Räumliche Vorhersagen und Unsicherheiten der Kohlenstoffflüsse in Wäldern für die Kohlenstoffbilanzierung

Mar 31, 2024

Wissenschaftliche Berichte Band 13, Artikelnummer: 12704 (2023) Diesen Artikel zitieren

1 Altmetrisch

Details zu den Metriken

Länder haben sich verschiedenen nationalen und internationalen Umweltabkommen verpflichtet, allen voran den Klimaschutzzielen des Pariser Abkommens. Die Bilanzierung von Kohlenstoffbeständen und -strömen (Flüssen) ist für Länder, die kürzlich das System der umweltökonomischen Gesamtrechnungen der Vereinten Nationen – Rahmenwerk zur Ökosystembilanzierung (UNSEEA) als globalen statistischen Standard übernommen haben, von wesentlicher Bedeutung. In diesem Artikel analysieren wir, wie räumliche Kohlenstoffflüsse zur Unterstützung der UNSEEA-Kohlenstoffkonten in fünf Fallländern mit verfügbaren In-situ-Daten genutzt werden können. Unter Verwendung globaler Biomassekartenprodukte mit mehreren Datumsangaben und anderer Fernerkundungsdaten haben wir die Kohlenstoffflüsse 2010–2018 in Brasilien, den Niederlanden, den Philippinen, Schweden und den USA mithilfe des National Forest Inventory (NFI) und lokaler Biomassekarten von luftgestützten LiDAR-Daten kartiert Vergleichsdaten. Wir haben Gebiete identifiziert, die nicht durch die Referenzdaten im Umweltmerkmalsraum unterstützt werden (6–47 % der bewachsenen Landfläche); Kreuzvalidierung eines Ensembles aus maschinellem Lernen (RMSE=9–39 Mg C \(\textrm{ha}^{-1}\) und \(\textrm{R}^{2}\)=0,16–0,71). Kohlenstoffflüsse mit Vorhersageintervallen abbilden; und bewertete räumlich korrelierte Reste (<5 km), bevor die Kohlenstoffflüsse von 1-ha-Pixeln zu UNSEEA-Waldklassen aggregiert wurden. Die daraus resultierenden Kohlenstoffbilanzierungstabellen zeigten die Nettokohlenstoffbindung in natürlichen Laubwäldern. Sowohl in Plantagen als auch in anderen Waldvegetationsökosystemen überstiegen die Emissionen die Sequestrierung. Insgesamt stimmen unsere Schätzungen mit der Waldressourcenbewertung der FAO und nationalen Studien überein, wobei die größten Abweichungen in Brasilien und den USA auftreten. Diese beiden Länder verwendeten stark geclusterte Referenzdaten, wobei die Clusterbildung zu Unsicherheit führte, da eine Extrapolation auf unterbewertete Gebiete erforderlich war. Abschließend geben wir Empfehlungen, um die Auswirkungen einer Unterbeprobung abzumildern und die Unsicherheiten besser zu berücksichtigen, wenn Kohlenstoffvorräte und -ströme in relativ kleineren Ländern aggregiert werden müssen. Diese Maßnahmen kommen angesichts der globalen Initiativen, die darauf abzielen, die CO2-Bilanzierung der UNSEEA zu verbessern, zum richtigen Zeitpunkt.

Angesichts der zunehmenden Bedrohung durch den Klimawandel haben Länder auf der COP26 2021 und der COP27 2022 die Verpflichtungen des Pariser Abkommens bekräftigt, die CO-Emissionen zu reduzieren und die CO-Emissionen zu erhöhen }}_{2}\) Entnahmen durch Waldschutz und Baumpflanzungen1. Der „Biokohlenstoff“ oder der kombinierte oberirdische, unterirdische und Bodenkohlenstoff von Wäldern hat 23–30 % der gesamten anthropogenen Treibhausgasemissionen weltweit verursacht1,2. Um die Verpflichtungen der Länder nachzuverfolgen, dient die regelmäßige Bilanzierung von Biokohlenstoff (im Folgenden als Kohlenstoff bezeichnet) als primäre Informationsquelle. Länder melden ihre Treibhausgasinventare gemäß dem Rahmenübereinkommen der Vereinten Nationen über Klimaänderungen (UNFCCC). Länder werden außerdem dazu ermutigt, Kohlenstoffbilanzen im Rahmen des UN-Systems für umweltökonomische Gesamtrechnungen (UNSEEA) zu entwickeln, das mittlerweile ein internationaler statistischer Standard ist3. Die CO2-Bilanzierung von UNFCCC und UNSEEA basiert auf komplementären Methoden zur Messung der Kohlenstoffvorräte und -ströme in Wäldern. Ihre Quantifizierung der Ströme umfasst sowohl Kohlenstoffemissionen (Bestandsreduzierung) als auch die Sequestrierung (Bestandserweiterung). Die beiden Systeme unterscheiden sich in der Art und Weise, wie UNSEEA alle Bestände und Ströme von Kohlenstoff erfasst3, während UNFCCC sich auf die Berichterstattung über vom Menschen verursachte Emissionen konzentriert. UNSEEA umfasst insbesondere Bestandsreduzierungen, die durch Emissionen aufgrund von Landnutzungs- und Landbedeckungsänderungen (LULC) oder natürlichen Störungen verursacht werden, während Kohlenstoffbestandszuwächse hauptsächlich auf wachstumsbedingte Baumzuwächse zurückzuführen sind. Darüber hinaus ist UNSEEA ein räumlich explizites System zur Analyse von Ökosystemen, bei dem nationale oder subnationale Karten des Ökosystemtyps, des Zustands und der Ökosystemdienstleistungen erstellt werden. Die UNSEEA-Kohlenstoffvorräte und -ströme werden üblicherweise aggregiert und nach Ökosystemtyp im Rahmen des UN-Landbedeckungsklassifizierungssystems in Abrechnungszeiträumen von normalerweise einem Jahr gemeldet3.

Die Kohlenstoffbilanzierung von Wäldern profitiert von Fernerkundungsdaten3,4. Fernerkundungsdaten werden mit In-situ-Daten der Länder wie nationalen Waldinventuren (LFI) integriert, um oberirdische Biomassekarten und damit Kohlenstoffvorräte zu kartieren5,6. Alternativ können Kohlenstoffvorräte mithilfe von LULC-Karten und zugehörigen Biomasse-Durchschnittswerten2 ermittelt werden. Die Kohlenstoffströme des Kohlenstoffbilanzierungszeitraums können auch mithilfe von Fernerkundungsdaten geschätzt werden. Die Länder stützen sich auf LULC-Änderungen und damit verbundene Biomasse- und Kohlenstoffänderungen, um die Bruttobestandsreduzierungen abzuleiten7. Für den Bruttobestandszuwachs verwenden Länder üblicherweise Proxy-Indikatoren wie Karten zur Nettoprimärproduktivität8. Die Bruttozugänge werden von den Bruttorückgängen abgezogen, um die Endbestände und die Netto-Kohlenstoffbilanz des Ökosystems in UNSEEA-Begriffen abzuleiten, die auch die Netto-Kohlenstoffflüsse darstellt. Es gibt rund 24 Länder, die diese Ansätze für die UNSEEA-Berichterstattung genutzt haben9.

Die Netto-Kohlenstoffflüsse innerhalb eines Abrechnungszeitraums (Flüsse) können kartiert werden, wenn Länder über wiederholte In-situ-Daten verfügen10. Hierbei handelt es sich um Daten aus wiederholten NFIs und sogar aus luftgestützten LiDAR-Erhebungen, wobei der Zeitraum zwischen der ersten Erhebung und der erneuten Messung der Abrechnungszeitraum ist. Dies ergibt Kohlenstoffschätzungen in zwei Zeiträumen und damit einen Nettokohlenstofffluss der In-situ-Daten. Für solche Länder können die Ströme der Netto-Kohlenstoffflüsse (im Folgenden Kohlenstoffflüsse genannt) entweder durch direkte Kartierung ermittelt werden, wobei der Kohlenstofffluss das Ergebnis eines Kartierungsmodells ist, oder durch indirekte Kartierung, bei der separate Karten der Eröffnungs- und Schlussbestände erstellt und subtrahiert werden. Die meisten früheren Studien bevorzugten die direkte Zuordnung, um die Ausbreitung von Zuordnungsfehlern aus zwei Modellen zu vermeiden11. Bei der direkten Kartierung werden häufig prädiktive Modelle des maschinellen Lernens verwendet, die Veränderungen der Biomasse vor Ort mit zusätzlichen Fernerkundungsvariablen in Beziehung setzen.

Die auf Fernerkundungsprodukten basierende CO2-Bilanzierung unterliegt einer großen Unsicherheit in den verwendeten Eingabedaten12,13. Der Haupteingang der Kohlenstoffbilanzen ist die Kohlenstoffflusskarte, die dazu neigt, Kohlenstoffverluste aufgrund der Sättigung von Fernerkundungssignalen in dichten Wäldern zu unterschätzen14. Darüber hinaus sind Fernerkundungssignale von allmählichen Kohlenstoffveränderungen wie Waldschädigung und Nachwachsen am anfälligsten für Signalrauschen15. Auch Waldbewirtschaftungsaktivitäten, die zur Baumfällung führen, wie z. B. Durchforstung und Bergungsabholzung, können schwierig zu erkennen sein. Darüber hinaus können Kohlenstoffflusskarten, die anhand von In-situ-Daten abgeleitet werden, je nachdem, wie die Biomasse geschätzt wird und wie die Flächen beprobt werden, ungenau sein. Beispielsweise kann eine geclusterte Stichprobe zu einer bevorzugten Stichprobe der räumlichen Variabilität sowohl im geografischen als auch im Merkmalsraum führen – letzterer bezieht sich auf eine Reihe von Umweltregionen, die durch die Fernerkundungsdaten in Bezug auf den Kohlenstofffluss definiert werden. Eine geclusterte Stichprobe führt zu übermäßig optimistischen Genauigkeitsschätzungen, die durch Kreuzvalidierung ermittelt werden16. Mehrere Studien analysierten die Repräsentativität von Proben im Umweltmerkmalsraum17. Eine solche Analyse kann Entscheidungen darüber unterstützen, ob zusätzliche Stichproben integriert werden sollen, um die Stichprobenunsicherheit zu minimieren18 oder die Kartierung in Bereichen einzuschränken, in denen Vorhersagen durch die Stichprobe gestützt werden, was zu einer unvollständigen Karte führt19.

