[論文レビュー] Mapping Tropical Forest Cover and Deforestation with Planet NICFI Satellite Images and Deep Learning in Mato Grosso State (Brazil) from 2015 to 2021

Fabien H Wagner, Ricardo Dalagnol+6 more|arXiv (Cornell University)|Nov 17, 2022

Remote Sensing in Agriculture被引用数 5

ひとこと要約

本研究では、2015年から2021年までのマトグロッソ州（ブラジル）における熱帯の木立被覆および森林伐採を、5 m解像度のPlanet NICFI衛星画像とU-netディープラーニングモデルを用いてマッピングした。画像分類の分野で高い精度（F1スコア >0.98）を達成した。その結果、2015年の森林被覆面積は556,510.8 km²から2021年には141,598.5 km²にまで急激に減少し、伐採面積は2019年の9,944.5 km²から2021年には19,817.8 km²にほぼ2倍に増加した。本研究は、早期検出および政策支援に向けた高解像度・ディープラーニングベースの監視手法の有効性を示している。

ABSTRACT

Monitoring changes in tree cover for rapid assessment of deforestation is considered the critical component of any climate mitigation policy for reducing carbon. Here, we map tropical tree cover and deforestation between 2015 and 2022 using 5 m spatial resolution Planet NICFI satellite images over the state of Mato Grosso (MT) in Brazil and a U-net deep learning model. The tree cover for the state was 556510.8 km$^2$ in 2015 (58.1 % of the MT State) and was reduced to 141598.5 km$^2$ (14.8 % of total area) at the end of 2021. After reaching a minimum deforested area in December 2016 with 6632.05 km$^2$, the bi-annual deforestation area only showed a slight increase between December 2016 and December 2019. A year after, the areas of deforestation almost doubled from 9944.5 km$^2$ in December 2019 to 19817.8 km$^2$ in December 2021. The high-resolution data product showed relatively consistent agreement with the official deforestation map from Brazil (67.2%) but deviated significantly from year of forest cover loss estimates from the Global Forest change (GFC) product, mainly due to large area of fire degradation observed in the GFC data. High-resolution imagery from Planet NICFI associated with deep learning technics can significantly improve mapping deforestation extent in tropics.

研究の動機と目的

• Planet NICFI衛星画像とディープラーニングを用いて、熱帯の木立被覆および伐採を高解像度で自動的にマッピングする手法を開発すること。
• PRODES や GFC などの既存のグローバルおよび国レベルの伐採製品を改善し、5 m解像度で6か月ごとに6.25ヘクタール未満の領域を検出可能にする。
• 訓練サンプルの手動作成に依存するのを減らすために、自己教師付きk-texturesセグメンテーションを採用し、データキュレーションを効率的かつ正確に行う。
• 気候政策、炭素会計、保全支援のため、違法伐採の早期検出および森林断片化分析を可能にする。
• クラウドベースの処理と拡張されたトレーニングデータを用いて、本手法のグローバル応用へのスケーラビリティを示すこと。

提案手法

• ブラジルのマトグロッソ州における2015年から2021年までの5 m解像度のPlanet NICFI衛星モザイク画像を用いた。
• 6か月ごとの間隔で、木立被覆および伐採をセマンティックセグメンテーションするため、U-net畳み込みニューラルネットワークを適用した。
• 自己教師付きk-texturesクラスタリングを用いてテクスチャクラスを同定し、その後最小限の手動補正を施して森林および非森林クラスのラベル付けを行った。
• 大気条件（例：薄い雲）をトレーニングデータに組み込むために、森林領域に部分的に雲がかかった256×256ピクセルのパッチを含めた。
• 最小限の前処理で、TensorFlow 2を用いてマルチスケールのテクスチャ特徴量を活用し、一般化性能を向上させる形でU-netモデルをトレーニングした。
• 公式のPRODES伐採マップ（一致率67.2％）と比較して結果を検証し、Global Forest Change（GFC）製品との差異を評価した。

実験結果

リサーチクエスチョン

• RQ1 Planet NICFI画像を用いた5 m解像度のU-netディープラーニングモデルは、熱帯の木立被覆および伐採を正確にセグメンテーションできるか？
• RQ2 空間的精度および時間的整合性の観点から、本手法はPRODES や GFC といった既存製品と比較してどの程度優れているか？
• RQ3 自己教師付きk-texturesクラスタリングは、土地被覆セグメンテーションのトレーニングデータ作成における手動アノテーションの必要性をどの程度低減できるか？
• RQ4 6か月ごとのマッピング頻度は、年間製品と比較して初期段階の伐採をどの程度改善して検出できるか？
• RQ5 森林劣化および火災の影響が、既存のグローバルな伐採製品にどのような過大評価をもたらすか。本手法は、このような過大評価を回避する仕組みをどのように備えているか？

主な発見

• マトグロッソ州の木立被覆は、2015年の556,510.8 km²（州全体の58.1％）から2021年末までに141,598.5 km²（14.8％）に減少し、森林地帯は74.7％減少した。
• 伐採面積は2016年12月に6,632.05 km²の低水準に達した後、2019年まではわずかに増加し、2021年12月には19,817.8 km²にほぼ2倍に増加した。
• 本モデルは、Planet NICFIデータの高い反射率変動にもかかわらず、密集した木立被覆のセグメンテーションでF1スコア >0.98を達成し、高い精度を示した。
• 本手法は公式のPRODES伐採マップと67.2％の一致率を示し、火災に起因する劣化を伐採に含めないため、GFC製品よりも精度が優れていた。
• 自己教師付きk-texturesアプローチにより、数日で高品質なトレーニングサンプルを迅速に生成でき、人的作業の負担を大幅に削減し、一貫性を向上させた。
• 本モデルは、PRODESの6.25ヘクタールの閾値未満の小規模な伐採パッチを検出でき、早期対応および違法活動の監視を改善した。