Ağaçlarda Karbon Yakalama Değerlendirmesi ile Makine Öğrenimi

IBM’den yeni bir araştırma, sadece hava görüntüleri ve mevcut LiDAR verileri kullanarak ağaçların ne kadar karbon yakaladığını ve çevreyi nasıl iyileştirdiğini量ify etmeyi amaçlıyor. Bu yöntem, ağaç dikme girişimlerinin karbon emisyonlarını nasıl telafi ettiğini değerlendirmek ve şirketler ve belediyeler tarafından altyapı, geliştirme ve diğer karbon üreten faaliyetlerin olumsuz etkilerine karşı denge olarak kullanılan ağaç dikme схемelerinin değerini量ify etmek için kullanılacak bir matriz oluşturmayı amaçlıyor.

Yeni metodolojinin gösterilmesi için, makale – IBM araştırmacıları Levente Klein, Conrad Albrecht ve Wang Zhou tarafından – New York’un Manhattan bölgesinin uzaktan görüntülerini değerlendirir ve bu alanın ağaçlarının 52.000 ton karbon yakaladığını hesaplar.

New York’un Manhattan bölgesinin Batı Yakası için tahmin edilen karbon yakalama. Kaynak: https://arxiv.org/pdf/2106.00182.pdf

Şu anda gelişen karbon ticareti pazarı çeşitli yöntemlerle karbon telafiğini tahmin ediyor. Kullanılan çeşitli modeller difícil karşılaştırılabiliyor, çünkü ortak ölçütler veya yöntemler paylaşılmıyor. Ayrıca, birçok model küçük çalışma alanlarından geniş uygulama alanlarına ilkelere genişletiyor, ancak bu alanların aynı özellikleri paylaşmadığı veya aynı karbon faydaları tahmini vermediği için.

Ayrıca, daha ayrıntılı ve daha az genel metodolojiler önemli bir yatırım gerektiriyor ve bu, küçük ölçekli analiz alanlarına dayalı geniş istatistiksel modellere dayanma eğilimini artırıyor, bu da kesin olmayan veya aldatıcı sonuçlara yol açabilir.

Ağaçların Hava ve Yer İzleme

Bunun yerine, IBM makalesi ağaçların türünü ve biyokütlesini belirlemek için iki aşamalı bir yaklaşım öneriyor: önce, hava fotoğraflarından ağaç türünü çıkarabilen bilgisayar görme analiz teknikleri; ve ikinci olarak, bu bilginin LiDAR verileri ile ilişkisi, yükseklik, genişlik ve hacim tahmini eklenerek “düz” görüntülere dönüştürülüyor.

Üst sol köşede, ABD Ulusal Tarım Görüntüleme Programı (NAIP) tarafından sağlanan multispectral fotoğrafları görüyoruz; üst sağda, görüntülerdeki ağaçlar için segmentasyon verileri; alt sol, önceden LiDAR verileri tarafından belirlen ağaç taç çapı ve ağaç yüksekliği arasındaki allometrik ilişki; ve alt sağda, görüntülenen alan için tahmin edilen toplam biyokütle.

Ağaç yüksekliğini haritalamak için LiDAR kullanımı yaygındır ve Apple’ın iOS’unda yerleşik bir fonksiyon olarak uygulanabilir.

Bir uygulamada ağaç yüksekliğini ölçmek için iOS’un yerleşik LiDAR’ı kullanma. Kaynak: https://www.youtube.com/watch?v=k5DNlvq2hdE

Ağaçların LiDAR haritalaması. Kaynak: https://towardsdatascience.com/applications-of-lidar-in-forestry-13686e1b15a7

Ancak, ağaçları LiDAR ile haritalamak pahalıdır, bu nedenle IBM projesi, 2017 New York City LiDAR Capture girişimi sırasında Staten Borough için edinilen LiDAR verilerini ve tüm beş borough için 2015 yılında gerçekleştirilen bir veri projesi için ağaç türleri verilerini kullandı, bu proje 689.227 ağacı belirledi ve 234 ağaç türünü kapsadı.

New York Şehri Ağaçlarının Karbon Yükünü Değerlendirme

Tipik bir ağacın tahmini karbon kapasitesi toplam biyokütlesinin yaklaşık %50’sidir ve örnek analiz için IBM projesi, NAIP multispectral görüntülerinden belirlenen ilk dört ağacı dikkate aldı.

New York Şehri’ndeki baskın ağaç türlerinin depolama kapasitesi.

Doğrusal regresyon, LiDAR (ağaç taç yüksekliği) ve NAIP (ağaç çapı) tarafından tahmin edilen ağaç yüksekliği temelinde bir eğitim veri kümesi oluşturmak için kullanıldı. Farklı ağaç türlerinin karbon kapasitesi nihai hesaplamalarda dikkate alındı ve Manhattan borough’un kentsel ormanındaki ağaçların 52.000 ton karbon depoladığını buldu.

Gelecek için tutarlı bir Ağaç Karbon Yakalama Modeli Oluşturma

Yıl yıl tutarlı istatistiklerin oluşturulması hala bir sorun olarak kalıyor, mevcut bir ağaç karbon kapasitesi değerlendirmesi standardının eksikliği nedeniyle. Araştırmacılar, bu metodolojiyi olası bir gelecek standardı olarak öneriyorlar ve bu yöntem, mevcut LiDAR verilerini diğer belediyelerde kullanarak veya bu amaç için özel olarak veri toplamak suretiyle daha sonraki çalışmalar tarafından uygulanabilir ve geliştirilebilir.

Glasgow’un 18 milyon kentsel ağacı dikme projesi gibi girişimler, böyle bir standardın kurulmasıyla benzer ulusal ve uluslararası araştırma ve istatistiksel analiz çabalarına daha fazla fayda sağlayacaktır. Arguably, geniş uygulama alanı ve kabul edilebilir doğruluk ile kolayca uygulanabilir bir standarda sahip olmak, mevcut çeşitli ölçüm protokollerinin karmaşıklığından veya daha yüksek doğruluk seviyeleri sunan ancak daha fazla fon gerektiren protokollerin kullanımından daha iyi olacaktır.