Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Ước lượng sinh khối trên mặt đất của rừng và sự không chắc chắn thông qua tích hợp các phép đo thực địa, LiDAR trên không, và dữ liệu vệ tinh SAR và quang học tại Mexico
Tóm tắt
Thông tin về sự phân bố không gian của sinh khối trên mặt đất (AGB) trên diện rộng là cần thiết để hiểu và quản lý các quá trình liên quan đến chu trình carbon và hỗ trợ các chính sách quốc tế về giảm thiểu và thích ứng với biến đổi khí hậu. Hơn nữa, các sản phẩm này cung cấp dữ liệu cơ bản quan trọng cho việc phát triển các chiến lược quản lý bền vững cho các bên liên quan địa phương. Việc sử dụng dữ liệu viễn thám có thể cung cấp thông tin AGB rõ ràng về mặt không gian từ quy mô địa phương đến toàn cầu. Trong nghiên cứu này, chúng tôi đã lập bản đồ sinh khối AGB rừng quốc gia Mexico bằng cách sử dụng dữ liệu viễn thám vệ tinh và tiếp cận học máy. Chúng tôi đã mô hình hóa AGB bằng hai kịch bản: (1) điều tra rừng quốc gia toàn diện (NFI), và (2) Dò tìm Ánh sáng (LiDAR) trên không như dữ liệu tham khảo. Cuối cùng, chúng tôi đã lan truyền các không chắc chắn từ các phép đo thực địa đến AGB thu được từ LiDAR và đến bản đồ AGB rừng quốc gia. Các bản đồ AGB ước lượng (được hiệu chỉnh theo NFI và LiDAR) cho thấy các chỉ số độ vừa khít tương tự (R2, Lỗi Trung bình Bình phương (RMSE)) ở ba quy mô khác nhau so với tập dữ liệu xác thực độc lập. Chúng tôi quan sát thấy các mô hình không gian khác nhau của AGB trong các rừng nhiệt đới rậm rạp, nơi không có hoặc chỉ có số lượng NFI dữ liệu hạn chế, với giá trị AGB cao hơn trong bản đồ hiệu chỉnh LiDAR. Chúng tôi ước lượng các không chắc chắn cao hơn nhiều trong các bản đồ AGB dựa trên phương pháp tăng quy mô hai giai đoạn (tức là, từ các phép đo thực địa đến LiDAR và từ các ước tính dựa trên LiDAR đến hình ảnh vệ tinh) so với phương pháp tăng quy mô truyền thống từ thực địa đến vệ tinh. Bằng cách loại bỏ các pixel AGB dựa trên LiDAR có không chắc chắn cao, có thể ước lượng AGB rừng quốc gia với không chắc chắn tương tự như khi chỉ hiệu chỉnh bằng dữ liệu NFI. Do dữ liệu LiDAR có thể được thu thập nhanh hơn nhiều và cho các khu vực lớn hơn so với dữ liệu điều tra thực địa, LiDAR có sức hấp dẫn cho việc lập bản đồ AGB quy mô lớn lặp lại. Trong nghiên cứu này, chúng tôi đã chỉ ra rằng các phương pháp tăng quy mô hai giai đoạn để ước lượng AGB trên diện rộng cần được phân tích và xác thực một cách cẩn thận. Các không chắc chắn trong AGB ước lượng từ LiDAR tiếp tục lan truyền trong bản đồ toàn bộ và có thể lên tới 150%. Do đó, khi áp dụng phương pháp tăng quy mô hai giai đoạn, điều quan trọng là phải mô tả các không chắc chắn ở tất cả các giai đoạn để tạo ra kết quả đáng tin cậy. Xem xét những phát hiện được nêu trên, LiDAR có thể được sử dụng như một phần mở rộng cho NFI, chẳng hạn như đối với những khu vực khó tiếp cận hoặc không thể tiếp cận.
