Minus-C. A scalable remote sensing and GIS-based approach to estimate carbon storage in the city of Torino

Carbon sequestraion is a crucial ecosystem servise that provides us with a liveable planet. Vegetation above-ground biomass is a key indicator of the Carbon storage and sequestration capacity and plays a crucial role in ecological effect of an urban ecosystem. Accurate assessment of vegetation biomass provides an understanding of Carbon circulation and is important for sustainable management of urban environment. The best method to estimage vegetation biomass is based on locally collected data, however, limited field data and challenging accessibility to field data calles out for more feasebel techniques using Remote Sensing. Recently launcehd Sentinel imegry offers a new opportunity for Above-ground biomass monitoring. In this study, CCI biomass map as field observation and Sentinel-2A image data were used to construct a model for estimating vegetation above-ground biomass in the case study of Torino, northern Italy. Vegetation indices and biophysical variables based on 150 measured field plots were used to develope biomass prediction models through machine learning techniques such as Artificial Neural Network (ANN), Support Vectore machine for Regression (SVR) and Random Forest (RF). Results show that Random Forest technique has achieved the best performance (r= 0.72, MAE= 34 and RMSE= 46). A simple mathematic equation defines the values of Carbon sequestration from above-ground biomass values. The final results of Carbon sequestration estimation can be a basis landscape architects to have a more spatially focused and quantitative design.

Il sequestro del carbonio è un servizio ecosistemico cruciale che ci fornisce un pianeta vivibile. La biomassa della vegetazione fuori terra è un indicatore chiave della capacità di stoccaggio e sequestro del carbonio e gioca un ruolo cruciale nell’effetto ecologico di un ecosistema urbano. La valutazione accurata della biomassa della vegetazione fornisce una comprensione della circolazione del carbonio ed è importante per la gestione sostenibile dell’ambiente urbano. Il miglior metodo per stimare la biomassa della vegetazione è basato su dati raccolti localmente, tuttavia, i dati limitati sul campo e la difficile accessibilità ai dati sul campo richiedono tecniche più fattibili utilizzando il telerilevamento. Il recente lancio di Sentinel imegry offre una nuova opportunità per il monitoraggio della biomassa fuori terra. In questo studio, la mappa della biomassa CCI come osservazione sul campo e i dati delle immagini Sentinel-2A sono stati utilizzati per costruire un modello per la stima della biomassa fuori terra della vegetazione nel caso studio di Torino, Italia settentrionale. Gli indici di vegetazione e le variabili biofisiche basate su 150 appezzamenti misurati sul campo sono stati utilizzati per sviluppare modelli di previsione della biomassa attraverso tecniche di machine learning come Artificial Neural Network (ANN), Support Vectore machine for Regression (SVR) e Random Forest (RF). I risultati mostrano che la tecnica Random Forest ha raggiunto le migliori prestazioni (r= 0,72, MAE= 34 e RMSE= 46). Una semplice equazione matematica definisce i valori di sequestro di carbonio dai valori di biomassa fuori terra. I risultati finali della stima del sequestro di carbonio possono essere una base per gli architetti del paesaggio per avere una progettazione più spaziale e quantitativa.