主要

提高了对旱地树木的认识，这里的旱地树木定义为树冠面积为30平方米2具有关联的阴影(扩展数据图)。1)，这对于了解它们在当地生计、经济、生态系统、全球碳循环和总体气候系统中的作用至关重要。关于旱地树木分布及其密度、覆盖度、大小、质量和碳含量的基本信息尚不清楚2，3.，4，5。这些知识对于了解树木的功能特征与气候变化的水资源、预测的干旱增加以及干旱事件的数量和持续时间有关30.，31。用于估算旱地碳储量的信息来源包括地块尺度的实地调查;生态系统模型23;以及低分辨率、中分辨率和高分辨率的卫星图像4，5，6，7，8，9，10，11，12，13，14，用于推断总体特性，如树木覆盖度、干质量和单位面积碳密度的平均值，其空间尺度比单个树木要大得多。

虽然最强调的是发展森林生态系统的先进监测技术，但这些来源都没有把广泛/全部覆盖和每棵树的代表性结合起来5。达到这种详细程度对旱地监测和管理至关重要，因为旱地树木生长孤立，大小和密度变化很大。目前产生或使用旱地树木覆盖、木材质量或碳储量的面积平均值的大多数研究要么是在非常地方的水平上12或者旱地的信息来自全球地图13这些方法很少在旱地得到训练和验证，往往对森林和旱地植被采用同样的方法6，7，8。虽然少数旱地国家有国家树木清单，但所需的劳力数量及其不确定性很高。因此，所有关于旱地碳储量的现有评估都是高度不确定的，非常难以证实，也没有提供在单个树木水平上详细描述特征的手段14。此外，在大尺度上，不同干质量组分(木材、叶片和根系质量)对总碳储量的贡献尚不清楚。

与此同时，尚不清楚生态系统模型是否量化了正确的碳量，缺乏对干旱地区全球模型或地图的验证，助长了对干旱地区碳储量及其在加速或减缓气候变化中的作用可能低估或高估的说法12，18。缺少个人一级关于树木的资料对改善旱地木材资源的管理具有决定性作用:准确监测因砍伐树木种植、采矿、基础设施和城市发展而引起的森林砍伐24。此外，在单个树木层面上对树木资源的准确监测有助于植树倡议，有助于为《巴黎协定》等国家报告计划报告正确的树木数量和碳储量，也有助于建立一个可靠的系统，允许向农民和村庄支付环境服务费用。虽然使用森林生态系统中的现有方法和数据可以准确地绘制毁林和造林地区的地图，但目前还没有监测森林以外树木及其碳库的系统32。

目前，正在为旱地恢复活动拨出大量资金，对成功或失败的监测是根据当地的清单进行的，缺乏对种植树木存活率的大规模评估。撒哈拉和萨赫勒地区的绿色长城倡议最近重新引起了人们的兴趣，并增加了投资33，34，35。这一倡议旨在应对气候变化带来的荒漠化和干旱、粮食不安全和贫困等日益严峻的挑战。然而，由于没有适当的监测系统，跟踪项目及其成功仍然是一个巨大的挑战。同样重要的是，对单株树木的大规模监测将为提高对旱地树木功能特征的认识奠定基础，例如由生物和非生物因素之间复杂的相互作用所控制的生存、生长和死亡32。造林倡议还应植根于对当地环境的牢固生态认识，以避免造成小农农业系统缺水33。

结合使用高分辨率卫星图像和人工智能，可以识别孤立的树木，并在大范围内绘制覆盖西撒哈拉-萨赫勒-苏丹地区的树冠面积1。这种绘制单个树木的方法已经扩展到覆盖整个非洲旱地的7.5倍大的区域，从大西洋到红海，从北纬9.5°到24°，在0到1000毫米年之间−1等眼线，使用326,523张50厘米空间分辨率的卫星图像，再加上机器学习，绘制了99亿棵树的地图。1和方法）.单个树冠的大尺度制图提供了一个前所未有的机会，可以应用异速生长方程来估计大范围(这里接近1000万公里)局地尺度上树叶、木材和根系干质量的碳储量2(扩展数据图2）.我们利用异速生长方程来预测树冠面积的叶片、木材和根系干质量乘以平均碳浓度(0.47)，通过将每棵树的值相加来评估木本碳库。这些异速生长方程是通过在150 ~ 800 mm年的降雨量梯度范围内分别选取26、27和5种树木进行破坏性取样建立的−1。与在潮湿的热带地区建立的异速生长方程进行比较，确保这些方程适用于潮湿地区，至少可达1000毫米年−1降雨19。我们估计异速生长方程和树冠检测的不确定度为±19.8%。

