企业官网建设流程全解析

简介：全球植被碳储量的变化空间分布数据，面向地理信息、生态遥感与气候变化方向的研究者及GIS入门学习者，可用来分析陆地植被碳汇格局、评估区域碳储量增减态势，也可作为全球尺度碳循环专题制图的基础输入。资源包共14个文件，压缩后约23MB，以tif栅格数据为主体，配套tfw空间定位文件、xml元数据、ovr金字塔和png缩略图，另附txt数据来源说明；tfw可保证栅格在GIS中正确配准，ovr与缩略图便于快速预览和分级渲染，xml则记录投影与处理信息，方便二次归档。目前已有234人学习下载。内容覆盖植被碳储量变化、碳减少百分比等多类图层，用户可直接加载进行空间查询、密度制图或初步的时序对比分析，适合生态评估、气候变化研究及教学演示等场景使用。

1. 全球植被碳储量的变化空间分布数据：到底在说什么

如果你第一次打开这类数据，很可能会被吓一跳：同一片森林，上一期碳储量明明是 120 t/ha，下一期变成了 98 t/ha，再下一期又涨到 113 t/ha。把这几个年份的栅格图层相减，得到的"变化空间分布"图上会出现大片红色和蓝色斑块，红的是增加，蓝的是减少。可仔细一查，那里根本没有发生过砍伐，也没有火烧迹地。那这 22 吨碳去哪了？别急着怀疑数据质量——更可能的原因是，你把两期栅格的时间戳含义理解错了，或者两期影像本身就不在同一套参考网格上。

全球植被碳储量的变化空间分布数据，本质上是把"植被碳库在某段时间内的增减量"落到每个像元上，最终输出一套带时间深度的栅格时间序列。它解决的是三个层面的问题：第一，碳储量本身是多少；第二，它随年份怎么变；第三，这种变化在空间上哪些区域显著、哪些区域只是年际波动。做碳汇核算、生态修复成效评估、林草资源监测或气候变化研究的工程师，几乎都会遇到这套数据。这篇笔记就从数据选型、反演流程、变化分析方法、坑点排查到成果验证，把整条链路完整铺开。

2. 数据本体与选型：分辨率、时间深度与成果形式的三角权衡

全球植被碳储量的变化空间分布数据不是单一产品，而是一族产品的总称。拿到需求时先别急着下载，先问三个问题：你要的空间分辨率是多少？要的时间跨度到哪一年？你要的是"存量"还是"存量变化"？这三个答案直接决定你用哪一类数据，也决定后续分析结论的可靠程度。

2.1 三种主流形态的碳储量栅格产品怎么选

我一般会把这类数据分成三种形态，各有各的适用范围，也各有各的坑。

第一种是 30 米级的高分辨率森林碳储量栅格，基于多光谱光学影像逐像元反演森林地上生物量，再乘碳分数得到碳储量。它适合中小尺度，比如一个县、一条流域、一片保护区。它的优点是空间细节清楚，能看出林窗、采伐迹地、道路边缘；缺点是时间连续性通常不好，可能只有几个年份的产品，年份之间算法版本还可能变了，导致两期比较时出现系统性偏差。

第二种是 250 米到 500 米的中分辨率时序栅格，覆盖全球或大洲范围，时间深度往往有连续十几到二十几年。它适合区域性和全球性趋势分析，比如看北方森林整体碳汇在增强还是减弱。缺点是混合像元严重，一个 500 米的像元里可能同时包含林地、草地和裸地，数值上是混合碳密度。

第三种是星载激光雷达或无人机激光雷达样地数据与光学影像外推出来的混合产品，先在地面或激光点云上测出高精度生物量样地，再用光学影像特征把样地值外推到整个区域。这类产品精度高，但通常只有"当前状态"或者少数几个期次，很难支撑真正意义上的多期变化分析。

让我用一个表格把这三种形态的关键差异列出来，方便你按需选型：

选型时有一个普遍误区：一味求分辨率越高越好。事实上，如果你要做的是 2010 到 2020 年十年的变化趋势，那 30 米产品很可能只有 2010 和 2020 两期，中间年份缺失，你只能做简单差值，做不了趋势显著性检验。反而是 250 米的中分辨率时序产品，每年一期，能支撑 Theil-Sen 斜率时序分析和 Mann-Kendall 显著性检验，对"变化空间分布"的表达反而更扎实。