Từ khóa
#sinh khối rừng #LiDAR #viễn thám #ước lượng không chắc chắn #điều tra rừng quốc gia #MexicoTài liệu tham khảo
Pan Y, Birdsey RA, Fang J, Houghton R, Kauppi PE, Kurz WA, Phillips OL, Shvidenko A, Lewis SL, Canadell JG, et al. A large and persistent carbon sink in the world’s forests. Science. 2011;333:988–93.
Brown S. Estimation biomass and biomass change of tropical forests: a primer. FAO Forestry Paper. 1997;134:1–55.
Houghton RA. Aboveground forest biomass and the global carbon balance. Glob Change Biol. 2005;11:945–58.
Dubayah RO, Sheldon SL, Clark DB, Hofton MA, Blair JB, Hurtt GC, Chazdon RL. Estimation of tropical forest height and biomass dynamics using lidar remote sensing at La Selva. Costa Rica. J Geophy Res. 2010;115:1–17.
Avitabile V, Baccini A, Friedl MA, Schmullius C. Capabilities and limitations of Landsat and land cover data for aboveground woody biomass estimation of Uganda. Remote Sens Environ. 2012;117:366–80.
Cartus O, Kellndorfer J, Walker W, Bishop J, Franco C, Santos L, Michel Fuentes JM. A national, detailed map of forest aboveground carbon stocks in Mexico. Remote Sens. 2014;6:5559–88.
Rodríguez-Veiga P, Saatchi S, Tansey K, Balzter H. Magnitude, spatial distribution and uncertainty of forest biomass stocks in Mexico. Remote Sens Environ. 2016;183:265–81.
Baccini A, Laporte N, Goetz SJ, Sun M, Dong H. A first map of tropical Africa’s above-ground biomass derived from satellite imagery. Environ Res Lett. 2008;3:9.
Saatchi SS, Harris NL, Brown S, Lefsky M, Mitchard ET, Salas W, Zutta BR, Buermann W, Lewis SL, Hagen S, et al. Benchmark map of forest carbon stocks in tropical regions across three continents. Proc Natl Acad Sci USA. 2011;108:9899–904.
Baccini A, Goetz SJ, Walker WS, Laporte NT, Sun M, Sulla-Menashe D, Hackler J, Beck PSA, Dubayah R, Friedl MA, et al. Estimated carbon dioxide emissions from tropical deforestation improved by carbon-density maps. Nat Clim Change Lett. 2012;2:182–5.
Santoro M, Schmullius C, Pathe C, Schwilk J, Beer C, Thurner M, Fransson JES, Shvidenko A, Schepaschenko D, McCallum I, et al. Estimates of forest growing stock volume of the northern hemisphere from envisat ASAR. In: ESA living planet symposium. Edinburgh: ESA ed; 2013.
Avitabile V, Herold M, Heuvelink GBM, Lewis SL, Phillips OL, Asner GP, Armston J, Ashton PS, Banin L, Bayol N, et al. An integrated pan-tropical biomass map using multiple reference datasets. Glob Change Biol. 2016;22:1406–20.
Huete AR, Liu HQ, Batchily K, van Leeuwen W. A comparison of vegetation indices over a global set of TM images for EOS-MODIS. Remote Sens Environ. 1997;59:440–51.
Huete A, Didan K, Miura T, Rodriguez EP, Gao X, Ferreira LG. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens Environ. 2002;83:195–213.
Steininger M. Satellite estimation of tropical secondary forest above-ground biomass: data from Brazil and Bolivia. Int J Remote Sens. 2000;21:1139–57.
Cartus O, Santoro M, Kellndorfer J. Mapping forest aboveground biomass in the Northeastern United States with ALOS PALSAR dual-polarization L-band. Remote Sens Environ. 2012;124:466–78.
Saatchi S, Marlier M, Chazdon RL, Clark DB, Russell AE. Impact of spatial variability of tropical forest structure on radar estimation of aboveground biomass. Remote Sens Environ. 2011;115:2836–49.
Tanase MA, Panciera R, Lowell K, Siyuan T, Garcia-Martin A, Walker JP. Sensitivity of L-band radar backscatter to forest biomass in semiarid environments: a comparative analysis of parametric and nonparametric models. Geosci Remote Sens IEEE Trans. 2014;52:4671–85.
