结合 Sentinel-2 和各种环境数据,在很大程度上改善了中国北极森林的地面生物质估计

科学领域:

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

背景情况:

• 准确的地面生物质 (AGB) 地图绘制对于中国的北极森林来说至关重要,以评估碳库存和指导管理.
• 环境异质性在这些地区对精确的AGB估计构成挑战.

研究的目的:

• 评估整合Sentinel-2和环境数据的有效性,有或没有合成孔径雷达 (SAR) 数据,用于绘制中国北极森林AGB的地图.
• 为了比较AGB建模的机器学习算法,并评估由此产生的AGB图的不确定性.

主要方法:

• 采用了两个机器学习算法:随机森林和梯度增强回归 (GBR).
• 利用 Sentinel-2 图像,环境数据和 SAR 数据在四种不同的组合中进行模型开发.
• 进行不确定性分析,并将模型输出与现有的AGB产品进行比较以进行验证.

主要成果:

• 使用Sentinel-2和环境数据的GBR模型实现了最高的精度 (R2: 0.75,RMSE: 23.60 Mg/ha).
• 纳入SAR数据并没有改善模型性能,在某些情况下,有负面影响.
• 关键预测因素包括Tasseled Cap距离,Sentinel-2短波红外线,火灾干扰,高度和地理位置.

结论:

• 卫星2号和环境数据为中国北极森林的AGB估计提供了坚实的基础,优于SAR数据的模型.
• 开发的AGB地图显示不确定性中等至低,并且比该地区的现有产品更准确.
• 这些发现支持可持续的森林管理,提供可靠的AGB分布数据,具有明显的南北梯度.