Machine Learning and Multi-source Remote Sensing in Forest Carbon Stock Estimation: A Review

要約

森林炭素を定量化することは、地球を保護するための決定や政策に情報を提供するために重要です。
このタスクをより効果的に行うために、機械学習 (ML) およびリモート センシング (RS) 技術が使用されてきましたが、特に森林の特性を考慮した、最新の ML 手法と RS の組み合わせに関する体系的なレビューが不足しています。
この研究では、80 を超える関連研究から厳格な包含基準を満たす 25 の論文を体系的に分析し、28 の ML 手法と RS データの主要な組み合わせを特定しました。
ランダム フォレストは最も頻繁に出現しました (研究の 88\%)。一方、Extreme Gradient Boosting は他の方法と比較された研究の 75\% で優れたパフォーマンスを示しました。
Sentinel-1 は最も利用されているリモート センシング ソースとして浮上し、マルチセンサー アプローチ (Sentinel-1、Sentinel-2、LiDAR など) が特に効果的であることが証明されています。
私たちの調査結果は、機械学習とリモート センシングを統合して正確かつスケーラブルな森林炭素蓄積量を推定するベスト プラクティスを推奨する根拠を提供します。

要約(オリジナル)

Quantifying forest carbon is crucial for informing decisions and policies that will protect the planet. Machine learning (ML) and remote sensing (RS) techniques have been used to do this task more effectively, yet there lacks a systematic review on the most recent ML methods and RS combinations, especially with the consideration of forest characteristics. This study systematically analyzed 25 papers meeting strict inclusion criteria from over 80 related studies, identifying 28 ML methods and key combinations of RS data. Random Forest had the most frequent appearance (88\% of studies), while Extreme Gradient Boosting showed superior performance in 75\% of the studies in which it was compared with other methods. Sentinel-1 emerged as the most utilized remote sensing source, with multi-sensor approaches (e.g., Sentinel-1, Sentinel-2, and LiDAR) proving especially effective. Our findings provide grounds for recommending best practices in integrating machine learning and remote sensing for accurate and scalable forest carbon stock estimation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google