基于 GEE 利用 Sentinel-2 数据结合线性回归模型实现碳储量反演
目录
1 原理与方法
1.1 技术背景
1.2 技术方案
1.2.1 数据预处理：提升数据质量
1.2.2 预测因子构建：整合有效特征
1.2.3 鲁棒线性回归：抗干扰的模型选择
1.2.4 精度验证：用 RMSE 评估模型性能
1.3 使用的数据集
2 代码解析
2.1 基础设置
2.2 碳储量基准数据加载
2.3 Sentinel-2 数据处理
2.4 Dynamic World 树木掩膜构建
2.5 预测因子构建
2.6 鲁棒线性回归模型训练
2.7 碳储量预测与后处理
2.8 可视化设置（论文级标准）
2.9 精度验证（RMSE 计算）
2.10 结果导出
3 完整代码
4 运行结果
5 总结
1 原理与方法
1.1 技术背景
植被碳储量（尤其是森林碳储量）与植被的生物量直接相关，而生物量又可通过遥感影像的光谱特征间接反映：叶片的叶绿素含量、细胞结构会影响可见光 - 近红外波段的反射率（如近红外波段反射率随生物量增加而升高），植被指数（如 NDVI）则能直接量化植被生长状况。因此，通过光谱特征与碳储量的统计关系，可反演大范围碳储量分布。
1.2 技术方案
本方案的核心是 “用 Sentinel-2 光谱特征预测碳储量”，流程可概括为 “数据预处理→预测因子构建→模型训练→精度验证”。
1.2.1 数据预处理：提升数据质量
- Sentinel-2 处理：筛选云量 <10% 的影像后做 “中值合成”（median ()）—— 中值能有效过滤单景影像的云、阴影等噪声；通过 multiply (0.0001) 将原始 DN 值转换为 0 - 1 的实际反射率。
- NDVI 计算：用 normalizedDifference (['B8','B4']) 计算 (近红外 - 红)/(近红外 + 红)，NDVI 与植被生物量高度相关，作为重要辅助特征。
1.2.2 预测因子构建：整合有效特征
预测因子是模型的 “输入特征”，需包含与碳储量相关的所有参数：
- 常数项：线性回归模型的截距项，确保模型能拟合基线值；
- Sentinel-2 光谱波段：B1 - B12 共 12 个波段，反映植被光谱细节；
- NDVI：量化植被生长状况的综合指数；
- 树木掩膜：通过 updateMask (dw) 仅保留树木区域（非树木区域设为无效值），确保模型聚焦于 “有碳储量的核心区域”。
1.2.3 鲁棒线性回归：抗干扰的模型选择
为什么选鲁棒线性回归？
普通线性回归对异常值（如因云影导致的低反射率、采样误差导致的高碳储量值）敏感，会拉偏回归系数；而鲁棒线性回归通过降低异常值的权重，减少其对模型的影响，更适合遥感数据的噪声特性。
模型训练时，用 ee.Reducer.robustLinearRegression (14, 1)—— 参数 "14" 是自变量数量（1 个常数项 + 12 个光谱波段 + 1 个 NDVI），"1" 是因变量（碳储量），通过 reduceRegion 在研究区范围内计算回归系数。
1.2.4 精度验证：用 RMSE 评估模型性能
用均方根误差（RMSE）验证预测结果与基准碳储量的差异：
1.3 使用的数据集
| 数据集名称 | 数据源 ID | 时间范围 | 选择波段 | 数据说明 |
|---|---|---|---|---|
| WCMC 碳储量数据集 | WCMC/biomass_carbon_density/v1_0 | 无特定时间范围 | carbon_tonnes_per_ha | 提供生物量碳密度数据，用于碳储量基准值获取，单位为 tC/ha |
| Sentinel-2 数据集 | COPERNICUS/S2_SR_HARMONIZED | 2020-2021 | B.*（所有以 B 开头的光谱波段） | 哨兵 2 号地表反射率数据，经大气校正，用于提取光谱特征和计算植被指数 |
| Dynamic World 数据集 |