[論文レビュー] Satellite-based high-resolution maps of cocoa planted area for Côte d'Ivoire and Ghana

Nikolai Kalischek, Nico Lang+8 more|arXiv (Cornell University)|Jun 13, 2022

Cocoa and Sweet Potato Agronomy被引用数 7

ひとこと要約

本研究は、10万件を超える地理的に位置指定された農地ポリゴンと、GEDIから導出された植生高マップを用いて強化されたSentinel-2画像を用いて、深層学習フレームワークを訓練することで、コートジvorワとガーナにおけるココア畝の高分解能（10 m）の確率マップを開発した。モデルは現地での検証とアンサンブル不確実性キャリブレーションを通じて検証され、保護区域における森林減少の37%と13%をそれぞれココアが引き起こしていることが明らかになった。また、公式統計における著しい低報告（ガーナでは最大40%）も露呈し、持続可能性の監視と森林減少のガバナンスに不可欠なツールを提供した。

ABSTRACT

Côte d'Ivoire and Ghana, the world's largest producers of cocoa, account for two thirds of the global cocoa production. In both countries, cocoa is the primary perennial crop, providing income to almost two million farmers. Yet precise maps of cocoa planted area are missing, hindering accurate quantification of expansion in protected areas, production and yields, and limiting information available for improved sustainability governance. Here, we combine cocoa plantation data with publicly available satellite imagery in a deep learning framework and create high-resolution maps of cocoa plantations for both countries, validated in situ. Our results suggest that cocoa cultivation is an underlying driver of over 37% and 13% of forest loss in protected areas in Côte d'Ivoire and Ghana, respectively, and that official reports substantially underestimate the planted area, up to 40% in Ghana. These maps serve as a crucial building block to advance understanding of conservation and economic development in cocoa producing regions.

研究の動機と目的

• コートジvorワとガーナにおけるココア植栽面積の正確で高分解能のマップが不足していることによる、森林減少と持続可能な生産のモニタリングの障害を是正すること。
• 手動または低精度のマッピング手法の限界を克服し、公開可能な衛星画像を用いた、スケーラブルで自動化されたココア畝マッピング手法を確立すること。
• コートジvorワで3か月間の現地調査とガーナで部分的に手作業でラベル付けされたテストセットを通じて、モデルの正確性を検証すること。
• ココア栽培が保護区域における森林減少にどの程度寄与しているかを定量化し、公式報告と実際の植栽面積との乖離を評価すること。
• 保護区域や生育に不適な地域との関係におけるココア栽培の空間的パターンを明らかにし、保全、農業計画、サプライチェーンガバナンスに使用可能な、自由に利用可能な高分解能確率マップを提供すること。

提案手法

• マルチタイムリーダンスセンシングのSentinel-2光学画像と、GEDI LiDARデータから導出された高密度な植生高マップを用いて、ココア存在の予測を実行する完全畳み込みニューラルネットワークを訓練する。
• モデルは、ココアの木の最大高さ（約8 m）が既知であることと、LiDAR測定値からの強い監視を提供することを活かして、GEDIから導出された冠層高マップを補助入力チャネルとして組み込む。
• クラスの不均衡を補正するDice係数損失関数を用いてモデルを最適化し、訓練用パッチは真のラベルを持つピクセルのみを含むようにマスクすることで、希少なアノテーションに対応する。
• 異なるランダム初期化とバッチサンプリングを用いて独立して訓練された10個のネットワークのアンサンブルにより、不確実性を向上させ、信頼性とキャリブレーションを向上させる。
• 同じ場所の複数の観測とアンサンブルモデル出力を統合して、10 mの地上サンプリング距離を持つ最終確率マップを生成する。
• フレームワークはGoogle Earth Engineを介してデプロイされ、マップとコードへのインタラクティブな探索と一般公開が可能になった。

実験結果

リサーチクエスチョン

• RQ1 ココア栽培は、コートジvorワとガーナの保護区域における森林減少のどの程度の要因となっているか。また、公式報告と比較するとどうなるか。
• RQ2 衛星画像と植生高データを用いた深層学習ベースのアプローチが、10 m分解能で小規模農家によるココア畝をどの程度正確にマッピングできるか。
• RQ3 公式の国別統計が、コートジvorワとガーナにおける真のココア植栽面積をどの程度低く見積もっているか。
• RQ4 アンサンブル深層学習と補助的な高さデータは、複雑で多様な景観において、ココア畝検出の信頼性とキャリブレーションをどの程度向上できるか。
• RQ5 ココア栽培の空間的パターンは、保護区域や生育に不適な地域とどのように関係しているか。

主な発見

• ココア栽培は、コートジvorワの保護区域における森林減少の37%以上、ガーナでは13%を引き起こしており、森林減少における主要因であることが示された。
• ガーナの公式報告は、真の植栽ココア面積を著しく低く見積もっており、最大で40%の乖離が生じている。
• 最終的な高分解能（10 m）確率マップは、コートジvorワで3か月間の現地調査で収集されたデータと強く一致した。
• GEDIから導出された植生高マップを補助入力として統合することで、木の高さに関する物理的事前知識を提供し、モデルの複雑さを低減することで、モデルの性能が著しく向上した。
• アンサンブル深層学習アプローチは、単一モデルよりもよりキャリブレーションされた不確実性推定とより信頼性の高い予測をもたらし、マップの空間的出力への信頼を高めた。
• マップはGoogle Earth EngineおよびGitHubを通じて一般公開されており、研究者、政策立案者、業界関係者がココア拡大の監視と持続可能性イニシアチブの支援に自由にアクセスできる。