Progressi nella Mappatura della Biomassa Forestale

Le foreste sono fondamentali per l'ambiente. Aiutano a immagazzinare carbonio, che è importante per combattere il cambiamento climatico. Per gestire bene le foreste, abbiamo bisogno di dati accurati sulla quantità di biomassa, in particolare la biomassa sopra il suolo (AGB), che si riferisce alla massa totale degli alberi viventi, dei rami e delle foglie sopra il terreno. I metodi tradizionali per misurare la biomassa richiedono molto tempo e impegno, rendendoli difficili da usare su larga scala. Il telerilevamento, che utilizza la tecnologia per raccogliere informazioni da lontano, è diventato un modo popolare per stimare l'AGB delle foreste su grandi aree in modo più veloce ed efficiente.

#Ruolo del Telerilevamento

Il telerilevamento coinvolge diversi tipi di tecnologia che possono vedere e misurare gli alberi dal cielo. Questo include dati ottici, Radar a Apertura Sintetica (SAR) e Light Detection and Ranging (LiDAR). Ogni tipo ha i suoi punti di forza e debolezze:

• Dati Ottici: Cattura la luce riflessa dagli alberi, permettendoci di vedere dettagli come la copertura degli alberi. Tuttavia, può avere difficoltà a vedere attraverso le nuvole ed è meno efficace nelle chiome forestali dense.

• SAR: Questa tecnologia invia i propri segnali radar per misurare la foresta. Può penetrare le nuvole e funzionare giorno e notte, rendendola affidabile per la raccolta di dati. Tuttavia, ha anche dei limiti e può essere influenzata dal tipo di struttura forestale.

• LiDAR: Usa la luce laser per misurare l'altezza degli alberi e la struttura della chioma. Fornisce informazioni tridimensionali dettagliate sulle foreste e minimizza i problemi di saturazione, ma può anche essere limitato dalle condizioni atmosferiche come le nuvole.

#Nuove Innovazioni nel Telerilevamento

Un nuovo strumento chiamato Global Ecosystem Dynamics Investigation (GEDI) sta cambiando il modo in cui raccogliamo dati sulla biomassa forestale. GEDI utilizza un sensore LiDAR per fornire misurazioni ad alta risoluzione, in particolare nelle foreste dense dove altri metodi spesso falliscono. Tuttavia, i dati di GEDI vengono raccolti in piccole aree, il che significa che dobbiamo combinarli con dati di altre fonti per creare una mappa completa dell'AGB forestale.

In questo studio, abbiamo cercato di sviluppare metodi per creare mappe accurate di AGB utilizzando i dati GEDI e altre fonti di telerilevamento. Utilizzando dati locali, speravamo di migliorare le stime dell'AGB forestale in diverse regioni della Cina, specificamente nelle aree nord-orientali e sud-occidentali.

#Aree di Studio

La ricerca è stata condotta in due regioni della Cina: una nel nord-est, principalmente nelle province di Jilin e Heilongjiang, e l'altra nel sud-ovest, principalmente nella provincia di Yunnan. Queste regioni hanno tipi di foreste, climi e terreni diversi, offrendo una grande opportunità per testare i metodi che abbiamo sviluppato per stimare l'AGB.

#Regione Nord-Orientale

La regione nord-orientale ha un clima temperato, con inverni freddi e estati calde. Le foreste in quest'area sono principalmente composte da pino coreano e varie specie decidue. Negli anni, alcune delle foreste primarie sono state perse a causa della deforestazione, portando a un mix di foreste secondarie e piantagioni.

#Regione Sud-Occidentale

Al contrario, la regione sud-occidentale è molto più montuosa, con una vasta gamma di tipi di foreste. Questa area ha un clima subtropicale, con temperature più alte e abbondanti precipitazioni. Le diverse altitudini creano una ricca diversità di foreste, incluse le foreste a foglia aghiforme e le foreste a foglia larga.

#Raccolta Dati sul Campo

Per migliorare la nostra comprensione dell'AGB in queste regioni, abbiamo allestito dei plotti di terreno dove abbiamo misurato gli alberi. Abbiamo raccolto dati sull'altezza e sul diametro degli alberi, che abbiamo utilizzato per calcolare l'AGB usando equazioni specifiche. Queste informazioni sono cruciali perché ci permettono di correlare le misurazioni sul campo con i dati raccolti dalle tecnologie di telerilevamento.

