GSIS Call for Papers | 遥感和机器学习在推动碳中和进程中的作用

Geo-spatial Information Science (GSIS)

Special Issue on

“Remote sensing and machine learning in advancing carbon neutrality”

Guest Editors: Huanfeng Shen, Jane Liu, Wenping Yuan, Yongguang Zhang, Holly Croft, Xiaobin Guan

在过去五十年里，人为碳排放的急剧增加已对环境造成了重大破坏，如极端天气事件的增加、生物多样性受损、海平面上升等。碳中和即人为净零碳排放，是确保人类可持续未来的必要条件，数百个国家已承诺在本世纪中叶实现这一目标。

The dramatic increase in anthropogenic carbon emissions over the last five decades has already led to substantial damage to our environment, including increases in extreme weatherevents, loss of biodiversity, and a rise in sea level. Carbon neutrality, i.e., net-zero anthropogenic carbon emissions, is necessary to ensure the sustainable future of human beings, and hundreds of countries have pledged to achieve this goal by mid-century.

遥感技术可以获得不同时空分辨率的地球观测数据，为碳排放监测和碳循环建模提供大量信息。遥感观测不仅可以直接用于反演大气中温室气体(CO₂、CO、CH₄、CFCs、O₃等)的浓度，还可以用于调查自然生态系统的碳收支。由于碳汇是自然生态系统去碳的低成本选择，因此提高我们对陆地生态系统碳循环的认识尤为必要。

 Remote sensing techniques can acquire frequent observations of the Earth with various temporal and spatial resolutions, and provide substantial information for carbon emission monitoring and carbon cycle modeling. Remote sensing observations not only can be directly applied to retrieve the atmospheric concentrations of greenhouse gases (e.g., CO2, CO, CH4, CFCs, O3, et al.), but also can be employed to investigate the carbon budget of natural ecosystems. Since natural ecosystem carbon sinks are a low-cost option for carbon removal from the atmosphere, advancing our knowledge of the terrestrial ecosystem carbon cycle is particularly imperative.

近年来，机器学习已经成为生态学和环境研究领域的强大新技术，在推进温室气体浓度监测和生态系统碳循环建模方面显示出巨大潜力。结合遥感和机器学习手段可以以前所未有的精度实现针对地球生态系统的大规模监测，从而探求实现碳中和的潜力、机遇及时空限制。

 In recent years, machine learning has emerged as a powerful new technique within ecological and environmental studies, which has already shown great potential in advancing the monitoring of greenhouse gases concentrations and modeling of the ecosystem carbon cycle. Adopting remote sensing and machine learning can implement large-scale, ecosystem-specific monitoring of the Earth with unprecedented precision, in order to probe the potential, opportunities, and limits to achieving carbon neutrality over space and time.

为介绍遥感和机器学习在碳中和应用方面的最新进展，Geo-Spatial Information Science特此发起专刊，征稿主题主要包括但不限于：

• Terrestrial ecosystem carbon cycle modeling;

• Remote sensing of atmospheric concentrations of greenhouse gases;

• High-resolution mapping of anthropogenic greenhouse gases emission plumes;

• Novel applications of machine learning in simulating the global or regional carbon cycles, including related key parameters;

• Remote sensing of vegetation structure, physiological, and functional parameters;

• Applications of new generations of remote sensing data in the biosphere and atmosphere;

• Uncertainties around the tree-planting based offset schemes and nature-based solutions in achieving carbon neutrality;

• Tracking the footprints of organic waste and pollution using machine learning and remote sensing;

• Interaction between terrestrial ecosystem and atmosphere under climate change;

• Machine learning applications in remote sensing data processing: reconstruction, temporal filtering, downscaling, and data fusion.

