Εκτίμηση της υπέργειας δασικής βιομάζας με χρήση πολυπηγικών δεδομένων τηλεπισκόπησης και αλγορίθμων βαθιάς μάθησης (Hangzhou Κίνας)
Από RemoteSensing Wiki
| Γραμμή 11: | Γραμμή 11: | ||
<h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2> | <h2><strong>Σημασία περιοχής και δασικής βιομάζας</strong></h2> | ||
</p> | </p> | ||
| - | + | [[Αρχείο:Εικόνα22.png|thumb|right|400px|<strong>Εικόνα 1:</strong> Περιοχές μελέτης]] | |
<p> | <p> | ||
| - | + | Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής. | |
</p> | </p> | ||
| - | + | <h2><strong>Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης</strong></h2> | |
<p> | <p> | ||
| + | Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος. | ||
| + | </p> | ||
<h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2> | <h2><strong>Εξέλιξη μεθόδων και στόχος της μελέτης</strong></h2> | ||
| + | <p> | ||
| + | Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (<strong>Εικόνα 1</strong>). | ||
</p> | </p> | ||
| - | + | <h1><strong>Μεθοδολογία</strong></h1> | |
| + | <p> | ||
| + | <h2><strong>Επίγεια Δεδομένα</strong></h2> | ||
| + | </p> | ||
| + | Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν: | ||
| + | <p> | ||
| + | *η διάμετρος στο ύψος θώρακα (DBH), | ||
| + | *το ύψος των δέντρων, η ταξινόμηση του είδους, | ||
| + | *η ηλικία και | ||
| + | *η προέλευση. | ||
| + | </p> | ||
| + | Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν. | ||
| + | <p> | ||
| + | Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής. | ||
| + | |||
| + | |||
| + | |||
| + | |||
[[category:Δασοπονία, Δασική διαχείριση]] | [[category:Δασοπονία, Δασική διαχείριση]] | ||
Αναθεώρηση της 01:15, 12 Ιανουαρίου 2026
Πρωτότυπος τίτλος: Forest Aboveground Biomass Estimation Using Multisource Remote Sensing Data and Deep Learning Algorithms: A Case Study over Hangzhou Area in China
Συγγραφείς: Xin Tian, Jiejie Li, Fanyi Zhang, Haibo Zhang and MiJiang
Keywords: forest aboveground biomass; deep learning; multisource remote sensing
DOI: https://doi.org/10.3390/rs16061074
Πίνακας περιεχομένων |
Εισαγωγή
Σημασία περιοχής και δασικής βιομάζας
Η επαρχία Zhejiang στην Κίνα έχει δασική κάλυψη 61.15%, γεγονός που την κατατάσσει ανάμεσα στις πέντε υψηλότερες σε όλη τη χώρα. Το κλίμα της περιοχής ευνοεί την ανάπτυξη πλούσιων δασικών οικοσυστημάτων, τα οποία αποτελούν κεντρικό παράγοντα ρύθμισης του κλίματος και ισορροπίας του άνθρακα. Η δασική βιομάζα, ως κύριος φορέας δέσμευσης άνθρακα, έχει κρίσιμη συμβολή στη διατήρηση του παγκόσμιου κύκλου του CO₂, επομένως η γρήγορη και ακριβής χαρτογράφηση της χωρικής κατανομής της είναι απαραίτητη για την κατανόηση και τον έλεγχο της κλιματικής μεταβολής.
Προβλήματα παραδοσιακών μεθόδων και ανάγκη τηλεπισκόπησης
Η εκτίμηση της δασικής βιομάζας μέσω επιτόπιων μετρήσεων και αναλυτικών μοντέλων ανάπτυξης μπορεί να προσφέρει υψηλή ακρίβεια, ωστόσο η διαδικασία είναι δαπανηρή, χρονοβόρα και περιορισμένη χωρικά, γεγονός που καθιστά αδύνατη την εφαρμογή της σε περιφερειακή ή παγκόσμια κλίμακα. Αντίθετα, η τηλεπισκόπηση παρέχει υψηλής συχνότητας δεδομένα, επιτρέποντας τη μακροσκοπική, μη καταστροφική και συνεχή εκτίμηση της βιομάζας. Τόσο οι οπτικοί όσο και οι SAR αισθητήρες έχουν αποδειχθεί αποτελεσματικοί στη χαρτογράφηση της δομής και της δυναμικής των δασικών οικοσυστημάτων, ενώ ο συνδυασμός τους ενισχύει περαιτέρω την ακρίβεια των εκτιμήσεων, παρά το γεγονός ότι η ετερογένεια των δεδομένων μπορεί να εισάγει πρόσθετες πηγές σφάλματος.
Εξέλιξη μεθόδων και στόχος της μελέτης
Παραδοσιακές μέθοδοι, όπως η πολλαπλή γραμμική παλινδρόμηση, χρησιμοποιήθηκαν εκτενώς για την εκτίμηση της βιομάζας, όμως δεν αποδίδουν ικανοποιητικά λόγω της μη γραμμικότητας της σχέσης μεταξύ φασματικών δεικτών και βιομάζας. Οι τεχνικές μηχανικής μάθησης, όπως Random Forest και SVM, ανέβασαν την ακρίβεια, ενώ πιο πρόσφατες προσεγγίσεις ενσωματώνουν δεδομένα από πολλαπλούς δορυφόρους (Sentinel, ICESat-2, ALOS-2) και εξερευνούν τη χρήση deep learning. Η συγκεκριμένη μελέτη επιδιώκει να αξιολογήσει το κατά πόσο προηγμένα μοντέλα, όπως CNN και CNN-LSTM, σε συνδυασμό με multisource remote sensing data (optical and SAR), μπορούν να επιτύχουν υψηλότερη ακρίβεια στην εκτίμηση της υπέργειας δασικής βιομάζας και να παραχθεί ένας αξιόπιστος χάρτης χωρικής κατανομής για την περιοχή Lin’an της Zhejiang (Εικόνα 1).
Μεθοδολογία
Επίγεια Δεδομένα
Τα δεδομένα πεδίου προέρχονται από την ένατη εθνική απογραφή δασικών πόρων (National Forest Resources Continuous Inventory, 2018), η οποία αποτελεί την πιο ολοκληρωμένη βάση δεδομένων δασικών χαρακτηριστικών στην Κίνα. Για κάθε δειγματοληπτική επιφάνεια καταγράφηκαν:
- η διάμετρος στο ύψος θώρακα (DBH),
- το ύψος των δέντρων, η ταξινόμηση του είδους,
- η ηλικία και
- η προέλευση.
Μη δασικές εκτάσεις (αγροτική γη, κατασκευασμένες περιοχές, εκτάσεις χωρίς αποθέματα ξύλου) αποκλείστηκαν.
Η υπέργεια βιομάζα υπολογίστηκε για κάθε δέντρο χρησιμοποιώντας τις καταγεγραμμένες εξισώσεις ανάπτυξης ανά είδος. Τα είδη ταξινομήθηκαν σε τέσσερις κατηγορίες (fir, horsetail pine, hard broadleaf, soft broadleaf) σύμφωνα με τη σύνθεση της χλωρίδας της περιοχής.
