[论文解读] 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 10

一句话总结

本文提出一种低成本、基于深度学习的方法，利用无人机获取的RGB-NIR影像估算森林碳储量，具有高度透明性和准确性，可实现可信的碳抵消。通过结合语义分割与贝叶斯回归及生物量方程，该方法在每公顷约10美元的成本下实现了精确的树级指标（物种、树冠直径、高度），在成本和可靠性方面优于传统方法。

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.

研究动机与目标

• 解决森林保护项目中透明度和可信度不足的问题，该问题阻碍了碳抵消投资。
• 克服传统地面调查（成本高、耗时长）和低分辨率卫星数据（难以准确获取树级指标）的局限性。
• 开发一种可扩展的低成本替代方案，用于热带雨林的激光雷达（LiDAR）方法，基于无人机影像的深度学习技术。
• 通过移动应用程序和开放数据基础设施，实现由社区主导的森林监测与验证。
• 将森林碳抵消定位为一种具有竞争力的替代方案，与昂贵的直接空气捕集技术相比，将单位二氧化碳封存成本降低至约每吨20至25美元。

提出的方法

• 使用低成本四旋翼无人机（如DJI Phantom 4 Pro）搭载4K RGB和Sentera NDVI-IR相机，在约5小时内覆盖100公顷区域，采集高分辨率影像。
• 应用DeepLabv3+卷积神经网络（CNN）进行像素级语义分割，对RGB-NIR影像中的树种进行分类，并提取树冠直径和树木数量。
• 采用具有空间随机效应的贝叶斯回归模型进行模型集成，提升在新区域或分布外数据上的鲁棒性。
• 利用无人机GPS、惯性测量单元（IMU）和运动结构（SfM）数据生成数字表面模型（DSM），再减去卫星获取的数字高程模型（DEM），以计算冠层高程模型（CHM）。
• 应用物种特异性和通用的生物量方程，基于树高、树冠直径和物种数据估算生物量与碳储量。
• 通过与地面实测数据对比，并融合已研究充分的森林数据（如美国国家森林）以扩展训练数据。

实验结果

研究问题

• RQ1 在热带雨林中，基于低成本无人机影像训练的深度学习模型能否准确估算树种、树冠直径和冠层高度？
• RQ2 通过贝叶斯回归实现的模型集成在未见森林区域上如何提升预测准确性和泛化能力？
• RQ3 当结合遥感指标时，基于有限地面实测数据校准的生物量方程在多大程度上能产生可靠的碳储量估算？
• RQ4 与传统地面调查和激光雷达方法相比，该基于无人机的机器学习方法在热带森林环境中的成本效益如何？
• RQ5 通过移动应用程序和低成本无人机进行社区主导的监测，能否实现国家层面的森林清查与验证工作的规模化？

主要发现

• 所提出的方法将森林清查成本降低至每公顷约10美元，显著低于传统地面调查的约300美元/公顷。
• DeepLabv3+语义分割在秘鲁圣拉蒙附近试点飞行中，对低成本RGB-NIR无人机影像中的树种分类和树冠直径提取均表现出高精度。
• 将贝叶斯回归与空间随机效应结合，提升了模型鲁棒性，并降低了在新森林区域的预测误差。
• 基于无人机DSM与卫星DEM生成的冠层高程模型（CHM）可实现对树高的精确估算，而树高是生物量方程计算中的关键输入。
• 将生物量方程应用于估算的指标，得出的碳储量估算不确定性低于仅使用卫星数据的方法，尤其在使用物种特异性方程时更为显著。
• 该方法在大规模部署方面具有可行性，使用固定翼垂直起降（VTOL）无人机可实现每架次覆盖约250公顷，结合移动应用程序实现社区主导的数据采集。