Die UNSEEA-Kohlenstoffbilanzierung erfordert Karteneingaben mit einer hohen räumlichen Auflösung, um alle Arten von Flüssen (Flüssen) zu berücksichtigen, auch solche, die aus kleinen Landbedeckungsänderungen resultieren7,20. Darüber hinaus sind hochauflösende Karten für die Bewertung von Richtlinien und Umsetzungen erforderlich, die die Kohlenstoffspeicherung in Ökosystemen betreffen. Der Bedarf an hochauflösenden Karten könnte die Verwendung aktueller globaler Karten wie der Kohlenstoffflüsse 2000–2019 des World Resource Institute (WRI) bei 30 m21 und der 100 m mehrdatumigen Biomassekarten (2010, 2017 und 2018) aus Europa begünstigen Klimaschutzinitiative der Raumfahrtbehörde (CCI)22. Während es praktisch ist, entweder eines davon zu verwenden oder ein Ensemble ihrer Kohlenstoffflüsse zu erstellen, zeigten sie hinsichtlich der Biomasseveränderung eine geringe bis mäßige Übereinstimmung mit In-situ-Daten14. Kartenbasierte Kohlenstoffflüsse werden mit einer von zwei verschiedenen Methoden abgeleitet. Die Subtraktion der CCI-Karten 2018 und 2010 führt zu einer Bestandsdifferenz, während das WRI einer Gewinn-Verlust-Methode folgt, die räumliche Kohlenstoffemissionen und -entfernungen auf der Grundlage von Aktivitätsdaten berücksichtigt. Neben globalen Biomassekarten können auch andere Fernerkundungsdaten wie Höhe, Baumbestand und Vegetationsindizes mit Biomasseveränderungen in Zusammenhang stehen, z. B. als Kovariaten.

Das Hauptziel dieses Papiers besteht darin, zu analysieren, wie räumliche Kohlenstoffflüsse zur Unterstützung der UNSEEA-Kohlenstoffbilanzierung des oberirdischen Kohlenstoffspeichers in fünf Fallländern mit verfügbaren In-situ-Daten genutzt werden können. Insbesondere verwenden wir globale Biomasse- und andere Umweltdaten als Kovariaten, zusammen mit In-situ-Daten von NFI und lokalen oberirdischen Biomassekarten von luftgestützten LiDAR als Referenz für ein Ensemble-Framework für maschinelles Lernen. Zunächst kartieren wir direkt die Nettoveränderung der oberirdischen Biomasse (lebende Biomasse) von 2010 bis 2018 und leiten daraus Kohlenstoffflusskarten ab. Die Karteneinheiten des Kohlenstoffflusses (Pixel) müssen für jeden von UNSEEA empfohlenen Waldtyp aggregiert werden. Hier berichten wir über die mit dem räumlichen Aggregationsschritt verbundenen Unsicherheiten (z. B. von Beständen und Flussresten), da diese Komponente außerhalb des Rahmens von Modellen für maschinelles Lernen liegt23. Dieser Unsicherheitsrahmen eignet sich auch für Netto-Kohlenstoffflüsse, anstatt zwei Unsicherheitsquellen (Bruttobestandszugänge und -abbau), die wahrscheinlich voneinander abhängig sind, separat zu berücksichtigen. Schließlich beziehen wir auch die Gehölzvegetation, die nicht aus Wäldern stammt, in die Kohlenstoffbilanzierung ein. Unsere konkreten Ziele sind:

Bewerten Sie, inwieweit räumliche Vorhersagen von Kohlenstoffflüssen durch die Länderdaten gestützt werden.

Führen Sie Ensemble-Maschinenlernen durch, um Kohlenstoffflüsse auf nationaler Ebene abzubilden, indem Sie globale Biomasse und andere Fernerkundungsdaten als Kovariaten verwenden.

Verwenden Sie die resultierende Kohlenstoffflusskarte, um UNSEEA-Kohlenstoffkonten mit gemeldeten Unsicherheiten, identifizierten Einschränkungen und Empfehlungen zur Ausweitung auf andere Länder zu erstellen.

Der Überblick über die Methodik ist in Abb. 1 dargestellt. Die Hauptschritte umfassen Folgendes: (1) Kartierung des Kohlenstoffflusses mithilfe eines kreuzvalidierten Ensemble-Maschinenlernens mit Fernerkundungsdaten als Kovariaten und In-situ-Daten (NFI oder LiDAR) als Referenz (2) Zusammenstellung der Kohlenstoffkonten einschließlich der Aggregation der Kohlenstoffflusskarte für jede UNSEEA-Klasse. Die Kohlenstoffkonten stellen einen aus der CCI-Karte 2010 abgeleiteten Anfangsbestand im Jahr 2010 und einen Schlussbestand im Jahr 2018 als Differenz zwischen dem Anfangsbestand und den Kohlenstoffflüssen dar. Die Gesamtmethodik umfasst auch Zwischenschritte wie die Schätzung der Referenzdatenunsicherheiten, die Untersuchung der Multikollinearität zwischen Kovariaten, die Hyperparameter-Abstimmung räumlicher Modelle und die Variogrammanalyse. Ein unabhängiger Schritt ist die Merkmalsraumanalyse, um Gebiete zu identifizieren, die von den Länderdaten relativ zu den für die Kartierung des Kohlenstoffflusses verwendeten Kovariatensätzen nicht unterstützt werden. Alle Schritte wurden mit der Programmiersprache R umgesetzt. Die Feature-Space-Analyse und die räumlichen Vorhersagen wurden mithilfe von Slurm High Performance Computing, einem Open-Source-Workload-Manager, implementiert.

Flussdiagramm der Schritte, die unternommen wurden, um die CO2-Bilanzierungstabellen als Endergebnis abzuleiten.

Die nationale Kohlenstoffbilanzierung von Ökosystemen wird anhand von fünf Länderfällen demonstriert: Brasilien (BRA), die Niederlande (NLD), die Philippinen (PHL), Schweden (SWE) und die Vereinigten Staaten von Amerika (USA). Die Auswahl der Länder basierte hauptsächlich auf der Verfügbarkeit von Referenzdaten (Nachmessungen) und der Darstellung wichtiger Klimazonen. In Abb. 1 finden Sie Karten der Studie und der Referenzdaten-Probenahmeorte. Bei den Daten aus den Niederlanden und Schweden handelt es sich um NFIs, auf die aus der europäischen NFI-Datenbank mit Parzellengrößen von 0,03–0,04 ha24 zugegriffen wird. Die philippinischen Daten stammen ebenfalls von einem LFI (0,5 ha) und wurden direkt vom philippinischen Umweltamt abgerufen. Die NFI-Daten wurden durch Wahrscheinlichkeitsstichproben erfasst: Schwedens und philippinische NFIs verwenden systematische Stichproben, während das niederländische NFI geschichtete Zufallsstichproben anwendet. Der nächste Satz an Referenzdaten sind hochwertige lokale oberirdische Biomassekarten aus luftgestützten LiDAR-Kampagnen in Brasilien25 und den USA26, die beide nach der Methode von Labriere et al. vorverarbeitet wurden. Methodik 201827. Die LiDAR-Daten aus den USA basieren ebenfalls auf einer systematischen Stichprobe, aber nicht an allen Standorten wurden wiederholte LiDAR-Erhebungen durchgeführt26, während die LiDAR-Datensätze aus Brasilien hauptsächlich in Sekundärwäldern erfasst werden. Jedes LiDAR-Pixel (1 ha) wurde als Parzellendaten betrachtet, die einer systematischen Stichprobe über Grundflächebereiche entspricht (Abb. S1). Alle Referenzdatensätze wurden einer Qualitätsfilterung unterzogen, wie in unserer aktuellen Studie14 erläutert. Wir haben nur Parzellen ohne Waldflächenveränderungen nach der letzten Messung und bis zur Kartenepoche 2018 beibehalten. Wir haben auch Daten von LiDAR-Footprint-Kanten ausgeschlossen, die teilweise mit Kartenpixeln überlappen. Die Anzahl der Beobachtungen ist wie folgt: BRA=28.607, NLD=1562, PHL=587, SWE=12.887 und USA=110.939. Den LiDAR-Referenzdaten sind Unsicherheitsschichten zugeordnet, während die Messunsicherheiten des NFI-Diagramms mithilfe der Fehlerausbreitungsmethode geschätzt wurden, wie in unserer vorherigen Arbeit28 beschrieben. Wir haben insbesondere den größten Beitrag zur Parzellenunsicherheit geschätzt, der auf Baummessfehler und die Verwendung allometrischer Modelle bei der Schätzung der Biomasse zurückzuführen ist. Schließlich haben wir die Biomasseänderung aller Referenzdaten mit einem Multiplikator von 0,49 in den Kohlenstofffluss (Mg C \(\textrm{ha}^{-1}\)) umgerechnet. Die technischen Details der Referenzdatensätze finden Sie in Tabelle S1 und Abb. S1.

Länderfälle und die Stichprobe von Referenzdaten innerhalb des Waldes und anderer Gehölzvegetation, beschrieben in Tabelle 2 und Abb. S2. Beachten Sie, dass Länder in unterschiedlichen Maßstäben dargestellt werden. Beachten Sie auch, dass es sich bei den USA und Brasilien um LiDAR-Footprints handelt, bei denen die Beobachtungen BRA=28.607 und USA=110.939 betragen; siehe Abb. S1. Für das Layout dieser Karte haben wir QGIS 3.4.329 verwendet.

Die Liste der verwendeten räumlich erschöpfenden Kovariaten und ihre Beschreibung sind in Tabelle 1 aufgeführt. Der erste Satz von Kovariaten umfasst globale Biomassekarten, die aus den ESA- und WRI-Quellen abgeleitet wurden und hier als CCI-Karten bzw. WRI-Fluss bezeichnet werden. Die CCI-Karte wurde mithilfe von Radarfernerkundung erstellt, wobei die Biomasse aus Rückstreuwerten mithilfe eines semimechanistischen Modells ermittelt wurde, das nicht auf Plotkalibrierungsdaten basiert30. Die WRI-Karte war eine Ausgabe des modifizierten Kohlenstoffflussmodells des WRI, das CCI 2010 als Basisbiomasse verwendete14. Die lokale Variabilität der Biomasseveränderungen aufgrund dieser hochauflösenden Eingaben wurde ebenfalls berücksichtigt. Wir haben ihre Texturvariablen mithilfe der Gray-Level Co-Occurrence Matrix (GLCM31) berechnet, insbesondere den Mittelwert, die Varianz, die Homogenität und den Kontrast von Biomasseänderungen in einem 300 x 300 m großen Fenster. Wir verwendeten auch eine grobe Zeitreihen-Biomasse (JPL32) und einen periodischen Biomasse-Datensatz (CONUS33, nur USA). Alle Biomassekarten werden ohne Nutzung unserer Referenzdaten erstellt. Die nächste Kovariate war die Waldhöhendynamik, die aus Höhendaten durch Integration von Landsat-Daten mit GEDI-Daten (Global Ecosystem Dynamics Investigation) ermittelt wurde34. Wir verwendeten auch die Baumbedeckungsdynamik aus Baumbedeckungsdatensätzen mit mehreren Datumsangaben, die aus optischen Satellitendaten abgeleitet wurden35,36. Es wurden auch Datensätze einbezogen, die die Waldbewirtschaftung37,38 und Landbedeckungsänderungen35 darstellen. Für europäische Länder haben wir lückengefüllte vierteljährliche Zusammensetzungen des Normalized Vegetation Difference Index (NDVI39) einbezogen, die leicht verfügbar und wolkenfrei sind, dh für große und tropische Länder nie reproduziert wurden. Die verbleibenden Kovariaten waren statische Variablen wie Waldtyp, Höhe, Neigung und Biome. Insgesamt begannen wir mit 28 Kovariaten für europäische Länder, 25 für die USA und 24 für Brasilien und die Philippinen – alle aus Open-Access-Daten. Schließlich haben wir alle Kovariaten innerhalb der von UNSEEA empfohlenen Klassen eingeschränkt, wie in Tabelle 2 und Abb. S2 beschrieben.

