Estimating Biomass in Trans-Himalayan Rangelands Using Sentinel-2 Data and Machine Learning Approaches

グレート・グラス・ディテクティブ（偉大なる草の探偵）：山、人工衛星、そしてスマートなコンピュータの物語

地球の皮膚が、草原や低木からなる広大で野生的なカーペット、すなわち「レイランド（牧草地）」に覆われていると想像してみてください。これらは単なる美しい景色ではありません。何百万頭もの牛、羊、ヤギのための巨大なダイニングテーブルであり、地球の水を清潔に保ち、空気を新鮮に保つ役割も果たしています。しかし、ここには問題があります。この草のカーペットが摩耗しつつあるのです。一度に食べすぎる動物たち、変化する気候、そして人間による圧力によって、青々とした牧草地は埃っぽいパッチへと変わりつつあります。これを解決するためには、どれくらいの草が残っているかを正確に知る必要がありますが、昔ながらの方法で数えるのは悪夢のような作業です。それは、険しく岩だらけの山をハイキングし、小さな正方形の草をハサミで切り取り、太陽の下で乾燥させ、その重さを量るという作業を伴います。それは時間がかかり、費用もかかり、すべての場所で同時に行うことはできません。

ここで、「リモートセンシング」と「機械学習」の魔法が登場します。リモートセンシングを、空にある巨大でハイテクなカメラ（人工衛星）だと考えてください。このカメラは、植物が健康な時に放つ目に見えない光の「レッドエッジ（赤端）」のように、私たちの目には見えない色を見ることができます。機械学習は、スーパースマートなコンピュータの学生のようなものです。何百万枚もの衛星写真を見て、地面に足を踏み入れることなく、どれくらいの草があるかを推測することを学びます。科学者たちは、これらのコンピュータを正確にするよう教えてきましたが、山岳地帯は影や急斜面がカメラを混乱させるため、非常に厄介です。大きな疑問はこうです。「空からの観察だけで、これほど厳しい高高度の山々において、草の重さを正確に『量る』スマートなシステムを構築できるのだろうか？」

---

本論文の使命：雲の中でコンピュータに草を数えさせる方法

この研究論文は、新しい種類の探偵業務のためのフィールドガイドのようなものです。著者であるパキスタンとカナダの科学者チームは、アッパー・ディールおよびスワットのトランス・ヒマラヤ・レイランドにおける、どれくらいの草（バイオマス）が成長しているかという謎を解明するために立ち上がりました。これらは地形が非常に険しく、天候も荒々しいため、伝統的な計数方法がほぼ不可能な、険しい高山地帯です。チームは、草を刈り取るためにハイカーを派遣する代わりに、数日おきに地球の詳細な写真を撮影するSentinel-2衛星のデータを使用することに決めました。

彼らは衛星画像を巨大なパズルのように扱いました。まず、2022年と2023年の夏季に現地へ赴き、「グラウンドトゥルース（地上実測値）」を収集しました。彼らはランダムな地点へとハイキングに行き、小さな正方形の中の実際の乾燥した草の重量を測定し、GPS座標を記録しました。これが彼らの「解答集」となりました。次に、それら全く同じ地点の衛星写真を確認し、衛星が何を「見た」のかを調べました。彼らは、光を数値に変換しようとする50種類の異なる数学的公式（植生指数と呼ばれるもの）をテストしました。それは、どのレシピが最高のケーキを作るかを確認するために、50通りのレシピを試しているようなものでした。

発見： 「レッドエッジ」が勝利する

チームは、すべてのレシピが平等ではないことを発見しました。有名なNDVI（植物がどれくらい緑に見えるかを測るもの）のような、従来の標準的な公式は「まあまあ」ではありましたが、より細かい詳細を見落としていました。真の主役は、REDVI1と呼ばれる公式でした。この公式は、「レッドエッジ」と呼ばれる光のスペクトルの特別な部分を利用しています。これは、衛星と植物のクロロフィル（葉緑素）との間の「秘密の握手」のようなものです。

