集成GEDI和Sentinel数据以量化农林树木高度和树木库存
Giovanni D'Amico1, Elia Vangi2, Martin Schwartz3
1geoLAB - Laboratoy of Forest Geomatics, Department of Agricultural, Food, Environmental and Forestry Sciences and Technologies, University of Florence, via San Bonaventura 13, I-50144, Florence, Italy.
Journal of environmental management
|September 11, 2025
概括
遥感和深度学习有效地监测树种植园,估计气候变化缓解的碳库存. 这种方法提供了频繁的更新,对于管理这些动态的农业景观至关重要.
科学领域:
- 林业科学 林业科学
- 遥感是一种远程传感.
- 气候变化缓解减缓 气候变化缓解减缓
背景情况:
- 农业林业,特别是树种植园,增强了景观的弹性,并捕获了碳.
- 传统森林库存不足以监测快速生长的树种植园.
- 遥感为追踪种植园结构变量提供了有效的解决方案.
研究的目的:
- 通过遥感来估计意大利帕丹平原的树种植园中的碳储量.
- 开发一个高分辨率的树冠高度模型 (CHM) 用于监测种植园.
- 量化关键林业变量,如种植量和地面生物质.
主要方法:
- 使用深度学习U-Net模型与Sentinel-1和Sentinel-2数据开发了一个10米分辨率的CHM.
- 使用GEDI波形来估计树木的高度.
- 综合年度种植数据和特异性产量表用于变量预测.
主要成果:
- 实现了U-Net CHM与NFI数据相比的2.6m平均绝对误差.
- 估计的平均生长库存量 (GSV) 在70 m3 ha-1和碳库存 (CS) 在12 MgC ha-1.1.
- 在2021年至2022年期间,量化37万立方米的收获GSV (66,000 MgC).
结论:
- 遥感和机器学习的整合使动态种植园的有效监控成为可能.
- 该方法精确量化了森林变量,这些变量对于气候变化减缓战略至关重要.
- 该研究表明,遥感对于森林管理的精确和频繁更新具有价值.
