太空激光人工智能数分钟完成森林碳储量测绘——气候科学的颠覆性突破

阿肯色大学蒙蒂塞洛分校阿肯色森林资源中心与林业、农业及自然资源学院地理空间科学助理教授哈姆迪·祖尔卡尼（Hamdi Zurqani）表示，理解这一碳循环是气候变化研究的关键。该中心总部设在阿肯色大学蒙蒂塞洛分校，并通过阿肯色农业实验站及合作推广服务处（阿肯色大学系统农业学部的研究与推广部门）开展研究与推广活动。

"森林常被称为地球之肺，这绝非虚言，"祖尔卡尼说。"它们储存了全球约80%的陆地碳，在调节地球气候方面发挥着至关重要的作用。"

祖尔卡尼指出，要测算森林的碳循环，需要计算森林地上生物量。尽管传统的地面估算方法行之有效，但劳动强度大、耗时长且空间覆盖能力有限。

在最近发表于《生态信息学》的一项研究中，祖尔卡尼展示了如何将开放获取卫星信息在谷歌地球引擎平台上与人工智能算法结合，从而快速精准地绘制大面积森林地上生物量分布图——即使在可进入性常成问题的偏远地区也能实现。

祖尔卡尼的创新方法采用了NASA全球生态系统动态调查激光雷达（简称GEDI LiDAR）的数据。该设备包含三台安装在国际空间站的激光器，可精确测量三维森林冠层高度、冠层垂直结构及地表高程。LiDAR全称为"光探测与测距系统"，通过发射光脉冲测量距离并构建三维模型。

祖尔卡尼还使用了欧洲航天局哥白尼哨兵系列地球观测卫星（哨兵1号与哨兵2号）的影像数据。通过融合GEDI的三维影像和哨兵卫星的光学影像，他显著提升了生物量估算的准确度。

该研究测试了四种分析数据的机器学习算法：梯度树提升、随机森林、分类回归树（CART）以及支持向量机。其中梯度树提升获得了最高精度得分与最低错误率。随机森林位列第二，结果可靠但精度稍逊。CART能提供合理估算但倾向于聚焦小样本子集。祖尔卡尼表示支持向量机算法表现欠佳，这表明在本研究中并非所有AI模型都同样适用于森林地上生物量估算。

祖尔卡尼强调，最精准的预测结果来自将哨兵2号光学数据、植被指数、地形特征及冠层高度与GEDI激光雷达数据集相结合的方式——后者作为训练和测试机器学习模型的参考输入数据，这证实多源数据融合对构建可靠的生物量分布图至关重要。

研究意义

祖尔卡尼指出，精准的森林生物量测绘对全球尺度的碳核算优化和森林管理改进具有现实意义。通过更精确的评估，政府与组织能更精准追踪碳固存及森林砍伐造成的碳排放，从而为政策决策提供依据。

未来发展

尽管该研究标志着森林地上生物量测量领域的重大突破，祖尔卡尼认为现存挑战包括天气对卫星数据的影响，且部分区域仍缺乏高分辨率激光雷达覆盖。他补充道，未来研究可探索神经网络等更深入的AI模型，以进一步提升预测精度。

"有一点毋庸置疑，"祖尔卡尼表示。"随着气候变化加剧，此类技术对守护森林乃至整个星球将不可或缺。"