UAVマルチスペクトル画像とLiDARデータを統合したマルチセンサー機械学習フレームワークによる施業処理森林の現存量炭素ストック推定

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:森林炭素計測におけるマルチセンサー統合とML手法の有効性を示す実証的知見を提供。

🏢実務担当者:森林管理やカーボンクレジット事業における炭素ストック推定の高精度化に活用可能。

🏛政策担当者:森林炭素モニタリングの政策立案やJ-クレジット制度の精度向上に示唆を与える。

異なる施業処理が施された構造的に不均一な森林において、現存バイオマスの炭素貯留量を正確かつスケーラブルに推定することは依然として困難である。本研究は、無人航空機（UAV）由来のマルチスペクトル画像と、UAVおよび航空機搭載型光検出測距（LiDAR）データを統合したマルチセンサー機械学習フレームワークを提示し、北海道中央部および東部の施業林における空間明示的な炭素貯留量推定を目的とする。モデル開発と検証には、38プロットの現地測定データを用いた。UAVマルチスペクトル画像から得られたスペクトル特徴量と、UAVおよび航空機搭載型LiDARデータから得られた構造指標をマルチセンサーフレームワーク内で統合し、重回帰（MLR）、ランダムフォレスト（RF）、およびXGBoostを用いて評価し、MLRをベースラインモデルとした。主要な目的の一つは、施業処理を受けた森林における炭素貯留量推定に対するスペクトルおよび構造センシング情報の相対的貢献を、 canopy height model（CHM）のみ、RGB + CHM、およびマルチスペクトル + CHMのデータセットの系統的比較を通じて定量化することであった。機械学習モデルは一貫してベースラインのMLRモデルを上回り、XGBoostは概ねRFを凌駕し、最大検証R2は0.88、二乗平均平方根誤差（RMSE）は27.41 Mg C ha−1を達成した。プロットレベルの予測精度の向上はCHMのみの構成と比較して控えめであったものの、マルチスペクトル画像とLiDAR由来の構造指標の統合は、壁面から壁面への炭素貯留量マッピングにおける予測誤差と系統的バイアスを低減した。これらの知見は、施業処理を受けた森林における空間明示的な炭素貯留量推定に対する、構造およびスペクトルリモートセンシング情報の補完的役割を強調するものである。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

The accurate and scalable estimation of carbon stocks in living biomass remains challenging in structurally heterogeneous forests subjected to different silvicultural treatments. This study presents a multi-sensor machine learning framework that integrates unmanned aerial vehicle (UAV)-derived multispectral imagery with UAV- and airborne light detection and ranging (LiDAR) data for spatially explicit carbon stock estimation in managed forests of central and eastern Hokkaido, northern Japan. Field measurements from 38 plots were used for model development and validation. Spectral features derived from UAV multispectral imagery and structural metrics derived from UAV and airborne LiDAR data were integrated within a multi-sensor framework and evaluated using Multiple Linear Regression (MLR), Random Forest (RF), and Extreme Gradient Boosting (XGBoost), with MLR serving as a baseline model. A key objective was to quantify the relative contributions of spectral and structural sensing information for carbon stock estimation in silviculturally treated forests through the systematic comparison of canopy height model (CHM)-only, RGB + CHM, and multispectral + CHM datasets. The machine learning models consistently outperformed the baseline MLR model, with XGBoost generally outperforming RF and achieving a maximum validation R2 of 0.88 and root mean squared error (RMSE) of 27.41 Mg C ha−1. Although the improvement in plot-level prediction accuracy over the CHM-only configuration was modest, integrating multispectral imagery with LiDAR-derived structural metrics reduced prediction errors and systematic bias in wall-to-wall carbon stock mapping. These findings highlight the complementary roles of structural and spectral remote sensing information for spatially explicit carbon stock estimation in silviculturally treated forests.

• openalex https://doi.org/10.3390/s26144496first seen 2026-08-05 04:57:57