⚡ electrical engineering

Self-Supervised Tree-level Biomass Estimation in Urban Environments From Airborne LiDAR and Optical Observations

本論文は、航空LiDARと光学画像を統合して、オンタリオ州の810 km²の景観にわたる個々の都市樹木のバイオマスに関する高解像度かつ二時期的なデータベースを生成する自己教師あり深層学習フレームワークを提示しており、手動によるアノテーションなしで正確な樹冠レベルの推定を実現し、5年間で39 Gg Cの純炭素獲得量を明らかにしている。

原著者： Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, C

公開日 2026-06-26

📖 1 分で読めます☕ さくっと読める

CC BY 4.0

原著者： Jose Bermudez (McMaster University, Hamilton, Ontario, Canada), Zilong Zhong (McMaster University, Hamilton, Ontario, Canada), Dominic Cyr (, Environment and Climate Change Canada, Montreal, Quebec, Canada), Camile Sothe (Planet Labs PBC, San Francisco, California, USA), Alemu Gonsamo (McMaster University, Hamilton, Ontario, Canada)

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

巨大で見えない森が、野生の地ではなく、私たちの街や郊外、町の中に広がっている様子を想像してみてください。これらは、通りに並ぶ街路樹であり、公園に佇み、近隣に点在する木々です。長い間、これらの都市の樹木がどれほどの「木材量」（バイオマス）と炭素を蓄えているかを数えることは、厚手のグローブをはめたまま、ビーチの砂粒を数えようとするようなものでした。全体の総量は推測できても、個々の砂粒を見ることはできず、私たちの地図はしばしばぼやけていました。

本論文は、これら都市の樹木を一つひとつ、広大なエリア（南オンタリオ州の約810平方キロメートル）にわたって数え、重さを測定するための、新しいハイテクな手法を提示しています。その手法を、分かりやすく説明します。

1. 「冬の写真」戦略

通常、冬に木の写真を撮ると（葉がない状態）、それは裸の灰色の骸骨のように見えます。そのため、コンピュータは樹木の枝と建物の屋根を区別するのが難しくなります。

論文のトリック： 研究者たちは、同時に二種類の「目」を使って街を見渡しました。
- 高さを見る目（LiDAR）： これは、光を地面や樹木に反射させて精密な3Dモデルを構築する、3Dレーザースキャナーのようなものです。葉がなくても、樹木の「形」を見ることができます。
- 色を見る目（光学）： これは、冬に撮影された高解像度の写真です。
比喩： 暗い部屋の中で人を見分けようとしている場面を想像してください。懐中電灯（写真）だけであれば、その人を見逃してしまうかもしれません。しかし、もしソナー装置（レーザー）も併用して、その人の体が正確にどこにあるかを教えてくれるなら、簡単に見つけることができます。「形」を見るレーザーと「色」を見る写真を組み合わせることで、コンピュータは葉がない状態でも樹木を特定できるのです。

2. 教師のいないコンピュータ教育

通常、コンピュータに樹木を認識させるには、人間が写真の中の何千もの樹木の輪郭を、何年もかけて描き出す必要があります。これは時間がかかり、コストもかかります。

論文のトリック： 彼らは「自己教師あり学習（Self-Supervised）」のアプローチを採用しました。教師を雇う代わりに、彼らはコンピュータに、大まかなルールに基づいた推測（例えば、「もし平らで高ければ建物であり、もしデコボコしていて緑色なら樹木である」といったもの）を与えました。これらの推測は不完全であり、学生の初稿のようなものでした。
比喩： 学生が乱雑なスケッチブックを見ながら絵の描き方を学ぶ様子を想像してください。コンピュータは、これらの乱雑なルールベースのスケッチからスタートし、その後、何百万回もの練習を繰り返しました。自分自身の間違いを修正しながら、自力で完璧に樹木を描けるようになるまで学習したのです。すべての樹木を人間が描いてあげる必要はありませんでした。

3. 「森林」と「都市」の分離

都市のマッピングにおいて最も難しいことの一つは、樹木と家屋の違いを見分けることです。上空からの視点では、平らな屋根が樹冠（木の上の部分）のように見えることがあります。

論文のトリック： コンピュータは非常に厳格な門番（ボウンサー）になることを学びました。3Dレーザーデータを使用して、建物は平らで滑らかであるのに対し、樹木はデコボコしていて不規則であることを学習したのです。
結果： コンピュータはこの作業に非常に長け、建物を95%の精度で正しく識別し、樹木から分離することができました。これは極めて重要です。もし屋根を樹木と間違えてしまったら、家を計量しようとしてしまうことになるからです。

