UAV-based estimation of aboveground biomass carbon in the Sundarbans mangrove forest of Bangladesh
Md Abul Hashem · Md Sarwar Hossain · Md. Tauhidor Rahaman 等 4 人
利用无人机冠层指标与地面数据估算孟加拉孙德尔本斯红树林地上生物量碳。
无人机高分辨率影像提取冠层指标，结合CPA估算DBH，用MLR与机器学习模型预测
多元线性回归表现最佳（R²=0.86），无人机估算值与实测及历史值高度吻合。
可探索多时相无人机与卫星融合，提升红树林碳储量动态监测及不确定性量化能力。
该研究利用无人机高分辨率影像与机器学习模型估算孟加拉国孙德尔本斯红树林地上生物量碳，方法新颖、数据可靠，对林业碳汇监测与REDD+具有参考价值，但属境外案例、应用范围有限，可作为专业资讯收录。
可靠的生物量和碳评估对于理解红树林动态及其在全球碳循环中的作用至关重要。然而，基于实地调查的生物量估算耗时、费力且成本高昂。遥感提供了一种实用且具有成本效益的替代方案，尤其是利用能够获取高分辨率影像的无人机（UAV）。利用高分辨率遥感对孙德尔本斯红树林（SMF）进行生物量碳评估的研究仍较为缺乏。本研究开发了一个综合碳评估框架，利用无人机获取的冠层指标和实地测量数据估算SMF的地上生物量碳。通过误差传播和特征重要性分析量化不确定性并评估预测因子的影响，为红树林生物量碳评估提供了一种稳健且考虑不确定性的方法。采用CPA（冠层投影面积）通过线性、多项式、对数、幂函数和指数回归模型估算代理DBH（胸径）。所有CPA–DBH模型均表现出相近的性能（R² = 0.73–0.75）。线性模型和多项式模型取得了最低的RMSE（1.77 cm），而多项式模型产生了最低的MAE（1.22 cm），因此被选用于估算代理DBH。基于实地的AGBC（地上生物量碳）通过实测树高和DBH，采用适用于孙德尔本斯的物种特异性异速生长方程和通用异速生长方程计算，而基于无人机的AGBC则利用无人机获取的平均DSM高度和CPA衍生的代理DBH进行估算。采用简单线性回归（SLR）、多元线性回归（MLR）和机器学习（ML）模型（随机森林、支持向量机、人工神经网络和极端梯度提升）评估AGBC预测性能。MLR模型在验证/模型选择子集上表现最佳（R² = 0.86，RMSE = 14.70 Mg C ha⁻¹，MedAE = 4.58 Mg C ha⁻¹）。无人机获取的AGBC估算值与实地测量结果及先前报道的孙德尔本斯数值高度吻合，表明高分辨率无人机指标在可靠估算红树林AGBC方面具有潜力，可支持孟加拉国的碳监测、REDD+倡议和可持续红树林管理。