空间激光AI在数分钟内测绘森林碳储量——气候科学的革命性突破

据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助理教授、地理空间科学家Hamdi Zurqani称，理解这个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部的研发与外联部门）开展研究与推广活动。

"森林常被称为我们地球的肺，这是有充分理由的，"Zurqani说。"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。"

Zurqani表示，要衡量森林的碳循环，需要计算森林地上生物量。尽管有效，但传统的地面估算森林地上生物量方法劳动强度大、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，Zurqani展示了如何将开放获取卫星信息在Google Earth Engine平台上与人工智能算法结合，以快速准确地绘制大尺度森林地上生物量图，即使在可及性通常成问题的偏远地区也能实现。

Zurqani的创新方法利用了NASA全球生态系统动力学探测激光雷达（GEDI LiDAR）的数据，该设备包含安装在国际空间站上的三台激光器。该系统可精确测量三维森林冠层高度、冠层垂直结构和地表高程。LiDAR全称为"光探测与测距"，利用光脉冲测量距离并创建3D模型。

Zurqani还使用了欧洲航天局哥白尼哨兵系列地球观测卫星（Sentinel-1和Sentinel-2）的影像数据。通过融合GEDI的3D影像与哨兵卫星的光学影像，Zurqani提高了生物量估算的准确性。

该研究测试了四种用于数据分析的机器学习算法：梯度提升树、随机森林、分类回归树（CART）和支持向量机。梯度提升树取得了最高的准确率评分和最低的误差率。随机森林位居第二，结果可靠但精度略低。CART提供了合理的估计值但倾向于聚焦于较小子集。Zurqani指出，支持向量机算法效果不佳，这突显了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。

Zurqani表示，最准确的预测源于将Sentinel-2光学数据、植被指数、地形特征和冠层高度相结合，并以GEDI LiDAR数据集作为训练和测试机器学习模型的参考输入，这表明多源数据融合对可靠的生物量制图至关重要。

研究意义

Zurqani指出，精确的森林生物量制图对改善全球尺度碳核算和森林管理具有现实意义。通过更精准的评估，政府与组织能更精确追踪碳固存以及毁林造成的碳排放，从而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进展，但Zurqani表示剩余的挑战包括天气对卫星数据的影响。部分区域仍缺乏高分辨率LiDAR覆盖。他补充说，未来研究可探索更深层次的AI模型（如神经网络）以进一步优化预测。

"有一点是明确的，"Zurqani强调。"随着气候变化加剧，此类技术对于保护我们的森林和地球将不可或缺。"