解锁路边碳封存潜力:机器学习估计高速公路植被带中的AGB使用GF-2高分辨率图像
Weiwei Jiang1, Heng Tu1, Qin Wang1
1School of Civil Engineering, Architecture and Environment, Hubei University of Technology, Wuhan 430068, China.
Sensors (Basel, Switzerland)
|March 14, 2026
概括
准确估计路边植被中的地面生物量 (AGB) 对于碳核算至关重要. 机器学习模型,特别是随机森林,结合高分辨率卫星图像,为这个尚未探索的领域提供了有效的解决方案.
科学领域:
- 生态生态学 生态生态学
- 遥感 遥感 遥感 遥感
- 地理空间分析的研究.
背景情况:
- 地表生物质 (AGB) 对于了解植被生产力和碳捕获至关重要.
- 路边的植被,一个重要的碳汇,与森林和农田相比,仍未得到充分研究.
- 准确的AGB估计对于生态系统服务评估和碳循环研究至关重要.
研究的目的:
- 评估远程传感预测器和机器学习算法来估计高速公路路边植被中的AGB.
- 在AGB估计中比较各种回归模型的性能.
- 为路边走廊开发一个空间明确的AGB地图.
主要方法:
- 现场测量的AGB样本与GF-2高分辨率卫星图像进行了整合.
- 六个遥感变量 (植被指数和带比) 被用作预测因素.
- 开发了五种回归模型 (MLR,PLSR,RF,SVR,XGBoost),并使用五倍交叉验证进行了比较.
主要成果:
- 随机森林 (RF) 模型使用多个变量,显示出优异的性能 (训练R2为0.83,测试RMSE为0.84 kg·m-2).
- 最佳射频模型应用于GF-2图像,以绘制AGB沿着32公里的高速公路段的地图.
- 据估计,研究的路边走廊的地面生物质总量为566.97.
结论:
- 将高分辨率遥感与机器学习相结合,有效地提高了对线性路边植被的AGB估计.
- 这种方法为生态监测,路边绿化管理和运输基础设施的碳核算提供了宝贵的技术支持.
- 对路边走廊等未被充分探索的植被类型的进一步研究对于全面了解碳循环至关重要.
