|
|
土壤有機碳(SOC,
Soil Organic Carbon)
被視為關鍵的自然碳匯,除了能貢獻溫室氣體減量,也與農業生產力及土地永續息息相關,但傳統實地採樣的成本高昂,且難以掌握空間變異性,過去極少研究直接比較混合模型與單一模型在不同空間解析度下,對全國尺度
SOC
預測的影響,本研究結合遙測資料,評估混合模型在德國不同空間解析度下預測
SOC 含量的能力。混合模型包括:(1)
PLSRK
模型:結合偏最小平方法回歸(PLSR,
Partial Least Square
Regression)與普通克利金(OK,
Original
Kriging)法;(2) RFK
模型:結合隨機森林 (RF,
Random
Forest)與OK法。所有模型分別估算
10、50、100與 200
公尺解析度下的 SOC
含量,並納入Sentinel-2
光波段數據(換算植物相關指數,包含Normalized
difference
vegetation index
(NDVI), Normalized
burn ratio-2 (NBR2),
Normalized
Difference Snow
Index(NDSI)及Soil
Water
Index(S2WI))以及地形數據,與單一模型進行比較,綜整各模型表現最佳的空間解析度:(請參考左圖表),其中100
公尺空間解析度的RFK模型效果最好,在國家尺度上,RF模型在四個解析度下均優於統計模型PLSR,此外,與OK模型結合的混合模型的預測表現優於單一模型。本研究中,所選的Sentinel-2波段和計算SOC相關指數分別解釋了PLSR和RF模型中所有環境變數的63.0%和78.1%,顯示Sentinel-2遙感資料對國家尺度的SOC含量預測具有預測能力,可見光波段、植生指標和海拔是預測SOC含量的重要因素。
結合
AI 的 LiDAR
與無人機評估方法能減少誤差範圍、提升植被分類準確率,並提供碳儲動態的即時高解析度資料,AI
模型的應用在維持與地面實測±10%準確度的前提下,可減少
50%
的實地驗證需求,展現其在大尺度碳評估中的成本效益與擴展能力,其最高可達
93%
的預測準確率,讓決策者能提前預警與減緩氣候變遷與人為干擾造成的碳損失。
|
|