Alle Kovariaten wurden kreuzkorreliert, um die Multikollinearität zwischen ihnen als Vorsichtsmaßnahme zu bewerten und eine Überanpassung des Modells und eine Fehlinterpretation der Modellbedeutung der Kovariaten zu vermeiden (siehe Abb. S3). Für die Kreuzkorrelation haben wir für jedes Land zufällig 5000 Pixel ausgewählt. Wir haben nur wenige Kovariatenpaare gefunden, die eine starke Korrelation aufweisen (> 0,8 r), insbesondere Paare, die globale Biomassekarten und eine zugehörige Textureigenschaft (texMean und texVar) enthalten. Letztere haben wir ausgeschlossen, da sie auch stark mit anderen Kartentextureigenschaften korrelieren. Eine Ausnahme von diesem Schritt bilden die Landbedeckungsschichten 2010 und 2018, um einen dynamischen Input ähnlich den Biomassevariablen 2010 und 2018 beizubehalten.

Dieser Schritt ist erforderlich, um zu beurteilen, wie die Referenzdaten die räumliche Variabilität des Merkmalsraums darstellen, der zu einer Voraussetzung für räumliche Vorhersagemodelle wird. Diese Analyse identifiziert potenziell unterabgetastete Bereiche oder solche Bereiche, die eine hohe Unähnlichkeit aufweisen, basierend auf Abständen von den Referenzdaten im mehrdimensionalen Merkmalsraum19. Letzteres wird durch die in Tabelle 1 aufgeführten Kovariaten abgedeckt, die in einem räumlich kreuzvalidierten Modell zur Berechnung der Unähnlichkeit verwendet werden. Die nicht abgedeckten Bereiche sind anfällig für eine Extrapolation der maschinellen Lernmodelle, bei denen weniger glaubwürdige räumliche Vorhersagen erwartet werden. Das Bewusstsein über die Größe dieser nicht abgedeckten Gebiete ist nicht nur für unsere Demonstration der CO2-Bilanzierung von entscheidender Bedeutung, sondern auch als Entscheidungshilfe für die Verbesserung der Leistungsbilanz, z. B. der Notwendigkeit zusätzlicher Proben und der Waldmaskierung. Hier haben wir landesweit und für jede UNSEEA-Kohlenstoffbuchhaltungsklasse in Tabelle 2 und Abb. S2 unzureichend beprobte Gebiete identifiziert.

Ein Ensemblemodell aus drei Modellen des maschinellen Lernens wurde im Rahmen eines Modellgeneralisierungsrahmens42 entwickelt. Die Hauptidee des Frameworks besteht darin, dass ein generisches Modell (Meta-Lerner), das aus Vorhersagen einzelner Modelle (Basis-Lerner) angepasst wird, eine bessere Vorhersageleistung aufweist als einzelne Vorhersagen. Modelle von Random Forest (RFM), Extreme Gradient Boosting und Support Vector Machine dienten als Basislerner, wobei jedes Modell zu eigenen Vorhersagen des Kohlenstoffflusses führte. Diese Vorhersagen wurden dann als Kovariaten für einen Meta-Lerner (RFM) verwendet. Jede RFM-Implementierung beginnt mit dem Bootstrapping der Referenzdaten und diese Resamples werden zur Erstellung von Regressionsbäumen verwendet. Durch das Einpacken der Daten und die Unterabtastung der Kandidaten-Kovariaten bei jeder Teilung wird angestrebt, dass die Bäume untereinander nicht korreliert sind. Der Random-Forest-Algorithmus mittelt die Vorhersagen über alle Bäume, um eine endgültige Vorhersage zu erstellen. Um die Unsicherheit des vom RFM-Meta-Lerner vorhergesagten Kohlenstoffflusses abzuschätzen, haben wir einen Quantil-Regressionswald verwendet, in dem Entscheidungsbäume auf verschiedenen Quantilniveaus des Kohlenstoffflusses trainiert werden und eine Gesamtverteilung der Kohlenstoffflussvorhersagen ableiten43. Wir haben insbesondere die Quantile \(5\mathrm{{th}}\) und \(95\mathrm{{th}}\) als Vorhersageintervalle verwendet und ihre räumlichen Muster und Größenordnungen zwischen den Ländern beobachtet. Wir verwendeten Fallgewichte unter Verwendung der inversen Varianzgewichtung, um weniger unsicheren Referenzdaten im Random-Forest-Bootstrapping-Verfahren den Vorzug zu geben. Die Beschreibungen weiterer einzelner ML-Modelle finden Sie in den ergänzenden Materialien.

Alle Basislerner wurden einer Modelloptimierung unterzogen, während Modelle, die einzigartige Kombinationen von Hyperparametern verwenden, mithilfe des Rastersuchansatzes iteriert wurden. Die Kombinationen werden aus einem benutzerdefinierten Wertebereich für jeden Hyperparameter erhalten und ihre eindeutigen Kombinationen definieren die Anzahl der Iterationen. Wir haben diesen Wertebereich für RFM- und Support-Vector-Lernende vordefiniert, während wir uns für den Extreme-Gradient-Boosting-Lerner größtenteils an Li et al.44 gehalten haben, da es im Allgemeinen schwierig ist, solche Lerner abzustimmen. Die optimale Hyperparameterkombination wurde für die Iteration bestimmt, die die niedrigste Zielfunktion darstellt, dh den quadratischen mittleren Fehler (Root Mean Square Error, RMSE). Die endgültigen Hyperparameter für jeden Länderfall finden Sie in Tabelle S2.

Zur Bewertung der Modellleistung wurde eine fünffache zufällige Kreuzvalidierung unter Verwendung aller Referenzdaten durchgeführt. Unabhängige Faltungen wurden von den Basis-Lernenden und dem Meta-Lernenden verwendet, um eine Überanpassung letzterer zu vermeiden. Zur Bewertung der Modelle wurden drei Metriken verwendet, die den Kohlenstofffluss als z am Standort \(s_i\) bezeichnen: RMSE, das ist die quadrierte Differenz zwischen den Populationsmittelwerten der Referenzdaten \(z(s_i)\) und den Vorhersagen \({\hat {z}}(s_i)\); Mittlerer Fehler (ME) oder die mittlere Differenz zwischen \(z(s_i)\) und \({\hat{z}}(s_i)\); und Bestimmtheitsmaß (\(\textrm{R}^{2}\)) als Maß für die Güte der Anpassung.

Die auf der Kovariatendatenpermutation basierenden Wichtigkeitswerte wurden für jeden Basislerner quantifiziert. Der RMSE vor und nach der Permutation wird berechnet und der Anstieg des RMSE zeigt die Bedeutung der Kovariate an. Dieser Vergleich wurde für jede Falte der Kreuzvalidierung durchgeführt und dann zwischen den Faltungen gemittelt. Die endgültigen Wichtigkeitswerte, die wir verwendeten, waren gewichtete Durchschnittswerte, die auf der Wichtigkeitsbewertung der Basislerner gegenüber dem Metalerner basierten. Die resultierenden Wichtigkeitswerte wurden zunächst für jede Kovariate pro Land einzeln dargestellt. Zweitens wurden die Wichtigkeitswerte in Bezug auf ihre Datenkategorien eingestuft und gemittelt (Tabelle 1). Der zweite Satz von Ergebnissen ist hilfreich, um den Einfluss globaler Biomassedaten auf die Kartierung von Kohlenstoffflüssen hervorzuheben. Die Wichtigkeitswerte aller Kovariaten liegen zwischen 0 und 100 %.

Wir haben zunächst die Kohlenstofffluss-Standardabweichung \(SD_{flux}\) aus dem Vorhersageintervall abgeleitet, insbesondere das \(95\mathrm{{th}}\)-Quantil (Q) und \(5\mathrm{{th}} \) Q-Grenzwerte für ein 90 %-Vorhersageintervall:

Anschließend mussten die 100-m-Kohlenstoffflusskarten für jede UNSEEA-Klasse in Tabelle 2 aggregiert werden. Neben dem Kohlenstofffluss müssen auch die damit verbundenen Unsicherheiten unter Berücksichtigung der Kovarianz der Kartenfehler aggregiert werden. Darüber hinaus kann die Varianz von Kartenfehlern räumlich variieren, beispielsweise aufgrund von Heteroskedastizität. Daher haben wir die räumliche Korrelation der standardisierten Residuen der Kohlenstoffflusskarte an Referenzdatenstandorten mithilfe von Variogrammen modelliert. Wir haben das gleiche Verfahren auch für die Eröffnungsbestände durchgeführt, indem wir \(SD_{flux}\) mit der SD-Schicht von CCI 2010 \(SD_{open}\) ausgetauscht haben. Die vollständigen Einzelheiten dieses Schritts, einschließlich der Standardisierung der Kohlenstoffflussrückstände, sind in den ergänzenden Materialien aufgeführt.

Wir haben die Kovarianzen der Kartenfehlerkomponente \(\sigma_{{i,j}}\) der Pixelpaare i und j (1...n) abgeleitet, Gl. 5. Die Kovarianzen wurden für jede UNSEEA-Klasse aggregiert, um die Varianz und damit die SD jeder Klasse \(SD_{fc}\) abzuleiten (Gleichung 5). Dies gilt sowohl für \(SD_{open}\) als auch für \(SD_{flux}\). Die resultierende aggregierte Varianz des Anfangsbestands und der Flüsse wurde addiert, um die Schlussbestandsvarianz unter der Annahme einer Fehlerunabhängigkeit zwischen den beiden Zufallsvariablen zu erhalten. Schließlich haben wir die Quadratwurzel aus den aggregierten Abweichungen der Anfangsbestände, Flüsse und Schlussbestände gezogen und sie in den CO2-Konten ausgewiesen.