Important Dates:

• Full paper manuscripts: December 31, 2022

Guest Editors:

 

沈焕锋

教授，武汉大学资源与环境科学学院院长，国家级人才获得者，英国工程技术学会会士（IET Fellow），Geo-Spatial Information Science 编委。主要从事遥感数据质量改善、多源感知数据融合、资源环境智能监测等方面的研究工作。主持国家重点研发项目2项、国家自然基金7项。出版专著4部，在国内外重要学术期刊发表学术论文100余篇，Web of Science引用8000余次，研究成果业务化应用于多颗国产卫星数据的预处理系统，并在国土资源调查、生态环境监测等领域得到广泛应用。

 

Jane Liu

加拿大多伦多大学（University of Toronto）博士及副教授。研究方向为大气环境监测建模、对流层及平流层臭氧监测、大气-生物圈相互作用、大气和陆地遥感、生态建模等。主要从事大气环境模拟及遥感，生态环境碳水循环的研究，是广泛使用的BEPS碳水耦合模型的早期主要开发者，根据臭氧探空资料主导并合作完成了全球长期臭氧气候集，被国际全球大气化学计划（IGAC）对流层臭氧评估报告（TOAR）等多次采用。共发表论文120多篇，文章总被引次数达4000以上。H指数为37（Scopus，2022)。

 

袁文平

中山大学教授，主持国家自然基金优秀青年基金、杰出青年基金等项目，主要从事陆地生态系统模型研究，目前研究主要集中于CO₂、CH₄、N₂O等模型发展和改进，区域和国家尺度碳源汇评估，并利用遥感数据估算植被生产力和粮食产量。研究成果发表在Nature Climate Change 、Nature Communications、Global Change Biology、Remote Sensing of Environment等全球变化主流期刊上。

 

张永光

南京大学教授，海外高层次人才计划学者，主持国家自然基金杰出青年基金等项目，研究方向包括：植被遥感、叶绿素荧光遥感，光合作用及荧光模拟、碳循环、全球变化生态学等，主要研究陆地生态系统生产力模拟及碳循环研究和气候变化对陆地植被生态系统的影响。建立了基于植被荧光遥感的生态系统GPP和最大羧化率遥感反演新方法。发表论文70余篇，论文发表在Science，Nature, Nature Ecology&Evolution, PNAS, Global Change Biology, Remote Sensing of Environment等期刊上。

 

Holly Croft

英国谢菲尔德大学研究员（UKRI Future Leaders Fellow, University of Sheffield），2010年获英国埃克塞特大学自然地理学博士学位。研究方向主要为基于遥感数据建模并定量估算植被生理结构参数、植被生产力、碳交换和养分利用的生物物理和生态变量，以及干扰对生态系统结构和功能的影响。

 

管小彬

武汉大学副研究员，博士毕业于武汉大学资源与环境科学学院，2020-2021年赴加拿大多伦多大学进行博士后研究，研究方向为植被遥感应用、时序遥感数据重建、植被生产力模拟、全球变化对生态系统碳循环影响等。

投稿作者请参照GSIS官网说明：https://www.tandfonline.com/action/authorSubmission?show=instructions&journalCode=tgsi20

投稿链接为：https://rp.tandfonline.com/submission/create?journalCode=TGSI，投稿时选择本专辑“Remote sensing and machine learning in advancing carbon neutrality”。

制作：金榕榕  |  编辑：王晓醉 ｜ 审核：张淑娟

交流群

*GSIS已开启读者交流群，添加助理编辑微信（ID：gsis_support），注明“学校（科研机构）-姓名-研究方向”加入群聊。

Call for Papers

# 01

# 02

   COVID-19大流行对人类流动性的影响 >>点击标题，获取更多专刊信息

# 03  

    位置智能：地球空间信息科学的未来趋势>>点击标题，获取更多专刊信息

# 04  

   基于多源数据的森林积蓄量、生物量、碳含量建模>>点击标题，获取更多专刊信息

# 05  

期刊简介

Geo-spatial Information Science（GSIS）是由武汉大学主办的测绘遥感专业英文期刊，主编为中国科学院院士、中国工程院院士李德仁教授。2020年9月被SCI收录，2020JCR影响因子为4.288，Q2分区。2020 CiteScore为7.4，Q1分区。

GSIS 采用开放获取的出版模式(Open Access），文章一经发表，可马上被全球读者免费全文下载，这种模式可以让你的文章有更多的曝光度。

欢迎广大测绘遥感学科的科研工作者投稿。如果您有需要抢首发权的高质量文章，可与我们联系[e-mail]，主编/国际副主编亲自为您处理，编辑部提供随时随地的疑问解答与状态跟踪。

期刊官网：

https://www.tandfonline.com/tgsi

投稿网址：

https://rp.tandfonline.com/submission/create?journalCode=TGSI

往期精选