Overview

Wälder spielen eine wichtige Rolle in den globalen Kohlenstoffkreisläufen, was eine genaue Schätzung der oberirdischen Biomasse (AGB) für Klimastrategien erforderlich macht. Diese Studie konzentriert sich auf das zentrale Terai in Nepal und integriert luftgestütztes LiDAR, Feldinventur und Satellitenbilder (PlanetScope, Sentinel-2) zur Schätzung der AGB. Es wurden LiDAR-Daten (32 Metriken) und Feldmessungen (110 Parzellen) verwendet, wobei Random Forest (RF) die schrittweise lineare Regression übertraf (R² = 0,85, RMSE = 60,9 t/ha). Eine weitere Integration mit Sentinel-2 verbesserte die Genauigkeit (R² = 0,92, RMSE = 44,58 t/ha). Die Verteilung der AGB wurde durch Klima, Topografie und menschliche Aktivitäten beeinflusst, wobei Landnutzung, Temperatur und Niederschlag 64 % der Variabilität erklärten. Höhere AGB wurden mit gemäßigten Klimabedingungen, Höhenlage und Flussnähe in Verbindung gebracht, während sich Straßen negativ auf die Biomasse auswirkten. Die Studie unterstreicht den Nutzen von LiDAR, die Rolle des maschinellen Lernens bei der Verbesserung der AGB-Schätzung und die Notwendigkeit integrierter Fernerkundungsansätze für eine nachhaltige Waldbewirtschaftung und Klimaanpassung in Regionen mit großer biologischer Vielfalt.

Full Product Details

9786209202285

Table of Contents

Reviews

Author Information

Tab Content 6

Countries Available