ランドスケープ全体の森林構造のマッピング

バイオマスとは？

バイオマスは、木本植物の生物または死物の立位乾燥質量と定義することができ、通常は単位面積あたりの質量で表されます（例：メガグラム/ヘクタール：Mg ^ha-1）。バイオマスの約50%は炭素であるため、森林生態系が放出・貯留する炭素のモニタリングに不可欠な変数。この記事では、衛星リモートセンシング技術を使って「見る」ことができる唯一の部分である地上バイオマスに言及します。 

森林バイオマスの測定

樹木や低木のバイオマスを測定するのは簡単ではありません。実際、バイオマスを直接測定する唯一の方法は、樹木や低木を伐採して重さを量る破壊的サンプリングです。このような破壊的な方法は時間とコストがかかり、逆効果です。なぜなら、炭素を大気中に放出するのではなく、植生に留めておきたいからです。しかし、この方法はアロメトリーモデルを開発するために必要です。アロメトリーとは、樹木の直径や高さといった測定しやすいパラメータからバイオマスを推定する方法です。アロメトリーモデルは生物学的なスケーリング理論に基づいており、生物の体量、サイズ、形状の依存関係を記述します。伝統的な森林インベントリでは、樹木のバイオマスを計算するためにアロメトリックモデルが使用されています。森林インベントリは、大面積の森林統計を推定するために、対象地域にフィールドプロットを設置することに基づいています。しかし、森林が豊富な多くの熱帯諸国では、森林インベントリー・プログラムを実施していないか、実施し始めたばかりです。

伝統的な森林インベントリ手法で森林バイオマスを測定する場合、手作業による樹木の寸法測定、サンプリング戦略、アロメトリックモデルなど、いくつかの誤差要因にさらされます。バイオマスのアロメトリック推定値は通常偏っており（Demol et al. 2022）、その差は15%（Burt et al, 2021）、最大30%（Calders et al, 2015,Gonzalez de Tanago et al, 2018）にも達します。森林インベントリ・プロットは、異なる方法論、サンプリング・デザイン、サイズ/形状、オペレーターを使用して、長期間（5年サイクルなど）にわたって測定されるため、異なるプロジェクトや地域を評価する際に大きな不一致が生じる可能性があります。さらに、世界の森林の多くの地域からは、アクセスが困難であったり、コストが非常に高かったりするため、参照データが不足しています。このため、バイオマス蓄積量をモニタリングする際には、質の高い参照データを入手することが主な課題の1つとなっています。

そのため、私たちは通常、"ground truth data "という言葉を避け、代わりに "reference data "という言葉を使います。リファレンスデータは、リモートセンシングやデータサイエンスにおいて非常に重要です。 そのため、Sylveraではリファレンスデータに特別な注意を払っています。

最高のリファレンス・データセットを構築するための試み：マルチスケールライダー

そのために、世界中の森林を訪れ、独自のマルチスケールライダー（MSL）法を用いて地上と上空からレーザースキャンを行います。地上では、テレストリアルレーザースキャナー（TLS）を使って3Dデータ（点群）を収集します。これらのスキャナーは、小枝や葉の一枚一枚に至るまで、個々の樹木の構造をミリメートルレベルの精度で記録することができます。また、無人航空機（UAV）に搭載したエアボーン・レーザースキャナー（ALS）からも同様のデータを収集し、より広いエリアのデータ収集を可能にしています。

これらの新しいデータセットには、森林構造や地上バイオマスに関する大量の情報が含まれていますが、この情報にアクセスするのは複雑です。個々の樹木のデータを引き出すことで、地上バイオマスなどの樹木スケールのパラメータを慎重に再構築し、モデル化することができます。破壊的な樹木の測定と比較した場合、誤差は3%程度（Burt et al, 2021）に抑えられる可能性があります（アロメトリーを使用した場合は最大30%の誤差があります）。このMSL技術を使って、これまでで最も正確な基準バイオマスデータセットを構築することを目指しています。1回のMSLフィールドキャンペーンで最大50,000ヘクタールの森林をスキャンすることができます。MSL参照データは異なる空間解像度で作成できるため、衛星画像を使用したデータのアップスケーリングが可能です。MSLのバイオマスデータを使用することで、Global Ecosystem Dynamics Investigation (GEDI)センサーによって取得されたスペースボーンLiDARフットプリントのバイオマス校正を独自に作成し、参照データセットを強化することもできます。

