生态区MD（左）和验证区域（右）中ASRL潜在树高和Lang等人[47]的逐像素比较。所有轴均以米为单位。实线是1：1的线。虚线表示±20%的偏差。数据点颜色表示估计的核密度。图片来源：遥感学报（）。DOI：10./remotesensing.
树高是衡量森林成熟度和整体健康状况的重要指标。森林恢复项目依靠树高作为成功的预测指标和衡量标准，但仅根据观察结果预测森林未来的树高几乎是不可能的。太多因素会影响树木的生长和健康。
由于许多因素会影响树木的生长方式，研究人员增强了一种称为异速缩放和资源限制（ASRL）模型的预测模型，然后使用GoogleEarthEngine部署它，研究美国东北部的森林。
该研究发表在《遥感杂志》上.
“潜在的树高可以延伸到未来，看到一棵树在无限时间轴上的生长。预测潜在树高对于未来的森林发展和结构非常重要，这对森林恢复规划和评估具有深远的意义，“马萨诸塞州波士顿波士顿大学博士生左振鹏说。“随着不同尺度森林过程计算机模拟的进步，已经出现了几种基于机制的模拟潜在高度模型。”
预测潜在树木高度的模型考虑了已知的树木生长限制，例如树木提升水的难度增加（水力约束）、易受风灾（机械约束）和地面条件。本研究的重点是基于水平衡的ASRL模型。最基本的是，ASRL模型求解三种不同流速的交点，使用树木的潜在需水量、取水量和耗水量来预测树木的高度。
在这项研究中，研究人员试图通过强调森林恢复来改进ASRL模型，并使用地理空间云计算平台GoogleEarthEngine进行部署，以分析山毛榉-枫树-桦树林。此版本的ASRL模型不仅考虑了流速，还考虑了时间尺度、空间分辨率和模型机制。该模型提取了过去十年（年至年）的当地气象数据集以改进预测，然后考虑了三种异速生长测量：树高与树干半径、树高与树冠高度以及树高与树冠半径。
为了显示修改后的ASRL模型的效果如何，研究人员将他们的结果与先前报道的树高预测进行了比较。在某些情况下，ASRL模型高估了树高，但研究人员将大多数高估归因于非常不成熟的森林，这些森林更难预测。
与ASRL模型的原始版本相比，修改后的版本在预测树高方面更加成功。
“由于改进了模拟时间尺度、更有针对性的参数化和更完整的机制，新版本为特定物种群提供了更现实的预测，并通过使用网格化气候再分析数据提供了更好的空间覆盖。它也没有使用参数调整策略来拟合现有的树高观测值，因此保留了原始模型的预测性质，“左说。
除了测试修改后的ASRL模型外，研究人员还报告了他们的研究结果，这些结果预测这些山毛榉-枫树-桦树林的树高将受到更热、更不潮湿的气候的负面影响，这可能与气候变化有关。
展望未来，研究人员希望扩大研究领域的范围。“我们希望将研究区域从区域空间增加到整个美国本土，将该方法应用于更多的森林类型和群体。这项工作有望产生与物种相关的潜在森林高度的数据产品，“左说。
更多信息：左振鹏等人，在谷歌地球引擎上模拟美国东北部山毛榉-枫树-桦树林的潜在树高，《遥感学报》（）。DOI：10./remotesensing.
转载请注明：http://www.0431gb208.com/sjszlfa/9204.html
