「私たちは長年にわたり、信頼できる格付けの提供に注力し、現地データチームへの投資を重ねてきました。これにより当社の格付けの正確性は確保されていますが、購入者が検討している数千のプロジェクトにわたるスケールを実現することはできません。」
カーボンクレジット調達の最新動向について詳しくは、当社の記事「Key Takeaways for 2025」をご覧ください。調達戦略を改善するための、データに基づく5つのヒントをご紹介しています。
加えて：Connect to Supplyをご利用のお客様は、Sylveraのその他のツールもご利用いただけます。プロジェクトの格付け確認や強みの評価、高品質なカーボンクレジットの調達に加え、プロジェクトの進捗状況のモニタリング（特に発行前段階で投資している場合）も可能です。
Sylveraの無料デモを予約して、調達機能やレポーティング機能を体験しましょう。
When analyzing carbon projects, Sylvera utilizes machine learning (ML) and multiple types of satellite data to identify specific features of forests and land cover. Examples of these features include:
- 森林と非森林
- キャノピーハイト
- キャノピーカバー
- 地上バイオマス
この記事では、当社がさまざまなプロジェクト分析にMLをどのように活用し、他社との差別化を図っているかについて概説します。
機械学習のファクトシートはこちらからダウンロードできます。
機械学習とは？
MLを活用することで、プロジェクト地域（PA）内で何が起きているのかをスケールごとに把握することができます。プロジェクト内の小さなエリアを手作業でサンプリングする（時間がかかり、精度が低い）よりも、世界中のどこにでもあるプロジェクトエリア全体を評価することができます。MLモデルから最も正確なアウトプットを得るために、私たちは特定の生物群や地域で独自のモデルをトレーニングしています。
For every PA, we create a shapefile (an outline of the project area). We use the shapefile to extract pixels from satellite imagery that falls in the project boundary (typically 10m-30m resolutions). Sylvera examines every single pixel within a PA both alone and in the context of their adjacencies (which is a powerful feature of deep learning).
例えば、森林の成長を評価しようとする場合、MLモデルを使ってPA内のすべてのピクセルのキャノピー高を推定します。そのために、ラベル付けされた何万ものデータポイントを与えて、林冠高を識別するモデルをトレーニングします。これにより、モデルは樹冠の高さに関連する特定の特徴を識別するように「学習」します。
その後、炭素プロジェクトの各エリアでモデルを実行し、この例では樹冠高を推定します。同じ地域で複数年にわたりモデルを実行することで、森林面積の経年変化を見ることができます。
複数のデータソースの組み合わせ
モデルの訓練と実行には、複数の種類のデータを利用します。それぞれのタイプで異なるデータを提供することで、特定の特徴を検出することができます。
ARRプロジェクトの分析にMLを使用する方法
ARR（Afforestation, Reforestation, Revegetation）プロジェクトは、「除去」のカテゴリーに分類される自然ベースの解決策です。 一般的には、植林によって荒廃した不毛の土地を転換することを目的としています。
ARRプロジェクトのパフォーマンスを評価するためには、森林の消失と同様に、新たに森林が成長した地域を特定することが不可欠です。私たちはキャノピーの高さをこれらの地域を特定するための代用品として使用しています。
次ページの画像は、当社独自の機械学習モデルと衛星データを活用して、ARRプロジェクト地域内の樹冠高を経時的に推定し、森林が成長している地域を特定する方法を示しています。
この例では、プロジェクトのさまざまなエリアで樹冠の高さが増加しているのがわかります。これは、異なる時点で新しい森林が植林され、成長していることを示しています。
これらの結果をプロジェクトの報告書と比較し、両者が一致しているか、あるいは食い違いがないかを確認します。
- 報告されたのと同じ面積の森林が成長し、未報告の損失がなければ、炭素スコアは100%になります。
- 森林の成長面積が報告された面積より少なかったり、 森林の損失が報告されていなかったりした場合、 カーボンスコアは100%を下回ります。
キャノピーの高さ（黄色と緑色）は、時間の経過とともにプロジェクト内のさまざまな地域で増加しています。これは、新しい森林の植栽と成長のエリアを示しています。
How does this inform the Sylvera credit rating?
