Báo cáo

CẢI THIỆN ƯỚC TÍNH TRỮ LƯỢNG CARBON ĐẤT RỪNG NGẬP MẶN Ở MIỀN BẮC VIỆT NAM

23/09/2021 GeoLink Thu Giang 0 Nhận xét

(English below)

Bài báo: Cải thiện ước tính trữ lượng carbon đất rừng ngập mặn ở miền Bắc Việt Nam sử dụng phương pháp tiếp cận máy học và dữ liệu Sentinel-2
Tác giả: Tiến Đạt Phạm, Naoto Yokoya, Trang Thư, Nga Lê, Hà Nam Thắng, Junshi Xia, Wataru Takeuchi, Phạm Tiến Đức


Tóm tắt:
Định lượng cacbon hữu cơ trong đất rừng ngập mặn (SOC) là chìa khóa để hiểu rõ hơn về chu trình cacbon toàn cầu, một hiện tượng quan trọng trong việc giảm phát thải khí nhà kính. Tuy nhiên, việc có một cỡ mẫu lớn trong các phép đo và phân tích các-bon trong đất là một thách thức do chi phí cao liên quan đến chúng. Trong nghiên cứu hiện tại, chúng tôi đề xuất một mô hình trí tuệ nhân tạo lai mới dựa trên hồi quy thúc đẩy phân loại (CBR) và thuật toán tối ưu hóa bầy hạt (PSO) để lựa chọn tính năng, cụ thể là mô hình CBR-PSO để ước tính SOC của rừng ngập mặn.

Chúng tôi đã tích hợp dữ liệu viễn thám quang học đa cảm biến (Sentinel-2) và radar khẩu độ tổng hợp (Sentinel-1 và ALOS-2 PALSAR-2) để xây dựng và xác minh mô hình được đề xuất, dựa trên khảo sát 85 lõi đất ở độ sâu 100 cm trong Đồng bằng sông Hồng, Việt Nam. Mô hình CBR-PSO ước tính SOC của rừng ngập mặn nằm trong khoảng từ 44,74 đến 91,92 Mg ha − 1 (trung bình = 68,76 Mg ha − 1) với độ chính xác đạt yêu cầu (hệ số xác định (R2) = 0,809 và sai số trung bình gốc (RMSE) = 9,30 Mg ha − 1). Chúng tôi cũng so sánh khả năng của mô hình được đề xuất với bốn kỹ thuật máy học, tức là hồi quy vectơ hỗ trợ (SVR), hồi quy rừng ngẫu nhiên (RFR), hồi quy tăng cường độ dốc cực đại (XGBR) và mô hình XGBR-PSO. Chúng tôi cho thấy rằng bộ dữ liệu quan sát trái đất đa phương thức và đa cảm biến kết hợp với mô hình CBR-PSO có thể cải thiện đáng kể các ước tính về SOC của rừng ngập mặn.

Các phát hiện của chúng tôi đóng góp các phương pháp học máy mới và nâng cao để tăng cường tính mạnh mẽ của ước tính SOC bằng phần mềm mã nguồn mở. Khung mới của chúng tôi, được phát triển tự động, nhanh chóng và đáng tin cậy, được phát triển trong nghiên cứu này có thể dễ dàng áp dụng cho các hệ sinh thái rừng ngập mặn khác trên thế giới, do đó cung cấp thông tin chi tiết về thị trường bù đắp carbon xanh tự nguyện để bảo tồn rừng ngập mặn bền vững.

--------

IMPROVEMENT OF MANGROVE SOIL CARBON STOCKS ESTIMATION IN NORTH VIETNAM

The Article: Improvement of Mangrove Soil Carbon Stocks Estimation in North Vietnam Using Sentinel-2 Data and Machine Learning Approach
Authors: Tien Dat Pham, Naoto Yokoya, Trang Thu, Nga Le, Ha Nam Thang, Junshi Xia, Wataru Takeuchi, Pham Tien Duc

 

Abstract: 
Quantifying mangrove soil organic carbon (SOC) is key to better understanding the global carbon cycle, a critical phenomenon in reducing greenhouse gas emissions. However, it is challenging to have a large sample size in soil carbon measurements and analysis due to the high costs associated with them. In the current research, we propose a novel hybridized artificial intelligence model based on the categorical boosting regression (CBR) and the particle swarm optimization (PSO) algorithm for feature selection, namely, the CBR-PSO model for estimating mangrove SOC.

We integrated multisensor optical (Sentinel-2) and synthetic aperture radar (Sentinel-1 and ALOS-2 PALSAR-2) remote sensing data to construct and verify the proposed model, drawing upon a survey in 85 soil cores at 100 cm depth in the Red River Delta, Vietnam. The CBR-PSO model estimated the mangrove SOC ranging from 44.74 to 91.92 Mg ha−1 (average = 68.76 Mg ha−1) with satisfactory accuracy (coefficient of determination (R2) = 0.809 and root-mean-square error (RMSE) = 9.30 Mg ha−1). We also compared the proposed model’s capability with four machine learning techniques, i.e. support vector regression (SVR), random forest regression (RFR), extreme gradient boosting regression (XGBR), and XGBR-PSO models. We show that multimodal and multisensor earth observation dataset combined with the CBR-PSO model can significantly improve the estimates of mangrove SOC.

Our findings contribute novel and advanced machine learning approaches for robustness of SOC estimation using open-source software. Our novel framework, which is automated, fast, and reliable, developed in this study can be easily applicable to other mangrove ecosystems across the world, thus providing insights for a voluntary blue carbon offset marketplace for sustainable mangrove conservation.

Geolink tổng hợp từ Researchgate 

popup

Số lượng:

Tổng tiền: