Mengevaluasi Penangkapan Karbon pada Pohon dengan Pembelajaran Mesin

Penelitian baru dari IBM bertujuan untuk mengukur seberapa jauh pohon menyerap karbon dan memperbaiki lingkungan, menggunakan hanya citra udara dan data LiDAR yang tersedia. Metode ini dimaksudkan untuk mengevaluasi seberapa jauh inisiatif penanaman pohon mengimbangi emisi karbon, dan untuk menyediakan matriks yang dapat digunakan untuk mengukur nilai dari skema penanaman pohon yang semakin banyak digunakan oleh perusahaan dan otoritas munisipal sebagai penyeimbang terhadap efek negatif dari infrastruktur, pengembangan, dan kegiatan lain yang menghasilkan karbon.

Untuk mendemonstrasikan metode baru ini, makalah – oleh peneliti IBM Levente Klein, Conrad Albrecht, dan Wang Zhou – mengevaluasi citra jarak jauh untuk distrik Manhattan, New York, dan menghitung bahwa pohon-pohon di area ini mewakili 52.000 ton karbon yang diserap.

Perkiraan penangkapan karbon untuk area West Side di Manhattan, New York. Source: https://arxiv.org/pdf/2106.00182.pdf

Pasar karbon yang muncul saat ini dilayani oleh berbagai metode untuk memperkirakan pengimbangan karbon. Model-model yang digunakan sulit untuk dibandingkan, karena mereka tidak memiliki metrik atau metode yang sama. Selain itu, banyak model tersebut memperluas prinsip dari area studi kecil ke aplikasi yang terlalu luas ke area lain, yang mungkin tidak memiliki karakteristik yang sama, atau menghasilkan perkiraan manfaat karbon yang sama.

Lebih lanjut, banyak metode yang lebih rinci dan kurang generik memerlukan investasi yang signifikan dalam teknologi pemantauan dan jadwal, yang memperburuk keinginan untuk membasiskan model statistik yang luas pada analisis area kecil, yang berisiko menghasilkan hasil yang tidak akurat atau menyesatkan.

Pemantauan Pohon Udara dan Tanah

Sebagai gantinya, makalah IBM ini mengusulkan pendekatan dua tahap untuk mengidentifikasi spesies dan biomassa pohon: pertama, teknik analisis visi komputer yang dapat menghasilkan spesies pohon dari foto udara; dan kedua, korelasi informasi ini dengan data LiDAR, yang dapat menambahkan perkiraan tinggi, lebar, dan volume ke ‘citra datar’ yang dihasilkan dari foto udara.

Di bagian kiri atas gambar di atas, kita lihat foto multispektral yang disediakan oleh Program Citra Pertanian Nasional AS (NAIP); Kanan atas, data segmentasi untuk pohon yang diidentifikasi dalam gambar; kiri bawah, hubungan alometrik antara diameter mahkota pohon dan tinggi pohon yang ditetapkan oleh data LiDAR sebelumnya; dan kanan bawah, perkiraan biomassa total untuk area yang diliput dalam gambar.

Penggunaan LiDAR untuk memetakan tinggi pohon sangat umum, dan bahkan dapat diimplementasikan melalui fungsi asli di Apple iOS.

Menggunakan LiDAR asli iOS dalam aplikasi untuk mengukur tinggi pohon. Source: https://www.youtube.com/watch?v=k5DNlvq2hdE

Pemetaan LiDAR pohon. Source: https://towardsdatascience.com/applications-of-lidar-in-forestry-13686e1b15a7

Namun, pemetaan pohon dengan LiDAR sangat mahal, sehingga proyek IBM ini menggunakan data LiDAR yang diperoleh untuk Borough Staten selama Proyek Pengambilan LiDAR Kota New York 2017, bersama dengan data spesies pohon yang diperoleh untuk semua lima borough untuk proyek data 2015, yang mengidentifikasi 689.227 pohon di area yang disurvei, meliputi 234 spesies pohon.

Mengevaluasi Beban Karbon Pohon NYC

Kapasitas karbon yang diestimasi dari pohon biasa sekitar 50% dari biomassa totalnya, dan untuk analisis contoh, proyek IBM ini hanya mempertimbangkan empat spesies pohon teratas yang diidentifikasi dari citra multispektral NAIP.

Kapasitas penyimpanan dari spesies pohon yang dominan di NYC.

Regresi linier digunakan untuk menghasilkan set data pelatihan, berdasarkan pada perkiraan tinggi kanopi pohon (LiDAR) dan diameter pohon (NAIP). Kapasitas karbon dari spesies pohon yang berbeda diperhitungkan dalam perhitungan akhir, yang menemukan bahwa pohon-pohon di hutan kota borough Manhattan mewakili 52.000 ton karbon yang disimpan.

Membuat Model Penangkapan Karbon Pohon yang Konsisten untuk Masa Depan

Penghasilan statistik tahun-ke-tahun yang konsisten masih menjadi masalah, mengingat kurangnya standar umum untuk mengevaluasi kapasitas karbon pohon. Peneliti ini mengusulkan metode ini sebagai standar yang mungkin untuk masa depan, dan metode ini dapat diterapkan dan diperbarui oleh studi-studi lebih lanjut yang menggunakan data LiDAR yang ada di munisipalitas lain atau mengumpulkan data khusus untuk tujuan tersebut.

Inisiatif seperti proyek Glasgow untuk mengimbangi emisi karbon dengan menanam 18 juta pohon kota akan lebih bermanfaat bagi upaya penelitian dan analisis statistik nasional dan internasional jika standar seperti itu dapat ditetapkan. Argumen yang masuk akal adalah bahwa lebih baik memiliki standar yang terjangkau dan mudah diterapkan dengan aplikabilitas yang luas dan akurasi yang dapat diterima, daripada keadaan saat ini dengan berbagai protokol pengukuran yang berbeda, atau penggunaan protokol yang mungkin menyediakan tingkat akurasi yang lebih tinggi, tetapi juga memerlukan tingkat pendanaan yang lebih besar.