摘要
在次大陆到大陆尺度上,旱地树木的分布及其密度、盖度、大小、质量和碳含量尚不清楚1,2,3.,4,5,6,7,8,9,10,11,12,13,14。这一信息对生态保护、碳核算、减缓气候变化和恢复旱地生态系统的努力具有重要意义15,16,17,18。我们评估了来自30多万张卫星图像的99多亿棵树,覆盖了赤道以北半干旱的撒哈拉以南非洲地区。我们将每棵树在0 - 1000毫米年里的木材、树叶和根系碳都归为碳−1耦合野外资料的降雨区19、机器学习20.,21,22、卫星数据和高性能计算。单株树木的平均碳储量为0.54 Mg C ha−1和63公斤C树−1在干旱区为3.7 Mg C ha−198公斤的树−1在半湿润地带。总体而言,我们估计研究区域的总碳含量为0.84(±19.8%)Pg C。与之前14项新潮数值模拟研究的比较23研究发现,3个模型均低估了散乱树种的密度,11个模型均高估了散乱树种的碳储量。这种基准可以帮助了解碳循环并解决对土地退化的担忧24,25,26,27,28,29。我们为科学家、政策制定者、旱地恢复从业者和农民提供了每棵树的木材质量、叶片质量、根系质量和碳储量的链接数据库,他们可以用平板电脑或笔记本电脑来估计农田树木的碳储量。
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%。
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。
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.).
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。
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).
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。
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:
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:
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。
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
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).
数据可用性
查看器可在以下位置访问https://trees.pgc.umn.edu/app。Funk等人的降雨数据46免费下载,网址为https://data.chc.ucsb.edu/products/CHIRPS-2.0/africa_monthly/。商业高分辨率卫星图像是根据NextView图像最终用户许可协议通过NASA获得的。版权归Maxar, Inc.所有,不能再分发。然而,这项研究产生的衍生产品在橡树岭国家实验室的分布式活跃档案中心是公开的:https://doi.org/10.3334/ORNLDAAC/2117。如有更具体的要求,请联系c.t., M.B.或P.H.。我们对95,402张选定的马赛克图像的处理数据的详细描述,包括输出数据、受气溶胶光学深度和云量影响的特定切线;我们研究的各UTM带段的年、月、太阳方位角和离底角的数据分布,也可在https://doi.org/10.3334/ORNLDAAC/2117。
代码的可用性
基于U-Net的树检测框架可在https://zenodo.org/record/3978185。请联系a.k., c.i., M.B.或J.M.寻求支持和更多信息。
参考文献
勃兰特,M.等人。西非撒哈拉和萨赫勒地区的树木数量出人意料地多。自然587, 78-82(2020)。
Axelsson, C. R. & Hanan, N. P.非洲大草原上木本植被结构的模式。Biogeosciences14中文信息学报,3239-3252(2017)。
克劳瑟,t.w.等。在全球范围内绘制树木密度。自然525, 201-205(2015)。
廷,肯尼迪。et al。旱地生物群落中森林的范围。科学356, 635-638(2017)。
汉森,m.c.等。21世纪森林覆盖变化的高分辨率全球地图。科学342, 850-853(2013)。
available, V.等。使用多个参考数据集的综合泛热带生物量图。水珠。改变医学杂志。22, 1406-1420(2016)。
Baccini, A.等。碳密度图改进了热带森林砍伐造成的二氧化碳排放量估算。Nat,爬。改变2, 182-185(2012)。
Bouvet, A.等。来自ALOS PALSAR的25米分辨率的非洲大草原和林地地上生物量图。遥感,环境。206, 156-173(2018)。
哈南,n.p.等人。2000-2004年撒哈拉以南非洲地区林木覆盖和生物量的网格化估计。ORNL DAAChttps://doi.org/10.3334/ORNLDAAC/1777(2020)。
萨奇,s.s.等人。三大洲热带地区森林碳储量基准图。自然科学进展。美国108, 9999 - 9904(2011)。
桑托罗,M.等。根据高分辨率卫星观测估计的2010年全球森林地上生物量库。地球系统。科学。数据13中文信息学报,3927-3950(2021)。
Skole, D. L., Samek, J. H., Dieng, M. & Mbow, C.西非森林外树木对景观碳和气候变化减缓的贡献。森林12, 1652(2021)。
哈里斯,n.l.等。21世纪森林碳通量的全球地图。Nat,爬。改变11, 234-240(2021)。
de Foresta, H.等。面向森林外树木的评估:在全球森林资源评估框架下编写的专题报告。森林资源评价工作文件(粮农组织,2013年)。
巴亚拉,J.等。在西非萨赫勒地区建立缓冲气候风险和维持农业生产的公园地。咕咕叫。当今。环绕。维持。6, 28-34(2014)。
斯金格,l.c.等。旱地碳固存、生计和生态系统服务提供联系起来的挑战和机遇。环绕。科学。政策月19日至20日, 121-135(2012)。