4. 樹木の計量

コンピュータが樹木を見つけ、それぞれの周囲に円を描いた（境界画定）後、次にその重さを推測する必要があります。

論文のトリック： すべての木に登って測定することはできませんでした。そこで、彼らは一つの「レシピ」（アロメトリー式）を使用しました。樹冠が大きく、背が高いほど、より多くの木材が含まれるということを彼らは知っていました。彼らは、市の職員によってすでに測定されていたオークビル市の112,000本の樹木のリストを用いて、このレシピの校正を行いました。
落とし穴： コンピュータは樹木を見つけることには長けていますが、すべての樹木の正確な端（エッジ）を描くことについては完璧ではありません。論文によれば、最大の誤差の要因は、樹木の重さを計るための「レシピ」ではなく、コンピュータが（特に大きくて形が複雑な樹木において）樹冠の正確な端を見落としてしまうことでした。

5. 全体像の結果

このシステムを810平方キロメートルのエリアに対して、2つの異なる年（2018年と2023年）にわたって実行した結果、以下のことが分かりました。

総重量： 2018年には、樹木は約173万トンのバイオマスを保持していました。2023年までに、それは181万トンへと成長しました。
炭素の獲得量： 樹木はこの5年間で、さらに3万9,000トンの炭素を吸収しました。
樹木の分布： 最も重い樹木は、ナイアガラ・エスカープメント（岩の崖のエリア）や河谷沿いに見られました。一方で、より軽く、まばらな樹木は、住宅街や商業エリアに見られました。
不確実性マップ： コンピュータは「信頼度マップ」も作成しました。これは、コンピュータが回答に自信を持てなかった領域（主に農地や混合地域）を強調しており、将来の研究者に対して「これらの地点を優先的にチェックしてください」と伝えています。

まとめ

この論文は、冬のレーザースキャンと写真を用いて、都市における個々の樹木を見つけ、輪郭を描き、重さを計る、スマートで自己学習型のコンピュータシステムを構築しました。これにより、人間が一つひとつ樹木を描くことなく、都市のバイオマスの詳細な、樹木単位のマップを得られることを証明しました。これは、私たちの都市の森がどこで成長しているのか、そしてどれだけの炭素を蓄えているのかを正確に示し、都市がより良い未来に向けて計画を立てる助けとなります。

技術要約：都市環境における自己教師あり学習を用いた樹木レベルのバイオマス推定

問題提起
都市部の樹木は陸域炭素蓄積量の重要な構成要素であるが、そのバイオマスは、管理された森林と比較して空間的な明示性や一貫性に欠ける。既存の推定手法は、サンプル調査や粗いリモートセンシング製品（例：解像度10〜30 m）に依存することが多く、これらは個々の樹冠を解像したり、複雑な都市構造における微細な不均質性を捉えたりするには不十分である。さらに、スケーラブルなマッピングは、以下の3つの手法的なギャップによって阻害されている。(1) 教師あり学習のためのピクセルレベルの手動アノテーションへの依存による、カバー範囲の制限、(2) 自動化された樹冠境界抽出エラーとアロメトリーモデルのエラーとの相対的な寄与度の不明確さ、(3) 空間的に明示的な不確実性レイヤーを伴う、マルチテンポラル（多時期）かつ樹冠スケールのバイオマス製品の不足である。

手法
本研究は、カナダ南部オンタリオ州の810 km²の都市・農村景観に対し、リーフオフ（落葉期）に取得された、二時期（2018年および2023年）の航空レーザー（LiDAR、8–10 pulses m⁻²）および近赤外RGBオルソフォトグラフィ（0.16–0.20 m）を用いた、自己教師ありマルチモーダル融合フレームワークを提示する。