Die Mindestanforderung zur Definition der UNSEEA-Kohlenstoffbilanzierungsklassen sind Landbedeckungseinträge, die Laub-, Nadel-, Misch- und Mangrovenwälder (Klassen der Stufe 2) unterscheiden. Gebiete mit vorherrschendem und teilweise bewaldetem Grasland, Buschland und Gestrüpp wurden einbezogen und in einer UNSEEA-Klasse „Sonstige Gehölzvegetation“ zusammengefasst. Einzelheiten zur Neuklassifizierung finden Sie in Tabelle S3. Es liegen mehrere kontinentale bis globale Landbedeckungsdaten vor, und wir bevorzugten den Datensatz mit höherer Auflösung und Genauigkeit. Ein Waldplantagendatensatz38 wurde in die Landbedeckungskarten integriert, um zwischen natürlichen Wäldern und Plantagen zu unterscheiden, da letztere von der UNSEEA gefordert werden. Die Landbedeckungseingaben wurden mithilfe der Interpolation des nächsten Nachbarn auf 100 m neu abgetastet. Anschließend wurden die Eingaben der Landbedeckung sowie der Kohlenstoffvorräte und -ströme in eine flächentreue Projektion projiziert, um geografische Gebietsverzerrungen, insbesondere an Orten weit vom Äquator entfernt, zu vermeiden. Tabelle 2 zeigt weitere Details zu den Dateneingaben zur CO2-Bilanzierung.

Anschließend ermittelten wir die gesamten Netto-Kohlenstoffströme des Landes und verglichen sie mit ähnlichen Schätzungen aus anderen Quellen unter Verwendung der Waldfläche im Jahr 2010. Wir berichteten auch separat über die Nettoemissionen und den Nettoabbau als ergänzende Ergebnisse in Tabelle S4. Die von uns verwendeten Begriffe waren „Netto“-Emissionen und -Entfernungen, da wir den Netto-Kohlenstofffluss als Input verwendeten. Die Nettoemissionen und die Nettobindung wurden als Summe aller negativen und positiven Kohlenstoffflusspixel für jede UNSEEA-Klasse berechnet. Die erweiterte Tabelle umfasste auch die Nettoemissionen, die durch Landnutzungsänderungen (Waldumwandlungen) und Emissionen innerhalb von Wäldern (Waldschädigung) verursacht wurden, basierend auf dem periodischen Landbedeckungsdatensatz in Tabelle 2. Nettoemissionen in Gebieten, die sowohl im Jahr 2010 als auch im Jahr 2018 als Wald klassifiziert wurden Landbedeckungsdaten wurden der Waldschädigung zugeschrieben, während Nettoemissionen in Gebieten, die im Jahr 2010 bewaldet, aber im Jahr 2018 nicht bewaldet waren, der Waldumwandlung zugeschrieben wurden.

Karten von unterabgetasteten Gebieten entsprechend der Merkmalsraumabdeckung sind in Abb. 3 dargestellt. Beachten Sie, dass sich diese Gebiete größtenteils auf Brasilien und die USA beziehen. Die Mehrheit des südöstlichen Brasiliens und des Westens der USA wird von der aktuellen Stichprobe nicht unterstützt. Pro Land beträgt die relative räumliche Ausdehnung der nicht abgedeckten Gebiete: NLD=6 %, PHL=7 %, SWE=14 %, BRA=4,2 % und USA=47 % der gesamten Vegetationsflächen dieser Länder. Die Aufschlüsselung der nicht abgedeckten Gebiete für jede UNSEEA-Kohlenstoffbilanzierungsklasse ist in Abb. S4 dargestellt. Die Klassen mit dem höchsten Anteil an unterbeprobten Flächen (> 50 % der gesamten Klassenfläche) kommen hauptsächlich in Brasilien und den USA vor, insbesondere in Nadelwäldern, Mischwäldern, anderen Gehölzen und Mangrovenwäldern (nur Brasilien), siehe Abb. S4. Unter allen Ländern ist die Klasse mit dem größten Anteil an Flächen, die nicht durch die Stichprobe unterstützt werden, die sonstige Gehölzvegetation. Dies spiegelt die Tatsache wider, dass es sich bei den NFI- und LiDAR-Referenzdaten hauptsächlich um Waldproben handelt.

Karten, die zeigen, wie die aktuellen Referenzdaten den Umgebungsmerkmalsraum darstellen. Wir haben ggplot2 in R46 verwendet, um diese Karte zu gestalten.

Die Ergebnisse der Modellbewertung unter Verwendung einer fünffachen Kreuzvalidierung für jedes Land sind in Tabelle 3 aufgeführt. Insgesamt beträgt der Kreuzvalidierungsbereich: RMSE=9–39 Mg C \(\textrm{ha}^{-1}\) , ME=− 0,3–0,2 Mg C \(\textrm{ha}^{-1}\) und \(\textrm{R}^{2}\)=0,16-0,71. Die Ergebnisse der Kreuzvalidierung unterscheiden sich von Land zu Land. Die Niederlande und die Philippinen haben andere Ergebnisse als die anderen Länder, was sich in den Standardabweichungen der drei Genauigkeitsmetriken bemerkbar macht. Brasilien und die USA zeigen für jede Validierungsfalte nahezu ähnliche Ergebnisse und zeigen sogar die beste Übereinstimmung mit Referenzdaten. Diese Länder verwendeten LiDAR-Karten als Referenz, erinnern sich jedoch auch daran, dass solche Proben geclustert sind (LiDAR-Footprints) und möglicherweise konservative Kreuzvalidierungsergebnisse liefern.

Die gewichteten Wichtigkeitswerte des Ensemble-Lernenden sind in Abb. 4 dargestellt. Die farbige Matrix zeigt die Wichtigkeit einzelner Kovariaten, wobei die Modelle der meisten Länder stark vom WRI-Fluss, CCI-Karten und Höhenänderungen des Blätterdachs beeinflusst werden. Texturale Variablen haben einen moderaten Einfluss auf die Modelle und den vierteljährlichen NDVI auf die Modelle europäischer Länder. Die statischen Kovariaten und sogar dynamische LC-Daten zeigen den geringsten Einfluss auf die meisten Modelle. Eine Ausnahme bildet der hohe Einfluss der Höhe auf die Modelle der tropischen Länder Brasilien und Philippinen. Unter Verwendung der mittleren Wichtigkeit jeder Kovariate verdeutlichen die kategorialen Wichtigkeitswerte den Einfluss globaler oberirdischer Biomassekarten (Balkendiagramme in Abb. 5). Dieser Einfluss macht 51–70 % der Wichtigkeitswerte der Kovariaten aus.

Permutationsbasierte Wichtigkeitswerte (0–100 %) jeder Kovariate für räumliche Ländermodelle. Die Kovariatennamen finden Sie in Tabelle 1.

Anteil der Wichtigkeitswerte (0–1) für jede in Tabelle 1 gezeigte Kovariatengruppe. Das linke Diagramm zeigt die Kategorie der Kovariaten, die jedes globale Biomasseprodukt zusammen mit anderen dynamischen Umwelteinflüssen (Höhe, Baumbedeckung und NDVI) und Landbedeckung unterscheiden , Management, Klima und Topographie. Das rechte Diagramm verallgemeinert die Kovariaten weiter in Kategorien, die globale oberirdische Biomassekarten von anderen dynamischen Kovariaten sowie den statischen Kovariaten unterscheiden.

Die vorhergesagten Kohlenstoffflusskarten und ihre Vorhersageintervalle sind in Abb. 6 dargestellt. Es können räumliche Muster der Kohlenstoffdynamik des vergangenen Jahrzehnts beobachtet werden. Gebiete mit offensichtlichen Kohlenstoffverlusten gibt es in allen Ländern außer den Niederlanden. Offensichtlich sind auch Verluste, die als regionale Hotspots auftreten, insbesondere im Süden der Philippinen, in Zentralbrasilien und im Südwesten der USA. In den Niederlanden und Schweden sind die Hotspots weniger ausgeprägt. In allen Ländern wird auch eine Kohlenstoffbindung durch Wälder beobachtet. Bei den meisten handelt es sich um kleine Kohlenstoffbindungen von etwa 5–25 Mg C \(\textrm{ha}^{-1}\), die am deutlichsten im Amazonasbecken in Brasilien zu finden sind. Eine derart geringe Kohlenstoffbindung in 8 Jahren ist für einen intakten Urwald (Amazonas) normal, während die anderen Fälle auf natürliche Störungen zurückgeführt werden können, die das Baumwachstum behindern, wie etwa Dürren. Die räumlichen Verlust- und Sequestrierungsmuster sind auch in den Vorhersageintervallen ausgeprägt. Die höchsten Unsicherheiten der Vorhersagen werden in der USA-Karte beobachtet.

Die räumliche Korrelation der in den Variogrammen dargestellten Kohlenstoffflussreste ist in Abb. S6 dargestellt. Räumlich korrelierte Reste sind in relativ kurzen Entfernungen von 100–5500 m erkennbar. Die durch Variogrammschwellen dargestellte Variabilität liegt zwischen 0,32 und 0,63. Für die Kohlenstoffvorräte von 2010 wird eine ähnliche Kurzstreckenkorrelation der Restmengen beobachtet, jedoch in einem etwas größeren Bereich und einer höheren Schwelle als der Kohlenstofffluss. Diese Ergebnisse bilden die Grundlage für die Ignorierung räumlich korrelierter Residuen bei der Aggregation von Kartenfehlern für jede UNSEEA-Klasse.

Die resultierende CO2-Bilanzierungstabelle ist in Tabelle 4 dargestellt, während die Tabelle, in der die Emissionen weiter aufgeschlüsselt sind, in Tabelle S4 dargestellt ist. Die Nettoströme der Kohlenstoffemissionen in 8 Jahren sind in Brasilien und den USA am deutlichsten und zahlenmäßig am höchsten, insbesondere bei anderen Gehölzen mit mindestens 95,23 ± 11,07 Tg und Plantagen mit mindestens 239,2 ± 7,46 Tg. Alle anderen Länder zeigen überwiegend Netto-Kohlenstoffbindungen in 8 Jahren, insbesondere Laubholz in den USA = 188,01 ± 6,3 Tg, Nadelholz in Schweden = 5,59 ± 0,84 Tg und Laubholz in den Philippinen = 3,87 ± 2,57 Tg. Die natürlichen Wälder, die aus Laub-, Nadel-, Misch- und Mangrovenwäldern bestehen, weisen eine höhere Nettokohlenstoffbindung auf als Plantagen, außer in Brasilien, wo alle Klassen als Kohlenstoffemittenten gelten, hauptsächlich aufgrund der Landnutzungsumstellung in diesen Wäldern im Zeitraum 2010 bis 2018. Die Beobachtung in Brasilien stimmt auch mit den Berichten der FRA überein (siehe Tabelle S5). Mit Ausnahme Brasiliens weisen natürliche Laubwälder eine Netto-Kohlenstoffbindung auf. Tabelle S4 zeigt, dass die meisten Emissionen in allen Ländern durch Landnutzungsänderungen verursacht werden (Gebiete, die 2010 als Wald und 2018 als Nicht-Wald klassifiziert wurden), während die Nettoemissionen innerhalb von Waldgebieten (Gebiete, die in den Landbedeckungsdaten 2010 und 2018 als Wälder klassifiziert wurden). ) sind minimal. Die Unsicherheitsschätzungen der Kohlenstoffflüsse über 8 Jahre sind im Allgemeinen höher als die Bestände, während die Schlussbestände unsicherer sind als die Eröffnungsbestände.

