利用地面观测、遥感和机器学习
作者：Stephen Klosterman和Earthshot科学团队。内容最初在2022年12月的美国地球物理学联合会秋季会议上展示。
介绍
生态恢复项目通常需要投资来启动活动。为了为森林生长和保护项目创造碳金融机会，需要能够预测木质生物量中的碳积累，或者在防止森林砍伐的情况下预测碳的避免排放，此外还需要理解一系列其他生态系统性质的可能变化，例如植物和动物物种组成以及水质。为了创建碳积累预测，一种常见的方法是将个别关注和研究工作集中在分布于全球各地的特定位置的项目上。因此，拥有一个本地准确且全球范围的生长速率地图，或其他感兴趣参数值的地图，对于快速确定生态系统恢复机会的“勘探”工作将是方便的。在这里，我们描述了一种从先前发表的文献综述数据训练的机器学习模型派生的创建此类地图的方法。然后，我们展示了在Google Earth Engine应用程序中为非洲实现该地图的过程。
数据和方法
我们使用了最近发表的森林立地生物量测量、年龄和地理位置数据集（Cook-Patton et al. 2020）训练了一个机器学习模型，以预测常用的Chapman-Richards（CR）生长函数的参数。
在清理了与原始出版物中类似的异常值和不切实际观测值后，我们剩下约2000个观测值，如下图所示，其中符号的大小与每个站点的观测次数成比例：
观测点分布在390个站点上。大多数站点（64%）只有一个测量值，而有一个站点有274个测量值。