估计哥伦比亚太平洋海岸的红树林地表生物量:多传感器和机器学习方法

科学领域:

• 生态生态学 生态生态学
• 遥感 遥感 遥感 遥感
• 林业林业 林业 林业 林业

背景情况:

• 哥伦比亚太平洋海岸 (CPC) 是一个生物多样性热点,拥有关键的红树林生态系统.
• 红树林地表生物量 (AGB) 估计对于管理这些重要的沿海资源和它们提供的服务至关重要.
• 准确的AGB数据支持气候变化减缓和当地社区的利益.

研究的目的:

• 使用多传感器方法在哥伦比亚太平洋海岸 (CPC) 空间估计红树林AGB.
• 评估各种参数和非参数模型的性能,用于AGB量化.
• 使用机器学习为CPC生成高分辨率的AGB地图.

主要方法:

• 利用谷歌地球引擎 (GEE) 进行空间分析和机器学习.
• 综合合成孔径雷达 (SAR) 数据 (ALOS-2/PALSAR-2,SRTM,NASADEM,ALOSDSM) 和光学数据 (Landsat 8) 的数据.
• 采用并比较各种机器学习模型,包括随机森林,用于AGB预测.

主要成果:

• 随机森林模型显示出优异的预测准确性 (R2 = 0.783,RMSE = 38.239 Mg/ha).
• 为CPC生成的红树林AGB地图显示平均值为181.236 ± 28.939 Mg/ha.
• 估计的AGB值在八个类别中从88.622毫克/公到378.21毫克/公不等.

结论:

• 该研究使用先进的遥感技术成功地绘制了哥伦比亚太平洋海岸的红树林AGB地图.
• 随机森林模型对于估计该地区的红树林AGB非常有效.
• 调查结果提供了关键数据,以支持CPC红树林生态系统的可持续管理和决策.