Karten des prognostizierten Kohlenstoffflusses 2010–2018 für alle Länder und deren Vorhersageintervalle. Karteneinheiten sind Mg C \(\textrm{ha}^{-1}\). Beachten Sie, dass die Farben zwischen der Vorhersage und den Vorhersageintervallen unterschiedlich sein können. Wir haben ggplot2 in R46 verwendet, um diese Karte zu gestalten.

Die Referenzdaten für die räumlichen Vorhersagen des Kohlenstoffflusses deckten nicht den gesamten Umweltraum ab, wobei 6–47 % der kombinierten Wälder und anderen Gehölzvegetationsgebiete anscheinend unzureichend erfasst waren. In einem solchen Fall besteht eine Empfehlung darin, eine Einschränkung der Vorhersagen ohne die unterabgetasteten Bereiche in Betracht zu ziehen19. Von einer unvollständigen CO2-Bilanzierung im Rahmen von UNSEEA ist jedoch abzuraten3. Daher sollten die Ergebnisse in der Abrechnungstabelle von Ländern mit LiDAR-Proben, insbesondere Mischwäldern und anderer Gehölzvegetation (Abb. S4), mit Vorsicht behandelt werden. Im weiteren Verlauf erarbeiten wir eine Reihe von Empfehlungen für Fälle, in denen die Länderdatenstichprobe die Anwendung des kartierten Kohlenstoffflusses für die Kohlenstoffbilanzierung der UNSEEA behindern würde:

Zusätzliche Proben: Wenn zusätzliche Feldproben nicht möglich sind, können synthetische Proben in die aktuelle Probe integriert werden47. Als Proof of Concept für diese Empfehlung zeigen wir in Abb. S7 die Auswirkungen des Hinzufügens synthetischer Proben innerhalb der unterbeprobten Bereiche. Die derzeit unterbeprobten Gebiete werden durch die Hinzufügung von Pseudoverlustproben auf der Grundlage von Waldverlustdaten deutlich reduziert48. Auch allmähliche Veränderungen in Wäldern, beispielsweise durch Degradierung und Nachwachsen, müssen untersucht werden. Von Tools zur Überwachung der Walddynamik bereitgestellte Proben können untersucht werden49. Das Hinzufügen synthetischer Stichproben bedeutet auch, dass aus einer geclusterten Stichprobe mit großer Lücke (Brasilien) geclusterte Daten mit mittlerer Lücke werden können. In jedem Fall sollte anstelle der herkömmlichen k-fachen Kreuzvalidierung eine geeignetere Kreuzvalidierung verwendet werden. Beispielsweise ist eine nach Stichprobenintensität gewichtete Kreuzvalidierung geeignet, wenn mäßig geclusterte Stichproben verwendet werden16.

Ersetzen Sie den kartierten Kohlenstofffluss durch den Kohlenstofffluss aus globalen Produkten: Für UNSEEA-Klassen, die nicht durch Länderdaten unterstützt werden, wie z. B. Mischwälder und nicht bewaldete Waldgebiete in dieser Studie, kann der kartierte Kohlenstofffluss durch globale Produkte (z. B. CCI) ersetzt werden und WRI). Die alternativen Eingabedaten können entweder eines oder ein Durchschnitt der globalen Produkte sein. Darin liegt der Grundgedanke einer auf der Fernerkundung basierenden Kohlenstoffbilanzierung. Als Voraussetzung kann eine Bewertung des globalen Produkts auch auf Länderebene unter Verwendung der FAO-Forest Resource Assessment (FRA) als Referenz eingeleitet werden14,32. Eine gute Übereinstimmung der Kohlenstoffflüsse der Länder zwischen dem globalen Produkt und der FRA würde die Verwendung ersterer für die Kohlenstoffbilanzierung rechtfertigen.

Vorbehalte für UNSEEA-Klassen: Bestimmte UNSEEA-Klassen mit Kohlenstoffkonten, die höchst unsicher sind, wie in unserem Fall Mischwälder und andere Gehölzvegetation, sollten Vorbehalte für die Übernahme und Anwendung haben. Dies sollte sowohl für die physischen Kohlenstoffkonten (diese Studie) als auch für alle nachfolgenden monetären Konten der Fall sein. Die Vorbehalte sollten in den Metadaten deutlich sein und in die Datenbeschreibung von Online-Datenplattformen aufgenommen werden (siehe Abschnitt „Aussichten“).

Abschätzung der Unsicherheit aus der Stichprobenvariabilität: Die Quantifizierung der Unsicherheit aus der Stichprobenvariabilität zusammen mit der Kartierung der unterbeprobten Bereiche ist unsere letzte Empfehlung. Diese Stichprobenunsicherheit kann durch Bootstrapping-Methoden geschätzt werden, die paarweise Kovarianzen der vorhergesagten Kohlenstoffflüsse ableiten50. Dieser Schritt ist jedoch möglicherweise nur für wahrscheinlichkeitsbasierte Stichproben anwendbar. Darüber hinaus ist das Verfahren rechenintensiv und wurde nur auf lokaler Ebene in einer Studie demonstriert11. Abgesehen von der Verringerung des Rechenaufwands für Länderskalen lohnt es sich, die Quantifizierung der Stichprobenunsicherheit mit und ohne Pseudostichproben zu testen.

Die Vorhersageleistung unserer räumlichen Modelle ergab: RMSE=9–39 Mg C \(\textrm{ha}^{-1}\), ME=− 0,3–0,2 Mg C \(\textrm{ha}^{-1 }\) und \(\textrm{R}^{2}\)=0,16–0,71. Diese Ergebnisse sind relativ höher im Vergleich zu unserer vorherigen Bewertung der Biomasseveränderungen aus globalen Daten (\(\textrm{R}^{2}\)=0,09-0,21)14. Dennoch ist es eine Herausforderung, die Veränderungen von Biomasse und Kohlenstoff mithilfe der Fernerkundung abzubilden. Änderungen auf Pixelebene können, abgesehen von abrupten Verlusten durch Abholzung, sehr ungewiss sein. Beispielsweise warnten die Kartenersteller von CCI-Karten vor der Verwendung ihres 100-m-Biomasseänderungsprodukts aufgrund von Unsicherheiten, die auf allmähliche Veränderungen in Wäldern zurückzuführen sind22. In ähnlicher Weise haben Santoro et al. 202251 stellte fest, dass die relative Unsicherheit der Biomasseveränderung in Schweden bei einer Pixelgröße von 20 m mindestens 40 % beträgt. Auch bei dieser Kartenauswertung wurde NFI als Referenz verwendet, bei der Kartierung wurde jedoch die indirekte Methode zur Ableitung der Biomasseveränderung durch Differenzierung zweier Karten verwendet. Es ist bekannt, dass indirekte Methoden Modellfehler aus zwei Epochen addieren. Darüber hinaus waren bis 2021 keine für die direkte Kartierung des Kohlenstoffflusses nützlichen umweltdynamischen Eingaben verfügbar. Jüngste Bemühungen haben Kohlenstoffflüsse bereits mit hoher Präzision mithilfe direkter Methoden geschätzt. Esteban et al.11 ermittelten beispielsweise das von Wand zu Wand wachsende Bestandsvolumen (umwandelbar in Biomasse) aus kombiniertem NFI und luftgestütztem LiDAR als Hilfsdaten. McRoberts et al. 202250 verwendete einen ähnlichen Ansatz, um die Unsicherheiten sowohl der Residual- als auch der Probenvariabilität abzuschätzen, die für die Kartierung von Biomasse in großem Maßstab vorgesehen sind. Angesichts der zunehmenden Zahl permanenter LiDAR-Standorte als Unterstützung für bevorstehende Satellitenmissionen sind weitere Studien dieser Art zu erwarten52. Dies wird unsere Demonstration der CO2-Bilanzierung stärken, bei der die Eingaben auf Zeitreihendaten von luftgestützten LiDAR53 und NFIs54 basieren. Solche verfügbaren Datensätze ermöglichen eine jährliche Kartierung von Kohlenstoff und Kohlenstoffflüssen. Jährliche Karten können Trends bei den Kohlenstoffflüssen aufzeigen, die auf allmähliche Veränderungen zurückzuführen sind. Zusätzliche Basislerner können auch zur Verbesserung des aktuellen Ensemblemodells beitragen. Dies ist wichtig, da die Vorhersagen der Basislerner je nach Erhebung der Länderdaten sehr unterschiedlich ausfallen können, wie in Abb. S5 dargestellt. Schließlich kann die Vorhersageunsicherheit beispielsweise anhand des Vorhersageintervalls, z. B. Genauigkeitsdiagramme55, beurteilt werden.

Auf Pixelebene entspricht LiDAR der räumlichen Auflösung (1 ha) der Fernerkundungseingaben (meist 1 ha), die zur Vorhersage des Kohlenstoffflusses verwendet werden, und dies steht im Gegensatz zur Verwendung von NFIs, bei denen die Parzellen 0,03–0,04 ha groß sind. Die räumliche Diskrepanz bei der Verwendung von NFIs kann auch durch Geolokalisierungsfehler von Parzellen, insbesondere in den Tropen, verschlimmert werden.

Die Kohlenstoffbilanzierung erforderte eine Aggregation der Kohlenstoffbestände (von CCI Biomass 2010) und Flüsse vom Pixel zur UNSEEA-Klasse. Anhand der Variogramme in Abb. S6 fanden wir eine Korrelation im Nahbereich (<5 km) auf Länderebene, was mit früheren Studien, insbesondere in Brasilien56 und den USA57, übereinstimmt. Diese Grundlage ermöglichte es uns, die räumliche Korrelation während des Aggregationsschritts zu ignorieren. Diese Entscheidung ist von Fall zu Fall zu entscheiden und muss insbesondere dann noch einmal überdacht werden, wenn das Zielland relativ klein ist, dh wenn räumlich korrelierte Fehler von etwa 5–50 km bereits nicht vernachlässigbar sind. Die Variogrammanalyse ergab auch, dass die Größe der autokorrelierten skalierten Residuen (0–1) alle unter 1 lag. Dies deutet darauf hin, dass wir den Kartenvorhersagefehler überschätzen. Diese Vorsicht zeigte sich auch in drei von vier globalen Biomassekarten einer früheren Studie28. Hier haben wir uns auf die Quantifizierung der Unsicherheit aus der Restvariabilität konzentriert, haben es jedoch versäumt, die Unsicherheit aus der Stichprobenvariabilität zu quantifizieren (siehe 4. Empfehlung oben). Eine weitere Unsicherheitsquelle ist der Einfluss der Landbedeckung. Hier haben wir die UNSEEA-Klassen der Stufe 2 verwendet, aber sobald Länder UNSEEA-Klassen der Stufe 3 verlangen, in denen Laubbäume beispielsweise in geschlossene Laubbäume und offene Laubbäume unterteilt werden (Tabelle S3), muss die Unsicherheit aus den Landbedeckungseingaben berücksichtigt werden. Die Zuordnung weiterer Waldklassen führt zu einer höheren Fehlklassifizierungstendenz zwischen Unterklassen. Um dies zu berücksichtigen, sind Landbedeckungswahrscheinlichkeiten und geostatistische Ansätze für mögliche Flächenkorrekturen zwischen Landbedeckungseinheiten erforderlich58. Diese Korrektur betrifft auch die CO2-Bilanzierungstabelle, in der Emissionen und Abbau separat gemeldet und Emissionsquellen aufgeschlüsselt werden (Tabelle S4). Sollten Länder eine solche Tabelle verlangen, muss auch die räumliche Abhängigkeit zwischen Emissionen und Abbau berücksichtigt werden. Abschließend möchten wir betonen, dass alle Referenzdaten ein gewisses Maß an Unsicherheit aufweisen. Wir berücksichtigen diese Unsicherheit, indem wir im Ensemble-Modell ein gewichtetes Bootstrapping anwendeten, das Proben mit geringer Messfehlerunsicherheit bevorzugte. Ein genau ähnlicher Ansatz wurde von Araza et al.28 sowie Takoutsing und Heuvelink55 umgesetzt. Im letztgenannten Beispiel wurde kein auffälliger Unterschied zwischen einem Random-Forest-Modell mit und ohne gewichtetes Bootstrapping festgestellt.

