La modélisation géostatistique bayésienne surpasse l'apprentissage automatique pour cartographier les stocks de carbone à partir des données Sentinel-2 dans les paysages de forêts de plantation des Highlands orientaux du Zimbabwe

Introduction Des estimations précises et spatialement explicites des stocks de carbone dans les forêts de plantation sont essentielles pour une gestion durable et une atténuation crédible du changement climatique, cependant, les mosaïques de plantation présentent souvent une forte structure spatiale qui peut réduire la fiabilité des modèles qui ignorent la dépendance spatiale. Méthodes Nous avons prédit le stock de carbone au-dessus du sol dans des paysages de forêts plantées du district de Nyanga, Highlands orientaux, Zimbabwe, en utilisant des données multispectrales de Sentinel-2 et avons comparé un modèle hiérarchique géostatistique bayésien avec trois approches d'apprentissage automatique : forêt aléatoire, machine à vecteurs de support, et k-plus proches voisins. Les prédicteurs comprenaient NDVI, SAVI, EVI et la distance aux établissements, et les modèles ont été évalués en utilisant une validation croisée spatiale bloquée. Résultats Le modèle hiérarchique géostatistique bayésien informé spatialement a fourni les plus faibles erreurs de prédiction et a surpassé le meilleur modèle d'apprentissage automatique, la forêt aléatoire, tandis que la machine à vecteurs de support et les k-plus proches voisins ont montré des erreurs plus importantes. Le NDVI était le prédicteur le plus fort, le SAVI a ajouté un signal complémentaire, l'EVI a contribué une compétence supplémentaire limitée, et la distance aux établissements a capturé l'influence anthropique près des bords gérés. La modélisation bayésienne a également permis la cartographie de l'incertitude probabiliste, avec une incertitude plus élevée dans les parcelles de plantation échantillonnées de manière parcellaire ou en évolution rapide. Discussion La modélisation spatiale bayésienne fournit un cadre robuste et conscient de l'incertitude pour le comptage du carbone des forêts plantées et surpasse les approches d'apprentissage automatique comparées dans ce paysage de plantation hétérogène. Ces résultats soutiennent son utilisation pour la surveillance, le reporting et la vérification, ainsi que pour les décisions de gestion au niveau des sites alignées sur les objectifs d'atténuation du climat et de services écosystémiques.