美国宇航局领导的一个研究团队使用卫星图像和人工智能方法将数十亿个离散树冠绘制到50厘米的尺度。这些图像涵盖了从大西洋到红海的一大大片干旱的北非。基于之前树木采样的异位方程使研究人员能够将图像转换为树木、树叶、根大小和碳固存的估计值。

期刊上发表了一篇《新闻与观点》文章，评论了美国宇航局团队的工作。

在以前的模型通常以零值表示的区域，计算每棵分散的树的最初预期被早期评估的其他领域的大量高估所消除。在之前的尝试中，使用卫星、耕地和地面植被对光学图像产生了不利影响。如果使用雷达，地形、湿地和灌溉区会影响雷达反向散射，预测碳储量比美国宇航局目前的估计要高。

基于深度学习的映射

研究人员将基于深度学习的树木测绘应用于在大约9万棵树上进行手动训练的近30万张卫星图像的数据集，以测量超过99亿株木质植物，这些植物显示出阴影和树冠面积超过3平方米。只选择了显示不同冠区和相关阴影的特征，这允许团队排除小灌木丛、草丛、岩石和其他误导性特征。

图像区域相关，反映了四个降雨区；超干旱、干旱、半干旱和干燥亚湿润——因为降雨会影响碳吸收和储存。虽然叶子只占总干质量的3%，但它被用作量化总质量的间接测量。根质量的比例平均占总质量的15-20%，也是根据叶子得出的。

想以交互式浏览器格式可视化大型树映射数据集吗？研究人员也这样做了，所以他们创建了一个漂亮的查看器来工作，并在这里公开提供。

跟踪碳固存有效性的能力在应对气候变化的斗争中具有全球意义。重新造林是世界国家致力于抵消其碳足迹的领先方法。

然而，与墨尔本大学跨学科气候研究倡议合作的20名研究人员团队正在仔细审查这些承诺的实用性。他们加了这些义务，发现需要在近12亿公顷的土地上种植树木，面积比欧洲或美国还要大，大约相当于目前全球用于农作物的土地数量。