布里托,j.c.等。揭示撒哈拉-萨赫勒地区的生物多样性、进化及其对保护的威胁。医学杂志。牧师。89, 215-231(2014)。
廷,肯尼迪。et al。全球树木恢复潜力。科学365, 76-79(2019)。
耶罗诺,P.等人。利用高分辨率卫星图像估算萨赫勒木本植物干质量的异速生长方程。对。生态。等内容。529, 120653(2023)。
LeCun, Y., Bengio, Y.和Hinton, G.深度学习。自然521, 436-444(2015)。
Reichstein等人。数据驱动的地球系统科学的深度学习和过程理解。自然566, 195-204(2019)。
Ronneberger, O., Fischer, P. & Brox, T. U-Net:用于生物医学图像分割的卷积网络。在医学图像计算与计算机辅助干预(MICCAI 2015)(eds Navab, N. et al.) 234-241 (bb2010, 2015)。
西奇,S.等。区域二氧化碳源和汇的近期趋势和驱动因素。Biogeosciences12, 653-679(2015)。
荒漠化与发展:一些更广泛的背景。J.干旱环境。193中文信息学报,104575(2021)。
Burrell, a.l., Evans, j.p.和De Kauwe, m.g.。人为的气候变化已经驱动了超过500万公里2旱地走向沙漠化。Commun Nat。11中文信息学报,3853(2020)。
非洲旱地沙漠化的性质、原因和后果。土地Degrad。Dev。9, 1-20(1998)。
恐惧的历史:想象西非旱地森林的砍伐。水珠。生态。Biogeogr。8, 291-300(1999)。
Fairhead, J. & Leach, M.;重构砍伐森林:全球分析与地方现实:西非研究(出版社,2003)。
里德,J.等。生命之树:树木对热带地区粮食生产和生计的生态系统服务贡献。对。经济政策。84, 62-71(2017)。
Descroix, L.等。萨赫勒-苏丹地带地表水文演变:最新综述。水10, 748(2018)。
温德林,V.等。干旱引起的萨赫勒地区生态水文系统的制度转变和恢复力。环绕。卷。14, 105005(2019)。
斯科尔,d.l.等。森林以外的树木是自然的气候解决方案。Nat,爬。改变11, 1013-1016(2021)。
O’connor, D. & Ford, J.提高“绿色长城”作为适应萨赫勒地区气候变化和荒漠化影响的有效性。可持续性6[j] .中文信息学报,2014。
Mirzabaev, A.等。经济效率和非洲绿色长城的目标。Nat。维持。5, 17-25(2022)。
萨赫勒地区选择物种和利用本地物种恢复自然资本的社区参与和生态标准。备份文件夹。生态。24, 479-488(2016)。
勃兰特,M.等人。降雨分布的变化促进了萨赫勒地区木本植物的生产。Commun。医学杂志。2, 133(2019)。
Wigneron, j。et al。SMOS-IC数据记录土壤水分与L-VOD:历史发展、应用与展望遥感,环境。254, 112238(2021)。
Schaaf, c.b.等。第一个操作BRDF,反照率最低值反射率产品从MODIS。遥感,环境。83, 135-148(2002)。
塔克,C. J.雷德和摄影红外线性组合监测植被。遥感,环境。8, 127-150(1979)。
Lyapustin, A, Wang, Y, Korkin, S. & Huang, D. MODIS采集6 MAIAC算法。大气压。量。技术。11, 5741-5765(2018)。
P.赫尔诺和h .勒·霍罗。萨赫勒parcours。Secheresse17, 51-71(2006)。
白色,F。非洲的植被《自然资源研究》,教科文组织第20卷(教科文组织出版社,1983年)。
施耐尔,R。导言:热带植物组织。La Flore et La vacimgsamtation de l' africque tropical(Gauthier-Villars, 1976)。
M. E. McGroddy, Daufresne, T.和Hedin, L.全球森林碳:氮:磷化学计量的标度:陆地红场类型比值的意义。生态85中文信息学报,2390-2401(2004)。
贝文顿,P.和罗宾逊,D. K.。物理科学的数据缩减与误差分析第三版(麦格劳-希尔,2003年)。
芬克,C.等。气候危害观测站红外降水——极端环境监测新记录。科学。数据2, 150066(2015)。
Djomo, a . N. & Chimi, C. D.热带潮湿森林中估算上、下和总生物量的树木异速生长方程:遥感应用的案例研究。对。生态。等内容。391, 184-193(2017)。
Kuyah, S.等。估算农业景观生物量的异速生长方程:2。地下的生物量。阿格利司。Ecosyst。环绕。158, 225-234(2012)。
达德尔,C.等。重新绿化萨赫勒:30年遥感数据和实地观测(马里、尼日尔)。遥感,环境。140, 350-364(2014)。
GIMMS全球农业监测系统。美国国家航空航天局https://glam1.gsfc.nasa.gov(2022)。
致谢
我们感谢Maxar公司通过NextView图像最终用户许可协议提供商业卫星数据。m.b.a.和F.R.由欧洲研究委员会(ERC)在欧盟地平线2020研究与创新计划(资助协议号:947757 TOFDRY)和DFF Sapere Aude资助(no. 947757 TOFDRY)。9064 - 00049 b)。a.k., R.F.和C.I.感谢Villum基金会对“深度学习和遥感解锁全球生态系统资源动态”项目的支持。34306)。C.I.感谢先锋人工智能中心的支持,DNRF拨款号P1。NASA通过商业小卫星数据采集(CDSA)计划支持这项工作。我们感谢NASA的K. Murphy和A. Hall为这项工作提供资金;感谢NASA的T. Lee和D. Duffy支持我们使用Maxar数据; B. Kramer, B. Bode and the entire Blue Waters staff who enabled our extensive use of high-performance computing to map 9,947,310,221 trees and convert them into wood, foliage and root carbon.