2.2 拿到数据后第一件事：核对坐标系、时间戳与有效值域

很多人在这一步翻车，而且是半小时内就能发现的翻车，但常常因为着急出图而被忽略。拿到任何一份碳储量栅格，不要先画图，先打印元数据。打开栅格后依次核对三个字段：坐标参考系、时间戳描述、有效值域和比例因子。

坐标参考系是最容易埋雷的地方。有的产品用 WGS84 地理坐标，单位是度，像元大小写的是 0.00025；有的用投影坐标，单位是米，像元大小是 30。如果后续要和别的栅格做差值或叠加分析，必须先把所有层都重采样到同一个网格上，否则差值的空间分布会出现系统性错位，边缘像元尤其明显。

时间戳描述要仔细读文档。同样是"2020 年碳储量"，有的产品是 2020 年生长季峰值期的瞬时碳储量，有的是 2020 年全年最大合成，还有的是把 2020 与 2021 两年的平均值当作 2020 年值。这些不同定义下的数值可能相差 10% 到 20%。你拿生长季峰值期的 2020 年值和全年平均的 2010 年值做差值，趋势会被整体抬高，得出"碳储量显著增加"的错误结论。

有效值域和比例因子是最后一道关。很多栅格为压缩存储，把浮点数放大后存成整型，比例因子是 0.01 或 0.0001。如果你直接读数值不乘比例因子，算出来的碳储量会虚高几十上百倍。同时要屏蔽无效值，通常是 -9999 或 65535 这类填充值，不屏蔽的话它们会进入后续的统计计算，一次就能把大区域差值图的直方图拉成灾难现场。

3. 从光学影像到碳储量栅格：一套可复现的反演流程

如果现成产品覆盖不了你想分析的年份，或者区域太局部、产品分辨率太粗，你大概率得自己动手做一期碳储量栅格。这里我把常见做法拆成三步：先建立植被指数与地上生物量之间的反演关系，再做批量预处理与指数合成，最后统一单位并映射成碳储量栅格。每一步都有必须明确的参数，下面直接给出可运行的流程。

3.1 反演链路：植被指数、异速生长方程与碳分数

植被碳储量的标准计算链路是：碳储量 = 地上生物量 × (1 + 根冠比) × 碳分数。其中地上生物量需要模型估出来，最常用的是建立植被指数与实测样地生物量之间的回归关系。用光学影像时，NDVI 和 EVI 是最常用的两个自变量，但在高生物量区域 NDVI 容易饱和，EVI 的线性表现通常更好。

模型形式上，幂函数用得最多。常见做法是：

AGB = a × (VI)^b

其中 AGB 是地上生物量，单位 t/ha；VI 是植被指数；a 和 b 是模型系数，要用目标区域内的实测样地标定，或者引用当地文献中已经发表的参数。如果没有实测样地，绝对不要随便抄一个别的区域的系数，宁可把结果在 6.1 节的验证环节标注为"估算级"，也不要假装它是实测精度。

地上生物量算出来后，补地下部分。根冠比是一个随植被类型变化的系数，通常针叶林取 0.20–0.25，阔叶林取 0.25–0.30，灌木和草地会更高。最后乘碳分数，国际上通用的缺省值是 0.47 或 0.50，阔叶树通常比针叶树略高。这一整套链路下来，每个环节的系数变化都会直接影响变化空间分布的绝对值，所以参数来源一定要写在数据说明里。

3.2 批量预处理与 NDVI 最大合成

多期影像的预处理是整个流程最枯燥但最关键的环节。你需要把不同年份、不同条带号的影像先拼接成覆盖整个研究区的连续栅格，然后统一坐标系和像元大小，再做云掩膜，最后计算植被指数并合成年度最大值。

