绘制森林碳密度的时空分布地图,位于中国西市
Li Cheng1,2,3, Zi Ling Yang1,2,3, Yang Yang Xia1,4
1School of Ecology and Environment, Xizang University, Lhasa, Xizang, China.
PloS one
|September 25, 2025
概括
这项研究开发了一种使用Landsat 8数据和地理/环境因素估计森林碳密度的新方法. 极端梯度增强模型实现了高精度,改善了全球碳汇监测.
科学领域:
- 林业林业 林业 林业 林业
- 遥感 遥感 遥感 遥感
- 气候变化科学 气候变化科学
背景情况:
- 森林是缓解气候变暖的关键碳汇.
- 准确估计森林碳密度至关重要,但与传统方法相比具有挑战性.
- 多光谱数据与机器学习相结合,显示出有希望的结果,但面临频段限制.
研究的目的:
- 利用Landsat 8数据开发一种用于估计森林碳密度的新方法.
- 整合地理 (GEO) 和环境因素 (GEF) 以提高估计准确度.
- 评估不同机器学习模型对此任务的有效性.
主要方法:
- 利用了Landsat 8多谱数据和来自中国西的919个森林样本.
- 在模型中构建和集成地理 (GEO) 和环境因素 (GEF).
- 采用并比较了三种机器学习模型,包括极端梯度增强 (XGB).
主要成果:
- 极端梯度增强 (XGB) 模型表现出卓越的性能,平均R2超过0.77.
- 在Rikaze中,XGB模型获得的R2值大于0.96.
- 环境因素 (GEF) 贡献了超过60%的模型的预测能力,地理变量是最关键的.
结论:
- 通过使用多光谱数据,成功量化了森林碳密度的时空分布.
- 证明了地理 (GEO) 和环境因素 (GEF) 在准确估计中的不可或缺的作用.
- 为全球碳汇监测和气候变化减缓工作提供新的技术支持.


