太空激光AI实现分钟级森林碳储量测绘——改写气候科学格局

阿肯色大学蒙蒂塞洛分校阿肯色森林资源中心和林业、农业与自然资源学院的助理教授、地理空间科学专家哈姆迪·祖尔卡尼指出，理解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，通过阿肯色农业实验站及合作推广服务——即阿肯色大学系统农业部的两大研究及推广部门——开展科研与推广活动。

"森林常被誉为地球之肺，这是有充分依据的，"祖尔卡尼表示，"它们储存了全球约80%的陆地碳储量，在调节地球气候方面发挥着至关重要的作用。"

祖尔卡尼说明，测算森林碳循环需要计算森林地上生物量。尽管传统地面测量方法有效，但存在劳动强度大、耗时久且空间覆盖能力有限等问题。

在近期发表于《生态信息学》的研究中，祖尔卡尼展示了如何将开放获取卫星信息与人工智能算法整合至谷歌地球引擎，从而快速精准绘制大尺度森林地上生物量分布图，即使在交通不便的偏远区域也能实现。

祖尔卡尼的创新方法采用美国宇航局全球生态系统动力学探测激光雷达（GEDI LiDAR）数据。该设备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全称为"光探测与测距系统"，通过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哨兵地球观测卫星（Sentinel-1与Sentinel-2）的影像数据。结合GEDI三维影像与哨兵卫星光学影像，祖尔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进行数据分析：梯度提升树、随机森林、分类回归树（CART）及支持向量机。梯度提升树获得最高精度得分与最低误差率，随机森林次之且结果可靠但精度稍低。CART可提供合理估算但倾向聚焦小范围子集。支持向量机算法表现欠佳，祖尔卡尼强调本研究证明并非所有AI模型都同等适用于森林地上生物量估算。

祖尔卡尼指出，最精准的预测来自哨兵-2光学数据、植被指数、地形特征及冠层高度与GEDI激光雷达数据集的融合。该数据集同时作为机器学习模型训练与测试的参考输入，证实多源数据整合对可靠生物量制图具有决定性意义。

核心价值

祖尔卡尼阐明，精准的森林生物量制图对全球尺度的碳核算优化及森林管理提升具有现实意义。通过更精确的评估，政府与组织可精准追踪碳固存及毁林碳排放数据，为政策决策提供依据。

未来挑战

尽管该研究标志着森林地上生物量测量领域的重大突破，祖尔卡尼表示现存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激光雷达覆盖。他补充说明，未来研究可探索神经网络等深度AI模型以进一步提升预测精度。

"有一点是明确的，"祖尔卡尼强调，"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利器。"