DAI Labs、少量の現地データで新たな森林にも適用可能なAIバイオマス推定モデルに関する論文を発表
DAI Labsは、衛星画像とAIを用いて森林の地上部バイオマス（AGB：Above-Ground Biomass）を推定する新たなフレームワークに関する 論文を発表 しました。この手法は、少量の現地フィールドデータのみで高い精度を実現するものです。
本論文で提案する地上データによるキャリブレーション手法は、すでに実際のプロジェクトで活用されています。現在DAI Labsは、アフリカにおける大規模な森林再生プロジェクトに対し、バイオマスマッピングおよびデータ分析を提供しており、20万ヘクタールを超える劣化森林の再生を支援しています。
プロジェクトの詳細はこちら → ブログ：DAI Labs、Carbon Ventures Africaより選定 ー 高精度なバイオマス分析を推進
森林バイオマスを空間的に連続して正確に測定することは、各国の温室効果ガス（GHG）インベントリ、REDD+、カーボンクレジット市場が依拠するモニタリング・報告・検証（MRV）システムの基盤となります。 しかし、これには長年にわたる根本的なトレードオフが存在してきました。フィールド調査は高精度である一方、空間的なカバー範囲が限られ、大規模に展開するにはコストがかかります。一方、衛星データは広範囲をカバーできますが、衛星によるバイオマス推定は、主に樹冠が密集した森林における信号の飽和という課題によって制限されます。また、既存のモデルは、大規模な現地データを用いた再学習なしに、ある地域から別の地域へ適用することが困難です。
DAI Labsのフレームワークは、以下の2段階のアプローチによって、このトレードオフに対応します。
- 単一のグローバルモデル：Sentinel-2の光学衛星画像、Sentinel-1のCバンドSAR、ALOS-2 PALSAR-2のLバンドSAR、および地形情報を示すデジタル標高モデル（DEM）の4種類の衛星・地理空間データを統合したデータセットを用い、畳み込みニューラルネットワーク（CNN）を一度だけ学習させます。教師データとして、NASAのGEDI（Global Ecosystem Dynamics Investigation）ミッションによる、世界各地のバイオマス参照データを使用します。地域ごとにゼロからモデルを再学習するのではなく、特定の地域に依存しない、他地域にも転用可能な森林構造とバイオマスの関係性を学習するよう設計されています。
- 軽量なフィールドキャリブレーションワークフロー：新しい地域ごとにモデルを再学習する代わりに、少数の現地調査プロット（各サイト最低50プロット）を使用し、まずRandom Forestによる補正を行い、その後、多項式によるバイアス補正を実施します。これにより、わずかな現地測定データのみを用いて、グローバルモデルの予測を、その地域固有の樹種構成や地形条件に適応させることができます。
モデルの実地性能を検証するため、マラウイの3地域（Perekezi、Ntchisi、Dzalanyama）において、広く利用されているグローバルな参照データセットであるESA CCI Biomassプロダクトとの比較評価を行いました。
- ESA CCIバイオマス（既存のグローバルプロダクト）： すべての3つの地域において地上実測値との一致度は低く、R²は-1.53から-0.31の範囲、RMSEは32.5から48.9 Mg/haの範囲でした。.
- DAI Labsの較正されていないグローバルモデル： それ単体でも同様に不十分な性能を示し、R²は-2.1から0.16、RMSEは27.3から50.6 Mg/haの範囲であり、場合によってはESA CCI Biomass自体よりも性能が劣っていた。.
- DAI Labs：フィールド校正後： 性能は3地域すべてで一貫して向上し、$R^2 = 0.80 \sim 0.83$、RMSEは12.5～12.8 Mg/haとなり、未較正モデルおよびESA CCI Biomassの双方に比べ明確な改善が見られた。.
例えばPerekeziでは、キャリブレーションによってRMSEが、ESA CCI Biomassの48.9 Mg/ha、およびDAI Labsの未キャリブレーションモデルの41.9 Mg/haから、12.5 Mg/haまで低減しました。これはESA CCI Biomassと比較して約74%の誤差削減に相当します。
これらの結果は、地上データが非常に限られている地域であっても、グローバルに学習したモデルと少規模な現地フィールドキャリブレーションを組み合わせることで、政策決定やカーボンクレジットの発行を支援できる十分な精度のバイオマスマップを作成できることを示しています。 このアプローチは、特にフィールド調査のためのインフラやリソースが限られている地域において大きな価値を持ちます。また、その応用範囲は カーボンアカウンティングやREDD+にとどまらず、森林管理、生物多様性評価、災害リスク評価（燃料負荷の評価）、農業・インフラモニタリングなどにも広がります。
DAI Labsは、カスタムAI開発を通じて培ったAI技術を、自社の衛星データとAIを活用した地理空間プロダクトにも応用しています。本論文で紹介した手法は、その技術的基盤の中核を成すものです。
論文全文はこちらでお読みいただけます： Transferable Above-Ground Biomass (AGB) Estimation Model from Multi-Sensor Data with Sparse Field Calibration
著者：Pann Thinzar Seint、Bryan Atwood、Subas Chhatkuli（DAI Labs株式会社）
