网站 Banner

        考古学家用来寻找隐藏在茂密森林树冠下的古代遗迹的卫星数据，也可以用来提高速度和准确性，以测量森林中保留和释放的碳量。

         阿肯色州森林资源中心和阿肯色大学林业、农业和自然资源学院地理空间科学助理教授 Hamdi Zurqani 表示，了解这种碳循环是气候变化研究的关键在蒙蒂塞洛。 该中心总部位于 UAM，通过阿肯色州农业实验站和合作推广服务（阿肯色大学系统农业部的研究和外展部门）开展研究和推广活动。

         “森林通常被称为我们星球的肺，这是有充分理由的，”Zurqani 说。 “它们储存了世界上大约 80% 的陆地碳，在调节地球气候方面发挥着关键作用。”

         到测量森林的碳循环时，需要计算森林地上生物量。 Zurqani 说，虽然有效的但用于估算森林地上生物量的传统地面方法劳动密集、耗时且空间覆盖能力有限。

         在最近发表在《生态信息学》上的一项研究中，Zurqani 展示了如何使用人工智能算法将来自开放访问卫星的信息集成到 Google Earth Engine 上，以快速准确地绘制大尺度森林地上生物量地图，即使在交通便利性经常存在的偏远地区也是如此。

         Zurqani 的新方法使用来自 NASA 全球生态系统动力学调查 LiDAR（也称为 GEDI LiDAR）的数据，其中包括安装在国际空间站上的三个激光器。 该系统可精确测量三维森林冠层高度、冠层垂直结构和表面高程。 LiDAR 代表“光检测和测距”，使用光脉冲测量距离并创建 3D 模型。

         Zurqani 还使用了来自欧洲航天局收集的地球观测哥白尼哨兵卫星 （Sentinel-1 和 Sentinel-2） 的图像数据。 通过将 GEDI 的 3D 图像与哨兵的光学图像相结合，Zurqani 提高了生物量估计的准确性。

         该研究测试了四种机器学习算法来分析数据：梯度树提升、随机森林、分类和回归树 （CART），以及支持向量机。 梯度树提升获得了最高的准确率和最低的错误率。 随机森林排在第二位，证明可靠，但精度略低。 CART 提供了合理的估计值，但往往侧重于较小的子集。 Zurqani 说，支持向量机算法很困难，并强调并非所有 AI 模型都同样适合在这项研究中估计地上森林生物量。

         Zurqani 说，最准确的预测来自将 Sentinel-2 光学数据、植被指数、地形特征和冠层高度与 GEDI LiDAR 数据集相结合，作为训练和测试机器学习模型的参考输入，表明多源数据集成对于可靠的生物量测绘至关重要。

         重要性

         Zurqani 表示，准确的森林生物量测绘对于更好地核算碳和改善全球范围内的森林管理具有现实意义。 随着更多准确的评估，政府和组织可以更精确地跟踪碳封存和森林砍伐产生的排放，从而为政策决策提供信息。

         前路

         虽然这项研究标志着测量地上森林生物量的飞跃，但 Zurqani 表示，仍然存在的挑战包括天气对卫星数据的影响。 一些地区仍然缺乏高分辨率的 LiDAR 覆盖。 他补充说，未来的研究可能会探索更深入的人工智能模型，例如神经网络，以进一步优化预测。

         “有一件事很清楚，”Zurqani 说。 “随着气候变化的加剧，像这样的技术对于保护我们的森林和地球将是不可或缺的。”