Large Scale Mangrove Above-Ground Biomass Estimation using Remote Sensing (RS) & Earth Observation (EO) Data with Machine Learning
Author
Boest-Petersen, Alexander
Term
4. term
Publication year
2022
Submitted on
2022-06-02
Pages
70
Abstract
Earth Observation data (satellite and laser measurements of the Earth) and cloud computing now make it possible to calculate key indicators such as land cover and biomass at large scales. This supports monitoring of ecosystem health in the context of climate change and the UN Sustainable Development Goals. Mangrove ecosystems are threatened and require up-to-date, high-resolution measurements. This thesis examines whether machine learning, combined with high-resolution, globally available data in Google Earth Engine (a cloud platform for geospatial analysis), can estimate mangrove extent and above-ground biomass (the amount of plant material above the soil) at national scales. Earlier biomass studies often relied on lower-resolution or outdated data. Here, newer global datasets—Sentinel-2 imagery at 10 m resolution and active laser measurements from NASA’s ICESat-2 and GEDI LiDAR (laser-based height measurements)—are used to derive indicators such as area, canopy height, and biomass. The study develops a cloud-based workflow that can be transferred to other mangrove regions with minimal adjustments, enabling rapid, detailed reporting and management of these ecosystems and supporting progress toward the UN SDGs. Combining cloud computing, active sensor data (e.g., GEDI canopy returns), and machine learning demonstrates accurate, large-scale predictions of mangrove height and above-ground biomass. The work builds on methods from a Fall 2021 study by Alexander Boest-Petersen at Aalborg University Copenhagen and DHI Group.
Jordobservationsdata (satellit- og laserbaserede målinger af Jorden) og skybaseret databehandling gør det nu muligt at beregne vigtige indikatorer som arealdække og biomasse i stor skala. Det er centralt for at overvåge økosystemers udvikling i lyset af klimaforandringer og FN’s Verdensmål. Mangroveøkosystemer er truede, og der er behov for opdaterede, højtopløste målinger. Denne afhandling undersøger, om maskinlæring sammen med højtopløselige, globalt tilgængelige data i Google Earth Engine (en cloud-platform til geodataanalyse) kan estimere mangrovers udbredelse og overjordisk biomasse (mængden af plantemateriale over jordoverfladen) i landes skala. Tidligere studier har ofte brugt data med lavere opløsning eller fra ældre perioder. Her udnyttes nyere globale datasæt, bl.a. Sentinel-2-billeder i 10 m opløsning og aktive lasermålinger fra NASA’s ICESat-2 og GEDI LiDAR (laserbaserede højdemålinger), til at aflede indikatorer som areal, trækroners højde og biomasse. Studiet udvikler en skybaseret arbejdsgang, der kan overføres til andre mangroveområder med få tilpasninger og dermed muliggør hurtig og detaljeret rapportering og forvaltning af disse økosystemer samt understøtter arbejdet med FN’s Verdensmål. Kombinationen af cloud computing, aktive sensordata (fx GEDI’s kronemålinger) og maskinlæring viser, at nøgleegenskaber som højde og overjordisk biomasse kan forudsiges præcist i stor skala. Arbejdet bygger videre på metoder fra Alexander Boest-Petersens studie i efteråret 2021 ved Aalborg Universitet København og DHI Group.
[This apstract has been rewritten with the help of AI based on the project's original abstract]