[论文解读] Joint Study of Above Ground Biomass and Soil Organic Carbon for Total Carbon Estimation using Satellite Imagery in Scotland

Terrence Chan, Carla Arus Gomez+2 more|arXiv (Cornell University)|May 8, 2022

Atmospheric and Environmental Gas Dynamics被引用 6

一句话总结

本研究提出一种联合建模方法，结合卫星影像（Sentinel-1、Sentinel-2、Landsat 8）与机器学习技术，通过整合地上生物量（AGB）和土壤有机碳（SOC）预测，提升苏格兰地区总碳储量估算的准确性。研究结果表明，将SOC和数字高程模型（DEM）作为预测因子可使AGB模型的准确率平均提升14.2%；同时，利用AGB预测SOC也能提升部分模型的性能，揭示了森林碳库与土壤碳库之间存在显著的相互依赖关系。

ABSTRACT

Land Carbon verification has long been a challenge in the carbon credit market. Carbon verification methods currently available are expensive, and may generate low-quality credit. Scalable and accurate remote sensing techniques enable new approaches to monitor changes in Above Ground Biomass (AGB) and Soil Organic Carbon (SOC). The majority of state-of-the-art research employs remote sensing on AGB and SOC separately, although some studies indicate a positive correlation between the two. We intend to combine the two domains in our research to improve state-of-the-art total carbon estimation and to provide insight into the voluntary carbon trading market. We begin by establishing baseline model in our study area in Scotland, using state-of-the-art methodologies in the SOC and AGB domains. The effects of feature engineering techniques such as variance inflation factor and feature selection on machine learning models are then investigated. This is extended by combining predictor variables from the two domains. Finally, we leverage the possible correlation between AGB and SOC to establish a relationship between the two and propose novel models in an attempt outperform the state-of-the-art results. We compared three machine learning techniques, boosted regression tree, random forest, and xgboost. These techniques have been demonstrated to be the most effective in both domains.

研究动机与目标

• 为解决自愿碳市场中传统碳核查方法成本高、可扩展性差的问题。
• 通过遥感技术联合建模地上生物量（AGB）与土壤有机碳（SOC），提升总碳储量估算的准确性。
• 探究AGB与SOC之间相互预测的潜力，以优化碳储量建模。
• 评估特征工程与机器学习技术对AGB与SOC估算性能的影响。

提出的方法

• 使用多源卫星数据（Sentinel-1、Sentinel-2、Landsat 8）、数字高程模型（DEM）及森林清查数据作为输入预测因子。
• 应用三种机器学习模型——XGBoost、随机森林（Random Forest）与提升回归树（Boosted Regression Tree）——进行AGB与SOC估算。
• 通过方差膨胀因子与特征选择方法进行特征工程，以优化预测因子集合。
• 通过整合AGB与SOC领域预测因子构建联合模型，评估跨领域预测增益。
• 探索将AGB作为SOC预测因子，以及将SOC/SOCD作为AGB预测因子，以检验间接关系。
• 采用RMSE、MAE与R²指标在多种模型配置下验证模型性能。

实验结果

研究问题

• RQ1 将AGB与SOC估算模型联合建模是否能提升总碳储量估算的准确性，相较于独立建模？
• RQ2 尽管DEM传统上用于SOC建模，将其作为AGB模型的预测因子是否能提升AGB估算性能？
• RQ3 将SOC或SOC密度作为预测因子，能在多大程度上提升AGB模型的准确率？
• RQ4 在不同机器学习算法中，使用AGB作为SOC预测因子对模型性能有何影响？
• RQ5 在苏格兰等混合土地利用区域，AGB与SOC之间的相关性性质与强度如何？

主要发现

• 在XGBoost、随机森林与提升回归树模型中，将DEM作为AGB模型的预测因子，平均使模型性能提升13.5%。
• 与最先进基线相比，将SOC与SOC密度作为AGB模型的预测因子，平均使模型准确率提升14.2%。
• 将AGB作为SOC模型的预测因子，在随机森林中提升了模型性能，但在提升回归树与XGBoost中则降低了性能，表明存在模型特异性效应。
• 随机森林模型在AGB估算中表现最佳，其R²值（0.5925）相比最先进水平（0.5829）提升了19.5%。
• 特征重要性分析表明，AGB对SOC估算模型具有显著贡献，支持了生物上合理反馈回路的存在。
• 联合建模方法表明，AGB与SOC具有相互依赖性，其联合使用可显著提升总碳储量估算的准确性。