使用Sentinel 2A和Landsat 8的图像来评估森林碳储存的变化

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:

• 估计森林碳储存对于减缓气候变化至关重要.
• 对于高分辨率的特定物种碳储存模型的数据可用性通常是有限的.
• 使用低分辨率图像的传统方法具有精度限制.

研究的目的:

• 开发和比较一种新的碳储存估计模型,使用高分辨率的哨兵2A图像对主导物种和类型进行比较.
• 通过使用低分辨率的Landsat 8图像来评估这个模型对整个森林估计的有效性.
• 评估长期碳监测的可行性.

主要方法:

• 开发了一种碳储存估计模型,使用 Sentinel 2A 图像和机器学习 (随机森林,决策树,多重线性回归) 对主导物种和类型进行估计.
• 使用Landsat 8图像对整个森林进行估计的两种方法进行了比较:方法1 (现场数据与植被指数) 和方法2 (以Sentinel 2A估计为参考).
• 对特定物种 (Populus, Salix, Pinus tabuliformis) 和灌木类型的验证模型准确性.

主要成果:

• 基于Sentinel 2A的模型准确地估计了各种物种和类型的碳储存.
• 使用 Sentinel 2A 估计数据作为 Landsat 8 数据的参考方法 2,在整个森林估计方面显著优于方法 1.
• 机器学习模型有效地整合了Sentinel 2A图像和物种分类,以估计碳储存.
• 从2013年到2023年,奥尔多斯森林碳储量增加了27万 (89%).

结论:

• 高分辨率的Sentinel 2A图像与机器学习相结合,为估计物种和类型层面的碳储存提供了更准确的方法.
• 开发的方法提高了整个森林碳储存评估的准确性,使用低分辨率的Landsat 8图像.
• 这种方法可用于有效的长期森林碳监测和历史数据计算.