Bewirtschaftete Waldflächen sind wichtige Beiträger zur Bewertung des Kohlenstoffhaushalts, die für die Treibhausgasinventuren auf lokaler, regionaler, nationaler und globaler Ebene erforderlich sind. Waldflächen sind jedoch aufgrund ihrer Größe und Komplexität eine Herausforderung für detailliertes raumbezogenes Monitoring. Daher sind zuverlässige und automatische Bewertungen der räumlich-zeitlichen Veränderungen von Kohlenstoffbeständen eingeschränkt. Diese Studie präsentiert eine effektive Methodik zur Schätzung wichtiger Waldstrukturmerkmale, die für das Sequestrationspotenzial relevant sind, durch die Kombination von bewirtschaftungsbezogenen Inventardaten mit Fernerkundungsvariablen. Der Schwerpunkt liegt hauptsächlich auf einer Pipeline des maschinellen Lernens (ML), die eine Unsicherheitsquantifizierungsstufe integriert, um sowohl zuverlässige Entscheidungsfindungen als auch Umweltanalysen zu unterstützen. Wir haben drei Algorithmen - Random Forest (RF), Extreme Gradient Boosting (XGBoost) und TabNet - für multispektrale Satellitenmessungen angewendet. Vorhersagen wurden auf Grundlage von Bestandsinventardaten getroffen, wobei Klassifizierungsaufgaben für dominante Arten und Altersgruppen sowie Regressionsaufgaben für Holzbestand, Bestandshöhe und durchschnittliche Grundfläche adressiert wurden. Der Waldkohlenstoffbestand wurde ebenfalls als Zielvariable abgeleitet. XGBoost erreichte die beste Gesamtleistung über alle Aufgaben. Für die Regression betrug der mittlere absolute prozentuale Fehler (MAPE) 0,18 für die Höhe; 0,24 für die Grundfläche; 0,47 für den Holzbestand und 0,37 für den Kohlenstoffbestand. Der Bestimmtheitskoeffizient (R²) betrug 0,68 über alle Regressionsaufgaben. Für die Klassifikation erreichte XGBoost einen durchschnittlichen F1-Score von 0,70 für die Altersgruppenvorhersage und 0,83 für die Vorhersage dominanter Arten. Um die 'Black-Box'-Natur von Modellen des maschinellen Lernens anzugehen und die Interpretierbarkeit zu verbessern, haben wir eine Verfeinerung der konformen Vorhersage integriert, um die prognostische Unsicherheit auf einem nominalen Abdeckungsniveau von 90 % zu quantifizieren. Infolgedessen wurde ein geospatiales Kartierungstool entwickelt, das die Generierung von standortspezifischen Waldeigenschaften mit einer räumlichen Auflösung von 10 m ermöglicht, zusammen mit entsprechenden Unsicherheitsschätzungen, die eine informiertere Waldbewirtschaftung und Kohlenstoffbilanzierung unterstützen.
Tasuev et al. (2026) haben diese Frage untersucht.