Estimación de Carbono Basada en Satélites en Escocia: AGB y SOC
Autores: Chan, Chun Ki; Gomez, Carla Arus; Kothikar, Anish; Baiz-Villafranca, P. M.
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Estimación de Carbono Basada en Satélites en Escocia: AGB y SOC
Categoría
Ciencias Medioambientales
Subcategoría
Ciencias medioambientales generales
Palabras clave
Teledetección
AGB
SOC
Técnicas de aprendizaje automático
Ingeniería de características
Estimación del carbono total
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La mayoría de la investigación de vanguardia emplea la teledetección en AGB (biomasa aérea) y SOC (carbono orgánico del suelo) por separado, aunque algunos estudios indican una correlación positiva entre ambos. Nuestra intención es combinar los dos dominios en nuestra investigación para mejorar la estimación total de carbono de vanguardia. Comenzamos estableciendo un modelo base en nuestra área de estudio en Escocia, utilizando metodologías de vanguardia en los dominios de SOC y AGB. Luego se investigan los efectos de técnicas de ingeniería de características como el factor de inflación de varianza y la selección de características en modelos de aprendizaje automático. Esto se amplía combinando variables predictoras de los dos dominios. Finalmente, aprovechamos la posible correlación entre AGB y SOC para establecer una relación entre ambos y proponemos modelos novedosos en un intento de superar los resultados de vanguardia. Comparamos tres técnicas de aprendizaje automático: árbol de regresión aumentado, bosque aleatorio y xgboost. Estas técnicas han demostrado ser las más efectivas en ambos dominios. Esta investigación hace tres contribuciones: (i) Incluir el Mapa de Elevación Digital (DEM) como variable predictora en el modelo de AGB mejora el resultado del modelo en un 13.5 % en promedio a través de las tres técnicas de aprendizaje automático experimentadas, lo que implica que el DEM también debe ser considerado para la estimación de AGB, a pesar de que anteriormente se había utilizado exclusivamente para la estimación de SOC. (ii) Usar SOC y Densidad de SOC mejora la predicción del modelo de AGB en un significativo 14.2 % en promedio en comparación con la línea base de vanguardia (Al comparar el valor de R2 en las tres técnicas de modelado en el Modelo B y el Modelo H, hay un aumento de 0.5016 a 0.5604 para BRT, de 0.4958 a 0.5925 para RF y de 0.5161 a 0.5750 para XGB), lo que refuerza nuestros resultados experimentales y sugiere una dirección de investigación futura de combinar AGB y SOC como un dominio de estudio conjunto. (iii) Incluir AGB como variable predictora para SOC mejora el rendimiento del modelo para Bosque Aleatorio, pero reduce el rendimiento para el árbol de regresión aumentado y XG Boost, lo que indica que los resultados son específicos para los modelos de ML y se requiere más investigación sobre el espacio de características y las técnicas de modelado. Además, proponemos un método para estimar el carbono total utilizando datos de Sentinel 1, Sentinel 2, Landsat 8, Elevación Digital y el Inventario Forestal.
Descripción
La mayoría de la investigación de vanguardia emplea la teledetección en AGB (biomasa aérea) y SOC (carbono orgánico del suelo) por separado, aunque algunos estudios indican una correlación positiva entre ambos. Nuestra intención es combinar los dos dominios en nuestra investigación para mejorar la estimación total de carbono de vanguardia. Comenzamos estableciendo un modelo base en nuestra área de estudio en Escocia, utilizando metodologías de vanguardia en los dominios de SOC y AGB. Luego se investigan los efectos de técnicas de ingeniería de características como el factor de inflación de varianza y la selección de características en modelos de aprendizaje automático. Esto se amplía combinando variables predictoras de los dos dominios. Finalmente, aprovechamos la posible correlación entre AGB y SOC para establecer una relación entre ambos y proponemos modelos novedosos en un intento de superar los resultados de vanguardia. Comparamos tres técnicas de aprendizaje automático: árbol de regresión aumentado, bosque aleatorio y xgboost. Estas técnicas han demostrado ser las más efectivas en ambos dominios. Esta investigación hace tres contribuciones: (i) Incluir el Mapa de Elevación Digital (DEM) como variable predictora en el modelo de AGB mejora el resultado del modelo en un 13.5 % en promedio a través de las tres técnicas de aprendizaje automático experimentadas, lo que implica que el DEM también debe ser considerado para la estimación de AGB, a pesar de que anteriormente se había utilizado exclusivamente para la estimación de SOC. (ii) Usar SOC y Densidad de SOC mejora la predicción del modelo de AGB en un significativo 14.2 % en promedio en comparación con la línea base de vanguardia (Al comparar el valor de R2 en las tres técnicas de modelado en el Modelo B y el Modelo H, hay un aumento de 0.5016 a 0.5604 para BRT, de 0.4958 a 0.5925 para RF y de 0.5161 a 0.5750 para XGB), lo que refuerza nuestros resultados experimentales y sugiere una dirección de investigación futura de combinar AGB y SOC como un dominio de estudio conjunto. (iii) Incluir AGB como variable predictora para SOC mejora el rendimiento del modelo para Bosque Aleatorio, pero reduce el rendimiento para el árbol de regresión aumentado y XG Boost, lo que indica que los resultados son específicos para los modelos de ML y se requiere más investigación sobre el espacio de características y las técnicas de modelado. Además, proponemos un método para estimar el carbono total utilizando datos de Sentinel 1, Sentinel 2, Landsat 8, Elevación Digital y el Inventario Forestal.