Die einflussreichsten Kovariaten bei den Kohlenstoffflussvorhersagen waren globale Biomasseprodukte, die 51–70 % der gesamten Bedeutungswerte der Kovariaten ausmachten. Die Kohlenstoffflüsse von CCI und WRI trugen am meisten zu dieser Bewertung bei. Dieses Ergebnis scheint zu erwarten und selbsterklärend zu sein. Überraschender ist, dass wir erfahren haben, dass auch andere dynamische Umweltdatensätze wichtige Kovariaten sind. Besonders wichtig war die Höhendynamik für die räumlichen Modelle der Niederlande (62 %) und der USA (39 %) sowie der \(1\mathrm{{st}}\) und \(2\mathrm{{nd}} \) Vierteljährliche NDVI-Zusammensetzungen für die europäischen Länder mit einem Wichtigkeitswert von höchstens 23 %. Höhen- und Vegetationsindizes sind aufgrund ihrer Korrelation mit der Biomasse häufig verwendete Variablen für die Biomassekartierung5. Unseres Wissens ist dies der erste Versuch, ihre dynamischen Variablen zur Modellierung von Biomasseveränderungen zu verwenden (der dynamische Höhendatensatz ist relativ neu). Darüber hinaus hatte die Höhenlage auch für Brasilien (40 %) und die Philippinen (37 %) einen hohen Stellenwert. Dies deutet darauf hin, dass die Veränderung der Biomasse in den Tropen topographiebedingt sein kann. Die Brasilien-Ergebnisse müssen erneut analysiert werden, sobald mehr repräsentative Referenzdaten verfügbar sind, auch für nicht ausreichend beprobte Biome (wie Cerrado), abgelegene Standorte mit Primärwäldern und Berggebiete mit großer Höhe und Neigung. Wir haben festgestellt, dass die aktuelle Stichprobe in Brasilien nur drei der sechs topografischen Schichten betrifft. Gebirgswaldgebiete können insbesondere in der Taifunsaison6 ebenfalls anfällig für Abholzung durch Erdrutsche sein. Jüngste Studien haben gezeigt, dass die Veränderung der Biomasse in den Tropen saisonabhängig ist59. Abgesehen von der Einbeziehung saisonaler Kovariaten empfehlen wir die Erforschung anderer deskriptiver Analysen von Kovariaten für Biomasseveränderungen, beispielsweise die Verwendung partieller Abhängigkeitsdiagramme. Diese würden die marginalen Auswirkungen der Kovariaten auf Biomasseveränderungen zeigen und visualisieren, z. B. hohen Biomasseverlust und geringe Höhenlage.

Insgesamt zeigten die Kohlenstoffbilanzierungstabellen die Netto-Kohlenstoffbindung in natürlichen Wäldern mit Ausnahme von Brasilien, während die Netto-Kohlenstoffemissionen hauptsächlich in anderen Gehölzvegetationen und Plantagen (mit Ausnahme der Niederlande) beobachtet wurden. Die meisten Nettoemissionen wurden durch Landnutzungsänderungen verursacht, während die minimalen Emissionen innerhalb der Wälder, also der Waldschädigung, verzeichnet wurden. Letzteres scheint vor allem deshalb unterschätzt zu werden, weil wir Eingaben zur Landbedeckung von 100–300 m verwendeten. Eine Option besteht darin, sie durch 10 m globale Landbedeckungsdaten zu ersetzen, solange die Waldklassen mit UNSEEA übereinstimmen. Die Nettoemissionen innerhalb der Wälder können auf Plantagenaktivitäten wie Durchforstung, Abholzung und selektive Abholzung sowie auf Aktivitäten zurückgeführt werden, die zur Waldschädigung führen, wie etwa Holzwilderei. Sowohl Emissionen aus Waldumwandlung als auch Waldschädigung können durch Umweltgefahren wie starke Winde, Insekten, Erdrutsche und Brände verursacht werden.

Als bewährte Methode haben wir die Kohlenstoffflüsse und Waldflächen auf Länderebene zusammengefasst und sie mit ähnlichen Ergebnissen in der Literatur verglichen, siehe Tabelle S5. Im Vergleich mit der FRA und anderen ähnlichen Studien21,22,33,51 wurden in unseren Schätzungen überwiegend die Niederlande, die Philippinen und Schweden als Kohlenstoffsenken dargestellt (in Übereinstimmung mit zwei von drei Quellen). In diesen Ländern lagen unsere Schätzungen häufig zwischen den Schätzungen der FRA und ähnlichen Studien, was darauf hindeutet, dass wir die Kohlenstoffflüsse konservativ geschätzt haben. Zwar gibt es eine große Diskrepanz bei den Waldflächen (da wir andere bewaldete Nichtwälder einbezogen haben) und einen Unterschied von einigen Jahren im Überwachungszeitraum, doch die Vergleiche der Ergebnisse von Brasilien und den USA zeigten, dass wir die CO2-Emissionen des Landes im Vergleich zu anderen Quellen überschätzt haben. Es sei daran erinnert, dass die Stichproben für diese Länder unzureichend sind (siehe Abb. 3), was dazu führen kann, dass die Vorhersagemodelle insbesondere bei einer zufälligen Kreuzvalidierung überanpassen (Tabelle 3). Unsere nächsten Kohlenstoffflusskarten der beiden Länder werden von den erwarteten Diagrammen der USA Forest Inventory Analysis und zusätzlichen neu gemessenen LiDAR-Daten für die USA und Brasilien profitieren. Dennoch berücksichtigten unsere Schätzungen neben anderen Quellen auch gemeldete Unsicherheiten auf Länderebene. Wir empfehlen auch weitere Länderfälle, da die ökologischen Bedingungen der Fallländer diversifiziert werden müssen.

Angesichts der bevorstehenden Erdbeobachtungsmissionen zur Waldüberwachung wird erwartet, dass die Datenquellen für Kohlenstoffflusskarten weiter zunehmen. Die Entwicklung EO-basierter Datenquellen wird als Chance für die UNSEEA-Konten der nächsten Generation gesehen9. Dies zeigte sich auch bei der letzten Konferenz „Advancing Earth Observation for Ecosystem Accounting“ im Dezember 2022 https://eo4ea-2022.esa.int/. Die Fernerkundung ist auch für verschiedene Projekte von zentraler Bedeutung, die darauf abzielen, die CO2-Bilanzierung der UNSEEA zu verbessern, wie zum Beispiel die folgenden:

Wegweisende Erdbeobachtungsanwendungen für die Umwelt (PEOPLE, https://esa-people-ea.org/en)

Künstliche Intelligenz für Umwelt und Nachhaltigkeit (ARIES, aries.integratedmodelling.org)

Open Earth Monitor-Projekt (OEMP, https://earthmonitor.org/)

Unsere aktuelle CO2-Bilanzierung erstreckt sich aufgrund der Datenverfügbarkeit für 2010 und 2018 über acht Jahre. Die UNSEEA-Ökosystemkonten gelten jedoch im Allgemeinen als am nützlichsten, wenn sie mit einer höheren zeitlichen Auflösung erstellt werden, z. B. jährlich oder alle drei Jahre3. Wir planen außerdem, Konten für alle Kohlenstoffspeicher zu erstellen, einschließlich zumindest der unterirdischen und Bodenbestandteile. Zukünftig dürfte die zunehmende Verfügbarkeit von satellitengestützten Biomasse- und Kohlenstoffprojekten diese viel höhere zeitliche Auflösung EO-basierter Kohlenstoffkonten ermöglichen.

Karten von Kohlenstoffbeständen und -flüssen unterliegen immer einer Kartenbewertung und der Integration mit Referenzdaten, insbesondere jetzt, da die Länder-NFIs selbst in Entwicklungsländern in den Tropen zunehmen54. Angesichts dieser Länderdaten zusätzlich zu den kommenden LiDAR-Standorten52 würden ausreichende globale Daten die Modellierung und Minimierung von Kartenfehlern der globalen Kohlenstoffflüsse mithilfe unseres Bias-Modellierungsansatzes28 ermöglichen. Ein voreingenommener globaler Kohlenstofffluss begrüßt die Möglichkeit einer Kohlenstoffbilanzierung für alle Länder. Dies würde nicht nur der CO2-Bilanzierung der UNSEEA zugute kommen, sondern auch der UNFCCC-THG-Berichterstattung und sogar dem UNFCCC Global Stocktake.

Um die für die UNSEEA-Kohlenstoffbilanzierung erforderlichen Daten zum Kohlenstoffbestand und -fluss bereitzustellen, prognostizieren wir den Netto-Kohlenstofffluss 2010–2018 räumlich mithilfe von Ensemble-Maschinenlernen in fünf Ländern mit Referenzdaten. Wir haben festgestellt, dass die Kartierung von Kohlenstoffflüssen mit hoher Auflösung eine Herausforderung darstellt, gemessen an der Variabilität der Kartengenauigkeitsergebnisse. Mit der Fernerkundung können Kahlschläge und Waldverluste aufgrund von Landumwandlungen erkannt werden. Die Erkennung allmählicher Waldveränderungen ist jedoch schwieriger. Eine weitere Herausforderung bei der Nutzung der Fernerkundung zur Schätzung von Kohlenstoffflüssen ist der Sättigungseffekt, der mit Ansätzen zur Bias-Korrektur reduziert werden kann28,59. Während bei Schätzungen der Kohlenstoffflüsse auf Pixelebene, die aus EO abgeleitet werden, deutliche Unsicherheiten bestehen, werden diese Unsicherheiten erheblich verringert, wenn Pixel zu UNSEEA-Ökosystemtypen aggregiert werden, bei denen Kohlenstoffvorräte und -flüsse nach Ausdehnungstyp gemeldet werden, z. B. Wald (Stufe 1) oder Laubwald (Level 2). Für die Klassifizierung der Stufe 2 haben wir eine Korrelation von Kohlenstofffluss-Kartenfehlern im Nahbereich gefunden, die als vernachlässigbar angesehen werden kann, wenn wir den Kohlenstofffluss von Pixel zu UNSEEA aggregieren.

