Оценка улавливания углерода деревьями с помощью машинного обучения

Новые исследования компании IBM направлены на количественную оценку степени, в которой деревья улавливают углерод и улучшают окружающую среду, используя только аэрофотоснимки и доступные данные LiDAR. Метод предназначен для оценки того, насколько инициативы по посадке деревьев компенсируют выбросы углерода, и для предоставления рабочей матрицы для количественной оценки ценности программ по посадке деревьев, которые все чаще используются компаниями и муниципальными властями в качестве противовеса негативным последствиям существующей и предлагаемой инфраструктуры, развития и других деятельности, производящих углерод.

Чтобы продемонстрировать новую методологию, статья – исследователей IBM Левенте Клейна, Конрада Альбрехта и Ванга Чжоу – оценивает удаленные изображения для района Манхэттен в Нью-Йорке и рассчитывает, что деревья, растущие в этом районе, представляют 52 000 тонн улавливаемого углерода.

Оценка улавливания углерода для западной части Манхэттена в Нью-Йорке. Источник: https://arxiv.org/pdf/2106.00182.pdf

Эмерджентный рынок углеродных торгов в настоящее время обслуживается различными методами для оценки компенсации углерода. Различные модели, используемые для оценки, трудно сравнить, поскольку они не имеют общих метрик или методов. Кроме того, многие из этих моделей экстраполируют принципы из небольших зон исследования на то, что может быть слишком широким применением к другим зонам, которые могут не иметь相同ных характеристик или не давать одинаковой оценки углеродных преимуществ.

Более того, многие более детальные и менее общие методологии требуют значительных инвестиций в технологии и графики мониторинга, что усиливает соблазн основывать широкие статистические модели на очень небольших зонах анализа, рискуя неточными или вводящими в заблуждение результатами.

Мониторинг деревьев с земли и воздуха

Вместо этого статья IBM предлагает двухэтапный подход к определению вида и биомассы деревьев: во-первых, техники анализа компьютерного зрения, которые могут определить вид дерева по аэрофотоснимкам; и во-вторых, корреляция этой информации с данными LiDAR, которые могут добавлять оценки высоты, ширины и объема к “плоским” изображениям, извлеченным из аэрофотоснимков.

В верхнем левом углу изображения выше мы видим мультиспектральные фотографии, предоставленные программой НАИП; в правом верхнем углу – данные сегментации для деревьев, выявленных на изображениях; в левом нижнем углу – аллометрические отношения между диаметром кроны дерева и высотой дерева, установленные на основе предыдущих данных LiDAR; и в правом нижнем углу – оценка общей биомассы для области, покрытой на изображении.

Использование LiDAR для картографирования высоты деревьев широко распространено и даже может быть реализовано с помощью недавней родной функциональности в операционной системе Apple iOS.

Использование родного LiDAR в приложении для измерения высоты деревьев. Источник: https://www.youtube.com/watch?v=k5DNlvq2hdE

Картографирование деревьев с помощью LiDAR. Источник: https://towardsdatascience.com/applications-of-lidar-in-forestry-13686e1b15a7

Однако картографирование деревьев с помощью LiDAR является дорогим, поэтому проект IBM использовал данные LiDAR, полученные для района Стейтен-Айленд во время инициативы по захвату LiDAR в Нью-Йорке в 2017 году, вместе с данными о видах деревьев, полученными для всех пяти районов для проекта 2015 года, который выявил 689 227 деревьев в обследованной области, охватывающей 234 вида деревьев.

Оценка нагрузки углерода деревьев Нью-Йорка

Оцененная емкость углерода типичного дерева составляет около 50% от его общей биомассы, и для демонстрационного анализа проект IBM учитывал только четыре верхних вида, выявленных из мультиспектральных изображений НАИП.

Емкость хранения для преобладающих видов деревьев в Нью-Йорке.

Линейная регрессия была использована для генерации обучающего набора данных на основе оцененной высоты кроны дерева (LiDAR) и диаметра дерева (НАИП). Емкость углерода различных видов деревьев была учтена в окончательных расчетах, которые показывают, что деревья в городском лесу Манхэттена составляют 52 000 тонн запасенного углерода.

Создание последовательной модели улавливания углерода деревьев для будущего

Генерация последовательных годовых статистик остается проблемой, учитывая текущий недостаток общего стандарта для оценки емкости углерода в деревьях. Исследователи предлагают эту методологию как возможный будущий стандарт, и метод может быть применен и усовершенствован дальнейшими исследованиями, которые либо используют существующие данные LiDAR в других муниципалитетах, либо собирают данные специально для этой цели.

Инициативы, такие как проект Глазго по компенсации выбросов углерода путем посадки 18 миллионов городских деревьев, будут более полезными для подобных национальных и международных исследований и статистических анализов, если такой стандарт может быть установлен. Следовательно, было бы лучше иметь доступный и легко реализуемый стандарт с широкой применимостью и приемлемой точностью, чем текущая башня БABEL различных методов измерения, или использование протоколов, которые могут обеспечить более высокие уровни точности, но также потребуют более высоких уровней финансирования.