A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge
紹介する論文は「A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects」です。この研究では、観測条件の変化に対しても頑健かつスケーラブルなAbove-Ground Biomass（AGB）推定手法を提案しています。具体的には、まず同一地点の異なる観測日時のデータのペアに自己教師あり学習を適用し、観測日時の変化に依存しない表現を学習します。次に、その表現を入力としてAGB回帰モデルを構築します。提案手法は既存のプロダクトと比較して高い精度を示すとともに、異なる年度の観測データに対しても頑健な予測が可能であることが示されました。本研究は森林モニタリングのような、広域かつ定期的な更新が必要なAGB推定タスクへの応用が期待されます。

Transcript

1. A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects
 
 文山草
 1 第13回 SatAI.challenge勉強会

2. 目次 
 2 • 発表者紹介スライド
 • 研究の1ページサマリ紹介 
 • 研究の背景（Introduction） 
 • 手法について（Method） 
 • 実験（Experiment）
 • 結論（Conclusion）

3. 3 発表者紹介 This image was generated by ChatGPT
4. 文山　草 所属：メーカー研究職 業務：都市・交通領域での空間情報に関する研究・事業創生　 自己紹介 4 その他取り組み：
 • 学部) 渋滞とデータ同化に関する研究、修士 ) 衛星夜間光の補正に関する研究 • GIS×AI Agentの開発 (位置Biz、Plateau Award 2024) • カメラ映像からの人流デジタルツイン生成 PJ　(未踏Adv 2023) • 衛星画像を用いた港湾物流向けソリューション開発　 (NEDO 2022) 

5. 5 論文紹介 This image was generated by ChatGPT
6. A scalable, annual aboveground biomass product for 
 monitoring carbon impacts of ecosystem restoration projects 
 6 • 衛星マルチスペクトル時系列データに対し、自己教師あり学習手法（Spectral-Temporal Barlow Twins）を応用す ることで、観測条件の変化に頑健なAGB推定手法を提案 
 • 提案手法は既存プロダクトより高精度かつ、異なる観測年度のデータに対しても転用可能性を示した 
 • 森林回復プロジェクトのような、広域かつ年次更新が必要なタスクへの応用が期待される 
 
 自己教師あり学習を応用したスケーラブルなAGB推定手法を提案 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
7. Intro : Above-Ground Biomass (AGB) モニタリングの重要性と課題 
 7 • Above-Ground Biomass (AGB) は森林回復プロジェクトの評価に重要な情報 
 • しかし、従来の現地測量に依拠した手法では、プロジェクト評価に十分なカバレッジ・頻度で 
 AGB測定することは、労力とコストの面から難しい 
 
 • プロジェクト評価に向けては、以下の条件を満たす手法が望ましい 
 ◦ 年次更新が可能か、さらに過去にも遡って適用可能か 
 ◦ 観測条件や季節の変化に対しロバストか 
 ◦ 複数地域への横展開が容易か 
 
 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用 AGB
 
 BGB
 

8. Method : 概要 
 8 • 自己教師あり学習手法による表現学習＋表現-AGBの回帰モデルによりAGB推定 
 手法の概要
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
9. Method : Spectral–temporal Barlow Twins 
 9 • 自己教師あり学習の手法であるBarlow Twinsを応用した手法 
 ◦ 2つの対となる拡張された画像から得られる埋め込み間のクロス相関行列を対角行列に近づける 
 J. Zbontar et al, (2021), ”[2103.03230] Barlow Twins: Self-Supervised Learning via Redundancy Reduction”, arXiv. より引用 Barlow Twinsの概要 

10. Method : Spectral–temporal Barlow Twins 
 10 • Spectral–temporal Barlow TwinsはBarlow Twinsを衛星に拡張したもの 
 • インプット：ピクセルごとのバンド数×観測日数分のデータ 
 • 拡張方法：ランダムに日数をサンプリング 
 