下面是年度 NDVI 最大合成的核心逻辑，用 Python 演示。注意这里我用随机噪声模拟真实影像，目的是让你在本地能直接跑通流程，实际使用换成你自己的影像即可。

import numpy as np import rasterio # 模拟 2010 年红波段和近红外波段影像，实际环境中用 rasterio.open 读取真实影像 np.random.seed(2024) red = np.random.rand(500, 800) * 0.35 # 红光反射率，植被区域偏低 nir = np.random.rand(500, 800) * 0.55 + 0.2 # 近红外反射率，植被区域偏高 red = np.where(red < 0.02, np.nan, red) # 屏蔽云影等极低值 nir = np.where(nir < 0.05, np.nan, nir) # NDVI 计算公式 ndvi = (nir - red) / (nir + red + 1e-6) # 加微小常数避免除零 # 把 NDVI 裁剪到有效范围并设置无效值 ndvi = np.clip(ndvi, -1.0, 1.0) ndvi[ndvi < 0.05] = np.nan # 裸土/水体像元直接剔除 # 输出统计信息，用于检查计算是否合理 print("NDVI 范围:", np.nanmin(ndvi), "-", np.nanmax(ndvi)) print("有效像元占比: {:.2f}%".format(np.sum(~np.isnan(ndvi)) / ndvi.size * 100))

这段代码有两个参数值得注意。一个是分母里的 1e-6，它防止近红外加红光接近零时出现除零错误，这在裸地和暗色像元上很常见。另一个是 np.nan 掩膜的处理，NDVI 小于 0.05 的像元被视为非植被，直接剔除，避免水体或裸土的负值混进碳储量估算。实际年份合成时，应把该年内所有云掩膜后的 NDVI 图层按像元取最大值，而不是平均值，因为最大值合成能有效削弱云残留和太阳高度角差异带来的干扰。

3.3 单位统一与碳储量映射

NDVI 算出来后，下一步是把它映射成碳储量。常见做法是分组查找表：不同植被覆盖类型用不同的反演系数。你手头如果有土地利用类型图，可以先按类型掩膜，再分别映射；如果没有，可以先用 NDVI 阈值粗略区分森林、灌丛和草地。

下面给出一个用分段线性模型映射碳密度的示例。这里系数是示意值，正式计算前必须用你所在区域的实测样地重新标定。

def ndvi_to_carbon(ndvi, cover_type="forest"): """ 把 NDVI 映射为植被碳储量（单位：t C/ha） 采用分段线性查找表，示意系数，实际应使用区域标定参数 """ carbon = np.full_like(ndvi, np.nan, dtype=np.float64) valid = ~np.isnan(ndvi) if cover_type == "forest": # 森林：NDVI 0.2 对应 30，0.8 对应 180，线性内插 carbon[valid] = 30.0 + (ndvi[valid] - 0.2) / 0.6 * 150.0 elif cover_type == "shrub": # 灌丛：碳库上限明显低于森林 carbon[valid] = 10.0 + (ndvi[valid] - 0.1) / 0.5 * 50.0 else: # 草地：更低 carbon[valid] = 5.0 + (ndvi[valid] - 0.05) / 0.4 * 20.0 # 超出模型输入范围的值直接置为无效，避免外推 carbon[ndvi < 0.05] = np.nan carbon[ndvi > 0.9] = np.nan return carbon

这段代码最关键的设计在最后两行：超出模型有效输入范围的值直接置为无效，而不是继续用线性公式外推。这是自建碳储量产品最容易犯的错误——NDVI 大于 0.9 的像元在饱和区，真实生物量增长已经放缓，线性外推会把碳储量估到根本不可能的量级。再提醒一遍单位：这里输出的是 t C/ha，也就是每公顷多少吨碳。后面做变化空间分布时，如果需要和全球产品对比，要统一换算成 g C/m²，换算倍数是 1 t/ha = 100 g/m²，别算错。

4. 变化空间分布怎么算：两期差值、趋势斜率与显著性分级

碳储量单期栅格只是起点，"变化空间分布"才是最终要交付的东西。这一章讲两条技术路线：一条是只有两期数据时的简单差值，另一条是有连续多年数据时的趋势分析加显著性检验。后者才是真正能称得上"变化空间分布"的完整表达。

4.1 两期差值：先把数据严格对齐到同一网格

只有两个年份的碳储量栅格时，最常见做法是"末期减初期"，得到每个像元的碳库净变化量。操作上最重的步骤不是减法本身，而是减法之前的对齐。两期栅格必须满足三个条件：同一坐标参考系、同一像元大小、同一网格原点，否则减法产生的错位会在地形起伏区形成沿坡向的带状伪变化。

