对尼泊尔森林生物质库存的空间显式预测,数据驱动的生物区域化和机器学习方法
Shiva Khanal1,2, Rachael H Nolan3, Belinda E Medlyn3
1Forest Research and Training Center, Kathmandu, Nepal. khanalshiva1@gmail.com.
Carbon balance and management
|December 23, 2025
概括
准确估计山区森林生物质对于缓解气候变化至关重要. 我们的新型空间建模方法显著减少了错误,识别了关键的碳储库,并帮助森林管理和气候倡议.
科学领域:
- 生态生态学 生态生态学
- 环境科学 环境科学
- 林业林业 林业 林业 林业
背景情况:
- 由于有限的数据和未知的环境关系,在复杂的山区估计森林生物质是具有挑战性的.
- 森林生物质对于减缓气候变化战略至关重要.
- 现有的方法与山地景观的异质性作斗争.
研究的目的:
- 开发一种新的空间建模方法,用于在异质山脉中准确估计森林地表生物量 (AGB).
- 提高对森林碳池及其环境控制的了解.
- 支持气候变化减缓,森林恢复和退化监测.
主要方法:
- 利用了森林库存图片数据和两步空间建模方法.
- 步骤1:基于物种和地形气候的聚类位置,以预测潜在的AGB.
- 步骤2:纳入微量变量 (森林结构,干扰,海拔) 来建模潜在的AGB.GB的偏差.
主要成果:
- 与现有的森林AGB估计模型相比,预测误差减少了25%.
- 创建了一个30米分辨率的AGB地图,突出显示中部喜马拉雅山脉是主要的碳储库 (>1000t ha-1).
- 估计森林AGB总量为1982万,并制作了250米分辨率的潜在AGB地图.
结论:
- 空间显式生物质估计提高了对森林碳分布和环境影响的理解.
- 该方法支持气候变化缓解,森林景观恢复和退化监测.
- 强大的方法适用于其他山区,用于跟踪森林碳变化,这对于REDD+计划至关重要.
