绘制森林结构图：Sylvera 如何在不同景观中Sylvera 准确的森林生物量估算

通过绘制森林结构图，我们可以获得许多有价值的信息。在美国东北部或巴西，这种树木的平均生物量是多少？进而，它们能储存多少碳？此外，这些数据能为我们提供哪些关于环境、土壤肥力和整体森林管理策略的信息？我们能否采取一些措施来提高该地区的森林生产力？

绘制森林结构图是一项重要工作，因此从私营企业到美国农业部林务局等众多机构都致力于此。

什么是生物质？

生物量可定义为木本植物中活体或死体物质的立木干重，通常以单位面积质量表示（例如：每公顷兆克：Mg ha⁻¹）。由于生物量中约50%为碳，因此它是监测森林土地生态系统碳排放与碳固存情况的关键指标。 本文所指的生物量特指地上部生物量，因为这是我们利用卫星遥感技术能够“观测”到的唯一部分。 

森林生物量的测量

测量树木和灌木的生物量并非易事。事实上，直接测量生物量的唯一方法是采用破坏性采样，即砍伐树木和灌木并称重。

这种破坏性的做法既耗时又昂贵，而且适得其反，因为我们希望将碳保留在植被中，而不是将其重新释放回大气中（随着时间的推移，被砍伐的树木很可能就会发生这种情况）。然而，为了建立等比模型，这种方法是必要的。

全尺度关系用于根据树木直径和树高等易于测量的参数来估算生物量。它基于生物尺度理论，并从体重、体型和形状等方面描述了生物体之间的依赖关系。

森林生态学专家和环境科学家在传统的森林资源清查中，常利用全向标度模型来计算树木生物量。森林资源清查通常是在目标区域内设立样地，以此估算大面积森林的统计数据。然而，许多森林资源丰富的热带国家由于地点偏远且成本高昂，要么未开展森林资源清查项目，要么才刚刚开始实施。

在使用传统森林资源清查方法测量森林生物量时，我们会面临多种误差来源，例如树木尺寸的人工测量、采样策略以及全计量模型。 基于全向关系的生物量估算通常存在偏差（Demol 等，2022），误差可达15%（Burt 等，2021），甚至高达30%（Calders 等，2015； Gonzalez de Tanago 等，2018）。 森林资源调查样地通常采用长期周期（例如5年一轮）进行测量，且使用的方法、采样设计、样地大小/形状及操作人员各不相同，这在评估不同项目和地区时可能导致显著差异。此外，由于难以进入和/或成本极高，我们缺乏全球许多森林区域的参考数据。这使得获取高质量的参考数据成为监测生物量储量时面临的主要挑战之一。

因此，我们通常避免使用“地面真值数据”这一术语，而更倾向于使用“参考数据”。参考数据在遥感和数据科学中至关重要，因为对于您开发的任何模型，那条经验法则“垃圾进，垃圾出”始终适用。这就是为什么在 Sylvera，我们格外重视参考数据。

构建最佳参考数据集：用于生物量图集的多尺度激光雷达

为此，我们走访世界各地的森林，并利用我们独有的 多尺度激光雷达（MSL）技术，从地面和空中对森林进行激光扫描。我们使用地面激光扫描仪（TLS）在地面上采集三维数据（即点云）。这些扫描仪能够以毫米级精度记录单棵树木的结构，甚至可以精确到单个树枝和树叶。 我们还通过安装在无人机（UAV）上的机载激光扫描仪（ALS）采集类似数据，这使我们能够覆盖更广阔的区域进行数据采集。

这种多尺度激光雷达方法——融合了车载激光雷达（TLS）、无人机激光扫描和机载激光扫描技术——是“生物量图集”项目的基础。该项目基于在五大洲超过25万公顷范围内开展的、耗资逾1000万美元的专有实地调查，是迄今为止汇编的最全面的生物量参考数据集。

这些新型数据集包含了大量关于森林结构和地上生物量的信息。然而，获取这些信息却并非易事。

通过提取单株树木的数据，我们可以精确地重建和建模树木尺度的参数，例如地上生物量。与破坏性树木测量相比，我们能够将树木生物量的测量误差控制在低至3%的范围内（Burt 等，2021），而此前使用异速生长关系时，误差最高可达30%。

