[论文解读] 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 7

一句话总结

本研究利用基于深度学习的框架，结合超过10万个地理参考的农场多边形和经GEDI衍生的植被高度图增强的Sentinel-2影像，在科特迪瓦和加纳开发了高分辨率（10米）的可可种植园概率地图。该模型通过实地验证和集合不确定性校准，揭示了可可种植分别导致科特迪瓦和加纳保护区森林损失的37%和13%，并暴露了官方数据中存在显著的漏报——在加纳最高可达40%。该研究为可持续性监测和森林砍伐治理提供了关键工具。

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.

研究动机与目标

• 为解决科特迪瓦和加纳缺乏准确、高分辨率的可可种植面积地图的问题，此类问题阻碍了对森林砍伐和可持续生产的监测。
• 开发一种可扩展、自动化的可可种植园制图方法，利用深度学习和公开的卫星影像，克服人工或低精度制图技术的局限性。
• 通过在科特迪瓦为期三个月的实地调查和在加纳部分人工标注的测试集，验证模型的准确性。
• 量化可可种植在保护区中导致森林砍伐的程度，并评估官方报告与实际种植面积之间的差异。
• 为保护、农业规划和供应链治理提供免费获取的高分辨率可可种植园概率地图。

提出的方法

• 使用多时相Sentinel-2光学影像和从GEDI LiDAR数据导出的密集植被高度图，训练全卷积神经网络以预测可可存在性。
• 将GEDI导出的树冠高度图作为辅助输入通道，以利用可可树已知的最大高度（约8米）并借助LiDAR测量提供强监督信号。
• 采用具有类别不平衡正则化的Dice系数损失函数进行模型优化，训练图像块仅包含具有真实标签的像素，以处理稀疏标注问题。
• 通过使用不同随机初始化和批量采样独立训练的十个网络组成的集成模型，提升模型不确定性估计，增强可靠性与校准性。
• 对同一位置的多个观测结果和模型集成输出进行空间聚合，生成地面采样距离为10米的最终概率地图。
• 通过Google Earth Engine部署该框架，支持交互式探索，并向公众开放地图和代码。

实验结果

研究问题

• RQ1 科特迪瓦和加纳的保护区中，可可种植在多大程度上导致了森林砍伐？与官方报告相比如何？
• RQ2 基于卫星影像和植被高度数据的深度学习方法在10米分辨率下对小农户可可种植园的制图准确性如何？
• RQ3 科特迪瓦和加纳的官方国家统计数据在多大程度上低估了可可种植面积的真实规模？
• RQ4 集成深度学习与辅助高度数据在复杂异质景观中如何提升可可种植园检测的可靠性与校准性？
• RQ5 可可种植的空间格局与保护区及生长条件较差区域之间存在何种关系？

主要发现

• 可可种植导致科特迪瓦保护区森林损失超过37%，加纳为13%，表明其在森林砍伐中扮演了主要角色。
• 加纳的官方报告显著低估了真实可可种植面积，差异最高可达40%。
• 最终的高分辨率（10米）概率地图与科特迪瓦为期三个月实地调查收集的验证数据高度一致。
• 将GEDI导出的植被高度图作为辅助输入，显著提升了模型性能，通过提供树高物理先验并降低模型复杂度。
• 集成深度学习方法相比单模型产生了更校准的不确定性估计和更可靠的预测，增强了对地图空间输出的信任度。
• 地图通过Google Earth Engine和GitHub公开获取，使研究人员、政策制定者和行业利益相关方可自由访问，用于监测可可扩张并支持可持续发展举措。