Rolf Schmitz，CollectiveCrunch 联合创始人兼联合首席执行官 – 访谈系列

罗尔夫·施密茨 (Rolf Schmitz) 是 集体紧缩是一个平台，通过在全球范围内提供最准确、可扩展、及时的分析，实现可持续林业，并为碳交易市场带来透明度，从而改变世界对森林的认识。

Rolf 是一名工程师，拥有曼彻斯特商学院的 MBA 学位。 他在全球业务开发和销售方面拥有丰富的经验，在亚洲、美国和欧洲建立了团队。

您能分享一下 CollectiveCrunch 背后的起源故事吗？

我们专注于处理大量数据并从中获取见解。 我们在启动 CollectiveCrunch 时的最初想法是将气候数据与业务流程结合起来，因为我们认为这是气候变化的一个被忽视的方面。

最初，我们追求物流和能源。 我们开发了一款预测风电场发电量的产品，这对于维持电网的稳定性至关重要。 该产品在芬兰国家电网Fingrid 中运行。 然而，我们发现物流和能源市场拥挤，小公司很难在其中发挥领导作用。

通过我们的联合创始人之一 Jarkko 的朋友，我们意识到创建和维护的挑战 森林清查。 我们认为技术复杂程度低得惊人。 结果，库存成本高昂、不准确，并且每 5-10 年才进行一次。 森林在减缓气候变化、生态系统服务和基于自然的解决方案方面的重要性当时是显而易见的。 这就是 CollectiveCrunch 成为一家“林业人工智能公司”的原因。 就个人而言，我们都是在乡村长大的，所以对森林有着天然的亲近感。 这就是我们为森林构建人工智能模型的方式。

使用哪些类型的工具和摄像机来监测森林？

我们的方法是不专注于任何一种感官方法，而是结合我们可以获得的所有相关数据源。 任何一种感官方法都有优点和缺点； 结合数据源使我们能够克服弱点。 例如，光学图像非常有用，但当有云层覆盖时，卫星无法提供光学图像。 在我们的业务中，卫星来源的数据很重要，但激光雷达扫描（只要有可用的数据）也很重要。 从商业模式的角度来看，我们不从事数据采集，例如驾驶无人机或租用飞机来扫描区域。

除了基于卫星的传感数据之外，激光雷达是一种非常重要的工具或方法。 在区域活动中拍摄的高分辨率光学图像不如激光雷达那么突出，但也得到了使用。 令人惊讶的是，仍然使用着广泛使用的工具是古老的 19^th 世纪手动取样方法。 由于涉及很多统计数据，我仍然称其为工具。

该系统是否能够针对不同的局部生态系统进行训练，以识别病原体感染、异常和干扰或其他类型的树木疾病？

对不同区域生态系统有适应，包括变化检测。 不同地区的树种、生长模式和森林管理做法差异很大。 这同样适用于数据采集方法和实践。 因此，不仅树不同，训练数据也不同。

可以从这些信息中获得什么类型的可操作的见解？

• 在“变化检测”一词下，您可以检测风暴损害、识别害虫爆发和其他需要干预的负面影响，以便能够进行实地干预并限制相关损害的影响。
• 碳清单为碳项目带来透明度，并促进围绕此类项目和信贷的评估和购买的决策。
• 在造林项目中，新种植的树木的生存能力取决于土壤中适量的水分。 检测到过度干燥或潮湿可以触发干预措施，以防止这些幼树倒塌。
• 商业林业中的森林库存为诸如间伐（促进生长）和优化收成等决策提供信息。 物种检测使供应链更加高效并提高利润。 总之，这使得该行业能够更有效地利用森林资源。 这一点至关重要，因为大部分商业森林是维持农村社区和推动循环产品和包装采用的关键。
• 跟踪生物多样性可以在某个地区遭受退化时触发干预措施。 在我们经历气候变化加速的阶段时，生物多样性对于我们的森林变得更具弹性至关重要。

分析如何有利于可持续森林所有权？

有几个好处发挥了作用。 首先，商业林业不断采取新措施，提高可持续发展水平。 其中许多需要更好、更深入的分析。 举例来说：皆伐，即森林面积被砍伐 100%，会对当地生态系统产生重大影响。 这样做是出于效率原因——如果林业效率降低，许多可持续产品（例如基于纤维的包装）将无法与可持续性较差的替代品竞争。 该行业正在探索仅砍伐每个地区最大的树木的替代方案。 它更具可持续性，但从物流和成本的角度来看，这是一个非常严峻的挑战。 这只能通过最先进的分析来完成。

生物多样性对于森林的恢复力至关重要。 跟踪生物多样性并在需要时采取干预措施对于森林的短期和长期生存至关重要。

对于碳捕获项目，系统如何验证项目是否如宣传的那样减少了温室气体排放？

该系统对所涉及的森林清查达到了一定的准确性，这是可验证的。 大多数“绿色清洗”不是发生在分析层面，而是发生在项目的构建方式上。 旨在避免森林砍伐的森林碳项目大多面临两个问题：

• 基线：这是一组预测在没有干预的情况下会发生什么的假设。 然后将干预计算为高于基线的“额外性”。 如今的基线并非来自数据驱动的分析，而通常是粗略的平均值。 此外，基线是由项目经理自己计算的，他们存在利益冲突：基线越低，创建的积分就越多。
• 溢出：指定项目区域内发生的积极事情（例如减少采伐）被指定项目区域之外发生的事情抵消的现象。 通常这些地区不会被追踪，因此该项目获得了积分，而周围的森林却失去了优势。

这里的根本问题是缺乏数据驱动的分析来独立跟踪正在发生的事情。 如今，我们可以大规模地做到这一点，但该领域最先进技术的适应速度非常缓慢。 简而言之，问题不在于分析，而在于积分计算的基础。

您有任何使用该系统的客户案例研究可以分享吗？

• 西班牙最大的森林所有者 ENCE 使用我们的系统。
• 我们的第一个也是最大的客户是 Metsähallitus（芬兰国家森林）。
• 我们的合作伙伴 Forliance 是全球最大、最受尊敬的碳项目经理之一，与我们合作开展哥伦比亚最大的碳项目之一。
• 欧洲北欧十大林业国家中有 7 个是我们的客户。 我们即将公布的最新客户是芬兰的“三巨头”之一。

您对未来林业保护的愿景是什么？

我们的愿景是数据驱动，在基于自然的解决方案中进行基于事实的分析。 很明显，我们需要迅速采取行动减缓气候变化。 目前，全球大量森林每 5-10 年就会进行一次清查。 我们应该将其减少到每月跟踪以了解发生了什么。 最重要的是，我们需要跟踪生物多样性。 如果没有生物多样性，我们就会在气候危机中失去森林的恢复能力。

关于 CollectiveCrunch 您还有什么想分享的吗？

是的：我们可以大规模地做到这一点。 我们目前覆盖面积 20 万公顷，其中森林面积约 50 万英亩。 我们这样做的准确性比我们所取代的传统方法更好。 这是真实的，它使碳交易市场变得透明。

感谢您的精彩采访，想要了解更多信息的读者可以访问 集体紧缩.