Synthetic Aperture Radar, Multi-Source Data Fusion, and Machine Learning for Aboveground Biomass and Carbon Stock Estimation: A Systematic Review and Bibliometric Analysis
这项系统综述与文献计量分析综合了2004年至2026年间的68项研究，旨在展示合成孔径雷达、多源遥感与机器学习的集成如何推动了地上生物量及碳储量估算的进步，同时强调了在将这些稳健且具可扩展性的框架应用于异质性城市树木环境方面存在关键的研究空白。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
树木是地球的肺，通过吸收二氧化碳并将其储存在木材、叶子和根部中来进行呼吸。这些储存的碳是抵消导致大气变暖的温室气体的至关重要的平衡力量。为了了解世界森林持有多少碳，或者一座城市的街道树木可能节省多少碳，科学家必须测量“地上生物量”，这简单来说就是所有位于土壤之上的活植物材料的总重量。几十年来，获得准确计数的方法只有走进森林，用卷尺测量每一棵树，然后进行手工计算。虽然这种方法很精确，但速度慢、成本高，且无法同时在所有地方进行。今天，我们有了一种更快速的方法：从太空观察地球。卫星现在可以拍摄森林和城市的照片，利用不同类型的“眼睛”来看到人类肉眼无法看见的东西。有些卫星可以看到颜色，有些可以看到冠层的形状，还有些使用雷达——雷达通过将不可见的波从树木上反射回来，即使穿过云层也能揭示其结构。
一项关于科学研究的新综述汇集了关于我们如何使用这些空间工具来计数树木并估算其碳含量的最新发现。这项综述背后的研究人员 Temitope Emmanuel Paul、Adedayo Adeleke 和 Abel Ramoelo 并没有亲自前往实地。相反，他们收集并分析了 2004 年至 2026 年间发表的 68 项不同研究。他们的目标是观察科学家们是如何结合来自不同卫星的数据，并利用智能计算机程序来计算森林和城市中树木所储存的碳量。他们发现，最好的结果并非来自仅使用一种类型的卫星图像，而是通过将它们混合在一起。通过将来自光学相机的颜色信息、来自激光扫描仪的结构细节以及来自雷达的全天候视角结合起来，科学家可以构建出一幅更清晰的森林健康状况和规模的图景。
这项研究的故事是一个快速演进的过程。在他们研究时期的早期阶段，科学家们主要尝试使用单一工具来解决问题。他们可能会依赖一台能看到颜色的卫星，或者一台使用雷达的卫星，但很少两者兼用。该综述显示，这种方法已经发生了变化。如今，最成功的研究是将来自多个来源的数据进行混合。他们获取反映叶片绿度和健康状况的光谱数据，并将其与揭示树枝高度和密度的结构数据相结合。在这一组合中，最强大的工具之一是雷达，它发送微波信号，可以穿透云层，并在天空阴沉时看清树木的形状。另一个关键工具是 LiDAR（激光雷达），它利用激光脉冲创建森林地面及其上方冠层的精确 3D 地图。当研究人员融合这些不同类型的信息时，与仅使用单一来源相比，他们对碳估算的准确性显著提高。
为了理解所有这些混合数据，科学家们正转向机器学习。这些是能够从例子中学习而非遵循固定规则的计算机程序。该综述发现，最可靠且应用最广泛的程序是“集成”（ensemble）方法，其原理是通过结合许多较小模型的预测来得出最终答案。在这些方法中，一种被称为“随机森林”（Random Forest）的方法是最受欢迎且最稳健的选择。它能很好地处理来自卫星的杂乱、复杂数据，并能告诉我们哪些信息片段对最终计算最为重要。其他强大的工具，如“极端梯度提升”（Extreme Gradient Boosting），也被用于榨取更高的准确度。最近，深度学习——一种模仿人类大脑的人工智能类型——已开始出现在研究中。这些先进系统特别擅长识别拥挤城市街道中的单棵树木，但它们需要大量的训练数据和强大的计算机才能有效运行。
尽管取得了这些令人印象深刻的技术飞跃，该综述仍强调了我们知识中的一个显著差距。虽然我们已经了解了很多关于测量广袤连续森林中碳含量的知识，但对于如何在城市中进行测量，我们的了解还很少。城市环境极其复杂；树木散布在建筑物、道路和混凝土之间，它们的形状也经常受到周围结构的扭曲。研究人员发现，很少有研究成功地将雷达和机器学习的强大组合应用于城市树木。大多数以城市为中心的研究仍然严重依赖光学图像和激光扫描，往往忽略了雷达数据，而雷达数据本可以帮助在困难条件下看穿云层并理解树木结构。这是一个错失的机会，因为城市对于气候解决方案正变得越来越重要，我们需要准确的方法来统计街道树木中的碳，从而为更凉爽的未来进行规划。
根据作者的观点，未来的路径在于弥合这一差距。他们建议，未来的研究必须专注于开发能够适用于不同类型景观的模型，从茂密的雨林到繁忙的市中心。这意味着要开发更好的方法来处理城市的独特挑战，例如雷达信号可能会从建筑物上反射并产生令人困惑的回声。这也意味着要建立标准化的方法来测试这些模型，以便在一个城市开发出的方法可以在另一个城市得到信任。综述总结道，虽然我们在结合卫星数据和人工智能方面取得了巨大进步，但真正的挑战在于使这些工具足够强大，以应对现实世界的复杂性。通过完善这些方法，我们可以从粗略地估算碳量转向精确地计数碳量，从而为管理森林和城市以实现稳定的气候提供清晰的数据。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。