借助这项MSL技术，《生物质图集》已成为迄今为止汇编最精确的生物质参考数据集。 我们一次MSL实地考察即可扫描多达50,000公顷的森林。MSL参考数据可生成不同空间分辨率，从而能够利用卫星影像对数据进行更优质的扩展。借助MSL生物量数据，我们还能针对全球生态系统动态调查（GEDI）传感器获取的星载激光雷达（LiDAR）覆盖范围建立专属的生物量校准模型，并进一步完善我们的参考数据集。

这些数据集为“生物质图集”提供支持，同时帮助我们长期监测森林健康状况，并为所有基于林业的碳信用项目提供可靠的评级。

我们该如何将生物量测量结果推广到其他时间段和更广阔的区域？

我们的MSL技术能够以极高的精度测量生物量，但可覆盖的面积和测量次数受到数据采集时间以及相关成本的限制（每次实地考察约可覆盖数万公顷）。

与森林资源清查相比，卫星遥感技术对于监测生物量储量至关重要，因为它使我们能够以更高的频率（例如每年一次）、更长的时间跨度（例如2000年至今）以及更大的空间尺度（例如区域/国家层面）开展监测工作。

当前的碳核算标准依赖于卫星图像来监测碳抵消项目中的活动（例如森林砍伐、新造林），并将这些数据与生物量或碳排放因子的平均值相结合，从而确定森林储存的碳量以及每项活动释放的碳量。这些平均值每5至10年在项目层面进行一次计算，其依据是人工实地样地测量数据。

遗憾的是，由于两次测量之间的间隔时间过长，因此可能会遗漏因森林扰动（即排放）而引起的大量变化。 此类工作往往因成本、劳动强度以及部分偏远地区难以进入等原因，存在严重的采样缺陷（例如样本数量过少）。此外，随着方差增大（特别是考虑到前述采样缺陷），平均值作为描述指标的可靠性会日益下降；而我们关注的大多数森林都存在显著的结构性差异，这可能影响生物量储量和碳排放量的估算。 

森林资源调查样地原本并非设计用于与卫星观测数据相结合。实地人工采集的数据在空间分辨率和覆盖范围方面，往往与卫星遥感测量结果存在巨大差异。因此，在尝试生成全覆盖的遥感衍生产品时，通常会出现数据偏差。

生物量图集 通过利用我们基于MSL的尖端参考数据集，以及结合最佳公开卫星影像对内部校准的GEDI数据进行模型训练，生物质图集解决了这些问题。这种方法使我们在训练模型时能够消除或最大限度地减少这些偏差。

我们利用长波长合成孔径雷达（SAR）对大范围区域和较长时间尺度的生物量进行高分辨率估算。该技术能够“穿透”云层，且对生物量具有较高的敏感度；此外，我们还利用多光谱光学卫星遥感影像——尽管其对生物量的敏感度较低，但具有更长的时序覆盖范围，并包含与植被叶绿素含量相关的其他有用信息。我们同时也利用其他信息，例如数字高程模型和空间纹理分析。

森林是生态多样性极高的生态系统，在不同的时空尺度上表现出复杂的行为特征。因此，非参数机器学习算法对参考数据的形状和分布所做的假设较少，其性能往往优于参数化方法（Evans 等，2009）。 机器学习模型可用于估算生物量的总量及其空间分布，并评估其不确定性。利用这些方法，我们还可以估算其他森林结构参数，例如林冠高度或树木覆盖率。 

Biomass Atlas 采用经过同行评审的尖端方法来监测地上生物量（Rodriguez-Veiga 等，2020； Meyer 等，2019； Rodriguez-Veiga 等，2019）。 我们还进行统计上严谨的验证和不确定性分析，并遵循最佳实践（Duncanson 等，2021；McRoberts 等，2022）。我们的模型经过区域训练，能够基于卫星数据，对森林地上生物量和碳储量的时序数据进行常规且稳健的估算。