图1:9947310221棵树冠面积bbbb3 m树木的木材、叶片和根系碳2跨越970万公里2被映射。
图1

一个我们的研究覆盖了非洲的南撒哈拉、萨赫勒和苏丹北部地区，并显示了从0-1,000 mm年的9,947,310,221个树冠每公顷的总碳密度(叶+木+根)−1平均降水面积。等距线标记150mm、300mm、600mm和1000mm年−1降雨区(从北到南)。b举例显示塞内加尔一个农林业地区每棵树的木质碳储量。c，木材、叶片和根系碳在降雨梯度第5、25、75和95百分位的平均树木碳密度。d，降雨梯度第5、10、25、75、90、95百分位单株平均碳储量。我们对树的定义是绿叶树冠bbbb3米2具有关联的阴影(扩展数据图)。1）.

全尺寸图像

将99亿棵树的碳储量信息与一套最先进的新潮生态系统模型进行比较23以及目前基于卫星观测的区域碳储量图6，7，8，9，10，11。我们引入了一个公开的“查看器”，它允许农民、村民、政策制定者和所有利益相关者使用移动设备检索每棵树的叶子、木材和根系质量以及相应的碳储量。我们期望，这不仅可以提高可用信息的数量，而且还可以在从单个地块到国家尺度的不同尺度上对树木及其碳储量进行报告和监测。

树木水平的碳储量

我们在大量卫星图像上应用了基于深度学习的树映射，测量了9,947,310,221棵树冠:所有木本植物都有阴影，树冠面积为bbbb3 m2从极度干旱(0-150毫米年)−1)，干旱(150-300毫米年−1)，半干旱(300-600毫米年−1)和干燥的半湿润(每年600-1,000毫米)−1赤道以北和撒哈拉以南的热带非洲降雨区(图2)。1）.极度干旱区单株平均碳储量为51 kg C，干旱区为63 kg C，半干旱区为72 kg C，半湿润区为98 kg C。通过计算Mg C ha的碳密度，将单个树的信息投影到该区域−1，平均为0.03 Mg C / ha−1在极度干旱地区，0.54 Mg C / ha−1干旱地区为1.54 Mg C / h−1半干旱区为3.73 Mg C / ha−1在半湿润地带。虽然叶片质量占总干质量的比例很小(3%)，但它是量化浏览潜力的重要变量，并可作为蒸腾、光合作用和养分循环等其他生态系统过程的代表。根质量占总质量的比例平均为15-20%。

当前碳图和模型比较

我们将从单株树木获得的地上碳密度图(树叶+木材)与当前最先进的地图(图2)进行了比较。2及扩展数据图3.)，可获得30-1,000米的中等空间分辨率。用低频无源微波(L-VOD)评价时间动力学。36，37，已成为评估25 × 25公里空间尺度上碳储量动态的工具(扩展数据图)。4）.此外，我们还将碳密度图和动态与新潮数据库中的动态生态系统模型进行了比较，网格尺寸为50 × 50 km23。这些地图都不是专门为旱地设计的;大多数动态生态系统模型和基于卫星的模型都是为森林生态系统开发和训练的，就赫廷模型而言，为了比较的目的，使用了包含更多不确定性的气象强迫和规定的植被图。

图2:目前地面上的碳密度图与我们从99亿棵树中得出的估计之间的比较。
图2

一个利用卫星数据从最先进的地图中获取地面上的碳密度6，7，8，9，10，11。本研究中的树木碳来源于木材+树叶碳，在灰色区域以±1标准差绘制。b在美国，地上碳储量累积超过0 - 1000毫米年−1降雨区域。我们估计(灰色)0.68 Pg是木材+树叶碳。神经网络面积映射、树冠遗漏和委托误差以及树冠向木材、叶片和根系碳的异速转化的综合不确定性为±19.8% (方法）.c14个新潮动态生态系统模型的平均值和6个新潮动态生态系统模型的地上和地下植被碳密度数据23与我们的树碳和被动微波中添加的地上草本碳相比36。d，来自LPJ-GUESS模型的地上碳密度23，这里选择它是因为它使用了规定森林比例以外的树木，我们的估计是沿着降雨梯度进行比较的。L-VOD37使用与我们的地图线性相关的系数(扩展数据图)转换为碳密度。4）.地上草本碳来源于参考文献。36。0 - 1000毫米年的样本量−1降雨量为9947310221树冠>.3 m2。

全尺寸图像

现有的碳密度图与我们基于单个树木的评估进行了不同的比较，并且在地图之间几乎没有空间一致性(图2)。2 a, b）.值得注意的是，尽管在以前的地图中，碳密度相对较低的分散树木区域大部分被绘制为零碳，但参考文献除外。9在美国，树木覆盖较密集的地区和一些典型的没有树木的地区，如湿地、灌溉农田和沙漠山脉，其值比我们的评估值高得多。与我们的结果相比，这导致该地区的总体碳储量更高。虽然我们在研究中没有绘制草本植被图，但我们绘制的树木覆盖可以用来从树木中分解草本植被(扩展数据图2)。5）.

