[論文レビュー] Joint Study of Above Ground Biomass and Soil Organic Carbon for Total Carbon Estimation using Satellite Imagery in Scotland

Terrence Chan, Carla Arus Gomez+2 more|arXiv (Cornell University)|May 8, 2022

Atmospheric and Environmental Gas Dynamics被引用数 6

ひとこと要約

本研究では、スコットランドにおける総炭素推定を向上させるために、衛星画像（Sentinel-1、Sentinel-2、Landsat 8）と機械学習を用いた共同モデリングアプローチを提案する。上部生態系バイオマス（AGB）と土壌有機炭素（SOC）の予測を統合することで、SOCおよびデジタル標高モデル（DEM）を予測子として組み込むことで、AGBモデルの精度が平均で14.2%向上することを示している。一方、AGBを用いてSOCを予測することで一部のモデルで性能向上が見られ、森林と土壌の炭素プール間の強い相互依存関係が明らかになった。

ABSTRACT

Land Carbon verification has long been a challenge in the carbon credit market. Carbon verification methods currently available are expensive, and may generate low-quality credit. Scalable and accurate remote sensing techniques enable new approaches to monitor changes in Above Ground Biomass (AGB) and Soil Organic Carbon (SOC). The majority of state-of-the-art research employs remote sensing on AGB and SOC separately, although some studies indicate a positive correlation between the two. We intend to combine the two domains in our research to improve state-of-the-art total carbon estimation and to provide insight into the voluntary carbon trading market. We begin by establishing baseline model in our study area in Scotland, using state-of-the-art methodologies in the SOC and AGB domains. The effects of feature engineering techniques such as variance inflation factor and feature selection on machine learning models are then investigated. This is extended by combining predictor variables from the two domains. Finally, we leverage the possible correlation between AGB and SOC to establish a relationship between the two and propose novel models in an attempt outperform the state-of-the-art results. We compared three machine learning techniques, boosted regression tree, random forest, and xgboost. These techniques have been demonstrated to be the most effective in both domains.

研究の動機と目的

• ボランタリー炭素市場における従来の炭素検証手法の高コストとスケーラビリティの低さに対処すること。
• リモートセンシングを用いて、上部生態系バイオマス（AGB）と土壌有機炭素（SOC）を共同でモデリングすることで、総炭素推定の精度を向上させること。
• AGBとSOCの間の相互予測可能性を調査し、炭素モデリングの強化を図ること。
• 特徴工学と機械学習手法の影響が、AGBおよびSOC推定性能に与える影響を評価すること。

提案手法

• 複数の衛星データ（Sentinel-1、Sentinel-2、Landsat 8）、デジタル標高モデル（DEM）、および森林在庫データを予測子として入力とした。
• XGBoost、ランダムフォレスト、ブーストドレグレッションツリーの3つの機械学習モデルを用いて、AGBおよびSOCの推定を実施した。
• 分散インflーション係数と特徴選択を用いた特徴工学により、予測子セットの最適化を図った。
• AGBおよびSOC分野の予測子を統合することで、クロスドメインの予測利得を評価するための共同モデルを構築した。
• AGBをSOCの予測子として、SOC/SOCDをAGBの予測子として使用することで、間接的な関係性を検証した。
• RMSE、MAE、R²の指標を用いて、複数のモデル構成におけるモデル性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 AGBとSOCの推定モデルを統合することで、個別モデルに比べて総炭素推定の精度が向上するか？
• RQ2 DEMを予測子として含めることで、AGB推定性能が向上するか（特に、DEMは従来、SOCモデリングに使用されてきた）？
• RQ3 SOCまたはSOC密度を予測子として使用することで、AGBモデルの精度がどの程度向上するか？
• RQ4 AGBをSOCの予測子として使用することで、異なる機械学習アルゴリズムにおけるモデル性能にどのような影響を与えるか？
• RQ5 スコットランドのような混合土地利用地域において、AGBとSOCの間の相関関係の性質と強度はいかなるものか？

主な発見

• AGBモデルにDEMを予測子として組み込むことで、XGBoost、ランダムフォレスト、ブーストドレグレッションツリーの各モデルで平均13.5%の性能向上が達成された。
• AGBモデルにSOCおよびSOC密度を予測子として使用することで、最先端のベースラインに比べて平均14.2%の精度向上が達成された。
• AGBをSOCの予測子として使用することで、ランダムフォレストではモデル性能が向上したが、ブーストドレグレッションツリーとXGBoostでは性能が低下した。これは、モデル固有の影響を示している。
• ランダムフォレストモデルが最高のAGB推定性能を示し、R²で最先端のベースライン（0.5925 vs. 0.5829）を19.5%上回った。
• 特徴重要度分析により、AGBがSOC推定モデルに有意義に寄与することが確認され、生物学的に妥当なフィードバックループの存在を支持する結果となった。
• 共同モデリングアプローチにより、AGBとSOCが相互に依存しており、両者の併用が総炭素推定精度の顕著な向上に寄与することが示された。