最终形成了一款产品化解决方案，提供以下内容：
- 全球任意地点的30米分辨率地表生物量密度和冠层高度数据
- 2000年至今的完整时间覆盖范围，每年更新 (2026年第一季度起改为季度更新)
- 每个像素的不确定性估计
- 在典型的小型项目规模（400-7,000公顷）下，误差低于9%
- 快速的API交付——数据可在数小时或数天内获取，而非数月
- 覆盖全球所有森林区域的全面覆盖

我们通过持续获取MSL数据以扩大覆盖范围，为即将开展的卫星任务（如NiSAR和生物量任务）做好准备，并融入我们自身研究及科学文献中的最新成果，不断改进我们的方法。我们的方法论既经过内部审查，也由该领域的顶尖学者进行外部评审。此外，我们还与加州大学洛杉矶分校、莱斯特大学和伦敦大学学院的研究团队开展了合作。

为什么我们需要监测Sylvera木质生物质？

Sylvera 对属于“减少毁林和森林退化所致排放量”（REDD+）等碳框架的碳项目进行评级。这些项目最重要的两个组成部分是活动数据和排放因子，它们随后将用于计算排放量。

活动数据可通过卫星图像上的土地覆盖分类技术进行评估，而排放因子则可通过我们自己的生物量测量数据进行评估。此外，我们还可以将项目报告的排放量与我们根据生物量时间序列数据得出的估算值进行比较。

《生物质图集》提供了这些生物质时间序列产品，这些产品有助于更深入地了解项目区域内碳含量的变化情况及其分布，并为检测和评估森林退化导致的碳排放（ 即REDD+中的第二个“D”）提供了机会。

当森林退化时，它虽然依然存在，但其提供生态系统服务（如碳储存）的能力已有所下降。这一点至关重要，因为大量碳排放可能源于森林退化——这种情况在许多情况下并未被报告——同时，森林退化也可能成为森林砍伐进程的垫脚石。 

卫星生物量监测将使我们能够通过评估项目报告的因森林砍伐和森林退化产生的排放量，以及未报告此类排放的项目中因森林退化产生的排放量，从而改进我们的评级。

除了为Sylvera评级体系提供数据支持外，Biomass Atlas 还作为一款独立产品向所有市场参与者——包括项目开发商、注册机构、政府及投资者——开放，以满足其自身在验证、监测或尽职调查方面对准确、可靠生物质数据的需求。

关于Sylvera的研究科学家

Sylvera 专注于生物量研究的科学家Sylvera 两个团队：MSL团队负责 MSL数据的采集与处理； 机器学习（ML）团队则负责利用机器学习技术，开发将生物量测量结果扩展至项目和区域层面的方法。

研究团队的领导层包括：

米罗·德莫尔博士是MSL公司的一名激光雷达科学家，致力于研究激光扫描技术在林业领域的应用，尤其关注地上生物量估算及其不确定性。

安德鲁·伯特博士是MSL团队的一名遥感科学家兼热带森林生态学家，过去十年间，他一直致力于在森林研究中率先应用激光扫描技术。

佩德罗·罗德里格斯-维加博士是ML团队的一名高级地球观测研究科学家，在林业、利用遥感技术估算地上生物量以及森林监测领域拥有超过12年的经验。

更好的森林管理有助于缓解气候变化

虽然我们无法处理城市木材废弃物，但如果您需要最准确的森林生物质估算数据——无论您是试图产生碳信用的林地所有者，还是有意购买碳信用的企业——您都需要借助Sylvera深入的研究成果和数据集。

《生物质图集》基于耗资逾1000万美元的专有多尺度激光雷达实地勘测数据构建而成，采用一种结合激光雷达技术的专有方法来测量地上生物量，该方法在项目层面实现了低于9%的误差率——其精度远高于全向测量模型所能提供的水平。

无论您是：

- 某项目开发商希望 通过独立基准验证更快地获得融资

- 一个 具备持续监控能力的注册表构建 验证基础设施

- 政府 为REDD+或第6条计划建立 可信的基准线

- 一位对碳储量声明进行尽职调查的投资者

Biomass Atlas 提供 由 API 传输的精准生物质数据（数小时内即可获取，而非数月），从而彻底改变了碳测量和项目评估的方式。

申请访问“生物质图集” 了解更多信息，了解由多尺度激光雷达（LiDAR）驱动、通过API提供的全球最精准生物质数据，如何助力您的碳战略。