バイオマス計測を他の期間や広い地域に拡大するには？

私たちのMSL技術は驚くほどの精度でバイオマスを測定することができますが、データ収集に費やせる時間やこの活動を実施するためのコスト（フィールドキャンペーンごとに数万ヘクタール程度）によって、カバーできる面積や測定できる回数に限界があります。衛星リモートセンシング技術は、森林インベントリと比較して、より頻繁に（例えば毎年）、より長い期間（例えば2000年から現在）にわたって、より大きな空間スケール（例えば地域/国家管轄区域）で行うことができるため、バイオマス蓄積を監視する上で極めて重要です。現在の炭素計算基準は、カーボン・オフセット・プロジェクト内の活動（森林伐採、新規植林など）を検出するために衛星画像を使用し、これをバイオマスまたは炭素排出係数の平均値と組み合わせて、森林が蓄積している炭素量と各活動によって放出された炭素量を決定しています。これらの平均値は、5～10年ごとにプロジェクトレベルで計算され、手作業によるフィールドプロットの測定に基づいています。残念ながら、測定間隔が長いため、森林攪乱による大きな変化（つまり排出量）が見逃されることがあります。また、この種の作業では、コスト、労働力、遠隔地での アクセスの悪さなどの理由から、サンプリングに重要な 欠陥（サンプルの数が少なすぎるなど）が生じるこ とも少なくありません。さらに、平均値は、分散が大きくなるにつれて（特に前述のサンプリングの欠陥に関連して）、ますます貧弱な記述因子となり、私たちが関心を持つ森林のほとんどは、バイオマス蓄積量と炭素排出量の推定に大きな影響を与える可能性のある、多くの構造的な分散を示します。 

森林インベントリ・プロットは、衛星観測のピクセルと組み合わせて使用するようには設計されていません。地上で手作業で収集されたデータは、空間分解能やカバー率の点で衛星リモート観測とは大きく異なることがあるため、通常、壁から壁までリモートセンシングに由来する製品を生成しようとすると、不一致が生じます。Sylveraでは、最先端のMSLベースのリファレンスデータセットと、社内で校正したGEDIデータ、および一般に入手可能な最良の衛星画像を使用してモデルをトレーニングします。 

私たちは、雲を「見通す」ことができ、バイオマスに対する感度が高い長波長合成開口レーダー（SAR）と、バイオマスに対する感度は低いものの、より長い時間範囲をカバーし、植生のクロロフィル含有量に関連する他の有用な情報を含むマルチスペクトル光学衛星画像を使用して、広い地域と時間スケールでバイオマス推定を拡大します。また、デジタル地形モデルや空間テクスチャ解析など、その他の補助情報も使用します。

森林は非常に多様な生態系であり、さまざまな時間的・空間的スケールで複雑な挙動を示します。そのため、参照データの形状や分布に関する仮定が少ないノンパラメトリックな機械学習アルゴリズムは、パラメトリックな手法よりも優れていることが多い（Evans et al, 2009）。機械学習モデルは、バイオマスの量と空間分布、およびその不確実性の推定に使用できます。このような方法を用いれば、キャノピーの高さや樹木被覆率など、他の森林構造パラメータも推定できます。 

シルベラでは、地上部バイオマスをモニタリングするために、査読済みの最先端のアプローチを使用しています（Rodriguez-Veiga et al, 2020,Meyer et al, 2019,Rodriguez-Veiga et al, 2019）。また、統計的に厳密な検証と不確実性分析を行い、ベストプラクティスに従っています（Duncanson et al, 2021,McRoberts et al, 2022）。私たちのモデルは、衛星データから森林の地上部バイオマスと炭素蓄積量の時系列を定常的かつロバストに推定するために地域ごとに訓練されています。

