Sylvera 如何Sylvera 机器学习评估碳项目

在分析碳项目时，Sylvera 机器学习（ML）和多种类型的卫星数据，以识别森林和土地覆盖的特定特征。这些特征的示例包括：

• 森林与非森林
• 冠层高度
• 顶篷罩
• 地上部生物量

本文概述了我们如何利用机器学习进行各类项目分析，以及这如何使我们脱颖而出，领先于竞争对手。

点击此处下载我们的机器学习简介。

什么是机器学习？我们为什么要使用它？

借助机器学习，我们可以大规模地观察项目区域（PA）内的动态。与在项目内手动抽样小范围区域（这种方法既耗时又不够精确）相比，我们能够评估位于世界各地的整个项目区域。为了从机器学习模型中获得最准确的输出结果，我们针对特定的生物群落和地理区域训练专有模型，并将其应用于不同类型的碳项目。

针对每个保护区（PA），我们会创建一个shapefile（即项目区域的轮廓图）。我们利用该shapefile从卫星影像中提取位于项目边界内的像素（通常分辨率为10米至30米）。Sylvera 单独Sylvera 保护区内的每个像素，并结合其邻近像素Sylvera 综合Sylvera （这是深度学习的一项强大功能）。

例如，如果我们要评估森林生长情况，就会利用机器学习模型来估算保护区（PA）内所有像素的林冠高度。为此，我们会通过向模型输入数万个标注数据点，来训练它识别林冠高度。这样，模型就能“学会”识别与林冠高度相关的特定特征。

随后，我们将模型应用于每个碳项目区域，以估算——在本例中——林冠高度。通过对同一区域进行多年模型运行，我们可以观察到森林面积随时间的变化。

整合多个数据源

我们利用多种类型的数据来训练和运行模型。每种类型的数据各不相同，这使我们能够识别出特定的特征。

我们如何利用机器学习进行ARR项目分析

造林、再造林和植被恢复（ARR）项目是属于“移除”类别的基于自然的解决方案。这些项目通常旨在通过植树造林来恢复退化和荒芜的土地。

为了评估ARR项目的成效，必须确定新造林区域以及森林损失区域。我们利用林冠高度作为指标来识别这些区域。

下页的图片展示了我们如何利用专有的机器学习模型和卫星数据，通过估算ARR项目区域内林冠高度随时间的变化，来识别森林生长区域。

在这个示例中，您可以看到项目不同区域的林冠高度有所增加。这表明了不同时间点新造林和森林生长的区域。

我们将这些结果与项目报告进行对比，以确定它们是否一致，或者是否存在差异。 

• 如果我们确认的森林增长面积与报告一致，且没有未报告的损失，那么碳评分将为100%
• 如果我们发现实际森林增长面积小于报告数据，或者存在未报告的森林损失，那么碳评分将低于100%

‍

随着时间的推移，项目不同区域的林冠高度（黄色和绿色）逐渐增加。这表明这些区域正在进行新造林并呈现生长态势

‍

这将如何影响Sylvera 的Sylvera 评级？

我们建模方法得出的结果需经过质量控制流程，以确保其能真实反映项目区域内实际情况，并确保碳评分具有较高的准确性。

我们还将在评级框架的“增量性”部分运用机器学习结果，以检验项目区域是否不符合资格。 

• 如果项目开发商在开发碳抵消项目时，砍伐了项目启动前已存在的原始森林，则被砍伐的森林面积将被视为不符合资格，并构成超额核算的风险。为了帮助我们理解这一风险，我们利用机器学习模型的结果来追踪历史上的原始森林分布情况，以及森林砍伐发生的确切时间点。

我们如何利用机器学习进行REDD+项目分析

REDD+（ 减少毁林和森林退化所致排放量）项目是一种常见的基于自然的解决方案，属于“避免”类别。其目标是通过赋予森林中储存的碳以经济价值，并提供激励措施以减少可能导致温室气体排放的人类活动，从而保护现有森林。 

为了评估REDD+项目的成效，有必要在一定时期内区分森林损失与森林保留的情况。

下一页的图片展示了我们如何利用专有的机器学习模型和卫星数据，通过检测REDD+项目区域内某片区域随时间推移是否从森林转变为非森林，从而识别森林损失区域。

我们建模方法得出的结果需经过质量控制流程，以确保其能真实反映项目区域内实际情况，并确保碳评分具有较高的准确性。

从图中可以看出，部分区域正从森林转变为非森林，这表明随着时间的推移，项目区域内发生了森林减少。

然后，我们将这些结果与项目报告进行对比，以确定它们是否一致，或者是否存在差异。 

• 如果我们发现实际森林损失量比报告的更多，那么碳评分将低于100%。未报告的森林损失量越大，评分就越低。

我们如何利用机器学习进行IFM项目分析

“森林管理改善”（IFM）是一类农业、林业和土地利用项目。与常规林业做法相比，这些森林管理活动能够增加森林中的碳储量，和/或减少林业活动产生的温室气体排放。

为了评估IFM项目的成效，我们识别了那些导致碳储量发生变化的已发生活动。我们利用冠层覆盖率作为这些活动的替代指标，并结合深度学习和回归模型，来确定这些活动发生的区域范围。

在下图中，您可以看到一张显示该项目不同区域森林覆盖率相对变化的地图。这些森林覆盖率的变化将对碳储量产生相应的影响。 

‍

Sylvera机器学习技术与竞争对手有何不同？ 

Sylvera机器学习Sylvera专业知识和能力，使我们能够准确获取其他公司无法获取的碳项目信息。此外，我们还投资于未来的研究领域，以确保始终站在行业前沿。

除了传统机器学习（其对每个数据点（即像素）进行独立评估）之外，Sylvera 采用了深度学习算法，这些算法能够更好地理解图像上下文。这使得估算和分析的准确性更高，并能针对不同地区和时间段进行泛化预测。 

Sylvera 依赖光学数据，还充分利用了所有可用的地球观测数据：光学数据、合成孔径雷达（SAR）数据以及激光雷达（LiDAR）数据。不久后，我们将把高光谱数据纳入我们的方法体系。

实地验证活动

Sylvera 激光雷达对森林进行扫描，旨在建立全球最大的树木碳储量及地上生物量数据集。 

该激光雷达参考数据的数量和质量均属首屈一指。通过在全球不同生物群落中收集海量数据，Sylvera 利用卫星数据，以前所未有的精度估算森林的生物量和碳储量。

Sylvera 全球唯一一家利用激光雷达（LiDAR）收集了足够三维森林数据，并将其作为参考数据的评级平台。目前，我们利用这些数据对基于遥感（EO）的机器学习模型进行训练和校准，以提高其准确性。这是我们关键的研究与开发方向之一，未来将应用于我们的评级工作中。

‍