Koolstofopname in bomen met behulp van machine learning beoordelen

Nieuw onderzoek van IBM heeft als doel de mate waarin bomen koolstof opnemen en de omgeving verbeteren te kwantificeren, met behulp van alleen luchtfoto’s en beschikbare LiDAR-gegevens. De methode is bedoeld om te beoordelen hoe ver bossenplantinitiatieven de koolstofemissies compenseren en om een bruikbare matrix te bieden voor het kwantificeren van de waarde van de bomenplantinitiatieven die steeds vaker door bedrijven en gemeentelijke autoriteiten worden gebruikt als tegenwicht voor de negatieve effecten van bestaande en voorgestelde infrastructuur, ontwikkeling en andere koolstofproducerende activiteiten.

Om de nieuwe methode te demonstreren, beoordeelt het artikel – door IBM-onderzoekers Levente Klein, Conrad Albrecht en Wang Zhou – remotebeelden voor het district Manhattan in New York en berekent dat de bomen in dit gebied 52.000 ton opgeslagen koolstof vertegenwoordigen.

Geschatte koolstofopname voor de West Side van het district Manhattan in New York. Source: https://arxiv.org/pdf/2106.00182.pdf

De opkomende koolstofmarkt wordt momenteel bediend door verschillende methoden om koolstofcompensatie te schatten. De diverse modellen die worden gebruikt, zijn moeilijk te vergelijken, omdat ze geen gemeenschappelijke metrics of methoden delen. Bovendien extrapoleren veel van de modellen principes uit kleine studiegebieden naar een mogelijk te brede toepassing op andere gebieden, die mogelijk niet dezelfde kenmerken hebben of dezelfde schatting van koolstofvoordelen opleveren.

Verder vereisen veel van de meer gedetailleerde en minder generieke methoden aanzienlijke investeringen in monitortechnologieën en -schema’s, wat de verleiding vergroot om wijdverbreide statistische modellen te baseren op zeer kleine analysegebieden, waardoor onnauwkeurige of misleidende resultaten kunnen ontstaan.

Grond- en luchtbomenmonitoring

In plaats daarvan stelt het IBM-artikel een tweeledige aanpak voor om de soort en biomassa van bomen te identificeren: eerst computer vision-analysetechnieken die de soort van een boom uit luchtfoto’s kunnen afleiden; en ten tweede, de correlatie van deze informatie met LiDAR-gegevens, die hoogte-, breedte- en volume-schattingen aan de ‘platte’ beelden kunnen toevoegen die uit de luchtfoto’s zijn geëxtraheerd.

In de linkerbovenhoek van de afbeelding zien we multispectrale foto’s die zijn verstrekt door het Amerikaanse Nationale Landbouwbeeldprogramma (NAIP); rechtsboven, segmentatiegegevens voor de bomen die in de beelden zijn geïdentificeerd; linksonder, de allometrische relatie tussen de boomkruindiameter en de boomhoogte zoals vastgesteld door eerder LiDAR-gegevens; en rechtsonder, de geschatte totale biomassa voor het gebied dat in de afbeelding is afgebeeld.

Het gebruik van LiDAR om de boomhoogte in kaart te brengen is wijdverbreid en kan zelfs worden geïmplementeerd via recente native functionaliteit in Apple’s iOS.

Het gebruik van native LiDAR in een app om de boomhoogte te meten. Source: https://www.youtube.com/watch?v=k5DNlvq2hdE

LiDAR-kaart van bomen. Source: https://towardsdatascience.com/applications-of-lidar-in-forestry-13686e1b15a7

Echter, het in kaart brengen van bomen met LiDAR is duur, dus het IBM-project gebruikte LiDAR gegevens die zijn verkregen voor het borough Staten tijdens de 2017 New York City LiDAR-verkenningsinitiatief initiatief, samen met boomsoortgegevens die zijn verkregen voor alle vijf boroughs voor een 2015 dataproyect, dat 689.227 bomen in het onderzochte gebied identificeerde, met 234 boomsoorten.

Beoordeling van de koolstoflast van bomen in New York

De geschatte koolstofcapaciteit van een typische boom is ongeveer 50% van de totale biomassa, en voor de voorbeeldanalyse heeft het IBM-project alleen de top vier soorten in aanmerking genomen die zijn geïdentificeerd uit de NAIP-multispectrale beelden.

Opslagcapaciteit van de meest voorkomende boomsoorten in New York.

Lineaire regressie is gebruikt om een trainingsdataset te genereren, op basis van de geschatte boomhoogte (LiDAR) en de boomdiameter (NAIP). De koolstofcapaciteit van verschillende boomsoorten is meegenomen in de finale berekeningen, die aantonen dat de bomen in het stedelijke bos van het borough Manhattan 52.000 ton opgeslagen koolstof vertegenwoordigen.

Het creëren van een consistent arboreel koolstofopname-model voor de toekomst

Het genereren van consistente jaar-op-jaar-statistieken blijft een probleem, gezien het huidige gebrek aan een algemene standaard voor het evalueren van de koolstofcapaciteit in bomen. De onderzoekers stellen deze methode voor als een mogelijke toekomstige standaard, en de methode kan worden toegepast en verfijnd door verdere studies die bestaande LiDAR-gegevens in andere gemeenten gebruiken of gegevens verzamelen voor dat doel.

Initiatieven zoals het project van Glasgow om koolstofemissies te compenseren door 18 miljoen stedelijke bomen te planten zouden van groter voordeel zijn voor soortgelijke nationale en internationale onderzoeks- en statistische analyse-inspanningen als een dergelijke standaard kan worden vastgesteld. Het zou beter zijn om een betaalbare en gemakkelijk uitvoerbare standaard te hebben met brede toepasbaarheid en aanvaardbare nauwkeurigheid, dan de huidige Babel van diverse meetprotocollen, of het gebruik van protocollen die mogelijk hogere niveaus van nauwkeurigheid bieden, maar ook hogere niveaus van financiering vereisen.