Die daraus resultierenden Kohlenstoffbilanzierungstabellen zeigten die Nettokohlenstoffbindung in natürlichen Laubwäldern. Sowohl in Plantagen als auch in anderen Waldvegetationsökosystemen überstiegen die Emissionen die Sequestrierung. Insgesamt stimmen unsere Schätzungen mit der Waldressourcenbewertung der FAO und nationalen Studien überein, wobei die größten Abweichungen in Brasilien und den USA auftreten. Diese beiden Länder verwendeten stark geclusterte Referenzdaten, wobei die Clusterbildung zu Unsicherheit führte, da eine Extrapolation auf unterbewertete Gebiete erforderlich war. Wir gehen davon aus, dass mit der Verfügbarkeit weiterer EO-Daten und Referenzdaten in naher Zukunft eine jährliche Kohlenstoffkartierung zunehmend machbar sein wird und Trends hinsichtlich allmählicher Waldveränderungen aufdecken kann. Dies ermöglicht die Erstellung genauerer, zeitnaher und kostengünstigerer Kohlenstoffbilanzen im Einklang mit UNSEEA.

Der Ansprechpartner für die NFI-Referenzdaten ist Mart-Jan Schelhaas ([email protected]). Siehe Labriere et al. Weitere Informationen zu den LiDAR-Datensätzen finden Sie im Artikel von 2018. Auf die räumlichen Modelle und Informationen zu den Fernerkundungsdatensätzen kann hier zugegriffen werden: https://github.com/arnanaraza/SEEA_RS.

Nabuurs, G.-J. et al. Die Walderklärung von Glasgow erfordert neue Formen des Dateneigentums. Nat. Aufstieg. Änderunghttps://doi.org/10.1038/s41558-022-01343-3 (2022).

Artikel Google Scholar

Goetz, SJ et al. Kartierung und Überwachung von Kohlenstoffvorräten mit Satellitenbeobachtungen: Ein Methodenvergleich. Carbon Balance Manag.https://doi.org/10.1186/1750-0680-4-2 (2009).

Artikel PubMed PubMed Central Google Scholar

UN. System of Environmental-Economic Accounting – Ecosystem Accounting (SEEA EA) (2021).

Buendia, E. et al. Verfeinerung der IPCC-Richtlinien für nationale Treibhausgasinventare von 2006 (IPCC, 2019).

Google Scholar

Rodríguez-Veiga, P., Saatchi, S., Tansey, K. & Balzter, H. Ausmaß, räumliche Verteilung und Unsicherheit der Waldbiomassebestände in Mexiko. Fernerkundung. Umwelt. 183, 265–281. https://doi.org/10.1016/j.rse.2016.06.004 (2016).

Artikel ADS Google Scholar

Araza, A., Herold, M., Hein, L. & Quinones, M. Die erste oberirdische Biomassekarte der Philippinen, erstellt mithilfe von Fernerkundung und maschinellem Lernen. Im Jahr 2021 IEEE International Geoscience and Remote Sensing Symposium IGARSS, https://doi.org/10.1109/igarss47720.2021.9553225 (IEEE, 2021).

Hein, L. et al. Ökosystembilanzierung in den Niederlanden. Ökosystem. Serv. 44, 101118. https://doi.org/10.1016/j.ecoser.2020.101118 (2020).

Artikel Google Scholar

Vargas, L., Willemen, L. & Hein, L. Bewertung der Fähigkeit von Ökosystemen, Ökosystemdienstleistungen bereitzustellen, mithilfe von Fernerkundung und einem Ansatz zur Ökosystembilanzierung. Umgebung. Geschäftsführer 63, 1–15. https://doi.org/10.1007/s00267-018-1110-x (2018).

Artikel ADS Google Scholar

Hein, L. et al. Fortschritte bei der Bilanzierung von Naturkapital für Ökosysteme. Wissenschaft 367, 514–515. https://doi.org/10.1126/science.aaz8901 (2020).

Artikel ADS CAS PubMed Google Scholar

McRoberts, RE, Næsset, E., Sannier, C., Stehman, SV & Tomppo, EO Fernerkundungsunterstützung für den Gewinn-Verlust-Ansatz für Treibhausgasinventare. Remote Sens. 12, 1891. https://doi.org/10.3390/rs12111891 (2020).

Artikel ADS Google Scholar

Esteban, J., McRoberts, RE, Fernández-Landa, A., Tomé, JL & Marchamalo, M. Ein modellbasierter Volumenschätzer, der sowohl die Fehlklassifizierung der Landbedeckung als auch die Unsicherheit der Modellvorhersage berücksichtigt. Remote Sens. 12, 3360. https://doi.org/10.3390/rs12203360 (2020).

Artikel ADS Google Scholar

Houghton, RA et al. Kohlenstoffemissionen aus Landnutzung und Landbedeckungsänderungen. Biogeowissenschaften 9, 5125–5142. https://doi.org/10.5194/bg-9-5125-2012 (2012).

Artikel ADS CAS Google Scholar

Yanai, R. et al. Verbesserung der Unsicherheit bei der Bilanzierung von Waldkohlenstoff für REDD-Minderungsbemühungen. Umgebung. Res. Lett.https://doi.org/10.1088/1748-9326/abb96f (2020).

Artikel Google Scholar

Araza, A. et al. Ein umfassender Rahmen zur Bewertung der Genauigkeit und Unsicherheit globaler oberirdischer Biomassekarten. Int. J. Appl. Erdobs. Geoinf. 272, 112917. https://doi.org/10.1016/j.rse.2022.112917 (2022).

Artikel Google Scholar

Ryan, CM et al. Quantifizierung kleinräumiger Entwaldung und Waldschädigung in afrikanischen Wäldern mithilfe von Radarbildern. Globus. Biol. ändern 18, 243–257. https://doi.org/10.1111/j.1365-2486.2011.02551.x (2011).

Artikel ADS Google Scholar

de Bruin, S., Brus, DJ, Heuvelink, GB, van Ebbenhorst Tengbergen, T. & Wadoux, AM-C. Umgang mit geclusterten Stichproben zur Beurteilung der Kartengenauigkeit durch Kreuzvalidierung. Ökologisch. Informieren. 69, 101665. https://doi.org/10.1016/j.ecoinf.2022.101665 (2022).

Artikel Google Scholar

Labrière, N. et al. Auf dem Weg zu einem Referenzmesssystem für Waldbiomasse für Fernerkundungsanwendungen. Globus. Change Biol.https://doi.org/10.1111/gcb.16497 (2022).

Artikel Google Scholar

Shettles, M., Temesgen, H., Gray, AN & Hilker, T. Vergleich der Unsicherheit bei Schätzungen der oberirdischen Biomasse pro Flächeneinheit für zwei ausgewählte Modellsätze. Für. Ökologisch. Geschäftsführer 354, 18–25. https://doi.org/10.1016/j.foreco.2015.07.002 (2015).

Artikel Google Scholar

Meyer, H. & Pebesma, E. Vorhersagen in unbekannten Raum? Abschätzung des Anwendungsbereichs räumlicher Vorhersagemodelle. Methoden Ecol. Entwicklung 12, 1620–1633. https://doi.org/10.1111/2041-210x.13650 (2021).

Artikel Google Scholar

Keith, H., Vardon, M., Stein, J. & Lindenmayer, D. Beitrag einheimischer Wälder zur Eindämmung des Klimawandels – Ein gemeinsamer Ansatz zur Kohlenstoffbilanzierung, der Ergebnisse der umweltökonomischen Bilanzierung mit Regeln zur Emissionsreduzierung in Einklang bringt. Umgebung. Wissenschaft. Richtlinie 93, 189–199. https://doi.org/10.1016/j.envsci.2018.11.001 (2019).

Artikel Google Scholar

Harris, NL et al. Globale Karten der Kohlenstoffflüsse in Wäldern im 21. Jahrhundert. Nat. Aufstieg. Änderunghttps://doi.org/10.1038/s41558-020-00976-6 (2021).

Artikel Google Scholar

Santoro, M. & Cartus, O. Esa Biomass Climate Change Initiative (biomass_cci): Globale Datensätze der oberirdischen Waldbiomasse für das Jahr 2017, v1, https://doi.org/10.5285/BEDC59F37C9545C981A839EB552E4084 (2019).

Heuvelink, GB & Webster, R. Raumstatistik und Bodenkartierung: Eine blühende Partnerschaft unter Druck. Spuckte. Stat. 50, 100639. https://doi.org/10.1016/j.spasta.2022.100639 (2022).

Artikel MathSciNet Google Scholar

Schelhaas, M.-J. et al. Tatsächliche europäische Waldbewirtschaftung nach Region, Baumart und Besitzer basierend auf 714.000 neu vermessenen Bäumen in nationalen Waldinventuren. PLoS One 13, e0207151. https://doi.org/10.1371/journal.pone.0207151 (2018).

Artikel CAS PubMed PubMed Central Google Scholar

Longo, M. et al. Oberirdische Biomassevariabilität in intakten und degradierten Wäldern im brasilianischen Amazonasgebiet. Globus. Biogeochem. Zyklen 30, 1639–1660. https://doi.org/10.1002/2016gb005465 (2016).

Artikel ADS CAS Google Scholar

Johnson, BR, Kuester, MA, Kampe, TU & Keller, M. Luftgestützte Fernmessungen der Biochemie und Struktur des Vegetationsdachs des National Environmental Observatory Network (NEON). Im Jahr 2010 IEEE International Geoscience and Remote Sensing Symposium, https://doi.org/10.1109/igarss.2010.5654121 (IEEE, 2010).

Labrière, N. et al. In-situ-Referenzdatensätze aus den TropiSAR- und AfriSAR-Kampagnen zur Unterstützung bevorstehender weltraumgestützter Biomassemissionen. Im IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing. 11(10), 3617–3627. https://doi.org/10.1109/JSTARS.2018.2851606 (2018).

Araza, A. et al. Ein umfassender Rahmen zur Bewertung der Genauigkeit und Unsicherheit globaler oberirdischer Biomassekarten. Fernerkundung. Umwelt. 272, 112917. https://doi.org/10.1016/j.rse.2022.112917 (2022).

Artikel ADS Google Scholar

QGIS-Entwicklungsteam. Geografisches Informationssystem QGIS (QGIS Association, 2023).