 Spectral–temporal Barlow Twinsの概要 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
11. Method : 回帰 
 11 • 表現学習によって得られた表現をインプットに、AGB*RHをターゲットとしてNNによる回帰を実施 
 
 RH95-10:　
 • RHnはGEDIの累積エネルギーが ｎ% に達するまでの高度 
 • RH95:ほぼ樹冠、RH10:ほぼ下層植生 
 • RH95-10はほぼ植生の高さと捉えられる 
 
 SF:
 • スケーリングファクター 
 ◦ 分子：IPCC記載のアメリカ大陸の熱帯雨林におけるOld-Growth Forestの平均 AGB 
 ◦ 分母：この地域のRH95-10の下位90％ 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
12. Experiment : 対象地域 
 12 • ブラジル・パラー州全域を対象に実施（広さは日本の約3.3倍） 
 ◦ 熱帯雨林と牧草地が混在 
 ◦ 熱帯雨林から転換された牧草地を、再び森林に戻す取り組みが行われている 
 
 Study Area
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
13. Experiment : 検証内容とデータ 
 13 • 検証内容
 ◦ ターゲット変数の比較（AGB*RH vs GEDI AGB） 
 ◦ 他プロダクトとの比較 
 ◦ 他の年度への転用可能性 
 ◦ LandsatとSentinel間での整合性 
 
 検証内容と使用データ 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
14. Experiment : 結果（ターゲット変数の比較（AGB*RH vs GEDI AGB)) 
 14 • 現地観測結果との比較では、AGB*RH（左）はGEDI AGBプロダクト（右） 
 をターゲットとした場合よりも、より整合的 
 真値（現地観測結果）と予測値のプロット 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
15. Experiment : 結果（他プロダクトとの比較） 
 15 • 既往のAGBプロダクトや、樹高プロダクトをAGBに変換したプロダクトに比べても、 
 提案手法はRMSEとR2の上では最も良好な結果を示した 
 プロダクトごとの精度指標の比較 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
16. Experiment : 結果（他の年度への転用可能性） 
 16 • 2019年のデータで訓練したモデルを他年度に適用した場合でも、 
 多くのケースにおいてGEDIプロダクトとの差はGEDIのもつ不確実性の中に収まった 
 年次予測結果の比較（横軸：AGBの予測結果クラス、縦軸：予測とGEDIとの差分） 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
17. Experiment : 結果（LandsatとSentinel間での整合性） 
 17 • 2つの衛星をまたいでもAOIにおけるAGBの分布は概ね整合的 
 ◦ 2015年以前がLandsat、2017年以降がSentinel 
 複数年にわたるAGB分布の推移 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
18. A scalable, annual aboveground biomass product for 
 monitoring carbon impacts of ecosystem restoration projects 
 18 • 衛星マルチスペクトル時系列データに対し、自己教師あり学習手法（Spectral-Temporal Barlow Twins）を応用す ることで、観測条件の変化に頑健なAGB推定手法を提案 
 • 提案手法は既存プロダクトより高精度かつ、異なる観測年度のデータに対しても転用可能性を示した 
 • 森林回復プロジェクトのような、広域かつ年次更新が必要なタスクへの応用が期待される 
 
 自己教師あり学習を応用したスケーラブルなAGB推定手法を提案 
 C. Atzberger et al. (2025), ”A scalable, annual aboveground biomass product for monitoring carbon impacts of ecosystem restoration projects”, Remote Sensing of Environment. より引用
19. 19 ディスカッション This image was generated by ChatGPT
20. 感想・ディスカッション 
 20 【この論文に対して気になった点】 
 • SFにローカルな値を用いているが、この値が得られない地域では適用できるのか 
 • 自己教師あり学習で得られた表現はどの程度他の下流タスクに応用できるのか 
 ◦ 例えば樹種分類など 
 
 【衛星リモセン全般に対して】 
 • ドメインシフトの要因とその対策