バリデーションの厳密性がUAV-LiDAR炭素モデルの予測精度を左右する：不均一な熱帯サバンナにおける注意喚起事例

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

🔬研究者:Emphasizes the necessity of multiple spatial partitions in validation to avoid inflated accuracy estimates in carbon stock models.

🏢実務担当者:Carbon project developers should verify that model validation accounts for spatial autocorrelation before relying on accuracy claims.

🏛政策担当者:Carbon credit methodologies should mandate rigorous validation that addresses spatial autocorrelation to ensure environmental integrity.

リモートセンシングデータを用いて学習された機械学習モデルは、生態系炭素貯留量のマッピングに広く用いられているが、その検証はしばしば空間的自己相関を無視しており、見かけ上の予測性能を過大評価している。我々は、大規模な衛星ベースのバイオマスマッピングで確立されたこの懸念が、プロットスケールでのUAV-LiDAR炭素推定にも当てはまるかどうかを検証し、ブラジルのCerradãoが優占するPantanal–Cerrado移行帯における29のインベントリプロットを対象に、地上部バイオマス（AGB）と土壌有機炭素（SOC）の予測について、連続的な構造指標、セグメンテーション由来の樹冠指標、およびSentinel-2分光変数を比較した。ランダムフォレストモデルは、14の予測変数シナリオと2つのアロメトリー式の組み合わせで評価された。単一の空間分割では、AGBについては一見妥当な精度（最高R² = 0.27）が得られたが、SOCは単一の分割でも弱い見かけ上の性能しか示さなかった（最高rRMSE = 33.7%、R² = −0.14）。20の独立した空間分割にわたって検証を繰り返し、リークのないネスト型変数選択と組み合わせたところ、試験した全98のシナリオ–応答変数の組み合わせにおいて予測性能はほぼゼロまたは負のR²にまで低下した（平均R²：−0.44〜−0.003）。変数選択は分割間で比較的安定しており、Sentinel-2短波長赤外バンドと樹冠の垂直複雑性指標が一貫して保持され、クロスプール結合テストでは、AGBを用いてSOCを予測する、またはその逆を行うことによる有意な利得は示されなかった。センサーの組み合わせや植生の表現ではなく、検証戦略が、見かけ上の予測性能の主要な決定要因であり、小規模で不均質な熱帯景観における単一分割の精度の過大解釈に対して警告を発するものである。

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。

Machine-learning models trained on remote sensing data are widely used to map ecosystem carbon stocks, but their validation often ignores spatial autocorrelation, inflating apparent predictive skill. We tested whether this concern, established for large-scale satellite-based biomass mapping, also holds for UAV-LiDAR carbon estimation at the plot scale, comparing continuous structural metrics, segmentation-derived crown metrics, and Sentinel-2 spectral variables for predicting aboveground biomass (AGB) and soil organic carbon (SOC) across 29 inventory plots in a Cerradão-dominated Pantanal–Cerrado ecotone, Brazil. Random Forest models were evaluated under fourteen predictor scenarios and two allometric formulations. A single spatial partition yielded seemingly reasonable accuracy for AGB (best R² = 0.27), whereas SOC showed weak apparent skill even under a single partition (best rRMSE = 33.7%, R² = −0.14); repeating validation across 20 independent spatial partitions, combined with leakage-free nested variable selection, showed predictive skill collapsing to near-zero or negative R² for all 98 tested scenario–response combinations (mean R²: −0.44 to −0.003). Variable selection remained comparatively stable across partitions, with a Sentinel-2 shortwave-infrared band and canopy vertical-complexity metrics consistently retained, and cross-pool coupling tests showed no meaningful gain from using AGB to predict SOC or vice versa. Validation strategy, rather than sensor combination or vegetation representation, was the primary determinant of apparent predictive skill, cautioning against overinterpreting single-partition accuracy in small, heterogeneous tropical landscapes.

• Research Square https://doi.org/10.20944/preprints202607.1819.v1first seen 2026-07-30 04:54:39 · last seen 2026-08-07 04:37:23