Hiilensidonta puita koneoppimisen avulla

IBM:n uusi tutkimus pyrkii määrättämään, miten paljon puut sitovat hiiltä ja parantavat ympäristöä, käyttäen ainoastaan ilmakuvia ja saatavilla olevaa LiDAR-dataa. Menetelmän tarkoituksena on arvioida, kuinka pitkälle puitten istutusohjelmat kompensoivat hiilidioksidipäästöjä, ja tarjota toimiva matriisi puitten istutusohjelmien arvon määritykseen, joita yhä useammin käytetään yrityksillä ja kunnilla vastapainona olemassa olevien ja ehdotettujen infrastruktuurien, kehityksen ja muiden hiilidioksidipäästöjen kielteisten vaikutusten kompensoimiseksi.

Tutkimuksessa käytetään esimerkkinä New Yorkin Manhattanin alueen kaukokuvia, ja lasketaan, että alueen puut edustavat 52 000 tonnia sitoutunutta hiiltä.

Arvioitu hiilensidonta New Yorkin Manhattanin alueella. Lähde: https://arxiv.org/pdf/2106.00182.pdf

Nouseva hiilidioksidin kauppa on tällä hetkellä monien eri menetelmien käytön kohteena, joilla arvioidaan hiilensidontaa. Käytettävät mallit ovat vaikeat vertailla, koska niillä ei ole yhteisiä mittareita tai menetelmiä. Lisäksi monilla malleista sovelletaan pääperiaatteita pienistä tutkimusalueista laajemmin muihin alueisiin, jotka eivät välttämättä jaksa samanlaisia ominaisuuksia tai johtavat samaan arvioon hiilensidonnasta.

Lisäksi monien tarkempien ja vähemmän yleisten menetelmien käyttö edellyttää merkittävää sijoitusta seurantateknologioihin ja aikatauluihin, mikä lisää houkutusta perustaa laajat tilastolliset mallit hyvin pieniin analyysiin, mikä voi johtaa epätarkoihin tai harhaanjohtaviin tuloksiin.

Maanpinnan ja ilman puunseuranta

Sen sijaan IBM:n tutkimus esittää kaksiosaisen lähestymistavan puun lajin ja biomassa määritykseen: ensinnäkin, tietokoneen näköanalyysimenetelmät, jotka voivat johtaa puun lajin ilmakuvista; ja toiseksi, tämän tiedon yhdistäminen LiDAR-dataan, joka voi lisätä korkeus-, leveys- ja tilavuusarviot “litistyneeseen” kuvaan, joka on saatu ilmakuvista.

Yllä olevan kuvan vasemmassa yläkulmassa nähdään monispektrikuvat Yhdysvaltain maatalousministeriön kansallisesta ilmakuvaprojektista (NAIP); oikeassa yläkulmassa, segmentointidata puille, jotka on tunnistettu kuvista; alhaalla vasemmalla, allometriset suhteet puun latvuskaulan ja puun korkeuden välillä, jotka on määritetty aiemmin LiDAR-datasta; ja alhaalla oikealla, arvioitu kokonaisbiomassa alueelle, joka on kuvattu.

LiDAR:in käyttö puun korkeuden kartoittamiseen on laajaa, ja se on toteutettavissa jopa Apple iOS:n uusimmalla ominaisuudella.

iOS:n LiDAR-ominaisuuden käyttäminen puun korkeuden mittaamiseen sovelluksessa. Lähde: https://www.youtube.com/watch?v=k5DNlvq2hdE

LiDAR-kartta puiden korkeudesta. Lähde: https://towardsdatascience.com/applications-of-lidar-in-forestry-13686e1b15a7

Kuitenkin puun kartuttaminen LiDAR:llä on kallista, joten IBM-projekti käytti LiDAR-dataa, joka oli hankittu Staten saarelle New Yorkin kaupungin LiDAR-kartointiohjelman aikana vuonna 2017, yhdessä puulajitietojen kanssa, jotka oli hankittu kaikille viidelle kaupungin alueelle vuonna 2015, ja joista tunnistettiin 689 227 puuta tutkitulla alueella, jotka edustivat 234 puulajia.

Arviointi New Yorkin puiden hiilensidonnasta

Tyypillisen puun arvioitu hiilensidontakyky on noin 50 % sen kokonaisbiomassasta, ja esimerkkitutkimuksessa IBM-projekti käytti ainoastaan neljää eniten edustettua puulajia NAIP-monivärikuvista.

Varastointikapasiteetti New Yorkin eniten edustetuista puulajeista.

Lineaarisella regressioanalyysillä generoitiin koulutusdata, joka perustui arvioituun puun latvuskaulaan (LiDAR) ja puun halkaisijaan (NAIP). Eri puulajien hiilensidontakyky otettiin huomioon lopullisissa laskelmissa, joissa todettiin, että Manhattanin kaupungin puiden hiilensidontakyky on 52 000 tonnia.

Luominen johdonmukaiselle puun hiilensidontamallille tulevaisuutta varten

Vuosi vuodelta muodostuvien tilastojen luominen on edelleen ongelma, koska yleistä standardia puun hiilensidontakyvyn arvioimiseksi ei ole. Tutkijat ehdottavat tätä menetelmää mahdolliseksi tulevaisuuden standardiksi, ja menetelmää voidaan soveltaa ja jalostaa tulevissa tutkimuksissa, jotka joko hyödyntävät olemassa olevaa LiDAR-dataa muissa kunnissa tai keräävät dataa nimenomaan tätä tarkoitusta varten.

Alueelliset aloitteet, kuten Glasgow’n hanke istuttaa 18 miljoonaa kaupunkipuuta hiilidioksidipäästöjen kompensoimiseksi, olisivat suuremmassa hyödyssä vastaaville kansallisille ja kansainvälisille tutkimus- ja tilastollisille ponnistelulle, jos tällainen standardi voitaisiin vakiinnuttaa. On perusteltua ajatella, että olisi parempi olla edullinen ja helposti toteutettavissa oleva standardi, jolla on laaja soveltamiskyky ja hyväksytty tarkkuus, kuin nykyinen moninaisten mittausprotokollien sekasorto, tai käyttää protokollia, jotka voivat tarjota korkeampia tarkkuustasoja, mutta edellyttävät myös suurempia rahoitustasoja.