借助空间激光与人工智能,科学家如今能以更快速度和更高精度测量森林碳储量——这一突破正改变全球气候监测与森林管理方式。
考古学家用于探测茂密林冠下古代遗迹的卫星数据,同样可提升森林碳吸收与释放量的测量速度和准确性。

阿肯色大学蒙蒂塞洛分校森林资源中心及林学、农业与自然资源学院地理空间科学助理教授Hamdi Zurqani表示,理解这一碳循环是气候变化研究的关键。该中心总部位于阿肯色大学蒙蒂塞洛分校,通过阿肯色农业试验站和合作推广服务(阿肯色大学系统农业分部的研究与推广机构)开展研究和推广活动。
“森林常被称为地球之肺,这绝非空穴来风,”Zurqani说,“它们储存了全球约80%的陆地碳,在调节地球气候中发挥着关键作用。”
要测量森林碳循环,需计算森林地上生物量。Zurqani指出,尽管传统地面测量森林地上生物量的方法有效,但其劳动强度大、耗时长且空间覆盖能力有限。
在近期发表于《生态信息学》期刊的研究中,Zurqani展示了如何将开放获取卫星数据与谷歌地球引擎上的人工智能算法结合,快速精准绘制大规模森林地上生物量地图——即使在难以进入的偏远地区也能实现。
Zurqani的创新方法采用了美国国家航空航天局(NASA)的“全球生态系统动态调查激光雷达”(GEDI LiDAR)数据,该系统由安装在国际空间站上的三台激光器组成,可精确测量森林冠层三维高度、冠层垂直结构及地表海拔。LiDAR(激光雷达)通过光脉冲测距并生成三维模型。
Zurqani还结合了欧洲航天局“哥白尼哨兵”地球观测卫星(哨兵1号和哨兵2号)的图像数据。通过融合GEDI的三维图像与哨兵卫星的光学图像,他提升了生物量估算的准确性。
研究测试了四种机器学习算法分析数据:梯度提升树、随机森林、分类与回归树(CART)及支持向量机。结果显示,梯度提升树准确率最高、误差率最低;随机森林次之,可靠但精度略逊;CART提供了合理估算但倾向关注较小子集;支持向量机算法表现不佳。Zurqani强调,并非所有AI模型都同等适用于本研究的森林地上生物量估算。
Zurqani指出,最准确的预测来自融合哨兵2号光学数据、植被指数、地形特征及冠层高度,并以GEDI LiDAR数据集作为机器学习模型训练与测试的参考输入。这表明多源数据整合对可靠生物量制图至关重要。
Zurqani表示,精准的森林生物量制图对全球范围内更精确的碳核算与森林管理具有实际意义。通过更准确的评估,政府与组织可更精准追踪碳封存及森林砍伐导致的碳排放,为政策制定提供依据。
尽管该研究在森林地上生物量测量上迈出重要一步,Zurqani指出,剩余挑战包括天气对卫星数据的影响,部分地区仍缺乏高分辨率激光雷达覆盖。他补充,未来研究可能探索深度AI模型(如神经网络)以进一步优化预测。
“有一点很明确,”Zurqani说,“随着气候变化加剧,此类技术对保护森林与地球将不可或缺。”