Моделирование помогает быстро и точно оценивать биомассу лесов для мониторинга углерода

Оценка запасов углерода, который могут связывать и хранить леса, — трудоемкий и длительный процесс. Исследователи из Университета Коннектикута разрабатывают способ ускорить его с помощью данных дистанционного зондирования. Результаты опубликованы в Scientific Reports.

Проблема традиционных методов

Надземная биомасса (AGB) — это компоненты деревьев над уровнем земли. Традиционные методы её измерения сложны и часто непрактичны. «Это как считать каждую песчинку на пляже», — говорит ведущий автор Шашика Химанди Гардее Ламахеваге. Леса неоднородны, а долгий процесс измерений приводит к неточным оценкам, так как деревья за это время успевают вырасти.

Точная оценка AGB критически важна для моделирования углерода, управления лесами и принятия решений по сохранению природы.

Новый подход с использованием данных

Исследователи создали модель для корреляции существующих полевых измерений структуры деревьев с данными дистанционного зондирования: снимками спутников Landsat и Sentinel-2, а также данными LiDAR. Модель учится на этих данных, чтобы в дальнейшем оценивать биомассу по дистанционным данным.

Работа сфокусирована на Коннектикуте, где доступны обширные открытые данные LiDAR, которые помогают понять структуру лесов.

Разработка и настройка модели

Используя около 100 образцов данных за один год, команда определила 67 переменных для обучения модели с помощью машинного обучения. Модель выделила 28 наиболее ценных переменных для оценки биомассы, причем 68% из них были получены из данных LiDAR.

Интересно, что модель также использовала коротковолновый инфракрасный диапазон данных Sentinel-2, который дает косвенную информацию о физиологии и здоровье деревьев.

Из-за небольшого объема обучающих данных модель пришлось тщательно настраивать. Было создано девять модулей, обученных с разными гиперпараметрами, для достижения наилучшей производительности.

Значение и перспективы

Теперь модель позволяет связать обширные данные Лесной службы США и штата Коннектикут для получения высокодетальных и пространственно точных оценок AGB.

«Это исследование — отправная точка. Мы соединяем точки и создаем полезные продукты с открытым исходным кодом», — говорит доцент Чанди Витарана.

В будущем модель планируется применить к более крупным открытым наборам данных из Нью-Гэмпшира и Нью-Йорка, чтобы уменьшить неопределенности, улучшить модель и разработать новые.

Эта работа демонстрирует ценность даже относительно небольших открытых наборов данных для решения глобальных проблем, таких как изменение климата.