理論をテストした結果、初期スクリーニングにおける予測精度において、REDVI1が明確な勝者となりました。2023年、それは0.86という決定係数（R²）で草の量を予測しました。これは非常に強力な一致を示しています。植物の緑を測る標準的な公式であるNDVIのスコアは、わずか0.7376でした。それはまるで、REDVI1が1マイル先から草の健康状態を見通している一方で、NDVIは目を細めて推測しているかのようでした。

しかし、最高の公式を知るだけでは不十分でした。彼らは計算を行うための最もスマートな「コンピュータの脳」も必要でした。彼らは3つの異なる機械学習の「学生」をテストしました。

1. PLSR（線形的な思考を持つもの）。
2. SVR（サポートベクターマシン）。
3. RFR（ランダムフォレスト回帰）。

ランダムフォレスト（RFR）モデルがチャンピオンとなりました。それは単に推測するだけでなく、山の複雑で面倒な現実を処理できる「決定木の森」を構築しました。RFRは他のモデルよりもはるかに安定しており、2023年に0.92という性能スコア（NSE）を叩き出しました。論文では、より単純な古い線形手法や他の機械学習モデルが、山の奇妙な影や急斜面に対して苦戦したことが明記されています。RFRモデルこそが、ノイズを無視して信号を見つけ出すことができる唯一のモデルでした。

地図：草が豊かな場所と、乏しい場所

勝利した機械学習モデル（RFR）を用いてデータを検証した後、チームは地域全体の詳細な地図を作成しました。ただし、実際の最終的な地図作成には、複雑なコンピュータモデルを直接は使用していません。代わりに、REDVI2に基づいたより単純な線形回帰式を適用しました。REDVI1は初期スクリーニングにおける最高の予測因子でしたが、チームは、マッピングの特定のフェーズにおいてREDVI2が最も高い相関関係（2023年においてR² = 0.7204）を持つことを見出したため、地図上のあらゆるピクセルの草の重量を計算するためにこの公式を使用しました。

結果は、土地についての興味深い物語を明らかにしました。

• 平均値： 研究エリア全体で、乾燥した草の平均量は5,896.78 kg/haでした。
• 極端な値： 草は均一に広がってはいませんでした。動物が一年中放牧されている町や川の近くでは、草がほとんどない場所もあり、一方で驚くほど青々とした場所もありました。最も高いパッチでは、最大で11,516.7 kg/haの草がありました。
• パターン： 論文によると、村や水源に近い草は、しばしば劣化しており、バイオマスが低い（3,500 kg/ha未満）ことが分かりました。これは、動物たちが休みなく食べ続けているためです。しかし、一年の大半が雪に覆われている高い山々では、雪が動物を遠ざけていたため、植物が再生するチャンスがあり、厚く健康な草（7,000 kg/ha以上）が育っていました。

これが将来にとって何を意味するか

著者たちは、自分たちがレイランド管理の問題を永遠に「解決した」と主張することには慎重です。代わりに、この手法が強力な新しいツールを提供することを示唆しています。彼らは、どれくらいの草があるかを知るために草を刈る必要はなく、衛星とスマートなコンピュータを使えば、非常に正確な画像を得られることを証明しました。

これは、そこに住む人々にとって大きな意味を持ちます。もし地元のリーダーたちが、「おい、この谷は草がなくなっているぞ」というメッセージを示す地図を見ることができれば、土地が破壊される前に動物を別の場所へ移動させることができます。これは、推測を科学へと変えるものです。論文は、このアプローチが正確で、拡張性があり、非侵襲的（環境を傷つけない）であることを結論づけており、これらの脆弱な山岳生態系と、それに依存する人々の生活を守るための方法を提示しています。これは、時には、地面を理解するための最善の方法は、空からそれを見ることであるということを思い出させてくれます。