[논문 리뷰] Satellite-based high-resolution maps of cocoa planted area for Côte d'Ivoire and Ghana

Nikolai Kalischek, Nico Lang외 8명|arXiv (Cornell University)|2022. 06. 13.

Cocoa and Sweet Potato Agronomy인용 수 7

한 줄 요약

이 연구는 Côte d’Ivoire와 가나 전역의 코코아 농장을 고해상도(10 m) 위성 기반 확률 지도로 제작하기 위해, 100,000개 이상의 지리적 좌표가 부여된 농장 다각형과 센티넬-2 위성 영상에 더하여 GEDI 기반 식생 고도 지도를 통합한 딥 러닝 프레임워크를 활용한다. 모델은 현장에서의 검증과 앙상블 불확실성 캘리브레이션을 통해 검증되었으며, 각각 보호구역에서 삼림 파괴의 37%와 13%를 유발하는 것으로 나타났다. 또한 공식 데이터에서 다소의 부족한 보고가 확인되었으며, 가나에서는 최대 40%까지의 과소 보고가 있었고, 이는 지속 가능성 모니터링과 삼림 파괴 거버넌스에 중요한 도구를 제공한다.

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.

연구 동기 및 목표

• 코코아 식재 지역의 정확하고 고해상도 지도가 부족하여 삼림 파괴 및 지속 가능한 생산 모니터링이 어려운 문제를 해결하기 위해.
• 수동 또는 저정밀도 지ap핑 기법의 한계를 극복하기 위해, 공개된 위성 영상과 함께 딥 러닝을 활용한 확장 가능하고 자동화된 코코아 농장 지도 제작 방법을 개발하기 위해.
• 코코아 농장 지도의 정확도를 코코아 이베리아에서 3개월간의 현장 캠프와 가나에서 부분적으로 수동으로 레이블링된 테스트 세트를 통해 검증하기 위해.
• 코코아 재배가 보호구역 내 삼림 파괴에 얼마나 기여하는지 정량화하고, 공식 보고서와 실제 식재 면적 간의 격차를 평가하기 위해.
• 보존, 농업 계획, 공급망 거버넌스를 위한 사용자들이 이용할 수 있는 무료 공개 고해상도 확률 지도를 제공하기 위해.

제안 방법

• 다중 시기 센티넬-2 광학 영상과 GEDI 라이다 데이터에서 유도된 고밀도 식생 고도 지도를 사용하여 코코아 존재 여부를 예측하기 위해 완전 컨volution 신경망을 훈련한다.
• 모델은 코코아 수목의 알려진 최대 높이(약 8 m)를 고려하고 라이다 측정치에서 강력한 지도를 제공함으로써 검출 성능을 향상시키기 위해 GEDI 기반 관상 고도 지도를 보조 입력 채널로 통합한다.
• 클래스 불균형 정규화를 적용한 딥 러닝 손실 함수(Dice 계수 손실)를 사용하여 모델을 최적화하며, 희소 레이블링을 처리하기 위해 진짜 레이블이 있는 픽셀만 포함된 훈련 패치를 마스킹한다.
• 다양한 무작위 초기화 및 배치 샘플링을 가진 10개의 독립적으로 훈련된 네트워크 앙상블을 통해 모델의 불확실성을 향상시켜 신뢰성과 캘리브레이션을 향상시킨다.
• 동일한 위치에 대한 다중 관측과 모델 앙상블 출력을 통합하여 최종 확률 지도를 생성하며, 이는 10 m 지상 샘플링 거리로 제공된다.
• 이 프레임워크는 Google Earth Engine를 통해 배포되어 지도와 코드에 대한 상호작용적 탐색과 공개 접근을 가능하게 한다.

실험 결과

연구 질문

• RQ1 코코아 재배가 코코아 이베리아와 가나의 보호구역에서 삼림 파괴에 얼마나 기여하고 있으며, 이는 공식 보고와 어떻게 비교되는가?
• RQ2 위성 영상과 식생 고도 데이터를 활용한 딥 러닝 기반 접근법이 10 m 해상도에서 소규모 농장 코코아 농장을 얼마나 정확하게 지ap핑할 수 있는가?
• RQ3 공식 국가 통계가 코코아 이베리아와 가나의 실제 식재 면적을 얼마나 과소 평가하고 있는가?
• RQ4 앙상블 딥 러닝과 보조 고도 데이터는 복잡하고 이질적인 환경에서 코코아 농장 탐지의 신뢰성과 캘리브레이션을 얼마나 향상시킬 수 있는가?
• RQ5 코코아 재배의 공간적 패턴은 보호구역 및 농사 조건이 열악한 지역과 어떻게 관련되어 있는가?

주요 결과

• 코코아 재배는 코코아 이베리아 보호구역에서 삼림 파괴의 37% 이상을 유발하며, 가나에서는 13%를 차지하여 삼림 파괴의 주요 원인으로 작용한다.
• 가나의 공식 보고서는 실제 식재 코코아 면적을 상당 부분 과소 평가하고 있으며, 최대 40%까지 격차가 존재한다.
• 최종 고해상도(10 m) 확률 지도는 코코아 이베리아에서 3개월간의 현장 검증 데이터와 강한 일치를 보였다.
• GEDI 기반 식생 고도 지도를 보조 입력으로 통합함으로써 모델 성능이 크게 향상되었으며, 수목 고도에 대한 물리적 사전 지식을 제공하고 모델의 복잡성을 감소시켰다.
• 앙상블 딥 러닝 접근법은 단일 모델보다 더 잘 캘리브레이션된 불확실성 추정과 더 신뢰할 수 있는 예측을 제공하여 지ap핑 결과의 신뢰도를 높였다.
• 지도는 Google Earth Engine와 GitHub 통해 공개되어 있으며, 연구자, 정책 입안자, 산업 이해관계자들이 코코아 확장 추적 및 지속 가능성 이니셔티브 지원을 위해 열린 접근을 가능하게 한다.