机器学习用于模拟埃塞俄比亚西北部多传感器数据的森林树冠高度和覆盖面
Zerihun Chere1, Worku Zewdie2, Dereje Biru3
1Department of Geography and Environmental Studies, Dire Dawa University, P.O.Box 1362, Dire Dawa, Ethiopia. zerihunchere@gmail.com.
Environmental monitoring and assessment
|November 10, 2023
概括
这项研究使用全球生态系统动态调查 (GEDI) LiDAR和多传感器数据准确地绘制了热带森林树冠高度和覆盖面. 结合GEDI,Sentinel和SRTM数据,可以加强森林监测和可持续管理.
科学领域:
- 遥感 遥感 遥感 遥感
- 林业科学 林业科学
- 地理空间分析的研究.
背景情况:
- 准确地绘制森林高度和树冠覆盖的地图对于生物质估计,退化和恢复监测至关重要.
- 光探测和测距 (LiDAR) 传感器提供大面积森林组成的详细数据.
- 全球生态系统动态调查 (GEDI) LiDAR提供了宝贵的森林结构信息.
研究的目的:
- 预测热带地区的森林树冠覆盖面和高度.
- 将GEDI LiDAR数据与多传感器图像和机器学习集成,以进行增强的森林绘图.
- 评估用于森林参数估计的综合数据源的准确性.
主要方法:
- 利用了全球生态系统动态调查 (GEDI) 的LiDAR数据.
- 从航天飞机雷达拓任务 (SRTM) DEM,Sentinel-2和Sentinel-1 SAR数据中集成的预测变量.
- 使用随机森林回归进行建模,并使用GEDI 2A和2B级数据验证结果.
主要成果:
- 在预测森林树冠高度 (R2=0.86,RMSE=3.65m) 和树冠覆盖 (R2=0.87,RMSE=0.15) 时,在2022年的30米分辨率下实现了高准确度.
- 证明将多个数据源 (Sentinel-1,Sentinel-2,SRTM,GEDI) 结合起来可以显著提高预测准确度.
- 生成了森林树冠高度和覆盖面的30米分辨率地图.
结论:
- 整合了GEDI LiDAR,Sentinel和SRTM数据,为绘制热带森林树冠特征提供了一个强大的方法.
- 这些发现支持制定有效的森林管理计划,以实现可持续的资源利用.
- 多源数据融合提高了基于遥感的森林监测的可靠性和准确性.