Mitchard ET, Saatchi SS, Woodhouse IH, Nangendo G, Ribeiro NS, Williams M, Ryan CM, Lewis SL, Feldpausch TR, Meir P. Using satellite radar backscatter to predict above-ground woody biomass: A consistent relationship across four different African landscapes. Geophys Res Lett. 2009;36(L23401):23401–6.
Santoro M, Beaudoin A, Beer C, Cartus O, Fransson JES, Hall RJ, C. P, Schepaschenko D, Schmullius C, Shvidenko A, et al. Forest growing stock volume of the northern hemisphere: spatially explicit estimates for 2010 derived from Envisat ASAR data. Remote Sens Environ. 2014: submitted.
Urbazaev M, Thiel C, Mathieu R, Naidoo L, Levick SR, Smit IPJ, Asner GP, Schmullius C. Assessment of the mapping of fractional woody cover in southern African savannas using multi-temporal and polarimetric ALOS PALSAR L-band images. Remote Sens Environ. 2015;166:138–53.
Hame T, Rauste Y, Antropov O, Ahola HA, Kilpi J. Improved mapping of tropical forests with optical and SAR imagery, part II: above ground biomass estimation. IEEE J Top Appl Earth Obs Remote Sens. 2013;6:92–101.
Antropov O, Rauste Y, Häme T, Praks J. Polarimetric ALOS PALSAR time series in mapping biomass of Boreal Forests. Remote Sensing. 2017;9:999.
Thiel C, Schmullius C. The potential of ALOS PALSAR backscatter and InSAR coherence for forest growing stock volume estimation in central Siberia. Remote Sens Environ. 2016;173:258–73.
Asner GP, Mascaro J, Muller-Landau HC, Vieilledent G, Vaudry R, Rasamoelina M, Hall JS, van Breugel M. A universal airborne LiDAR approach for tropical forest carbon mapping. Oecologia. 2012;168:1147–60.
Zolkos SG, Goetz SJ, Dubayah R. A meta-analysis of terrestrial aboveground biomass estimation using lidar remote sensing. Remote Sens Environ. 2013;128:289–98.
Marvin DC, Asner GP, Knapp DE, Anderson CB, Martin RE, Sinca F, Tupayachi R. Amazonian landscapes and the bias in field studies of forest structure and biomass. Proc Natl Acad Sci USA. 2014;111:E5224–32.
Engelhart S, Keuck V, Siegert F. Aboveground biomass retrieval in tropical forests—the potential of combined X- and L-band SAR data use. Remote Sens Environ. 2011;115:1260–71.
Su Y, Guo Q, Xue B, Hu T, Alvarez O, Tao S, Fang J. Spatial distribution of forest aboveground biomass in China: estimation through combination of spaceborne lidar, optical imagery, and forest inventory data. Remote Sens Environ. 2016;173:187–99.
Hame T, Kilpi J, Ahola HA, Rauste Y, Antropov O, Rautiainen M, Sirro L, Bounpone S. Improved mapping of tropical forests with optical and SAR imagery, part I: forest cover and accuracy assessment using multi-resolution data. IEEE J Top Appl Earth Obs Remote Sens. 2013;6:74–91.
Saarela S, Holm S, Grafström A, Schnell S, Næsset E, Gregoire TG, Nelson RF, Ståhl G. Hierarchical model-based inference for forest inventory utilizing three sources of information. Ann For Sci. 2016;73:895–910.
Holm S, Nelson R, Ståhl G. Hybrid three-phase estimators for large-area forest inventory using ground plots, airborne lidar, and space lidar. Remote Sens Environ. 2017;197:85–97.
Urbazaev M, Thiel C, Migliavacca M, Reichstein M, Rodriguez-Veiga P, Schmullius C. Improved multi-sensor satellite-based aboveground biomass estimation by selecting temporally stable forest inventory plots using ndvi time series. Forests. 2016;7:169.
