基于跨平台遥感与机器学习模型的山区地上生物量与碳储量制图研究

《Forests》：Cross-Platform Mapping of Aboveground Carbon Storage Using MLS, UAV LiDAR, GEDI, and Sentinel-2 in a Romanian Mountain Forest

　　

摘要

用于休闲活动的森林景观还提供了气候调节服务，而这些服务往往在空间规划中被忽略。我们使用跨平台遥感工作流程，对罗马尼亚布拉索夫附近的Postavaru-Piatra Mare山地景观进行了地上生物量密度（AGBD）和地上碳储量的制图。16个样地的MLS点云作为独立的样地级别参考，在70、120和150米高度采集的无人机LiDAR提供了空中对比数据，GEDI L4A样本、Sentinel-2预测变量和地形变量在Google Earth Engine中利用随机森林（RF）和梯度提升树（GBT）进行建模。GBT达到R² = 0.34和RMSE = 106.42 Mg ha^?1，而RF达到R² = 0.33和RMSE = 107.45 Mg ha^?1。这些数值表明解释能力有限；因此，所得的25米地图应作为景观尺度筛选产品，而非作业级小班清查。与MLS相比，RF产生79.05 Mg ha^?1的RMSE，GBT为82.58 Mg ha^?1，而无人机估计在所有测试飞行高度上均呈正偏差。平均碳密度在1200–1400米海拔达到峰值，且针叶林中的碳密度最高，而阔叶林和树冠覆盖类别因面积较大，贡献了最大的碳储量。RF和GBT在研究区域总碳储量的估计中相差2.3%。地上碳储量是唯一被量化的生态系统服务。所得地图应作为景观尺度筛选层和作为未来研究的生态输入，后者整合步道、游客使用、参与式制图或感知数据；它们不能量化文化生态系统服务。