我习惯先写一个对齐函数，把后期影像重采样到前期影像的网格上，然后再做差值：

import rasterio from rasterio.warp import reproject, Resampling with rasterio.open("carbon_2010.tif") as src1: carbon_2010 = src1.read(1) transform = src1.transform crs = src1.crs with rasterio.open("carbon_2020.tif") as src2: # 重采样到 2010 年影像的网格，三次卷积适合连续型栅格 carbon_2020 = np.empty_like(carbon_2010, dtype=np.float64) reproject( source=rasterio.band(src2, 1), destination=carbon_2020, src_transform=src2.transform, src_crs=src2.crs, dst_transform=transform, dst_crs=crs, resampling=Resampling.cubic, ) # 差值：末期减初期，正值表示碳库增加 diff = carbon_2020 - carbon_2010 # 输出基本统计，确认变化量级合理 print("变化范围: {:.2f} 到 {:.2f} t C/ha".format(np.nanmin(diff), np.nanmax(diff)))

这里选择了三次卷积重采样而不是最近邻，理由是碳储量是连续型数值变量不是类别变量，最近邻会在林缘产生块状阶梯，三次卷积的过渡更平滑。如果两期影像的像元坐标本身是错位的，比如一个是以左上角为原点对齐，一个是以中心点为原点对齐，差值图边缘会出现一排整齐的异常高值。遇到这种情况，优先检查 header 里的变换矩阵，不要急着怀疑数值模型。

4.2 多期趋势：Theil-Sen 斜率与 Mann-Kendall 显著性检验

只有两期数据只能看"增量"，连续多年数据才有资格谈"趋势"。和时间序列回归不同的是，对于栅格数据我一般不用普通最小二乘斜率，而用 Theil-Sen 斜率估计：计算所有时间点两两组合的斜率，取中位数作为该像元的趋势值。它对异常值和缺测年份的鲁棒性远好于最小二乘，特别适合 NDVI 和碳储量这类受物候、云残留干扰的遥感变量。

下面是针对单个像元时间序列的实现，循环应用到全图就能得到斜率栅格。

def theil_sen_slope(years, values): """ 计算一条时间序列的 Theil-Sen 趋势斜率 years: 年份数组，如 [2010, 2011, ..., 2020] values: 对应年份的碳储量数组 返回值: 斜率（单位：t C/ha/年） """ slopes = [] n = len(years) for i in range(n): for j in range(i + 1, n): dy = values[j] - values[i] dx = years[j] - years[i] if dx != 0: slopes.append(dy / dx) if len(slopes) == 0: return np.nan return float(np.median(slopes)) # 以某像元为例：10 年碳储量序列 years = np.array([2010, 2011, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020]) values = np.array([105, 108, 107, 111, 110, 114, 116, 115, 118, 120, 121]) slope = theil_sen_slope(years, values) print("该像元趋势斜率: {:.2f} t C/ha/年".format(slope))

这段代码双重循环的复杂度是 O(n²)，但一个像元通常只有 10 到 25 个年份，计算量完全可接受。真正要注意的是缺测年份：有些年份因为云覆盖严重，某像元没有有效值，这时候不能直接跳过，最好用前后各两年的平均值补上，或者把该年份从 pairs 组合中剔除，但不要用整景数据的全局均值填充，否则会让该像元的趋势向区域平均靠拢，掩盖真实的局部异常。

斜率趋势只回答"变快还是变慢"，没有回答"这个变化是否显著"。这就要 Mann-Kendall 检验上场了。它的核心逻辑是对时间序列中所有值对做符号判断，正号的个数减去负号的个数，得到一个统计量，再根据序列长度计算方差，得到标准化的 Z 值，最后换算出 p 值。

from scipy.stats import norm def mann_kendall_p(values): """ 对碳储量时间序列做 Mann-Kendall 趋势显著性检验 返回: z 统计量和双侧 p 值 """ n = len(values) s = 0 for i in range(n): for j in range(i + 1, n): s += np.sign(values[j] - values[i]) # 有重复值时方差需要去重修正，这里按无重复值简化处理 variance = (n * (n - 1) * (2 * n + 5)) / 18.0 if variance <= 0: return 0.0, 1.0 if s > 0: z = (s - 1) / np.sqrt(variance) elif s < 0: z = (s + 1) / np.sqrt(variance) else: z = 0.0 p_value = 2.0 * (1.0 - norm.cdf(abs(z))) return z, p_value z, p = mann_kendall_p(values) print("MK Z 值: {:.2f}, p 值: {:.3f}".format(z, p))