在区域尺度上，动态生态系统模式植被碳表现出相当大的变异性，但平均值遵循我们沿降雨梯度对草本、木材、叶片和根系碳的估计(图2)。2摄氏度）.值得注意的是，尽管以前的研究假设生态系统模型低估了旱地碳储量，但我们的研究结果显示，与基于单个树木的评估相比，模型输出的总体值更高，尽管模型之间存在很大差异。仅考虑地上碳，LPJ-GUESS的例子显示出略低于我们的评估值，直到约800 mm年−1降雨(图。二维）.

生态系统模型和以前基于卫星的碳图都与我们在700-800 mm年以上的结果明显不同−1降雨。所有其他的地图都假设在这个降雨区域以外的降雨量持续增加，然而我们的结果在每年800毫米处达到了一个平台−1在年降雨量达到1000毫米的情况下，碳没有进一步增加−1。我们承认，我们的结果的不确定性随着冠层覆盖的增加而增加，并且我们忽略了所有的林下植被。然而，从我们的数据中对降雨量-树木密度关系的统计评估表明，每棵树的碳储量(图2)和树木的碳储量(图2)都没有变化。1 d)，而树木盖度则在每年800至1,000毫米之间进一步增加−1降雨(图。3）.树冠面积<50 m的乔木2占树木总数的88%，而在我们的研究中，半干旱和半湿润地区的树木占总碳的90%(图2)。3.）.

图3:降水量、树碳和树冠面积。
图3

一个，超干旱年(0 ~ 150 mm)沿降雨梯度计算的树碳概率密度函数−1)，干旱(150-300毫米年−1)，半干旱(300-600毫米年−1)和干燥的半湿润(每年600-1,000毫米)−1)雨区。每个半干旱区面积的百分比用蓝色表示，总碳的百分比用红色表示。树碳概率函数的增加表明降水对半干旱区树碳的重要性。大部分树木碳分布在半干旱地区(26%)和干燥的半湿润地区(64%)，它们只占我们研究区域的30%。降雨区碳密度贡献百分比与树木碳密度(Mg C ha)呈线性相关−1)，见图。1 c是原来的2.5倍。b88.4%的树冠面积小于50 m2。0 ~ 150 mm年平均树冠面积−1面积15.1 m2，为150-300毫米年−1区域为18.4米2，为300-600毫米年−1区域为20.9米2在600 - 1000毫米的年份−1区域为28.1 m2。在我们绘制的树木中，只有11.6%的树冠面积达到50米2树冠面积小于200 m的不到0.6%2。

全尺寸图像

应用程序在树级别

通过与动态全球植被模型和现有生物量图的比较，在粗比尺上显示出一些相似的模式，但这些图都不能用于获得决策者和决策者所需的单个树木水平的信息。出于这个原因，我们引入了一个查看器(图1)。4)，它建立在Mapbox和OpenStreetMap的基础上，任何人都可以从任何地方在线访问。观察者将所有99亿棵树作为对象，每棵树的木材、叶子和根系都可以单独访问。作为一个例子，我们展示了Widou Thiengoly地区，这是塞内加尔的一个地区，在过去的几十年里，绿色长城的植树造林一直在推广。4）.虽然以前对植树造林成功的评估是基于叙述、视觉解释或实地考察，但观众提供了一个公正的工具来评估倡议的成功和失败，以及量化每棵种植的树所获得的碳储量或每棵移除/死亡的树所损失的碳储量。示例如图5所示。4表明，该干旱地区高密度人工林的碳密度值约为5 Mg C ha−1(无花果。1 c)，但种植树木的成活率长期以来一直是一个令人关切的问题，需要仔细监测，以便能够评估萨赫勒植树方案的效果。

图4:查看器的不同组件。
图4

这个例子展示了位于半干旱塞内加尔的Widou Thiengoly，周围环绕着树木种植园，这些种植园部分与绿色长城有关34该项目旨在增加萨赫勒地区的树木密度并改善生计。一个，树冠分割从神经网络映射。b，计算每棵树的木材、树叶和根碳(方法）.c，每公顷碳密度由单树碳储量累积到公顷尺度。d，我们的查看器包含来自的所有信息一个来c。这个在线工具提供有关冠面积的信息;单株树木的叶片、木材和根碳;以公顷为单位聚集碳。政策制定者和利益相关者可以访问这些数据，以监测感兴趣的领域。查看器可在以下位置访问https://trees.pgc.umn.edu/app。

全尺寸图像

另一个例子显示，在塞内加尔Khombole北部的一个农林业地区，树木密度相对较高，这大大增加了该地区的碳储量。示例区域如图5所示。5在2002年至2021年期间，碳密度几乎翻了一番(图2)。5）.

