遥感数据获取指南

碳项目中遥感数据面临的挑战

如果您正在开发造林、再造林或植被恢复（ARR）项目，现在就需要获取一套地理空间数据集。对于VM0047项目而言，这一点尤为重要——Verra已对多家数据服务提供商进行了正式审核，以供其提供林分密度指数数据。而且，这一要求正逐渐在VM0047项目之外的领域变得普遍。

实际上，对于开发人员来说，这通常意味着需要与两到三家数据提供商沟通，向每家索取测试数据，然后发现这些数据之间并不完全一致。此时，自然的做法是将每家提供商的像素数据与您自己的实地样地数据（即您或合作伙伴亲自测量并代入全向方程计算出的树木数据）进行对比，并选择最吻合的那家。

问题在于，这两个数据集都不是“真实值”。整个项目区域内没有关于生物量的独立测量数据，无法用来验证这两个数据集的准确性。 

实地样地虽是最接近参考标准的，但它们仅覆盖了该区域的一小部分，且本身也存在较大的不确定性。因此，仅通过样地与像素的数据进行直接比较，无法完全确定哪家供应商的说法正确。

简单“曲线与像素”比较的弊端

直接比较可能会误导你的原因有四个，但这并不意味着数据有问题。

问题并不在于“谁错了”。实地测定是通过全尺度方程对卷尺测量数据进行计算得出的，而像素数据则来自卫星模型。如果两者显示的平均蓄积量不同，仅凭这一差异并不能判断哪一个更接近真相——它们只是两种不同的测量方法，而非一个正确、一个错误。

相关性较弱并不意味着数据质量差。如果你将场地测量值与像素值绘制成图，通常会发现最佳拟合直线比预期中完美匹配的1:1直线更为平缓。这通常并非数据质量差的迹象——而是回归稀释现象，即场地和像素测量值中的不确定性（双方通常均超过50%）会机械性地拉低相关性。

样本量过小时，结果就像掷硬币一样难以预测。当样本量为20个或更少，且双方的不确定性均约为50%时，随机性便占据主导地位。如果测量另外20个样本，排名可能会完全颠倒。你很容易就把实力较弱的供应商排在实力较强的供应商之前，却对此一无所知。

一个地块可能会落在错误的像素上。GPS通常能将地块定位在5至15米范围内，但像素的宽度仅为10至30米。一个地块可能会落在相邻的像素上，也可能横跨多个像素。这是尺度和位置的不匹配，并非任一数据集存在缺陷。

从这个角度来看，胜负往往取决于运气而非实力——如果你想做出一个站得住脚的采购决策，这确实是一个风险。

充分利用您现有的现场数据

这并不意味着不应将田间试验地用于比较。这意味着逐点匹配并不是正确的使用方式。通过三项调整，比较结果将变得可靠得多。

将样地与像素正确匹配。应使用所有可用的样地，并在可能的情况下选用面积较大的样地。CEOS的最佳实践建议样地面积至少约为0.25公顷，这有助于减少噪声和比例尺不匹配的问题。应以保守的地理定位误差（约10–20米）为每个样地设置缓冲区，然后将其与该缓冲区内最匹配的像素进行匹配，而非仅仅选择最近的像素。

应比较层均值，而非单个数据点。将样地和像素划分为不同层（林分类型就是一种常见的划分方式），并比较各层的平均值，而不是逐个样地进行对比。随机噪声在此层级上往往会被平均掉，因此，当单个数据点无法体现差异时，不同供应商之间的实际差异便会显现出来。只有当您的样地能够代表各个层，而不是仅集中在交通最便利的地方时，这种方法才有效。

比较分布情况。将遥感数据在更广泛地层中的分布绘制出来，并将你的田间样地叠加在其上。关键在于你的样地是否落在该范围内，而非每个样地是否与特定像素完全吻合。同样，这取决于你的样地是否覆盖了该研究区域的地层和生物量范围，而不仅仅是其中方便选取的部分。

当实地试验地不足时：机载激光雷达

如果条件允许，机载（甚至低成本无人机）激光雷达比仅依靠实地样地能提供更可靠的参考依据。它能在数十或数百公顷的范围内提供数千个验证像素，而非仅靠寥寥几个样地，这种覆盖范围足以使影响小样本的随机性基本消失。 

由于激光雷达会为每个像素分配一个数值，因此您是在相同比例尺下对同类数据进行比较，这样一来，导致“地块与像素”比较失效的地理位置不匹配问题也就消失了。

它还允许您验证的不仅限于地表生物量。冠层高度和冠层覆盖率几乎可直接从激光雷达数据中获得，因此这些图层可以清晰地进行核查；而生物量仍需叠加一个“结构-生物量”模型，因此其计算过程仍比前者少一个直接步骤。 

而且，借助无人机激光雷达，无需像过去开展全面的机载测绘任务那样投入巨额预算，如今也能实现此类参考测绘。

无论是否有实地数据，都要做出明智的选择

如果您拥有实地数据，请正确使用它。将样方与地理位置缓冲区内的像素进行匹配，比较各层组的均值而非单个数据点，并比较分布情况而非单个匹配结果。避免直接进行点与像素的原始比较，因为这种做法最容易使偶然因素而非数据质量占据上风。

除了实地数据外，还应根据以下两点直接对服务提供商进行评估：

要求——数据是否符合您的需求？包括分辨率、更新频率，以及您的方法所要求的具体图层（生物量、树冠结构、指数）。

可信度——数据是如何经过验证的？该基础模型是基于什么数据集训练的？是否已参照基准数据进行了独立验证？它在您关注的特定领域中是否经得起检验？

目标是根据实际表现来选择，而不是依靠那种杂音太多、无法解决问题的比较：

数据是否吻合

你能否相信它

无论它是否能代表你的项目区域

这样一来，就能避免因偶然因素而剔除有效数据，或最终得到质量较差的数据。

点击此处下载本指南的快速参考版 [点击此处下载 PDF 版本]。

Sylvera 在其中扮演什么角色

无论您正在评估哪家服务提供商，上述指导原则均适用。如果您正在考虑将Sylvera 的《生物质图集》作为备选方案之一，关于上述提到的几点，以下内容值得您了解。

“生物质图集”提供全球范围内的地上生物质和树冠高度数据，分辨率在10至30米之间，数据覆盖范围从2000年至今，通过API提供。 

在可信度方面：该模型基于在多种生态系统中采集的超过25万公顷的专有多尺度激光雷达数据进行了校准，并经实地破坏性测量验证，误差范围控制在±3%以内。Sylvera 同时， 也是少数几家经Verra 审核通过、可为 VM0047 提供林分密度指数数据的服务商之一——这说明了数据的生成方式，但这不能替代本指南中涉及的代表性检查，因为这些检查仍取决于您的具体项目区域。

当需要将数据应用于特定方法论的要求时——例如适用性筛选、供体池构建、动态基准和绩效基准测试——Sylvera 的“方法论工具包”便派上用场。该工具包基于“生物质图谱”（Biomass Atlas）构建，因此同一套基础数据既支持对原始数据的自助访问，也支持全托管分析，具体取决于您团队的需求。