Original paper

Estimation and Mapping of Carbon Stocks in Riparian Forests by using a Machine Learning Approach with Multiple Geodata

Suchenwirth, Leonhard; Förster, Michael; Lang, Friederike; Kleinschmit, Birgit

Abstract

Floodplain ecosystems offer valuable carbon sequestration potential. In comparison to other terrestrial ecosystems, riparian forests have a considerably higher storage capacity for organic carbon (Corg). However, a scientific foundation for the creation of large-scale maps that show the spatial distribution of Corg is still lacking. In this paper we explore a machine learning approach using remote sensing and additional geographic data for an area-wide high-resolution estimation of Corg stock distribution and evaluate the relevance of individual geofactors. The research area is the Danube Floodplain National Park in Austria, one of the very few pristine riparian habitats left in Central Europe. Two satellite image (Ikonos and Rapid-Eye), historical and current topographic maps, a digital elevation model (DEM), and mean ground-water level (MGW) were included. We compared classifications of Corg stocks in vegetation, soils, and total biomass based on two, three, four, and five classes. The results showed that a spatial model of Corg in riparian forests can be generated by using a combination of object-based image analysis (OBIA) and classification and regression tree (CART) algorithm. The complexity of Floodplains, where patterns of Corg distribution are inherently difficult to define, clearly exacerbated the challenge of achieving high classification accuracy. In assessing the relevance of individual geofactors, we found that remote sensing parameters are more important for the classification of Corg in vegetation, whereas parameters from auxiliary geodata, e.g. elevation or historical riverbeds, have more influence for the classification of soil Corg stocks. This was also confirmed by a comparative linear multiple regression analysis.

Kurzfassung

Auenökosysteme haben ein hohes Speicherpotenzial für organischen Kohlenstoff (Corg), auch im Vergleich zu anderen terrestrischen Ökosystemen. Allerdings fehlt eine wissenschaftliche Grundlage für die Schaffung von großmaßstäbigen Karten, die die räumliche Verteilung des Corg zeigen. In diesem Beitrag untersuchen wir einen Ansatz des maschinellen Lernens mittels Fernerkundungs- und zusätzlichen geografischen Daten für eine flächendeckende hochauflösende Abschätzung der Corg-Verteilung und bewerten die Relevanz der einzelnen Geofaktoren. Das Untersuchungsgebiet ist der Nationalpark Donau-Auen in Österreich, eine der wenigen unberührten Auenhabitate in Mitteleuropa. Zwei Satellitenbilder (Ikonos und RapidEye), historische und aktuelle topografische Karten, das digitale Geländemodell und Grundwasserdaten wurden einbezogen. Wir verglichen die Klassifizierung des Corg-Gehalts in Vegetation, Boden und Gesamtbiomasse in zwei, drei, vier und fünf Klassen. Die Ergebnisse zeigen ein räumliches Modell der Corg-Verteilung in Auwäldern mit der Kombination einer objektbasierten Bildanalyse (OBIA) und einem CART (Klassifikations- und Regressionsbaum) -Algorithmus. Die Komplexität der Auen, in denen Muster von Corg-Veteilung von Natur aus schwer zu definieren sind, erschwerte es, eine hohe Klassifizierungsgenauigkeit zu erzielen. Bei der Beurteilung der Relevanz einzelner Geofaktoren zeigte sich, dass die Fernerkundungsparameter wichtig für die Klassifizierung von Corg in der Vegetation sind, während die Höhe oder die Lage des historischen Flussbetts mehr Einfluss auf die Klassifizierung des Corg-Gehalts im Boden haben. Dies wurde auch durch eine vergleichende lineare multiple Regression bestätigt.

Keywords

organic carbonfloodplainscartobialinear multiple regression