Mann-Kendall 检验对单调趋势敏感，不管趋势是线性还是非线性，只要持续上升或下降，S 统计量就会远离零。如果时间序列在中间年份出现明显 V 型反转，这个检验的检出能力会下降。所以我会在计算 p 值栅格之后，同时看一眼该像元的时间剖面，再决定是否信任这个显著性结论。

4.3 显著性分级与"变化空间分布图"的表达

有了斜率栅格和 p 值栅格，变化空间分布最终输出的通常是一张分级图，而不是连续浮点图。常用的五级分类方案是：显著增加、不显著增加、无明显变化、不显著减少、显著减少。分级逻辑是先用 p 值筛选显著性，再用斜率方向定增减。

我把这套分级逻辑封装成一个矢量化函数，这样对百万级像元也能快速处理：

def classify_change(slope, p_value, alpha=0.05, slope_threshold=0.1): """ 把趋势斜率和 p 值合成为五级变化等级 slope: 每像元的趋势斜率，t C/ha/年 p_value: 每像元的 MK 检验 p 值 """ out = np.zeros_like(slope, dtype=np.int8) # 只有趋势幅度超过阈值时才认为有实际变化 significant = (p_value < alpha) & (np.abs(slope) >= slope_threshold) out[(slope > 0) & significant] = 1 # 显著增加 out[(slope > 0) & ~significant] = 2 # 不显著增加 out[np.abs(slope) < slope_threshold] = 3 # 无明显变化 out[(slope < 0) & ~significant] = 4 # 不显著减少 out[(slope < 0) & significant] = 5 # 显著减少 return out level = classify_change(slope, p)

这里有个容易纠结的点：阈值 slope_threshold 取多少。如果你直接拿原始斜率做判定，0.001 t C/ha/年 的微弱上升在统计上可能极其显著，但实际碳汇强度可以忽略。我通常按研究区的平均碳储量 1% 到 2% 作为实际显著变化的底线。寒带森林碳库周转慢，阈值取低一些；人工林或灌丛恢复区，阈值可以取高一些。到最后出图时，我给这五类分别配深绿、浅绿、灰、浅红、深红，配色原则是"读者一眼能看出哪里在变，而不是先找图例"。

5. 避坑实录：从下载、反演到变化制图的五处决定性细节

这一章收集的是我在反复做全球及区域植被碳储量变化分析时踩过、也看别人踩过的典型坑。每条都按现象、原因、解决的顺序展开，你可以对照自己的流程逐条排查。

5.1 现象：两期影像数据源不一致，变化图全是噪声

某开发者要分析 A 区域 2010 到 2020 年碳储量变化，2010 年用的是某全球产品，2020 年用的是另一家机构的区域产品。两期相减之后，整个区域东北方向出现大面积红色"显著增加"，但当地实际是退化的灌丛。原因：两个产品的反演算法不同、训练样地不同、有效值域定义也不同，差值的空间分布代表的根本不是碳储量变化，而是两套产品的系统偏差。

解决：如果要跨年份对比，必须保证同一套产品体系，至少是同一个反演框架下的不同年份版本。如果实在要用两套产品，就做交叉校准：找两个产品共同覆盖的年份，比如 2015 年，在区域层面建立回归关系，把其中一套校准到另一套的量纲上，再用于差值计算。

5.2 现象：差值图被异常值刷屏，直方图完全没法看

A 同学跑完两期差值后，发现全区有 3% 的像元差值超过 200 t C/ha，而区域平均碳储量不到 80 t/ha。打开栅格查看，异常值集中在河流两侧和云带边缘。原因：预处理时的无效值屏蔽不彻底，水体像元在某一期被识别为植被，算出了虚假的高碳储量；另一期云遮挡把碳储量估成极低值，两者相减就成了异常值。

解决：在做差值之前，对所有参与计算的期次统一做一次有效值掩膜，并生成一个"所有年份都有效"的像元集合，只在这个集合上计算差值。这个掩膜相当于一个数据质量分层，能屏蔽掉大部分伪变化。代码上就是先把所有年份的 np.nan 取交集，再算差值。

5.3 现象：两期栅格边界错位，出现沿轨道的带状变化

分析过程中发现差值图上出现南北走向的整齐条带，和地形、植被完全无关。检查后确认，两期影像原始网格的分辨率都是 30 米，但一期影像的网格坐标原点偏了半个像元，重采样时用的是 nearest，导致山脊线上像元被成片错配。原因：重采样方法选取不当，加上网格 origin 没有对齐。

