收藏本站关于我们联系我们 欢迎光临地环科技集团有限公司官方网站！
热门搜索：环境检测紧急救援生态修复矿产勘察
您的位置：首页新闻中心通过遥感揭示纽约州森林地上生物量的二十年变化 | MDPI Remote Sensing

新闻中心 /

联系我们 / CONTACT

咨询热线

13571836058

  • 手机：029-85876842（西安）,021-64138011（上海）
  • 邮箱：1059868865@qq.com
  • 地址：西安市航天基地飞天路558号北航科技园1号楼

通过遥感揭示纽约州森林地上生物量的二十年变化 | MDPI Remote Sensing

日期：2023-07-19
信息摘要：

森林是陆地生态系统中占地面积最大、分布范围最广、结构最为复杂的生态系统，不仅有助于维持生态平衡、促进生物进化和群落演替，而且还能够降低大气中的二氧化碳等温室气体浓度，从而减缓全球气候变暖进程。

森林是陆地生态系统中占地面积最大、分布范围最广、结构最为复杂的生态系统，不仅有助于维持生态平衡、促进生物进化和群落演替，而且还能够降低大气中的二氧化碳等温室气体浓度，从而减缓全球气候变暖进程。森林地上生物量 (Aboveground Biomass，AGB) 是指单位面积内林木 (干、枝、叶) 干物质量的累计值，作为森林生态系统中最基本的数量表征，其不仅是了解森林生态系统结构与功能的基础，同时也是判断该生态系统中“碳源”以及“碳汇”的重要指标。因此，准确估算森林地上生物量对于森林碳储量核算、可持续管理以及气候变化监测都将起到至关重要的作用。

 

传统的森林地上生物量核算是基于野外调查数据所获得的高精度估算结果，但这种方法会消耗大量人力、物力和财力等资源，且时效性差；遥感技术的出现为森林生态系统动态监测和森林生物量估算提供了便捷的途径。目前，基于遥感进行森林生物量估算主要包括两种方式：一是基于生物物理机理的植被冠层模型；二是通过回归拟合的方式建立自变量与生物量之间的关系。近年来，随着人工智能技术的发展，将遥感数据与机器学习模型二者相结合，也越来越多地用于局部和区域范围内的森林 AGB 估算。

 

基于此，来自美国纽约州立大学环境科学与林业学院的 Haifa Tamiminia 教授及其合作者以研究论文的形式在 Remote Sensing 期刊发表了文章，基于 Landsat 历史影像、机载 LiDAR 和森林地图数据并结合了谷歌地球引擎 (Google Earth Engine，GEE) 云平台，提出了一种基于机器学习的工作流程，对纽约州森林 AGB 进行了历史估算并分析了地上生物量在 2001~2019 年的变化情况。

 

研究过程与方法

本研究区域位于美国纽约州全境，面积约 141297 km2 (图 1)，作者分别获取了纽约州的森林清查数据、四个试点区域机载激光雷达数据、空间分辨率为 30 m 的 Landsat 遥感影像数据、气候和地形数据。本研究中，作者获取纽约州 AGB 的方法主要包括三个主要步骤，如图 2 所示。为了利用训练样本数据集，作者通过使用机载 LiDAR 预测器生成 AGB 栅格，并将这些机载 LiDAR 派生的 AGB 栅格用作参考数据集；因此，本研究共选择了四个试点区域并生成了机载激光雷达 AGB (图 1)。

图 1. 研究区域的位置 (四个不规则线条分别代表 LiDAR 数据试验区的边界)。

图 2. 基于随机森林 (Random Forest，RF) 回归模型和 Landsat 图像的面向对象 AGB 估算工作流程。

 

 

研究结果表明，2001~2006 年间纽约州中北部的 AGB 有所增加。相较于 2011 年，在 2016 年 AGB 也有所增加。然而，2016 年和 2019 年之间的 AGB 却没有显著性变化 (图 3)。

 

图 3. 在 GEE 和 Landsat 影像中基于随机森林回归模型的纽约州历史 AGB 映射。

 