Google Scholar

Santoro, M. et al. Der globale oberirdische Waldbiomassepool für 2010 wurde anhand hochauflösender Satellitenbeobachtungen geschätzt. Erdsystem. Wissenschaft. Daten 13, 3927–3950. https://doi.org/10.5194/essd-13-3927-2021 (2021).

Artikel ADS Google Scholar

Gebejes, A. & Huertas, R. Texturcharakterisierung basierend auf einer Graustufen-Kookkurrenzmatrix. Datenbanken 9, 375–378 (2013).

Google Scholar

Xu, L. et al. Veränderungen der globalen terrestrischen Lebendbiomasse im 21. Jahrhundert. Wissenschaft. Adv. 7, eabe9829. https://doi.org/10.1126/sciadv.abe9829 (2021).

Artikel ADS CAS PubMed Google Scholar

Yu, Y. et al. Das nationale Waldinventar der USA räumlich zusammenhängend und zeitlich konsistent gestalten. Umgebung. Res. Lette. 17, 065002. https://doi.org/10.1088/1748-9326/ac6b47 (2022).

Artikel ADS Google Scholar

Potapov, P. et al. Kartierung der globalen Waldkronenhöhe durch Integration von GEDI- und Landsat-Daten. Fernerkundung. Umwelt. 253, 112165. https://doi.org/10.1016/j.rse.2020.112165 (2021).

Artikel ADS Google Scholar

Defourny, P. et al. Landbedeckung CCI. Produktbenutzerhandbuch Version 2, 325 (2012).

Google Scholar

Sexton, JO et al. Globale kontinuierliche Baumbewuchsfelder mit einer Auflösung von 30 m: Landsat-basierte Neuskalierung kontinuierlicher MODIS-Vegetationsfelder mit Lidar-basierten Fehlerschätzungen. Int. J. Ziffer. Erde 6, 427–448. https://doi.org/10.1080/17538947.2013.786146 (2013).

Artikel ADS Google Scholar

Grantham, HS et al. Durch die anthropogene Veränderung der Wälder weisen nur noch 40 % der verbleibenden Wälder eine hohe Ökosystemintegrität auf. Nat. Kommun.https://doi.org/10.1038/s41467-021-20999-7 (2021).

Artikel PubMed PubMed Central Google Scholar

Lesiv, M. et al. Globale Waldbewirtschaftungsdaten für 2015 mit einer Auflösung von 100 m. Wissenschaft. Datenhttps://doi.org/10.1038/s41597-022-01332-3 (2022).

Artikel PubMed PubMed Central Google Scholar

Witjes, M. et al. Ein räumlich-zeitliches Ensemble-Framework für maschinelles Lernen zur Erstellung von Landnutzungs-/Landbedeckungs-Zeitreihenkarten für Europa (2000–2019) basierend auf LUCAS, CORINE und GLAD Landsat. PeerJ 10, e13573. https://doi.org/10.7717/peerj.13573 (2022).

Artikel PubMed PubMed Central Google Scholar

Jarvis, A., Reuter, HI, Nelson, A., Guevara, E. et al. Lochgefülltes SRTM für den Globus Version 4. die CGIAR-CSI SRTM 90m-Datenbank (http://srtm. csi. cgiar. org) 15, 25–54 (2008).

Dinerstein, E. et al. Ein ökoregionbasierter Ansatz zum Schutz der Hälfte des Erdreichs. BioScience 67, 534–545. https://doi.org/10.1093/biosci/bix014 (2017).

Artikel PubMed PubMed Central Google Scholar

Wolpert, DH Gestapelte Verallgemeinerung. Neuronales Netz. 5, 241–259. https://doi.org/10.1016/s0893-6080(05)80023-1 (1992).

Artikel Google Scholar

Meinshausen, N. & Ridgeway, G. Quantil-Regressionswälder. J. Mach. Lernen. Res. 7, 983–999 (2006).

MathSciNet MATH Google Scholar

Li, Y., Li, M., Li, C. & Liu, Z. Schätzung der oberirdischen Waldbiomasse unter Verwendung von Landsat 8- und Sentinel-1a-Daten mit maschinellen Lernalgorithmen. Wissenschaft. Rep.https://doi.org/10.1038/s41598-020-67024-3 (2020).

Artikel PubMed PubMed Central Google Scholar

Büttner, G. CORINE Landbedeckungs- und Landbedeckungsänderungsprodukte. In Land Use and Land Cover Mapping in Europe (Hrsg. Büttner, G.) 55–74 (Springer Niederlande, 2014). https://doi.org/10.1007/978-94-007-7969-3_5.

Kapitel Google Scholar

Wickham, H. ggplot2: Elegante Grafiken für die Datenanalyse (Springer-Verlag, 2016).

Buchen Sie MATH Google Scholar

Taghizadeh-Mehrjardi, R. et al. Synthetische Resampling-Strategien und maschinelles Lernen für die digitale Bodenkartierung im Iran. EUR. J. Bodenwissenschaft. 71, 352–368. https://doi.org/10.1111/ejss.12893 (2020).

Artikel Google Scholar

Hansen, MC et al. Hochauflösende globale Karten der Veränderungen der Waldbedeckung im 21. Jahrhundert. Wissenschaft 342, 850–853. https://doi.org/10.1126/science.1244693 (2013).

Artikel ADS CAS PubMed Google Scholar

Decuyper, M. et al. Kontinuierliche Überwachung der Waldveränderungsdynamik mit Satellitenzeitreihen. Fernerkundung. Umwelt. 269, 112829. https://doi.org/10.1016/j.rse.2021.112829 (2022).

Artikel ADS Google Scholar

McRoberts, RE, Næsset, E., Saatchi, S. & Quegan, S. Statistisch strenge, modellbasierte Schlussfolgerungen aus Karten. Fernerkundung. Umwelt. 279, 113028. https://doi.org/10.1016/j.rse.2022.113028 (2022).

Artikel ADS Google Scholar

Santoro, M., Cartus, O. & Fransson, JE Dynamik des schwedischen Waldkohlenstoffspeichers zwischen 2010 und 2015, geschätzt aus Satelliten-L-Band-SAR-Beobachtungen. Fernerkundung. Umwelt. 270, 112846. https://doi.org/10.1016/j.rse.2021.112846 (2022).

Artikel ADS Google Scholar

Chave, J. et al. Bodendaten sind für Biomasse-Fernerkundungsmissionen unerlässlich. Überleben. Geophys. 40, 863–880 (2019).

Artikel ADS Google Scholar

Zhao, K. et al. Nutzen von multitemporalem Lidar für die Wald- und Kohlenstoffüberwachung: Baumwachstum, Biomassedynamik und Kohlenstofffluss. Fernerkundung. Umwelt. 204, 883–897. https://doi.org/10.1016/j.rse.2017.09.007 (2018).

Artikel ADS Google Scholar

Nesha, K. et al. Erforschung der Merkmale nationaler Waldinventare zur Integration mit globalen weltraumbasierten Daten zur Waldbiomasse. Wissenschaft. Gesamtumgebung. 850, 157788. https://doi.org/10.1016/j.scitotenv.2022.157788 (2022).

Artikel ADS CAS PubMed Google Scholar

Takoutsing, B. & Heuvelink, GB Vergleich der Vorhersageleistung, der Unsicherheitsquantifizierung und des Extrapolationspotenzials von Regression Kriging und Random Forest unter Berücksichtigung von Bodenmessfehlern. Geoderma 428, 116192. https://doi.org/10.1016/j.geoderma.2022.116192 (2022).

Artikel ADS Google Scholar

Mauro, F. et al. Schätzung der Veränderungen von Waldstrukturattributen auf drei verschiedenen räumlichen Aggregationsebenen in Nordkalifornien mithilfe von multitemporalem LiDAR. Remote Sens. 11, 923 (2019).

Artikel ADS Google Scholar

Popescu, SC, Wynne, RH & Scrivani, JA Fusion von Small-Footprint-Lidar- und Multispektraldaten zur Schätzung des Volumens und der Biomasse auf Parzellenebene in Laub- und Kiefernwäldern in Virginia, USA. Für. Wissenschaft. 50, 551–565 (2004).

Google Scholar

de Bruin, S. Vorhersage der Flächenausdehnung von Landbedeckungstypen mithilfe klassifizierter Bilder und Geostatistik. Fernerkundung. Umwelt. 74, 387–396. https://doi.org/10.1016/s0034-4257(00)00132-2 (2000).

Artikel ADS Google Scholar

Csillik, O., Reiche, J., Sy, VD, Araza, A. & Herold, M. Schnelle Fernüberwachung deckt räumliche und zeitliche Hotspots des Kohlenstoffverlusts in den Regenwäldern Afrikas auf. Komm. Earth Environ.https://doi.org/10.1038/s43247-022-00383-z (2022).

Artikel Google Scholar

Referenzen herunterladen

Diese Studie wurde teilweise durch die (1) Projekte IFBN/FOS (4000114425/15/NL/FF/gp), SEN4LDN (4000138770/22/I-DT) und CCI Biomass (4000123662/18/I-NB) unterstützt die Europäische Weltraumorganisation; (2) Das von der Europäischen Union finanzierte Open Earth Monitor-Projekt (Fördervereinbarung Nr. 101059548). Die Autoren danken Mart-Jan Schelhaas und Jonas Fridman für die europäischen Referenzdatensätze und Nicolas Labriere für die Brasilien- und USA-Referenzdatensätze.

Labor für Geoinformation und Fernerkundung, Universität und Forschung Wageningen, Wageningen, Niederlande

Arnan Araza, Sytze de Bruin & Martin Herold

Umweltsystemanalyse, Wageningen University and Research, Wageningen, Niederlande

Arnan Araza & Lars Hein

Sektion Fernerkundung und Geoinformatik, Helmholtz GFZ Deutsches GeoForschungsZentrum, Telegrafenberg Potsdam, Deutschland

Martin Herold

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

AA konzipierte die Studie, analysierte die Ergebnisse und verfasste das Manuskript; SdB analysierte die Ergebnisse, überprüfte und redigierte das Manuskript; LH konzipierte die Studie, überprüfte und redigierte das Manuskript und stellte Ressourcen bereit; MH überprüfte und redigierte das Manuskript und stellte Ressourcen zur Verfügung.

Korrespondenz mit Arnan Araza.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die ursprünglichen Autor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Araza, A., de Bruin, S., Hein, L. et al. Räumliche Vorhersagen und Unsicherheiten der Kohlenstoffflüsse in Wäldern für die Kohlenstoffbilanzierung. Sci Rep 13, 12704 (2023). https://doi.org/10.1038/s41598-023-38935-8

Zitat herunterladen

Eingegangen: 06. Februar 2023

Angenommen: 17. Juli 2023

Veröffentlicht: 05. August 2023

DOI: https://doi.org/10.1038/s41598-023-38935-8

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein gemeinsam nutzbarer Link verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.