私たちのモデリング手法の結果は、プロジェクト地域内の現場で実際に起こっていることを代表するものであることを確認し、カーボン・スコアの高い精度を保証するために、品質管理プロセスにかけられます。
また、このMLの結果を、格付けフレームワークの「追加性」コンポーネントで使用し、プロジェクトエリアの不適格性をテストします。
- カーボン・オフセット・プロジェクトを開発するために、プロジェクト開発者がプロジェ クト開始前に存在した原生林を伐採した場合、伐採された森林面積は不適格とみなされ、過大評価 のリスクとなります。このリスクを理解するために、森林伐採が発生した時点だけでなく、歴史的な原生林の存在を追跡するMLの結果を使用しています。
REDD+プロジェクトの分析にMLを使用する方法
REDD+（Reduce Emissions from Deforestation and Forest Degradation：森林減少・劣化からの排出削減）プロジェクトは、「回避」の範疇に入る一般的な自然ベースのソリューションです。森林に蓄積された炭素に金銭的価値を与え、温室効果ガス排出につながる人為的影響を削減するインセンティブを加えることで、既存の森林を保全することを目的としています。
REDD+プロジェクトの成果を評価するためには、一定期間における森林の消失と維持の違いを明らかにする必要があります。
次ページの画像は、私たちが独自の機械学習モデルと衛星データを活用し、REDD+プロジェクト地域内で森林から非森林へと変化した地域を経時的に検出することで、森林喪失地域を特定している様子を示しています。
私たちのモデリング手法の結果は、プロジェクト地域内の現場で実際に起こっていることを代表するものであることを確認し、炭素スコアの精度を高くするために、品質管理プロセスを経ています。
この場合、森林から非森林へと変化しているエリアがいくつかあることがわかりますが、これは時間の経過とともにプロジェクトエリア内で森林が減少していることを示しています。
そして、これらの結果をプロジェクトの報告書と比較し、両者が一致しているか、あるいは食い違いがないかを確認します。
- 報告された森林損失よりも多いことが判明した場合、炭素スコアは100％を下回ります。報告されていない森林損失が多ければ多いほど、スコアは低くなります。
IFMプロジェクトの分析にMLを使用する方法
改善された森林管理（IFM）は、農林業・土地利用プロジェクトのカテゴリーです。これらの森林管理活動により、森林内の炭素蓄積量の増加、および／または林業活動から排出される温室効果ガスの削減が図られます。
IFMプロジェクトのパフォーマンスを評価するために、炭素蓄積量の変化をもたらす活動を特定します。これらの活動の代理として樹冠被覆を使用し、ディープラーニングと回帰モデルを組み合わせて、これらの活動が行われた地域の規模を特定します。
下の画像は、プロジェクト内のさまざまな地域における森林被覆の相対的な変化を示す地図です。このような森林被覆の変化は、炭素ストックに相対的な影響を与えます。
How does Sylvera’s ML differ from our competitors’?
Sylvera’s machine learning expertise and capabilities gives us the ability to accurately gain information on carbon projects that others cannot. We also invest into future research streams to ensure we are always operating at the cutting edge of the industry.
In addition to classical machine learning, which assesses each data point (i.e. pixel) in isolation, Sylvera also applies deep learning algorithms, which are able to better understand image context. This enables greater accuracy in estimation and analysis, and for generalized prediction across different geographies and time periods.
Sylvera does not rely on optical data alone, but makes use of the full range of EO data available: optical, SAR/Radar, LiDAR. Soon we’ll be incorporating hyperspectral data into our methodology.
グラウンド・トゥルーシング・キャンペーン
Sylvera is LiDAR scanning forests in an effort to build the world’s largest dataset of carbon stored in trees and above-ground biomass.
The quantity and quality of this LiDAR reference data is unparalleled. By collecting vast quantities of this data around the world in different biomes, it means that Sylvera can estimate both biomass and carbon stocks for forests at an unprecedented accuracy using satellite data.
.avif)
Sylvera is the only ratings platform in the world that has collected enough three dimensional forest data using LiDAR for it to be used as reference data. Today, we use this data to train and calibrate the EO-based machine learning models to improve their accuracy. This is one of our key research and development streams and will be used in our ratings in the future.
