基于物理信息深度网络的地表碳生物量估算
机器学习
2022-10-26 v1 信号处理
摘要
全球碳循环是理解气候如何变化的关键过程。然而，监测其动态变化十分困难，因为需要对包括地表碳生物量（AGB）在内的关键状态参数进行高分辨率稳健测量。在此，我们使用深度神经网络生成了 2021 年北美大陆（CONUS）内分辨率为 30 米的 AGB 无缝制图。我们结合了雷达与光学高光谱影像，以及基于 SIF 的 GPP 这一物理气候参数。验证结果表明，掩码变体的 UNet 验证 RMSE 最低，为 37.93 1.36 Mg C/ha，而随机森林算法为 52.30 0.03 Mg C/ha。此外，在雷达与光学影像之外还从基于 SIF 的 GPP 学习的模型将验证 RMSE 降低了近 10%，标准偏差降低了 40%。最后，我们将模型应用于测量 2021 年加州近期 Caldor 野火造成的 AGB 损失，并使用基于 Sentinel 的燃烧指数验证了我们的分析。
引用
@article{arxiv.2210.13752,
title = {Aboveground carbon biomass estimate with Physics-informed deep network},
author = {Juan Nathaniel and Levente J. Klein and Campbell D. Watson and Gabrielle Nyirjesy and Conrad M. Albrecht},
journal= {arXiv preprint arXiv:2210.13752},
year = {2022}
}
备注
6 pages, 5 figures