图5:塞内加尔Khombole单株树水平的监测。
图5

一个，b， 2002年的50厘米影像(一个)和2021年的50厘米卫星图像(b)，显示同一地点的农林业地区。2002年至2021年期间，树木覆盖率有所增加，对这两个地区的平均碳密度进行了计算，从6毫克公顷增加到10毫克公顷−1。大量的树木生长在农田上，保持土壤肥沃，减少了休耕期的需要。背景图像的灰度表示每公顷的碳密度，而彩色表示每棵树的碳含量。这是我们研究区树木恢复监测潜力的一个很好的例子。

全尺寸图像

讨论

我们的评估是在单个树木水平上对木材、叶片和根系碳的大规模估计。全球生态系统模型和以前的碳密度图估计非洲旱地的碳储量高于我们基于99亿棵树的评估，这一发现似乎令人惊讶，因为目前的树木覆盖图不能正确地计算分散的树木，因此应该大大低估了这些地区的树木数量1。对于这一明显的悖论——更高的树木覆盖率但更少的碳含量——的解释与这样一个事实有关，即以前的模型很少在非常稀疏的树木覆盖区域开发、训练和验证，因此对树木分散的旱地留下了很高的不确定性。因此，树木分散的区域通常用零值表示(图1)。6)，而在以前的评估中，较大的树木群的碳密度可能被高估了，因为这些地区被错误地认为是茂密的森林。从本质上讲，大多数以前的评估都不能准确地绘制出低于10mg C ha的碳密度−1而且可能高估了旱地“森林”的碳储量。此外，如果将该区域作为一个整体，绿色作物和草本植被会影响光学图像，而陡峭的地形和湿地/灌溉区会影响雷达后向散射，两者预测的碳储量都比我们的估计高。虽然我们使用的异速生长方程是根据当地采样的野外数据开发的19， 95%的树木树冠面积<78 m2。这就引入了5%树冠的碳值的一个小的不确定性2在更潮湿的地区，树木更高或更大。

图6:不同地表碳密度图对比。
图6

我们展示了我们研究区域的地上碳密度与不同来源的比较。每年超过1000毫米的地区−1雨水被掩盖了。数据来自Santoro等人。11（一个)， Baccini等人。7（b)， Hanan等。9（c)， Bouvet等。8（d)和Tucker等人(本文;树叶及树木)(e）.另见图1。2及扩展数据图3.。

全尺寸图像

然而，我们的结果与以前在高降雨量地区的评估之间的差异需要进一步调查，我们的地图应该谨慎使用超过800毫米年−1降雨。间接包含树高和对所有树种应用相同的方程是不确定因素，将在数据集的未来版本中进行评估。最后，在树木茂密的地区，较大的树木遮蔽了较小的树木，这使得基于单个树木计数的方法不太适合更潮湿的地区。

草本干物质对年碳密度的贡献较大。然而，该地区大多数草本植物是一年生植物，每年死亡，不构成剩余碳储量，但具有较高的年际变异性。在我们的研究中使用的草本块36显示了季节性峰值，在短短几周内下降了约25%(扩展数据图)。1和5）.传统上，利用光学和雷达卫星数据对草本植被和木本植被进行遥感分离具有挑战性。我们通过测量单个树冠面积来克服这个问题。

生态系统模型和我们的研究之间的碳差异可以用每个模型假设的不同森林分数来解释(扩展数据图1)。6）.大多数全球动态植被模型没有模拟森林以外的树木，木质碳通常是预定义森林区域的总和。差异也可能是由于对干扰的简化处理，特别是火灾、放牧，以及我们在估算中没有包括地下草本碳这一事实。尽管如此，动态植被模型的结果比以前假设的更接近我们的估计，并且我们的数据可能会改进未来的建模结果，导致对气候变化对旱地影响的更现实的预测。

旱地树木不仅是碳储存库，而且还提供对环境和支持当地生计有价值的生态系统服务，包括木材、薪柴、防止土壤侵蚀和流失、土壤施肥、树木作物的遮荫和营养15。增加树木覆盖的好处很多，迫切需要建立一个旱地树木的业务监测系统。森林外树木的生长和死亡动态是基于空间分辨率为10米的卫星图像的传统监测系统无法探测到的。尽管我们目前在单个树的水平上的评估还不包括时间维度(除了图2中提供的示例案例)。5)，它是次大陆尺度森林以外树木数量、质量和碳储量的基线。公众可用的查看器使科学家、政策制定者、利益相关者和个体农民可以访问这些信息，他们可以轻松地量化特定地区的木质碳储量，精确到私人院子里生长的一棵树的水平。

