太空激光人工智能系统可在数分钟内测绘森林碳储量——气候科学迎来革新性突破

阿肯色州蒙特埃洛大学阿肯色森林资源中心和林业、农业与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，理解这种碳循环是气候变化研究的关键。该中心总部设在蒙特埃洛大学，通过阿肯色农业试验站和合作推广服务（阿肯色大学系统农业分部的研究和推广部门）开展研究和推广活动。

"森林常被称为地球的肺，这并非没有道理，"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关键作用。"

祖尔卡尼指出，测量森林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有效，但其劳动密集、耗时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Google Earth Engine平台上与人工智能算法整合，快速精确地绘制大尺度森林地上生物量图，即使在可及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全球生态系统动力学调查激光雷达（GEDI LiDAR）的数据。该设备在国际空间站搭载了三台激光器，能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"光探测和测距"，利用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地球观测卫星（Sentinel-1和Sentinel-2）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，他显著提高了生物量估算精度。

该研究测试了四种机器学习算法分析数据：梯度提升树（Gradient tree boosting）、随机森林（random forest）、分类回归树（CART）和支持向量机（support vector machine）。梯度提升树获得了最高精度得分和最低错误率，随机森林次之且可靠性高但精度稍低，分类回归树能提供合理估算但倾向聚焦小范围子集。祖尔卡尼强调，支持向量机算法表现欠佳，这表明并非所有AI模型都同等适用于本研究的森林地上生物量估算。

祖尔卡尼表示，最精确的预测来自哨兵-2光学数据、植被指数、地形特征和冠层高度与GEDI激光雷达数据集的组合。该数据集作为机器学习模型训练和测试的参考输入，证实多源数据融合对可靠的生物量制图至关重要。

研究意义

祖尔卡尼指出，精确的森林生物量制图对全球尺度的碳核算改进和森林管理优化具有现实意义。通过更精准的评估，政府机构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，祖尔卡尼认为现存挑战包括天气对卫星数据的影响，以及部分区域仍缺乏高分辨率激光雷达覆盖。他补充说，未来研究可能探索更深层次的AI模型（如神经网络）以进一步提升预测精度。

"有一点是明确的，"祖尔卡尼强调。"随着气候变化加剧，此类技术对保护森林和地球家园将不可或缺。"