作者信息
作者及单位
贡献
c.t., m.b., P.H.和A.K.对论文的贡献相同,应被视为第一作者。在k.r.、R.F.和P.H.的支持下,C.T.和M.B.协调了研究并起草了手稿。P.H.、P.S.和b.a.i.收集、组装并开发了异速生长方程。卫星数据由J.M.、s.s Sinno、J.M.、C.P.和Y.F. J.M.负责准备,J.M.指导评估工作,由k.m.、E.R、d.m.、a.m.、a.k.、J.S.和C.T.进行。树木检测由J.M.、J.S.和s.s Sinno在蓝水超级计算机上进行处理。生态系统模型由B.P.和P.C.运行和分析。LVOD数据由j.p.w.和M.B.准备。数据由j.p.、e.r.、e.g.、r.f.、j.m.、d.m.、a.m.、A.K.、k.m.、j.s.、M.B.、f.r.、c.t.、C.I.、r.k.、r.m.、s.saatchi和Y.F.分析。物候学由Y.F.、P.H.和L.K.提供。观察器由p.p.和S.L.开发
相应的作者
道德声明
相互竞争的利益
作者声明没有与之竞争的经济利益。
同行评审
同行评议信息
自然感谢Jules Bayala和其他匿名审稿人对这项工作的同行评审所做的贡献。同行评审报告是可用的。
额外的信息
出版商的注意b施普林格《自然》杂志对已出版的地图和机构的管辖权要求保持中立。
扩展数据图和表
扩展数据图1 308棵树的行星NDVI时间序列与同一地区背景NDVI对比。
一个,请注意树木NDVI值与11月至3月旱季月份背景NDVI之间的分离。b来自WorldView-3的30厘米空间分辨率的假彩色树冠NDVI图像,以红色显示绿叶植被。每棵树都很明显,绿叶树冠与阴影相关联。我们使用机器学习对树进行映射是基于树冠至少为3.0 m的树2有一个相关的阴影。低植被区域的阴影不足以被归类为树木。这些区域一个和b接近北纬13°31′×东经2°40′。
图2将树冠面积转化为干材质量、干根质量和干叶质量的异速生长方程。
一个以萨赫勒和苏丹地区27种698种木本植物为研究对象,建立了基于树冠面积预测木材质量的异速生长方程。幂模型采用对数-对数回归拟合。储存的碳是用干质量乘以0.47的系数来估计的。数据收集于0-800 mm年−1长期降水带(见参考文献)。19).该图还显示了高达15米的累积百分比250米2(其中95%的树冠面积小于78 m)2).b,c,和一个但是对于叶子和根的质量。分别建立了26种900株和5种26株的叶片异速生长方程和根系异速生长方程。
图4碳密度随时间的变化。
一个,无源微波L-VOD的散点图36我们的碳密度(木材+树叶)聚集成25 × 25公里的网格。b的线性关系一个将年L-VOD转化为单位碳密度。L-VOD地上木质碳密度以及新潮模型23在0 - 1000 mm年期间,对研究区域的所有植被碳进行平均值计算−12011-2019年的降雨区。将旱季的L-VOD与我们的碳密度图进行关联,以避免草本植被的复杂性,聚合到25 × 25公里分辨率,显示出中等程度的一致性(r= 0.72);但低降雨地区的强散射也表明其不确定性较大,阻碍了L-VOD的利用37适用于干旱地区的局部应用。然而,利用线性关系将L-VOD转换为单位碳密度,得出碳密度的时间动态,表明2010-2019年木本碳储量稳定(约2.0 Mg C年)−1),没有明显的趋势或年际变化,这表明在过去十年中,干旱、森林砍伐或恢复都没有对碳储量产生可测量的影响。潮流模型显示出各种各样的响应,但总体表现出与L-VOD相似的行为,尽管当包括草本植被和地下生物量时,结果是各种不同的量级。
扩展数据图5 0.25°× 0.25°区域MODIS NDVI与kg ha干草本生物量野外数据的季节比较−1在马里Agoufou附近的MODIS区域内。