下一步将是在我们描述的墙到墙映射中添加一个时间维度，我们希望从这个数据来源中，至少在十年的时间步骤中，这是可能的。这将有助于在各个尺度上解决干旱、恢复和政策的影响，直至单个树木的水平。高空间分辨率是改善旱地树木资源的关键。不断增加的卫星图像的可用性将使对单个树木水平的碳库和动态的大陆尺度评估在接近实时的情况下变得现实。这将是制定实现联合国可持续发展目标所需的强有力的旱地管理计划的关键。我们的论文是这个过程中的一个步骤。

方法

概述

这项研究建立了一个框架，用于在赤道以北半干旱的撒哈拉以南非洲的次大陆尺度上绘制单个树木的碳储量。我们使用了旱季早期的卫星图像(扩展数据图)。1）.前人研究开发的深度学习方法1使我们能够以50厘米的尺度绘制从西非到红海的数十亿个离散的树冠。然后利用异速生长法将0 ~ 1000 mm年的树冠面积转化为木材、叶片和根系碳−1在我们的异速测量被收集的降水区(扩展数据图)。2）.我们介绍了一个查看器，可以以不同的尺度查看数十亿棵树，并提供位置信息、所使用的Maxar卫星图像元数据、树冠面积以及基于异速测量法估算的木材、树叶和根系碳含量(图2)。4）.我们还提供了1000毫米年产量的产量数据−1利用位置、降水、Maxar卫星影像元数据、树冠面积、树木木材碳、树根碳和树叶碳等信息，对南向9.5°N的降水带进行了模拟。

卫星图像

我们使用了2002年11月至2020年3月在非洲通用横向墨卡托(UTM)区域28-37内的9.5°N至24°N范围内从QuickBird-2、GeoEye-1、WorldView-2和WorldView-3卫星收集的326,523张Maxar多光谱图像(扩展数据表)1）.这些图像是由NASA通过国家地理空间情报局的NextView许可证获得的。数据是在几年的时间里收集的，重点放在后来的年份，以实现相对最近和完整的全面覆盖。

若干年来使用不同卫星的卫星数据，太阳-目标-卫星的角度不同，卫星光谱波段的辐射校准不同，地表成像所用的大气成分也不同，使用数十万张卫星图像进行定量分析有两种可能性。美国宇航局、美国国家海洋和大气管理局和欧洲航天局的地球观测卫星方案中广泛使用的一种方法是定量地按时间对卫星频道进行辐射校准;校正这些随时间变化的大气效应，如气溶胶、云、雾霾、烟雾、灰尘和其他大气成分效应，然后将观测视角归一化为相同的太阳-目标-卫星角度38。另一种方法是利用收集到的卫星数据;集合不同卫星在不同太阳-目标-卫星角度、不同时间、不同大气条件下观测到的树木训练数据，利用机器学习和高性能计算进行50厘米尺度的树木制图。机器学习成功的关键是考虑到训练数据中研究领域内的所有变异来源，以确保在所有情况下准确识别树木。我们的研究对象包括:基本上在离底点观测的树木、在不同气溶胶光学厚度下采集的树木、在卷云条件下采集的树木、在正向和反向扫描方向上观测的树木、在沙土上观测的树木、在粘土上观测的树木、在烧伤痕上观测的树木、在红土地区观测的树木和在河流环境下观测的树木。我们的训练数据是由一名团队成员收集的，是在一系列大气条件、视角和生态环境下精心挑选的89,899棵树的人工描绘。

所有与Maxar图像相关的多光谱和全色波段都被正校正到一个共同的映射基础上。接下来，我们用相关的全色波段将所有多光谱波段泛锐化到0.5 m尺度。考虑QuickBird-2、GeoEye-1、WorldView-2和WorldView-3卫星(扩展数据表)的均方根定位误差，0.5 m尺度像素点的绝对定位不确定性约为±11 m1）.我们形成了归一化植被指数(NDVI)39从每一幅图像中，以传统的方式从泛锐化的红色和近红外波段。我们还将全色波段与NDVI波段相关联，并确保全色波段和NDVI波段高度共配准。NDVI用于区分树冠和非植被背景，因为这些图像是在该地区只有木本植物光合作用活跃的时期拍摄的36。我们的训练数据是在早期旱季的图像上进行标记的，当时只有树木有绿叶。由于大多数半干旱大草原树木在草本植被衰老后的早期旱季继续进行光合作用，因此绿叶树冠的NDVI值高于其衰老的草本植被环境，因此很容易绘制。我们通过分析308棵树的NDVI时间序列和4米PlanetScope图像来证实这一点，该图像强调了11月，12月和1月早期旱季月份的卫星数据的重要性。1）.