Xu L, Saatchi SS, Yang Y, Yu Y, White L. Performance of non-parametric algorithms for spatial mapping of tropical forest structure. Carbon Balance Manage. 2016;11:18.
FAO: Global Forest Resources Assessment. Desk reference. Rome: FAO; 2015.
CONAFOR. Inventario Nacional Forestal y de Suelos. Informe 2004–2009. Zapopan: CONAFOR; 2012.
Cook B, Corp L, Nelson R, Middleton E, Morton D, McCorkel J, Masek J, Ranson K, Ly V, Montesano P. NASA Goddard’s LiDAR, hyperspectral and thermal (G-LiHT) airborne imager. Remote Sens. 2013;5:4045–66.
Evans J, Hudak A, Faux R, Smith AM. Discrete return lidar in natural resources: recommendations for project planning, data processing, and deliverables. Remote Sens. 2009;1:776.
Naesset E, Okland T. Estimating tree height and tree crown properties using airborne scanning laser in a boreal nature reserve. Remote Sens Environ. 2002;79:105–15.
Goetz S, Steinberg D, Dubayah R, Blair B. Laser remote sensing of canopy habitat heterogeneity as a predictor of bird species richness in an eastern temperate forest, USA. Remote Sens Environ. 2007;108:254–63.
Shimada M, Ohtaki T. Generating large-scale high-quality SAR mosaic datasets: application to PALSAR data for global monitoring. IEEE J Top Appl Earth Obs Remote Sens. 2010;3:637–56.
Shimada M, Itoh T, Motooka T, Watanabe M, Shiraishi T, Thapa R, Lucas R. New global forest/non-forest maps from ALOS PALSAR data (2007–2010). Remote Sens Environ. 2014;155:13–31.
New global 25 m-resolution PALSAR-2/PALSAR mosaic and Global Forest/Non-forest map. http://www.eorc.jaxa.jp/ALOS/en/palsar_fnf/data/index.htm. Assessed 29 Jan 2018.
Quegan S, Le Toan T, Jiong Jiong Y, Ribbes F, Floury N. Multitemporal ERS SAR analysis applied to forest mapping. IEEE Trans Geosci Remote Sens. 2000;38:741–53.
Quegan S, Jiong Jiong Y. Filtering of multichannel SAR images. IEEE Trans Geosci Remote Sens. 2001;39:2373–9.
Oliver C, Quegan S. Understanding synthetic aperture radar images. Raleigh: Sci Tech Publ; 2004.
Hansen MC, Potapov PV, Moore R, Hancher M, Turubanova SA, Tyukavina A, Thau D, Stehman SV, Goetz SJ, Loveland TR, et al. High-resolution global maps of 21st-century forest cover change. Science. 2013;342:850–3.
Global forest change 2000–2012 data download. https://earthenginepartners.appspot.com/science-2013-global-forest/download_v1.0.html. Assessed 29 Jan 2018.
Pengra B, Long J, Dahal D, Stehman SV, Loveland TR. A global reference database from very high resolution commercial satellite data and methodology for application to Landsat derived 30 m continuous field tree cover data. Remote Sens Environ. 2015;165:234–48.
SRTM 90 m Digital elevation database v4.1. http://www.cgiar-csi.org/data/srtm-90m-digital-elevation-database-v4-1. Assessed 29 Jan 2018.
FRA: forest resources assessment. Terms and Definitions. Rome: Food and Agriculture Organization of the United Nations; 2015. p. 2012.
Chave J, Condit R, Aguilar S, Hernandez A, Lao S, Perez R. Error propagation and scaling for tropical forest biomass estimates. Philos Trans R Soc Lond B Biol Sci. 2004;359:409–20.
Mitchard ETA, Saatchi SS, Lewis SL, Feldpausch TR, Woodhouse IH, Sonké B, Rowland C, Meir P. Measuring biomass changes due to woody encroachment and deforestation/degradation in a forest–savanna boundary region of central Africa using multi-temporal L-band radar backscatter. Remote Sens Environ. 2011;115:2861–73.