一个MODIS 8天时间步数据的灰色部分显示了2000 - 2021年NDVI最大值和最小值范围,其中2004 - 2010年的MODIS NDVI时间序列和2001 - 2021年的平均MODIS NDVI。b马里一个牧场的地上草本干物质每两周进行一次原位测量49中心位于北纬15.4625°,西经1.4886°。草本干质量具有较高的年际和年内变率,在几米尺度上,草本干质量在雨季急剧增加,在旱季早期迅速减少。MODIS NDVI数据显示了相似的草本干质量变化趋势b并将其置于2000-2021年MODIS记录的0.25°× 0.25°区域的背景下。树木约占该地区植被覆盖总量的3%,因此草本植被占主导地位。物种组成b以一年生草为主,如Aristida mutabilis,Cenchrus biflorus和Brachiaria xantholeuca,以及一年生双子叶植物,如Zornia glochidiata和刺蒺藜。中的数据b来自1 × 1公里的地点,被选为该地区的代表。MODIS NDVI数据一个可供所有用户使用,并附有2000年至今MODIS记录的使用说明50。我们的树冠数据提供了将半干旱区初级生产分为草本和乔木组分的手段,并将提高对乔木和草本混合植被地区碳居住的认识。
图6不同潮流的森林分数23模型。
该图显示了每个模型沿降雨梯度假定的森林面积百分比。大多数模型中的木质生物量主要来自预定的森林区域,因此导致我们研究的半干旱区变化很大。这是我们的树映射结果的一个例子,用于更准确地描述半干旱树木的数值模拟建模。
扩展数据图8树冠映射遗漏和委托误差评估。
从UTM区域28-37中随机选择1028个512 × 256像素的区域来评估树冠预测的性能,每个UTM区域大约有100个区域。斑块的提取对降水的偏差为80%46年超过200毫米−1,因为大多数树木的年长都在200毫米以上−1等值线。178个地区因年降雨量为100 000毫米而被排除在评估之外−1或者这些地区没有树木。总共评估了50740棵树。一个我们3765个遗漏和佣金错误的分类。b,所有被评估树的类数。c,按错误类别总结了树的数量、委托和遗漏的错误以及树的数量。分类误差的最高百分比,从15%到25%,发生在树木较少的地区,并且在所有评估的树木中,树木和灌木混合混淆的比例<8%。相比之下,分类误差最低的类别(从0%到15%)评估了92%的树。在850个斑块中,树木的数量从1棵到326棵不等,总共评估了50740棵树,发现了3765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%。
图10本文各组成部分的流程图。
我们展示了所使用的卫星数据,如何组织这些数据,以便用我们的机器学习软件和必要的训练数据进行处理,以及如何对100亿棵树冠面积进行分割。然后,我们展示了100亿棵树的树冠面积在树木水平上的木材、根和叶碳的转换。最后,我们将展示如何使用查看器来启用从树(1)到树(10)生成的数据10).
权利和权限
开放获取本文遵循知识共享署名4.0国际许可协议,该协议允许以任何媒介或格式使用、共享、改编、分发和复制,只要您适当地注明原作者和来源,提供知识共享许可协议的链接,并注明是否进行了更改。本文中的图像或其他第三方材料包含在文章的知识共享许可协议中,除非在材料的署名中另有说明。如果材料未包含在文章的知识共享许可中,并且您的预期用途不被法律法规允许或超过允许的用途,您将需要直接从版权所有者处获得许可。要查看此许可证的副本,请访问http://creativecommons.org/licenses/by/4.0/。
关于本文
引用本文
塔克,C.,勃兰特,M.,耶罗诺,P.。et al。非洲旱地单个树木的次大陆尺度碳储量。自然615, 80-86(2023)。https://doi.org/10.1038/s41586-022-05653-6
收到了:
接受:
发表:
发行日期:
DOI:https://doi.org/10.1038/s41586-022-05653-6
这篇文章是由
估计非洲旱地数十亿棵树木的碳储量
自然(2023)