接下来，我们通过应用一组决策规则将数据形成马赛克，从而在非洲从9.5°N到24°N的每个UTM区域内收集16 × 16公里的瓷砖。第一轮评分考虑了百分比云量、太阳仰角和传感器离最低点角度:优先考虑云量较低的图像，然后是较高的太阳仰角，最后是最接近最低点的视角。在第二轮评分中，优先选择早旱季月份和非最低点视角的图像:优先选择11月、12月和1月非最低点视角小于±15°的图像;其次是11月至1月的影像，离谷底角度在±15°至±30°之间;三是二月或三月的影像，离谷底角度小于±15°;最后是二月或三月的影像，离谷底角度在±15°至±30°之间。图像拼接是必要的，以消除多次计数的树木。我们使用94,502张图像进行树木分割，其中94%的图像来自11月、12月和1月。我们所选择的马赛克图像中，90%在最低点±15°范围内，87%在2010年至2020年期间获得，94%来自旱季早期(扩展数据图)。7）.月、年、太阳高程、离谷底角按UTM区汇总见补充资料图。1。

可能被云层遮挡的地表占我们输入的马赛克数据面积的4.1%，在470-nm处气溶胶光学深度>.6(参考文献)。40)区域，占我们输入数据的3.4%。然而，我们在可能受云层覆盖和气溶胶影响的地区绘制了691,477,772棵树的地图，表明云和气溶胶的影响低于这些数字。此外，我们输入的数据中有0.9%没有处理。针对这三种情况，我们在查看器中包含一个数据层。

用深度学习映射树冠

我们使用了先前研究开发的卷积神经网络模型1。这些模型是用沿着南北梯度从0到1000毫米年的89,899棵单独的树进行人工描绘和注释的训练−1降雨1。只包括那些显示出明显的树冠面积和相关阴影的特征，排除了小灌木、草丛、岩石和其他可能有绿叶或投下阴影的特征。所有训练数据和模型训练均在UTM 28区和29区进行。因为树木区系多样性在0 - 1000毫米年−1我们研究的区域从大西洋到横跨非洲的红海高度相似41，42，43，当我们的研究进一步向东移动时，我们没有添加进一步的训练数据。我们使用最先进的深度学习技术在50厘米的尺度上分割树冠1。我们使用了基于U-Net架构的两种不同模型，其中一种用于年降雨量<150毫米的低降雨量沙漠地区−1年平均降水量在100 ~ 150毫米的地区−1。关于网络架构、训练过程和超参数选择的详细信息可以在参考文献中找到。1。先前的评价表明，早期旱季图像比后期旱季图像表现更好，这是我们之前研究的局限性。我们通过使用旱季早期的图像来减少这一误差，2月和3月的图像只覆盖了我们地区的6%。这些模型还被设计成在学习过程中通过突出显示不同树冠之间的空间来分离成团的树木，类似于在显微镜图像中分离触摸细胞的策略22。

异速生长

非常高分辨率的卫星图像和深度学习已经实现了大面积单个树木的映射1。每棵树在卫星数据中都是地理参考，并由树冠面积定义。挑战在于建立基于树冠面积的叶片、木材和根系干质量或碳的异速生长方程。这是通过重新分析现有的萨赫勒和苏丹木本植物的破坏性采样数据来实现的。总体而言，测定了27种、26种和5种乔灌木900株、698株和26株的季最大叶、木、根干质量，并测定了树冠面积。对叶片、木材或根质量进行的几种异速生长回归模型是幂函数，与物种无关。通过对预测不确定性的系统估计，以及在树冠面积范围内的根木比和叶木比，对所有回归结果进行了拟合指标的相互比较。这就产生了一组以冠面积为自变量的普通最小二乘对数方程。还将萨赫勒和苏丹的异速生长方程与已发表的热带树木异速生长方程进行了比较，这些热带树木主要来自更潮湿的热带地区，通常基于茎粗、树高和木材密度。我们的异速生长预测在其他异速生长预测的范围内，加强了对它们在萨赫勒和苏丹地区以外的亚湿润稀树草原上用于离散树木的信心19。

在参考的基础上。19，我们预测木材(w)、叶片(f)和根(r)干质量是树冠面积(一个)，如:

c数组$ $ \开始{}{}{\文本{质量}}_ {{\ rm {w}}} (A) = 3.9448 \ *{一}^ {1.1068}\,({N} _ {{\ rm {w}}} = 698) \ \{\文本{质量}}_ {{\ rm {f}}} (A) = 0.2693 \ *{一}^ {0.9441}\,({N} _ {{\ rm {f}}} = 900) \ \{\文本{质量}}_ {{\ rm {r}}} (A) = 0.8339 \ *{一}^ {1.1730}\,({N} _ {{\ rm {r}}} = 26) \{数组}$ $