 

研究结果表明，2001~2006 年，红色区域 (损失) 多于绿色区域 (增益) (图 4a)，这反映出 2001~2006 年 AGB 有所减少 (图 5)；2006~2011 年，绿色区域明显多于红色区域 (图 4b)；2011~2016 年 AGB 的损失和收益都很明显 (图 4c)；而在 2016~2019 年则很难看到重大的损失或收益 (图 4d)。

图 4. 用于分析纽约州时间跨度损失 (红色)、收益 (绿色) 和未变化 (蓝色) 区域的 5 年 AGB 增量变化图：(a) 2001~2006 年，(b) 2006~2011 年，(c) 2011~2016 年，(d) 2016~2019 年。

图 5. 纽约州森林 AGB 总量随时间的变化 (2001 年、2006 年、2011 年、2016 年和 2019 年)。

研究总结

作者基于谷歌地球引擎 (GEE) 中的随机森林 (RF) 模型展开了研究，并最终绘制了整个纽约州从 2001~2019 年的历史 AGB 地图。研究发现，2001~2006 年，纽约州森林 AGB 减少了 1289.70 × 106 Mg/ha，而 2006~2011 年，AGB 则增加了约 838.2 × 106 Mg/ha；2011~2016 年，AGB 大约增加了 280.4 Mg/ha，而 2016 年和 2019 年的 AGB 差异减少了 135.5 Mg/ha。总而言之，本研究提出的方法或工作流程有望为其他区域甚至全国范围的森林监测提供切实可行的解决方案。此外，由于最终获取的 AGB 地图是基于 LiDAR 栅格生成的，因此参考数据中存在的不确定性可能也会在整个工作流程中得以延长，因此作者也对此进行了说明并强调了本研究存在的局限性。

原文出自  Remote Sensing  期刊

 

Tamiminia, H.; Salehi, B.; Mahdianpari, M.; Beier, C.M.; Johnson, L. Mapping Two Decades of New York State Forest Aboveground Biomass Change Using Remote Sensing. Remote Sens. 2022, 14, 4097.

 

 

部分图文转载自网络，版权归原作者所有，如有侵权请联系我们删除。如内容中如涉及加盟，投资请注意风险，并谨慎决策

分享至： 微信
新浪微博QQ空间
上一篇
下一篇
热门资讯 / hotnews

通过遥感揭示纽约州森林地上生物量的二十年变化 | MDPI Remote Sensing

日期：2023.07.19

森林是陆地生态系统中占地面积最大、分布范围最广、结构最为复杂的生态系统，不仅有助于维持生态平衡、促进生物进化和群落演替，而且还能够降低大气中的二氧化碳等温室气体浓度，从而减缓全球气候变暖进程。

森林是陆地生态系统中占地面积最大、分布范围最广、结构最为复杂的生态系统，不仅有助于维持生态平衡、促进生物进化和群落演替，而且还能够降低大气中的二氧化碳等温室气体浓度，从而减缓全球气候变暖进程。森林地上生物量 (Aboveground Biomass，AGB) 是指单位面积内林木 (干、枝、叶) 干物质量的累计值，作为森林生态系统中最基本的数量表征，其不仅是了解森林生态系统结构与功能的基础，同时也是判断该生态系统中“碳源”以及“碳汇”的重要指标。因此，准确估算森林地上生物量对于森林碳储量核算、可持续管理以及气候变化监测都将起到至关重要的作用。

 

传统的森林地上生物量核算是基于野外调查数据所获得的高精度估算结果，但这种方法会消耗大量人力、物力和财力等资源，且时效性差；遥感技术的出现为森林生态系统动态监测和森林生物量估算提供了便捷的途径。目前，基于遥感进行森林生物量估算主要包括两种方式：一是基于生物物理机理的植被冠层模型；二是通过回归拟合的方式建立自变量与生物量之间的关系。近年来，随着人工智能技术的发展，将遥感数据与机器学习模型二者相结合，也越来越多地用于局部和区域范围内的森林 AGB 估算。