Chave J, Condit R, Lao S, Caspersen JP, Foster RB, Hubbell SP. Spatial and temporal variation of biomass in a tropical forest: results from a large census plot in Panama. J Ecol. 2003;91:240–52.
Quinlan JR: Learning with continuous classes. In: 5th Australian joint conference on artificial intelligence. Singapore; 1992:343–348.
Quinlan JR: Combining instance-based and model-based learning. In.; 1993.
Blackard J, Finco M, Helmer E, Holden G, Hoppus M, Jacobs D, Lister A, Moisen G, Nelson M, Riemann R. Mapping U.S. forest biomass using nationwide forest inventory data and moderate resolution information. Remote Sens Environ. 2008;112:1658–77.
Walker WS, Kellndorfer JM, LaPoint E, Hoppus M, Westfall J. An empirical InSAR-optical fusion approach to mapping vegetation canopy height. Remote Sens Environ. 2007;109:482–99.
Gleason CJ, Im J. Forest biomass estimation from airborne LiDAR data using machine learning approaches. Remote Sens Environ. 2012;125:80–91.
Moisen GG, Freeman EA, Blackard JA, Frescino TS, Zimmermann NE, Edwards TC. Predicting tree species presence and basal area in Utah: a comparison of stochastic gradient boosting, generalized additive models, and tree-based methods. Ecol Model. 2006;199:176–87.
INEGI. Conjunto Nacional de Uso del Suelo y Vegetación a escala 1:250,000, Serie IV. Aguascalientes: INEGI ed.; 2010.
Goetz S, Dubayah R. Advances in remote sensing technology and implications for measuring and monitoring forest carbon stocks and change. Carbon Manag. 2011;2:231–44.
Hooker G, Mentch L. Bootstrap bias corrections for ensemble methods. Stat Comput. 2018;28:77–86.
Baccini A, Laporte N, Goetz SJ, Sun M, Dong H. A first map of tropical Africa’s above-ground biomass derived from satellite imagery. Environ Res Lett. 2008;3:045011.
Lucas RM, Moghaddam M, Cronin N. Microwave scattering from mixed-species forests, Queensland, Australia. IEEE Trans Geosci Remote Sens. 2004;42:2142–59.
Mermoz S, Le Toan T, Villard L, Réjou-Méchain M, Seifert-Granzin J. Biomass assessment in the Cameroon savanna using ALOS PALSAR data. Remote Sens Environ. 2014;155:109–19.
FAO. Evaluación de los Recursos Forestales Mundiales 2010—Infrome Nacional Mexico. Rome: FAO; 2010.
Asner GP. Tropical forest carbon assessment: integrating satellite and airborne mapping approaches. Environ Res Lett. 2009;4:034009.
Marvin DC, Asner GP. Spatially explicit analysis of field inventories for national forest carbon monitoring. Carbon Balanc Manag. 2016;11:1–12.
Santoro M, Beer C, Cartus O, Schmullius C, Shvidenko A, McCallum I, Wegmüller U, Wiesmann A. Retrieval of growing stock volume in boreal forest using hyper-temporal series of Envisat ASAR ScanSAR backscatter measurements. Remote Sens Environ. 2011;115:490–507.
Cartus O, Santoro M, Kellndorfer J. Mapping forest aboveground biomass in the Northeastern United States with ALOS PALSAR dual-polarization L-band. Remote Sens Environ. 2012;124:466–78.
Le Toan T, Quegan S, Davidson MWJ, Balzter H, Paillou P, Papathanassiou K, Plummer S, Rocca F, Saatchi S, Shugart H, Ulander L. The BIOMASS mission: mapping global forest biomass to better understand the terrestrial carbon cycle. Remote Sens Environ. 2011;115:2850–60.
Small D. Flattening gamma: radiometric terrain correction for SAR imagery. IEEE Transac Geosci Remote Sens. 2011;49:3081–93.
Hoekman DH, Reiche J. Multi-model radiometric slope correction of SAR images of complex terrain using a two-stage semi-empirical approach. Remote Sens Environ. 2015;156:1–10.