一种高分辨率的机器学习和多源遥感方法,用于估计校园绿色空间的净初级生产率
Chien-Hao Sung1, Candera Wijaya2, Aji Kusumaning Asri1
1Department of Geomatics, College of Engineering, National Cheng Kung University, Tainan, 70101, Taiwan.
Scientific reports
|December 24, 2025
概括
这项研究引入了一种使用机器学习和无人机数据测量校园绿地生产力的新方法. 这种方法提高了城市规划和气候解决方案的碳汇估计.
科学领域:
- 环境科学 环境科学
- 遥感 遥感 遥感 遥感
- 生态生态学 生态生态学
背景情况:
- 估计城市绿地净初级生产率 (NPP) 对于了解碳循环至关重要.
- 传统的方法往往缺乏详细的城市生态系统评估所需的空间分辨率和准确性.
研究的目的:
- 开发和验证一个创新的框架来估计NPP在校园绿色空间.
- 整合机器学习,无人机成像和卡内基-艾姆斯-斯坦福方法 (CASA) 以改进核电站建模.
主要方法:
- 使用随机森林分类 (准确率94.6%) 的绿色空间提取.
- 从无人机多谱数据中推导光合作用活性辐射 (FPAR) 分数.
- 将 Sentinel 2 的温度,太阳辐射和水应力因子 (WSF) 整合到 CASA 模型中.
主要成果:
- 与传统的CASA相比,新方法的准确性更高 (R2: 0.68-0.79) 和误差更低 (RMSE: 11.74-17.01 gC·m−2·month−1).
- 季节性变化和人类活动被确定为影响核电站估计的关键因素.
- 该模型成功量化了NPP,突出了校园绿地在城市碳封存中的作用.
结论:
- 拟议的框架提供了一个可扩展和准确的方法来评估城市绿色空间的生产力.
- 这项研究支持校园绿地作为重要的城市碳汇的潜力.
- 这些发现可以为可持续的城市规划,碳抵消计划和基于自然的气候解决方案提供信息.