 

基于此，来自美国纽约州立大学环境科学与林业学院的 Haifa Tamiminia 教授及其合作者以研究论文的形式在 Remote Sensing 期刊发表了文章，基于 Landsat 历史影像、机载 LiDAR 和森林地图数据并结合了谷歌地球引擎 (Google Earth Engine，GEE) 云平台，提出了一种基于机器学习的工作流程，对纽约州森林 AGB 进行了历史估算并分析了地上生物量在 2001~2019 年的变化情况。

 

研究过程与方法

本研究区域位于美国纽约州全境，面积约 141297 km2 (图 1)，作者分别获取了纽约州的森林清查数据、四个试点区域机载激光雷达数据、空间分辨率为 30 m 的 Landsat 遥感影像数据、气候和地形数据。本研究中，作者获取纽约州 AGB 的方法主要包括三个主要步骤，如图 2 所示。为了利用训练样本数据集，作者通过使用机载 LiDAR 预测器生成 AGB 栅格，并将这些机载 LiDAR 派生的 AGB 栅格用作参考数据集；因此，本研究共选择了四个试点区域并生成了机载激光雷达 AGB (图 1)。

图 1. 研究区域的位置 (四个不规则线条分别代表 LiDAR 数据试验区的边界)。

图 2. 基于随机森林 (Random Forest，RF) 回归模型和 Landsat 图像的面向对象 AGB 估算工作流程。

 

 

研究结果表明，2001~2006 年间纽约州中北部的 AGB 有所增加。相较于 2011 年，在 2016 年 AGB 也有所增加。然而，2016 年和 2019 年之间的 AGB 却没有显著性变化 (图 3)。

 

图 3. 在 GEE 和 Landsat 影像中基于随机森林回归模型的纽约州历史 AGB 映射。

 

 

研究结果表明，2001~2006 年，红色区域 (损失) 多于绿色区域 (增益) (图 4a)，这反映出 2001~2006 年 AGB 有所减少 (图 5)；2006~2011 年，绿色区域明显多于红色区域 (图 4b)；2011~2016 年 AGB 的损失和收益都很明显 (图 4c)；而在 2016~2019 年则很难看到重大的损失或收益 (图 4d)。

图 4. 用于分析纽约州时间跨度损失 (红色)、收益 (绿色) 和未变化 (蓝色) 区域的 5 年 AGB 增量变化图：(a) 2001~2006 年，(b) 2006~2011 年，(c) 2011~2016 年，(d) 2016~2019 年。

图 5. 纽约州森林 AGB 总量随时间的变化 (2001 年、2006 年、2011 年、2016 年和 2019 年)。

研究总结

作者基于谷歌地球引擎 (GEE) 中的随机森林 (RF) 模型展开了研究，并最终绘制了整个纽约州从 2001~2019 年的历史 AGB 地图。研究发现，2001~2006 年，纽约州森林 AGB 减少了 1289.70 × 106 Mg/ha，而 2006~2011 年，AGB 则增加了约 838.2 × 106 Mg/ha；2011~2016 年，AGB 大约增加了 280.4 Mg/ha，而 2016 年和 2019 年的 AGB 差异减少了 135.5 Mg/ha。总而言之，本研究提出的方法或工作流程有望为其他区域甚至全国范围的森林监测提供切实可行的解决方案。此外，由于最终获取的 AGB 地图是基于 LiDAR 栅格生成的，因此参考数据中存在的不确定性可能也会在整个工作流程中得以延长，因此作者也对此进行了说明并强调了本研究存在的局限性。

原文出自  Remote Sensing  期刊

 

Tamiminia, H.; Salehi, B.; Mahdianpari, M.; Beier, C.M.; Johnson, L. Mapping Two Decades of New York State Forest Aboveground Biomass Change Using Remote Sensing. Remote Sens. 2022, 14, 4097.

 

 

部分图文转载自网络，版权归原作者所有，如有侵权请联系我们删除。如内容中如涉及加盟，投资请注意风险，并谨慎决策

上一篇
下一篇