一项开创性研究揭示了考古学家的卫星工具如何能重新用于应对气候变化。通过利用美国国家航空航天局和欧洲空间局的卫星激光雷达图像并结合人工智能，研究人员发现了一种更快速、更精确地绘制森林生物量地图的方法，这对追踪碳含量至关重要。这种太空技术与机器学习的创新融合，可能会彻底改变我们在气候变暖的世界中管理和保护森林的方式。
阿肯色大学蒙蒂塞洛分校林业、农业与自然资源学院及阿肯色森林资源中心的地理空间科学助理教授哈姆迪·祖尔卡尼表示，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和合作推广服务处（阿肯色大学系统农业学部的研究和外联机构）开展研究和推广活动。
祖尔卡尼说：“森林常被称为地球之肺，这很有道理。它们储存了全球约80%的陆地碳，并在调节地球气候方面发挥着关键作用。”
祖尔卡尼称，要测量森林的碳循环，需要计算森林地上生物量。传统的基于地面的森林地上生物量估算方法虽然有效，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》期刊的一项研究中，祖尔卡尼展示了如何将来自开放获取卫星的信息，在谷歌地球引擎上结合人工智能算法，快速准确地绘制大规模森林地上生物量地图，即使在可达性常成问题的偏远地区也能实现。
祖尔卡尼的新方法使用了美国国家航空航天局全球生态系统动力学调查激光雷达（也称为GEDI激光雷达）的数据，该设备包括安装在国际空间站上的三个激光器。该系统可以精确测量三维的森林冠层高度、冠层垂直结构和地表高程。LiDAR代表“光探测和测距”，利用光脉冲测量距离并创建3D模型。
祖尔卡尼还使用了欧洲空间局地球观测哥白尼哨兵卫星系列——哨兵一号和哨兵二号——的影像数据。通过结合GEDI的三维影像和哨兵卫星的光学影像，祖尔卡尼提高了生物量估算的准确性。
该研究测试了四种机器学习算法来分析数据：梯度提升树、随机森林、分类与回归树（CART）以及支持向量机。梯度提升树的准确率最高，错误率最低。随机森林位居第二，结果可靠但精确度略低。CART提供了合理的估算，但倾向于关注较小的子集。祖尔卡尼表示，支持向量机算法表现不佳，这突显了在本研究中，并非所有人工智能模型都同样适用于估算森林地上生物量。
祖尔卡尼说，最准确的预测来自于将哨兵二号光学数据、植被指数、地形特征和冠层高度与GEDI激光雷达数据集相结合，并将其作为训练和测试机器学习模型的参考输入，这表明多源数据整合对于可靠的生物量绘图至关重要。
重要性
祖尔卡尼表示，准确的森林生物量绘图对于在全球范围内更好地核算碳和改进森林管理具有现实意义。通过更准确的评估，政府和组织可以更精确地追踪碳封存以及因森林砍伐产生的排放，从而为政策决策提供信息。
未来展望
尽管这项研究标志着测量森林地上生物量方面的一次飞跃，但祖尔卡尼表示，依然存在的挑战包括天气对卫星数据的影响。一些地区仍然缺乏高分辨率的激光雷达覆盖。他补充说，未来的研究可能会探索更深度的人工智能模型，例如神经网络，以进一步完善预测。
祖尔卡尼说：“有一点是明确的：随着气候变化加剧，像这样的技术对于保护我们的森林和地球将不可或缺。”