‍

地上部バイオマス時系列マップは、対象地域のバイオマスストックの変化を監視するために使用されます。

私たちの手法は、カバレッジを広げるためのMSLデータの継続的な取得、今後の衛星ミッション（NiSARやバイオマスミッションなど）の準備、そして私たち自身の研究や科学文献から最新のイノベーションを取り入れることによって、常に改善されています。私たちの方法論は、この分野の第一人者である学者たちによって、社内外でレビューされています。また、UCLA、レスター大学、ユニバーシティ・カレッジ・ロンドンの研究チームとも共同研究を行っています。

なぜシルベラでバイオマスを監視する必要があるのですか？

シルベラでは、REDD+（Reducing Emissions from Deforestation and forest Degradation：森林減少・劣化からの排出削減）などのカーボン・フレームワークに属するカーボン・プロジェクトの格付けを行っています。これらのプロジェクトで最も重要な要素は、活動データと排出係数です。活動データは衛星画像の土地被覆分類技術を用いて評価することができ、排出係数は独自のバイオマス測定値を用いて評価することができます。あるいは、プロジェクトから報告された排出量と、バイオマス時系列データから得られた独自の推定値を比較することもできます。このようなバイオマス時系列データは、プロジェクト地域全体で炭素がどこでどれだけ変化しているかをより詳しく把握し、森林劣化（REDD+の2つ目の「D」）に由来する炭素排出を検出・評価する機会を提供します。森林が劣化した場合、その森林はまだ存在していますが、炭素貯留などの生態系サービスを生み出す能力は低下しています。なぜなら、炭素排出量の大部分は森林劣化に由来する可能性があり、多くの場合報告されておらず、同時に森林減少への足がかりとなる可能性があるからです。 

衛星によるバイオマス・モニタリングによって、プロジェクトから報告された森林減少と森林劣化による排出量だけでなく、報告されなかったプロジェクトにおける森林劣化に起因する排出量も評価することで、評価を改善することができます。

シルベラの研究員について

シルベラでバイオマスを研究する科学者は、MSLデータの取得と処理を担当するMSLチームと、ML技術を使用してバイオマス測定をプロジェクトや地域レベルにアップスケールする手法の開発を担当する機械学習（ML）チームの2つのチームに所属しています。

ガビヤ・ベルノタイトはMSLのリサーチ・ソフトウェア・エンジニアで、自動運転車の世界など、さまざまな立場でビッグデータや3Dデータセットを扱った豊富な経験を有しています。 

ロビン・アップハム博士はMSLのリサーチ・ソフトウェア・エンジニアで、高度な統計、確率、機械学習技術の経験があり、森林炭素マッピングのためのライダー処理に重点を置いています。 

Abhishek KumarはMLチームのディープラーニングエンジニアです。希望とハードサイエンスのギャップを埋めるさまざまな新興企業で働きながら、最先端のディープラーニング製品を構築し、リードしてきた4年以上の業界経験を持っています。

ピョートル・プステルニクはMLチームのインターンです。科学計算を中心とした物理学のバックグラウンドを持ち、最近バース大学でデータサイエンスの修士号を取得しました。

ヨハネス・ハンセン博士は、SARデータを中心とした地球観測と森林伐採マッピングの分野で博士号とポスドクの経験を持つリモートセンシングエンジニア。

Miro Demol博士はMSLライダー科学者で、林業におけるレーザースキャンの応用を研究しており、特に地上部のバイオマス推定とその不確実性に関心を持っています。

アンドリュー・バート博士はMSLチームのリモート・センシング・サイエンティストで熱帯林生態学者。

ペドロ・ロドリゲス＝ヴェイガ博士はMLチームの上級地球観測研究員で、林業、リモートセンシングを用いた地上バイオマス取得、森林モニタリングの分野で12年以上の経験を有しています。