结合木材、叶片和根系的质量组成来预测总质量(一个从树的树冠上取下一公斤的重量一个在米2：

$ ${质量}\ \文本左(\)={\文本{质量}}_ {{\ rm {w}}} \离开(\)+{\文本{质量}}_ {{\ rm {f}}} \离开(\)+{\文本{质量}}_ {{\ rm {r}}} \ (\) $ $

如ref。1，一个大小的皇冠面积一个> 200米2被分成了\({\rm{\lfloor}}A/100{\rm{\rfloor}}\)面积100米2剩下的面积是m2如果有必要的话)。我们将干质量与0.47(参考文献)相乘，将其转化为碳。44）.

不确定性分析

我们用两种方法来评估树冠面积制图和碳估算的不确定性。首先，我们通过检查从UTM区域28-37中随机选择的区域来量化树冠映射的遗漏和调试误差，验证我们的神经网络在UTM区域上的一致性(扩展数据图)。8）.

其次，我们量化了树冠面积估算的相对误差。我们考虑不确定性Δx数量的x以及相应的相对不确定度δx分别由绝对误差和相对误差定义45。为了评估由神经网络误差引起的冠面积估计的相对误差，我们考虑了来自参考文献的外部验证数据。1，这些都没有在模型构建过程中使用。我们考虑了专家标记的树冠以及来自78个256 × 256像素的预测树冠。手工标记的一组包含5,925棵树，系统描绘了5,915棵树。总手工标记树冠面积为118,327 m2神经网络预测了121,898 m2。这给了一个相对的误差在冠面积映射δ区域= 3.3%。我们匹配了专家标记和预测的树冠，并计算了每棵树的均方根误差(RMSE)，考虑了重叠区域和遗漏的树木(见扩展数据图)。8）.我们估计异速生长不确定度(δ异速生长的)中引用的数据。19(见下文)。两个相对误差δ区域和δ异速生长的对碳预测的总体不确定性估计为±19.8%(见下文)。

遗漏和委托错误

我们通过分析1028个随机选择的512 × 256像素区域，覆盖9.5°N至24°N纬度的UTM区域28-37，评估了我们的树冠制图精度。因为我们研究区域的干燥60%只包含了我们在0 - 1000毫米年绘制的9,947,310,221棵树的1%−1降雨区，我们采用80%的偏差来选择200毫米以上的评价区−1沉淀线461998年，98%的树木鉴定在200 mm年以上−1降水等值线。在0 ~ 15 m范围内，将识别到的树木多边形进一步划分为树冠区类2， 15-50米2， 50-200米2然后bbb200米2，共评估了50,570棵树。尽管先前的一项研究报告了最小和最大区域类别的最大不确定性1，我们更广泛的研究发现，最小的树类中存在最大的不确定性。我们从评估中排除了任何具有年降水量的瓦片46>年1000毫米−1所有没有植被的地区，只剩下850个地区。

我们团队的七名成员根据850个地区的树冠面积类别评估了佣金和遗漏的准确性。为每个区域提供的输入数据是NDVI层、全色阴影层和四种冠区类别的神经网络映射结果。评估人员可获得的辅助数据包括用于与谷歌地球数据比较的中心坐标、Funk等。46降雨量、评估面积的采集日期和观测视角。

我们识别了被错误分类为树冠的区域(委托错误)、被遗漏的树木(遗漏错误)和对应于成团树木的树冠区域(扩展数据图)。8）.丛状乔木在海拔100 ~ 200米范围内最为常见2树冠面积。他们在3-15米的比赛中很少见215-50米2树类，占树冠的88%。在850个斑块中，树木的数量从1棵到326棵不等，总共评估了50,570棵树，发现了3,765个错误。总体而言，误差率和遗漏率分别为4.9%和2.7%，净不确定性为2.2%。

异速不确定度估计

单株树冠面积对树木碳的预测本身就具有不确定性47，48。由于异速生长方程基于三个不同的数据集，我们独立计算它们的不确定度，将它们组合起来，并将它们与三个数据集中测量的总碳量联系起来。

