Quantification of carbon sequestration by urban forest using Landsat 8 OLI and machine learning algorithms in Jodhpur, India

（Uniyal Swati¹，Purohit Saurabh^2，3，Chaurasia Kuldeep⁴，Amminedu Eadara¹，Rao  Sitiraju Srinivas²）

（1、安得拉大学；2、印度空间研究组织；3、印度森林研究所；4、贝内特大学）

摘要：城市森林在碳循环中发挥着重要作用。地上生物量的量化对于研究城市森林的碳封存作用至关重要。在本研究中，基于机器学习的回归算法（SVM、RF、kNN和XGBoost）被用于绘制印度拉贾斯坦邦焦特布尔市城市森林的地上生物量和碳的空间图，借助于现场数据及其与来自Landsat 8 OLI数据的光谱和纹理变量之间的相关性。研究结果表明，与其他线性和多元回归技术相比，基于机器学习的回归算法在干旱地区城市森林的地上生物量和碳的空间制图方面有很大的潜力。

关键词：地上生物量、碳封存、Landsat 8 OLI、机器学习、城市森林

原文链接：

https://www.sciencedirect.com/science/article/pii/S1618866721004726

思考：通过本研究的研究结果可知，地理空间数据与机器学习算法可以准确预测干旱地区的城市森林地上生物量和碳；使用不同的特征选择方法可以帮助选择用于碳建模的最佳变量；并且与其他机器学习算法相比，XGBoost算法的预测精度最高。这对于未来研究城市森林的碳封存作用有重要的意义。

团队：低碳数字植物园

版权：归低碳数字植物园所有

转载：欢迎转载，需在文章中写明原文链接并保留此段声明，若未经作者同意转载，将追究相关法律责任。

联系邮箱：lcvbgarden@126.com