D R, FELLER I C. Caribbean mangroves adjust to rising sea level through biotic controls on change in soil elevation[J]. Global Ecology and Biogeography, 2007, 16(5): 545-556. DOI:10.1111/j.1466-8238.2007.00317.x |
| [60] |
CINTRÓN G, LUGO A E, POOL D J. Mangroves of arid environments in Puerto Rico and adjacent islands[J]. Biotropica, 1978, 10(2): 110-121. DOI:10.2307/2388013 |
| [61] |
TWILLEY R R, CHEN R H, HARGIS T. Carbon sinks in mangroves and their implications to carbon budget of tropical coastal ecosystems[J]. Water, Air, and Soil Pollution, 1992, 64: 265-288. DOI:10.1007/BF00477106 |
| [62] |
CHEN R, TWILLEY R R. A gap dynamic model of mangrove forest development along gradients of soil salinity and nutrient resources[J]. Journal of Ecology, 1998, 86(1): 37-51. DOI:10.1046/j.1365-2745.1998.00233.x |
| [63] |
BERGER U, RIVERA-MONROY V H, DOYLE T W, et al. Advances and limitations of individual-based models to analyze and predict dynamics of mangrove forests: a review[J]. Aquatic Botany, 2008, 89(2): 260-274. DOI:10.1016/j.aquabot.2007.12.015 |
| [64] |
YOSHIKAI M, NAKAMURA T, SUWA R, et al. Predicting mangrove forest dynamics across a soil salinity gradient using an individual-based vegetation model linked with plant hydraulics[J]. Biogeosciences, 2022, 19: 1813-1832. DOI:10.5194/bg-19-1813-2022 |
| [65] |
TANG Y Q, LI T T, YANG X Q, et al. Mango-GPP: a process-based model for simulating gross primary productivity of mangrove ecosystems[J]. Journal of Advances in Modeling Earth Systems, 2023, 15(12): e2023MS003714. DOI:10.1029/2023MS003714 |
| [66] |
BESELLY S M, GRUETERS U, VAN DER WEGEN M, et al. Modelling mangrove-mudflat dynamics with a coupled individual-based-hydro-morphodynamic model[J]. Environmental Modelling & Software, 2023, 169: 105814. |
| [67] |
ZHANG Y, LI C S, TRETTIN C C, et al. An integrated model of soil, hydrology, and vegetation for carbon dynamics in wetland ecosystems[J]. Global Biogeochemical Cycles, 2002, 16(4): 9-17. |
| [68] |
DAI Z H, TRETTIN C C, FROLKING S, et al. Mangrove carbon assessment tool: model development and sensitivity analysis[J]. Estuarine Coastal and Shelf Science, 2018, 208: 23-35. DOI:10.1016/j.ecss.2018.04.035 |
| [69] |
DAI Z H, TRETTIN C C, BURTON A J, et al. Estimated mangrove carbon stocks and fluxes to inform MRV for REDD+ using a process-based model[J]. Estuarine Coastal and Shelf Science, 2023, 294: 108512. DOI:10.1016/j.ecss.2023.108512 |
| [70] |
QIN G M, LU Z, SANDERS C, et al. Mangrove sediment carbon burial offset by methane emissions from mangrove tree stems[J]. Nature Geoscience, 2025, 18: 1224-1231. DOI:10.1038/s41561-025-01848-4 |
| [71] |
CAI P H, WEI L, GEIBERT W, et al. Carbon and nutrient export from intertidal sand systems elucidated by 224Ra/228Th disequilibria[J]. Geochimica et Cosmochimica Acta, 2020, 274: 302-316. DOI:10.1016/j.gca.2020.02.007 |