利用仿射线性模型的最优最小二乘拟合建立异速生长方程，从对数树冠面积预测对数碳19。为了估计异速生长方程的不确定性，我们使用随机次抽样重复拟合。数据集随机分为训练数据(80%)和验证数据(20%)，用于拟合异速生长方程和评估不确定性。例如，根据根的测量，\ (({} _ {1}, {y} _ {1}), \ ldots({一}_ {{N} _ {{\ rm {r}}}} \,, {y} _ {{N} _ {{\ rm {r}}}}) \)，我们计算\({\μ}_ {{\ rm {r}}} = \压裂{1}{{N} _ {{\ rm {r}}}} \ mathop{总和\}\ limits_ {i = 1} ^ {{N} _ {{\ rm {r}}}} {y} _{我}\)和\({\帽子{\μ}}_ {{\ rm {r}}} = \压裂{1}{{N} _ {{\ rm {r}}}} \ mathop{总和\}\ limits_ {i = 1} ^ {{N} _ {{\ rm {r}}}}{\文本{质量}}_ {{\ rm {r}}}({一}_{我})\)。对应的误差为\ ({\ varDelta} _ {{\ rm {r}}} = |{\μ}_ {{\ rm {r}}} -{\帽子{\μ}}_ {{\ rm {r}}} | \)。

由于树冠面积一定的树木的总碳量是这三种碳组分的总和，我们在假设独立的情况下加入绝对不确定性45。

$ $ {\ varDelta} _ {{\ rm{一}}{\ rm {l}} {\ rm {l}} {\ rm {o}} {\ rm {m}} {\ rm {e}} {\ rm {t}} {\ rm {r}} {\ rm{我}}{\ rm {c}}} \ simeq \√6 {{\ varDelta} _ {{\ rm {f}}} ^ {2} + {\ varDelta} _ {{\ rm {w}}} ^ {2} + {\ varDelta} _ {{\ rm {r}}} ^ {2}} $ $

计算相对不确定度为\({\三角洲}_{\文本{异速生长的}}= \压裂{{\ varDelta} _{\文本{异速生长的}}}{{\μ}_{\文本{质量}}}\)，其中平均质量μ质量由木材(μw)，树叶(μf)及根(μr）.此过程重复10次，平均相对不确定度为

$${\bar{\delta}}_{\rm{异速体}}}=19.5 \% .$$

总碳不确定度

我们将神经网络映射的不确定性与我们的异速生长方程结合起来，这可以看作是考虑(1 +一个) (1 +B),一个和B是有标准差的随机变量δ区域和δ异速生长的。忽略高阶项和相互作用项，我们将不确定性的两个来源结合到\ \三角洲\ simeq \√{{\三角洲}_ {{\ rm{区}}}^{2}+{\酒吧{\三角洲}}_ {{\ rm{异速生长的}}}^ {2}}\)，导致我们研究中树木总碳的不确定性为±19.8%。另见扩展数据图。9为我们根据参考文献的外部验证数据计算的预测冠面积的均方根误差。1根据手工标记的树冠面积的第50个分位数进行分类，并将其转化为碳。扩展数据图10是一个流程图，总结了我们的方法。

我们的观众

以交互式格式可视化我们的大型树映射数据集对于质量控制、数据探索和假设创建至关重要。创建一个基于网络的查看器的目的是作为与我们的研究人员，当地利益相关者或公众数据集交互的初始点。在web浏览器中可视化超过100亿棵树需要维护每个多边形的性能、交互性和单独的元数据。用户应该能够放大到数据集中的任何区域，以查看单个树多边形并查询其统计数据，同时以较低的缩放级别准确地描绘数据集的整体趋势。可视化还需要清楚地指出数据丢失或可能受云或气溶胶影响的地方。最后，需要提供源图像的范围和来源、获取日期和图像预览。为了实现这些目标，采用了一种基于矢量图的方法，将数据可视化到React web应用程序中的Mapbox GL JS地图中。为了创建覆盖整个研究区域的矢量图，我们开发了一个使用高性能计算资源的数据处理管道，将数据转换为兼容格式，以及打包、优化和组合矢量图本身。

我们使用两种路径在网络上存储和可视化这项研究的结果:向量多边形数据和表示树冠密度的广义光栅。在50厘米的原始空间分辨率下，地图显示了全分辨率的树多边形数据集。在较低的空间分辨率缩放级别，显示树密度的栅格化表示。可视化广义光栅代替矢量多边形大大提高了性能。当用户放大到更高的空间分辨率时，栅格层会逐渐消失，并被全分辨率多边形层所取代。一旦放大到足以分辨单个多边形，用户可以点击选择一个多边形，以显示包含树的各种属性的地图覆盖，以及获取源图像的日期和预览源图像的链接。

降雨量数据

我们使用Funk等人的降雨数据来估计5.6 m网格的年降雨量46。我们对1982年至2017年的可用数据进行了平均，提取了每棵地图树的年平均降雨量，并将其线性插值到100 × 100米的分辨率。利用降水资料将研究区划分为0 ~ 150 mm年的超干旱区−1年干旱150-300毫米−1年降雨量300-600毫米，半干旱−1年湿润度为600 - 1000毫米−1区。雨量资料载于https://data.chc.ucsb.edu/products/CHIRPS-2.0/africa_monthly/(ref。46）.