[論文レビュー] Estimation of forest height and biomass from open-access multi-sensor satellite imagery and GEDI Lidar data: high-resolution maps of metropolitan France

David Morin, Milena Planells+2 more|arXiv (Cornell University)|Oct 23, 2023

Remote Sensing and LiDAR Applications被引用数 4

ひとこと要約

本研究では、オープンアクセスの衛星データ（Sentinel-1、Sentinel-2、ALOS-2）とGEDI Lidarを基準として用い、メトロポリタンフランス全域における森林高さおよびバイオマスを推定するための機械学習フレームワークを開発した。森林種別ごとに集約した際の平均絶対誤差（MAE）は、高さで4.3 m、バイオマスで30 m³/haであり、全国規模の森林モニタリングおよび炭素会計に適した高分解能マップを生成した。

ABSTRACT

Mapping forest resources and carbon is important for improving forest management and meeting the objectives of storing carbon and preserving the environment. Spaceborne remote sensing approaches have considerable potential to support forest height monitoring by providing repeated observations at high spatial resolution over large areas. This study uses a machine learning approach that was previously developed to produce local maps of forest parameters (basal area, height, diameter, etc.). The aim of this paper is to present the extension of the approach to much larger scales such as the French national coverage. We used the GEDI Lidar mission as reference height data, and the satellite images from Sentinel-1, Sentinel-2 and ALOS-2 PALSA-2 to estimate forest height and produce a map of France for the year 2020. The height map is then derived into volume and aboveground biomass (AGB) using allometric equations. The validation of the height map with local maps from ALS data shows an accuracy close to the state of the art, with a mean absolute error (MAE) of 4.3 m. Validation on inventory plots representative of French forests shows an MAE of 3.7 m for the height. Estimates are slightly better for coniferous than for broadleaved forests. Volume and AGB maps derived from height shows MAEs of 75 tons/ha and 93 m${}^3$/ha respectively. The results aggregated by sylvo-ecoregion and forest types (owner and species) are further improved, with MAEs of 23 tons/ha and 30 m${}^3$/ha. The precision of these maps allows to monitor forests locally, as well as helping to analyze forest resources and carbon on a territorial scale or on specific types of forests by combining the maps with geolocated information (administrative area, species, type of owner, protected areas, environmental conditions, etc.). Height, volume and AGB maps produced in this study are made freely available.

研究の動機と目的

• 地域特化型の森林パラメータ推定手法を、フランス本土全域に拡張してマッピングすること。
• オープンアクセスの衛星画像とGEDI Lidarデータを活用して、高分解能の森林モニタリングを実現すること。
• 炭素会計および森林管理応用を目的として、森林高さ、体積、および地上バイオマス（AGB）の正確で空間的に明確なマップを生成すること。
• 航空レーザースキャニング（ALS）データおよびフィールドインventorieのプロットを用いて、マップの精度を検証すること。
• 所有権、樹種、保護地域などの地理情報データと統合することで、地域スケールの分析を可能にすること。

提案手法

• GEDI Lidarデータを地上真値として用い、フランス全域の森林高さを推定するための機械学習モデルを訓練した。
• 森林の構造的・スペクトル的特徴を捉えるために、Sentinel-1（Cバンドレーダ）、Sentinel-2（光学）、ALOS-2（PALSAR-2レーダ）のマルチセンサ衛星データを統合した。
• 10 m解像度の衛星反射率およびバックサイタスデータから森林高さを予測するための教師あり学習アプローチを適用した。
• 樹種に特化した全般的な関係式を用いて、推定された森林高さを体積および地上バイオマス（AGB）に変換した。
• 独立したALS由来の高さマップおよび国立森林インventorieのプロットを用いて予測値を検証した。
• 精度向上とターゲット分析の支援を目的として、結果をシルボエコレジオンおよび森林種別ごとに集約した。

実験結果

リサーチクエスチョン

• RQ1 GEDI Lidarデータで訓練された機械学習モデルは、メトロポリタンフランスのような広大で多様性の高い地域において、森林高さを正確に推定できるか？
• RQ2 マルチセンサ衛星データを用いた場合、針葉樹林と広葉樹林の間で、森林高さおよびバイオマス推定の精度はどのように異なるか？
• RQ3 森林種別およびシルボエコレジオンごとに集約されたマップは、バイオマスおよび体積推定の精度をどの程度向上させるか？
• RQ4 オープンアクセスの衛星データとGEDI Lidarを組み合わせることで、炭素会計および森林管理に適した高分解能で全国的に一貫性のある森林マップを生成できるか？
• RQ5 モデルの予測値は、独立したALSおよびフィールドインventorieデータと比較して、高さおよびバイオマスの平均絶対誤差（MAE）においてどの程度の性能を示すか？

主な発見

• ALS由来のマップと比較した結果、森林高さマップの平均絶対誤差（MAE）は4.3 mに達し、最先端の精度に近い水準に達した。
• 国立森林インベントリープロットでの検証では、森林高さのMAEは3.7 mであり、針葉樹林ではわずかに高い性能を示した。
• 全国規模での評価において、体積および地上バイオマス（AGB）マップのMAEはそれぞれ75トン/haおよび93 m³/haであった。
• 森林種別およびシルボエコレジオンごとに集約した結果、AGBのMAEは30 m³/haにまで低下し、層別化による精度向上が示された。
• モデルは多様な森林種別および地域にわたり、信頼性の高い全国規模のモニタリングを可能にするという、強固な性能を示した。
• 得られた森林高さ、体積、AGBの高分解能マップは、研究、政策、土地管理用途のために無料で利用可能である。