太空激光人工智能技术实现数分钟森林碳储量测绘——气候科学领域的颠覆性突破

阿肯色大学蒙蒂塞洛分校阿肯色森林资源中心及林业、农业与自然资源学院的地理空间科学助理教授哈姆迪·祖卡尼（Hamdi Zurqani）指出，理解碳循环是气候变化研究的关键。该中心总部位于阿肯色大学蒙蒂塞洛分校，通过阿肯色农业实验站和合作推广服务——即阿肯色大学系统农业分部的科研与推广部门——开展研究与推广活动。

"森林常被称为地球之肺，这是有充分依据的，"祖卡尼表示，"它们储存着全球约80%的陆地碳储量，在调节地球气候方面发挥着关键作用。"

祖卡尼说明，测量森林碳循环需要计算森林地上生物量。虽然传统地面测量方法有效，但存在劳动力密集、耗时较长且空间覆盖能力有限的问题。

在近期发表于《生态信息学》期刊的研究中，祖卡尼展示了如何将开源卫星数据在谷歌地球引擎平台上与人工智能算法整合，快速精准绘制大尺度森林地上生物量分布图，即使在可进入性较差的偏远地区也能实现。

祖卡尼的创新方法采用NASA全球生态系统动力学调查激光雷达（GEDI LiDAR）数据。该系统在国际空间站搭载三台激光器，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意为"光探测与测距系统"，利用光脉冲测量距离并构建三维模型。

研究同时融合了欧洲航天局哥白尼计划哨兵卫星（Sentinel-1和Sentinel-2）的影像数据。通过整合GEDI的三维影像与哨兵卫星的光学影像，祖卡尼显著提升了生物量估算精度。

研究测试了四种机器学习算法分析数据：梯度树提升算法、随机森林算法、分类回归树算法（CART）及支持向量机算法。梯度树提升算法取得最高精度得分与最低误差率，随机森林算法次之且结果可靠但精度稍低，CART可获得合理估值但倾向聚焦小规模子集。祖卡尼指出支持向量机算法表现欠佳，这表明并非所有AI模型都同样适用于本研究的森林地上生物量估算。

祖卡尼强调，最精准的预测结果源自哨兵2号光学数据、植被指数、地形特征和冠层高度与GEDI激光雷达数据集的融合。该数据集作为机器学习模型训练与测试的基准输入，证明多源数据整合对可靠生物量制图至关重要。

研究价值

祖卡尼表示，精准的森林生物量测绘对全球尺度碳核算优化和森林管理提升具有现实意义。通过更精准的评估，政府与组织可精确追踪碳固存及毁林碳排放，为政策决策提供依据。

未来方向

尽管该研究标志着森林地上生物量测量的重大突破，祖卡尼指出现存挑战包括天气对卫星数据的影响，以及部分地区仍缺乏高分辨率激光雷达覆盖。他补充道，未来研究可能探索神经网络等深度AI模型以进一步提升预测精度。

"有一点毋庸置疑，"祖卡尼总结道，"随着气候变化加剧，此类技术将成为守护森林与地球不可或缺的工具。"