[論文レビュー] Machine Learning-based Estimation of Forest Carbon Stocks to increase Transparency of Forest Preservation Efforts

Björn Lütjens, Lucas Liebenwein+1 more|arXiv (Cornell University)|Dec 17, 2019

Remote Sensing and LiDAR Applications参考文献 9被引用数 10

ひとこと要約

本論文は、ドローンで撮影したRGB-NIR画像を用いた低コストでディープラーニングベースの手法を提案し、高い透明性と正確性を実現することで、信頼できる炭素オフセットを可能にする。セマンティックセグメンテーションとベイジアン回帰、および定量的方程式を組み合わせることで、木の種類、樹冠径、高さといった木単位の指標を正確に算出し、1ヘクタールあたり約10ドルのコストで炭素貯蔵量を推定する。従来の手法に比べてコストと信頼性の面で優れている。

ABSTRACT

An increasing amount of companies and cities plan to become CO2-neutral, which requires them to invest in renewable energies and carbon emission offsetting solutions. One of the cheapest carbon offsetting solutions is preventing deforestation in developing nations, a major contributor in global greenhouse gas emissions. However, forest preservation projects historically display an issue of trust and transparency, which drives companies to invest in transparent, but expensive air carbon capture facilities. Preservation projects could conduct accurate forest inventories (tree diameter, species, height etc.) to transparently estimate the biomass and amount of stored carbon. However, current rainforest inventories are too inaccurate, because they are often based on a few expensive ground-based samples and/or low-resolution satellite imagery. LiDAR-based solutions, used in US forests, are accurate, but cost-prohibitive, and hardly-accessible in the Amazon rainforest. We propose accurate and cheap forest inventory analyses through Deep Learning-based processing of drone imagery. The more transparent estimation of stored carbon will create higher transparency towards clients and thereby increase trust and investment into forest preservation projects.

研究の動機と目的

• 炭素オフセットへの投資を妨げる、森林保全プロジェクトにおける透明性と信頼性の欠如に対処する。
• 高価で時間がかかる従来の地上調査（コスト高、時間消費）および解像度が低い衛星データ（木単位の指標に不正確）の限界を克服する。
• ディープラーニングを活用したドローン画像を用いた、熱帯雨林におけるLiDARベースの手法の代替手段として、スケーラブルで低コストな代替手法を開発する。
• モバイルアプリとオープンデータインfra構築を通じて、コミュニティ主導の森林モニタリングと検証を可能にする。
• 炭素吸収量1トンあたり約20〜25ドルにまでコストを削減することで、直接大気中からの炭素回収（DAC）よりも競争力のある森林炭素オフセットを位置づける。

提案手法

• 4K RGBおよびSentera NDVI-IRカメラを搭載した低価格なマルチローター・ドローン（例：DJI Phantom 4 Pro）を用い、約100ヘクタールの領域を約5時間で高解像度の画像を収集する。
• RGB-NIR画像からのピクセル単位のセマンティックセグメンテーションに、DeepLabv3+畳み込みニューラルネットワーク（CNN）を適用し、木の種類の分類、樹冠径および木数の抽出を実施する。
• 空間的なランダム効果を組み込んだベイジアン回帰モデルを実装し、予測のアンサンブル化と、未知または分布外のデータに対する耐性の向上を図る。
• ドローンのGPS、IMUおよび構造から形状（SfM）のデータからデジタル表面モデル（DSM）を生成し、衛星由来のデジタルエレベーションモデル（DEM）を差し引いて、コルニス・ハイド・モデル（CHM）を算出する。
• 木の種類別および一般の定量的方程式を用い、木の高さ、樹冠径、種類のデータからバイオマスおよび炭素貯蔵量を推定する。
• 地面の実測調査データと、よく研究された森林（例：米国国立森林）のデータを統合し、トレーニングデータの拡張を図る。

実験結果

リサーチクエスチョン

• RQ1 低コストのドローン画像でトレーニングされたディープラーニングモデルは、熱帯雨林において、木の種類、樹冠径、およびコルニス高さを正確に推定できるか？
• RQ2 ベイジアン回帰によるモデルアンサンブル化は、未確認の森林地域における予測精度と一般化性能をどのように向上させるか？
• RQ3 限られた地面の実測データに基づいてキャリブレーションされた定量的方程式は、リモートセンシングの指標と組み合わせることで、どの程度信頼性のある炭素貯蔵量推定を可能にするか？
• RQ4 このドローンベースの機械学習手法は、熱帯森林環境下で、従来の地上調査やLiDARと比較して、どの程度コスト効率が良いか？
• RQ5 モバイルアプリと低コストドローンを用いたコミュニティベースのモニタリングは、国家レベルでの森林在庫および検証作業をどの程度スケーラブルに可能にするか？

主な発見

• 提案手法により、森林在庫コストが1ヘクタールあたり約10ドルにまで低下し、従来の地上調査（約300ドル/ヘクタール）に比べて顕著に低コスト化された。
• DeepLabv3+を用いたセマンティックセグメンテーションは、ペルーサンラモン近郊のパイロットフライトにおいて、低コストのRGB-NIRドローン画像から木の種類の分類および樹冠径抽出において高い正確性を達成した。
• 空間的ランダム効果を組み込んだベイジアン回帰の統合により、モデルの耐性が向上し、未知の森林地域における予測誤差が低減した。
• ドローン由来のDSMと衛星由来のDEMを用いて導出されたコルニス・ハイド・モデル（CHM）は、定量的炭素計算の主要な入力である木の高さを正確に推定可能であった。
• 推定された指標に適用した定量的方程式により、特に種類別方程式を用いた場合、衛星単体の手法よりも不確実性が低い炭素貯蔵量推定が得られた。
• 本手法は大規模な展開が可能であることが実証され、固定翼VTOLドローンを用いることで1回のフライトで最大250ヘクタールの範囲をカバー可能であり、モバイルアプリを介したコミュニティベースのデータ収集によって、全国レベルでの森林在庫と検証作業のスケーリングが可能となる。