疑似ラベル生成： 手動アノテーションの必要性を排除するため、著者らはノイズを含む疑似ラベルを生成するためのルールベースのフレームワークを開発した。これには以下が含まれる：
- 建物検出： キャノピー高さモデル（CHM）に対するラスターベースの平面性解析と形態学的フィルタリング。
- 植生分類： リーフオフ条件下でのCHM高さ閾値および分光指数（NDVIおよびHSVカラー基準）を用いた、針葉樹と落葉広葉樹の識別。リーフオフ条件下では、針葉樹の樹冠は高いNDVIを維持するが、落葉広葉樹の樹冠は維持しない。
自己教師ありニューラルネットワーク： 二重ストリームのクロスアテンションを備えたConvNeXtV2 U-Netを、これらの疑似ラベルを用いて学習させた。このアーキテクチャは、並列エンコーダを通じて光学データ（NIR, R, G, B）と構造データ（CHM）を処理し、クロスモーダル・アテンション・ブロックを利用して特徴を融合させる。
- 損失関数： モデルは、土地被覆セグメンテーション、樹種分類、および補助的な入力再構成を組み合わせたマルチタスク目的関数を採用した。極めて重要な点として、ノイズを含む疑似ラベルへの過学習を抑制するために、Active Negative Loss (ANL-CE) を使用した。
- 不確実性の定量化： 25のモデル（フォールドおよびハイパーパラメータのバリエーション）によるディープアンサンブルを用い、アレオリック（データ由来）およびエピステミック（モデル由来）の不確実性を区別した、ピクセルごとの不確実性マップを生成した。
樹冠境界抽出： 特定された樹木エリア内のCHMにおいて、マルチスケール・ウォーターシェッド・セグメンテーションを用いて個々の樹冠を抽出した。小さな樹木の過剰分割（オーバーセグメンテーション）と、大きな重複する樹冠の過小分割（アンダーセグメンテーション）に対処するため、3つのスケールを適用した。
バイオマス推定： パワーロー（冪乗則）プロキシモデル ( $AGB = e^\alpha \cdot (CA \cdot H)^\beta$ $A GB = e^{α} \cdot (C A \cdot H)^{β}$ ) を、オークビル（Oakville）の21,921本のインベントリ樹木を用いて、種特異的なアロメトリー式（Lambert et al., 2005）に対して較正した。
- 方程式の選択： 不確実性が低い樹冠には機能群特異的な方程式を割り当て、不確実な樹冠は、信頼できない外挿を防ぐために、統合された「全樹木用」の方程式へとルーティングした。
- 検証： 精度は、インベントリ由来の幾何形状（上限値）と運用上のウォーターシェッド・セグメンテーションから導出された予測値を比較することで、90,726本の樹木からなるホールドアウト・テストセットに対して評価された。

主な結果

セグメンテーション性能： アンサンブルモデルは、すべての指標において初期のルールベースの疑似ラベルを上回った。手動アノテーション済みのタイルに対して、モデルは平均適合率（Precision）0.86、再現率（Recall）0.83、Dice係数0.84を達成した。建物検出は特に堅牢であった（Dice 0.95）が、針葉樹のセグメンテーションが最も困難なクラスであった（Recall 0.66）。
バイオマス推定精度：
- インベントリ由来の樹冠幾何形状を使用した場合（アロメトリー誤差を分離）、モデルは $R^2 = 0.609$ を達成した。
- 自動セグメンテーションを用いた運用条件下では、 $R^2$ は 0.570 に低下した。
- 針葉樹の推定（ $R^2 = 0.646$ ）は、落葉広葉樹の推定（ $R^2 = 0.553$ ）よりも正確であった。これは、CHMデータにおける針葉樹樹冠の高さのピークがより明確であることに起因する。
- インベントリ幾何形状から運用幾何形状への性能低下により、樹冠の境界抽出エラーが、特に過小分割されやすい大型樹木において、主要な不確実性の源であることが特定された。
空間的および時間的知見：
- 総地上部バイオマス（AGB）蓄積量は、2018年の1.73 Tg (811 Gg C) から2023年の1.81 Tg (850 Gg C) へと増加し、39 Gg C の純炭素利得を示した。
- 高いバイオマス密度（~140 Mg ha⁻¹）は、ナイアガラ断崖（Niagara Escarpment）および河岸廊下沿いに集中しており、住宅地や商業地では密度が低かった。
- ディープアンサンブルによる不確実性マップは、トレーニングデータが不足している領域（農業地帯や移行帯など）における高いエピステミック不確実性を特定することに成功した。

意義および主張
著者らは、本研究が、手動アノテーションを一切必要とせず、標準的な州のセンサーデータのみで動作する、スケーラブルな都市バイオマス推定のプロトタイプ・ワークフローを提供すると主張している。主な貢献は以下の通りである：

スケーラビリティ： ルールベースの疑似ラベル生成とニューラルネットワークによる精緻化の組み合わせが、不均質な都市環境において高い精度を達成できることを示し、手動ラベル付けのボトルネックを克服した。
エラー特性の解明： 樹冠の境界抽出エラーが、アロメトリーモデルのエラーよりも、運用上のAGB推定における主要な制限要因であることを明示的に定量化し、特に大型樹木の過小分割に焦点を当てた。
不確実性を考慮したマッピング： 高い信頼性を持つ領域と、フィールド検証を必要とする領域を区別できる、不確実性レイヤーを伴うマルチテンポラル・樹冠レベルのデータベースを提供した。
炭素会計： 粗い解像度やサンプルベースの手法に代わる、空間的に明示的な選択肢を提供し、「森林外の樹木（trees outside forests）」に関する自治体の管理や地域的な炭素会計に役立つ、公開可能なデータベースを実現した。

著者らは、森林由来のアロメトリー式を、開けた場所に生育する都市樹木に適用することが系統的なバイアスを生じさせる可能性があることを認め、絶対的なバイオマス値については控えめなトーンを維持している。しかし、相対的な空間的および時間的なパターンは堅牢であり、より一貫した都市炭素会計に向けた基礎的なステップであると主張している。