Document details

Accurate estimation of forest biomass is essential for understanding carbon sequestration dynamics and supporting climate change mitigation strategies. While aboveground biomass density has been extensively studied, other biomass pools, namely belowground biomass density, litter biomass density, and shrub biomass density, remain comparatively under-explored, despite their significant contribution to total carbon storage. This dissertation proposes and evaluates the use of machine learning regressors to estimate the four biomass pools jointly with spaceborne Light Detection and Ranging data from the GEDI and the ICESat-2 missions. Metrics derived from both missions, combined with ancillary features as predictors, were used in several regressions, including Random Forest, XGBoost, Multi-Layer Perceptron Regressor, Symbolic Regressor, and meta-ensemble techniques such as Voting Regressor and Stacking Regressor. Airborne Laser Scanning-derived biomass maps were used as reference data for training and validation. The model’s performance was evaluated using a bootstrapping technique and evalu- ation metrics (2, RMSE, MAE, Bias, and CV), along with qualitative analysis through scatter plots and histograms. The results demonstrate that the non-parametric models outperformed the parametric models, especially tree-based and ensemble regressors. The integration of ancillary features contributed to improving accuracy. The combination of GEDI and ICESat-2 coverage areas increased spatial density. The four biomass pools were estimated. The best GEDI models achieved rRMSE (RMSE) values of 29.37% (5.00 Mg/ha) for LBD in Spain, and 35.51% (6.04 Mg/ha) for SBD in Portugal. The best ICESat-2 models achieved rRMSE (RMSE) values of 23.55% (3.78 Mg/ha) for LBD in Spain, and 24.68% (3.19 Mg/ha) for LBD in Portugal. Finally, a QGIS plug-in prototype was developed to perform biomass estimation and generate GeoPackage outputs.

A estimação precisa da biomassa florestal é essencial para a compreensão da dinâmica do sequestro de carbono e para o apoio a estratégias de mitigação das alterações climáti- cas. Embora a densidade da biomassa acima do solo seja amplamente estudada, outros componentes de biomassa, como a biomassa das raízes, a biomassa folhada e a biomassa arbustiva, permanecem comparativamente pouco explorados, apesar da sua contribuição significativa para o armazenamento total de carbono. É proposta a utilização e avaliação de regressores de Machine Learning para estimar os quatro componentes de biomassa em conjunto com dados de Light Detection and Ranging obtidos por satélite nas missões GEDI e ICESat-2. As métricas derivadas de ambas as missões, combinadas com variáveis auxiliares, foram utilizadas como preditores em diversas regressões, incluindo Random Forests, XGBoost, Multilayer Perceptron, Symbolic Regression e técnicas de meta-ensemble como Voting Regressor e Stacking Regressor. Mapas de biomassa derivados de Airborne Laser Scanning foram utilizados como dados de referência no treino e na validação dos modelos. O desempenho dos modelos foi avaliado através de uma técnica de bootstrapping e métricas de avaliação (2, RMSE, MAE, Bias, and CV), juntamente com uma análise qualitativa através de diagramas de dispersão e histogramas. Os resultados demonstram que os modelos não paramétricos superaram os modelos paramétricos, especialmente os regressores baseados em árvores e ensemble. A integração de variáveis auxiliares contribuiu para melhorar a precisão dos resultados. A combinação das áreas de cobertura do GEDI e do ICESat-2 aumentou a densidade espacial. As quatro componentes de biomassa foram estimadas. Os melhores modelos GEDI alcançaram valores de rRMSE (RMSE) de 29.37% (5.00 Mg/ha) para LBD em Espanha, e 35.51% (6.04 Mg/ha) para SBD em Portugal. Os melhores modelos ICESat-2 alcançaram valores de rRMSE (RMSE) de 23.55% (3.78 Mg/ha) para LBD em Espanha, e 24.68% (3.19 Mg/ha) para LBD em Portugal. Por fim, foi desenvolvido um protótipo plug-in para o QGIS com o objetivo de realizar a estimação de biomassa e gerar ficheiros GeoPackage para as áreas de estudo.