解决：统一先重采样到同一个参考网格。网格定义时用 transform 里的左上角坐标和像元尺寸，而不是只保证分辨率数字相同。重采样方法选 cubic 或 bilinear，不要选 nearest。这个操作要写进预处理脚本，不要在图层面板里手动对齐，因为手动操作无法批量化和复现。

5.4 现象：碳储量暴涨几倍，原因是模型外推超出建模范围

某公司拿一套在温带阔叶林标定的异速生长方程，直接用于亚热带山地常绿林，结果全区碳储量普遍偏高 60%。更极端的情况是某些像元 NDVI 超出建模时的取值范围，模型照样输出数值，产出一大片不合理的碳密度。原因：模型系数是区域特异性的，外推到其他生态区后偏差巨大；同时缺少输入变量范围的保护性判断。

解决：自建模型时申明模型适用范围，同时在代码里做输入范围钳制，超出范围直接输出无效值。前面 3.3 节代码里最后两行就是这个处理。如果是引用文献系数，至少先把该系数建模区域和你研究区的气候带、植被类型、海拔范围做一轮匹配，不要拿来就用。

5.5 现象：把碳储量和碳汇混为一谈，结论相差一个数量级

这是汇报环节最容易翻车的地方。碳储量是存量，单位是吨碳每公顷；碳汇是通量，单位是吨碳每公顷每年。一个像元的碳储量从 100 涨到 110 t/ha，这是十年间的累计变化，平均碳汇约 1 t C/ha/年。但如果把"存量变化"直接写作"碳汇强度"，数值上不知不觉就放大了十倍甚至更多。原因：概念混淆，单位换算没有写进计算脚本。

解决：统一在成果里规定两类输出：一类是"碳储量变化量"，单位 t C/ha，只描述末期减初期；另一类是"年均变化速率"，单位 t C/ha/年，由变化量除以间隔年数得到。只有后者才能被称作碳汇强度，而且必须注明是"净碳汇"还是"生态系统总碳汇"中的植被部分，避免概念扩张被质疑。

6. 验证与收尾：让变化图经得起复核的三种习惯

栅格算完、分级图也出了，很多人就此止步。但按我的习惯，出图之前最少要过三道验证关卡，这三道关卡加起来不超过半天，却能挡住绝大多数低级错误。

第一关是独立样地抽查。从研究区按海拔、坡向、植被类型分层抽取 30 到 50 个样地，用实测生物量换算碳储量，与模型估算值做散点图。这种抽查不要求数量大，但要覆盖变化图里的"显著增加"和"显著减少"两个极端区域，因为模型往往在极端值上失真。如果偏差超过 20%，那变化图的绝对值就不能对外宣布精度，只能作为相对趋势参考。

第二关是时间剖面合理性检查。随机挑选 20 个像元，打印它们逐年碳储量序列，肉眼确认两年之间的跳变是否合理。出现连续多年平稳后突然激增的像元，多半是那年换了一景影像或者云掩膜参数不同。我遇到过最典型的例子是某像元 2016 年碳储量比前后年份高出 40%，最后查到是当年影像条带重叠区没有做无缝拼接，两次算出的 NDVI 在拼接缝附近被重复计算。

第三关是空间格局交叉验证。把变化等级图与土地利用数据、火烧迹地数据、道路缓冲区叠加检查：显著减少区是否对应已知的采伐区和火烧迹地，如果不匹配，优先怀疑反演或对齐问题。这一步还能识别出系统性偏差，比如显著减少区全部集中在坡度大于 30 度的陡坡，而实际原因只是陡坡像元的光学影像阴影导致 NDVI 系统偏低。

做完验证，最后归档时我会把计算参数写进元数据：每个期次影像的来源、分辨率、重采样方法、NDVI 计算波段、反演方程系数、碳分数和根冠比取值、时间戳定义以及掩膜规则。没有元数据的碳储量栅格，三年后连你自己都说不清是怎么算出来的。这个习惯帮我避免过无数次的重复返工。

如果你只拿走一个经验，我希望是这个：碳储量的变化空间分布数据，永远先回答"数据之间能不能互相比较"，再谈趋势和制图。坐标系、时间戳、单位这三个字段不对齐，再精致的变化分析都会变成废纸。希望帮到你。

本文还有配套的精品资源，点击获取