#Combinazione di Fonti Dati

Nel nostro approccio, abbiamo combinato dati da GEDI, Sentinel-1 (SAR), Sentinel-2 (ottico) e ALOS-2 (SAR a banda L) per stimare l'AGB forestale. Utilizzando modelli di machine learning locali, puntavamo a generare mappe di AGB ad alta risoluzione con una dimensione dei pixel di 25 metri.

#Sviluppo del Modello

Utilizzando i dati raccolti da entrambe le regioni, abbiamo sviluppato due modelli di machine learning: LightGBM e random forest. LightGBM è noto per la sua efficienza e velocità, mentre random forest è spesso usato per la sua accuratezza nell'analisi predittiva. Abbiamo testato entrambi i modelli per vedere quanto bene potessero prevedere l'AGB basandosi sui dati di telerilevamento.

#Risultati dello Studio

Dalla nostra analisi, abbiamo scoperto che LightGBM ha performato leggermente meglio del modello random forest nel stimare l'AGB in entrambe le regioni. Nella regione nord-orientale, entrambi i modelli hanno mostrato una forte correlazione con i dati sul campo, mentre la regione sud-occidentale ha presentato un po' più di variabilità a causa del suo terreno montuoso.

#Metriche di Prestazione

Entrambi i modelli hanno prodotto risultati simili, ma LightGBM è stato più veloce, riducendo significativamente il tempo di calcolo. Durante la cross-validation, LightGBM ha raggiunto margini di errore inferiori e prodotto mappe più affidabili rispetto al random forest, specialmente in aree con pendenze ripide.

#Impatto del Terreno

Il terreno ha avuto un ruolo significativo nei nostri risultati. Man mano che la pendenza del terreno aumentava, abbiamo notato che l'accuratezza delle stime di AGB diminuiva. Nella regione nord-orientale, i modelli hanno performato bene nelle aree pianeggianti, ma hanno mostrato difficoltà nelle regioni ripide. Il contrario è stato vero per la regione sud-occidentale, dove le pendenze ripide hanno complicato notevolmente le misurazioni.

#Incertezza nelle Stime

Abbiamo anche creato mappe di incertezza per mostrare l'affidabilità delle nostre stime di AGB. L'incertezza era relativamente bassa in entrambe le regioni, indicando che i nostri metodi hanno prodotto mappe affidabili nel complesso. LightGBM ha mostrato una variabilità leggermente più alta nelle sue stime, suggerendo che potrebbe rispondere più rapidamente ai cambiamenti nei dati.

#Applicazione Oltre le Aree di Studio

Abbiamo testato i nostri modelli in regioni vicine ma diverse, applicando gli stessi metodi per valutare la loro scalabilità. I nostri risultati sono stati incoraggianti. LightGBM e random forest hanno mantenuto una buona accuratezza, confermando che il nostro approccio potrebbe funzionare attraverso diversi tipi di foreste e condizioni.

#Conclusione

Questo studio evidenzia l'efficacia di combinare i dati di telerilevamento con le misurazioni locali per creare mappe accurate di AGB. LightGBM, in particolare, si è dimostrato uno strumento forte per questo scopo, fornendo risultati rapidi e affidabili.

La nostra ricerca offre preziose informazioni sulla mappatura della biomassa forestale in Cina, aprendo la strada a migliori pratiche di gestione forestale e a una comprensione ampliata dello stoccaggio di carbonio. Con il continuo miglioramento delle tecnologie e l'aumento della disponibilità dei dati, ci aspettiamo ulteriori progressi nel monitoraggio e nella gestione efficace delle risorse forestali.

#Direzioni Future

Andando avanti, ulteriori studi focalizzati sul miglioramento della raccolta dei dati, specialmente in terreni difficili, saranno cruciali. Esploreremo anche modi per integrare fonti di dati più diverse e modelli di machine learning per affinare le nostre stime. Questa ricerca in corso è essenziale mentre lavoriamo per affrontare le sfide urgenti poste dal cambiamento climatico e dal suo impatto sugli ecosistemi forestali a livello globale.