Machine learning-based geospatial assessment of forest structure characteristics and sequestration potential for informed carbon stocks inventories

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

🔬研究者:Provides a robust ML pipeline for forest carbon estimation with uncertainty quantification, useful for remote sensing and carbon cycle science.

🏢実務担当者:Offers a practical tool for forest managers and carbon project developers to generate high-resolution carbon stock maps.

🏛政策担当者:Demonstrates potential for technology-driven improvement of national greenhouse gas inventories under the Paris Agreement.

管理された森林地は、地域、国、地球規模での温室効果ガスインベントリに必要な炭素収支評価への主要な貢献者である。しかし、森林地は、その規模と複雑さのために、詳細な空間明示的モニタリングが困難であり、したがって、炭素ストックの時空間変化の信頼性が高く自動的な評価は限られている。本研究は、管理レベルでのインベントリデータとリモートセンシング共変量を組み合わせることで、隔離ポテンシャルに関連する主要な森林構造特性を推定するための効果的な方法論を提示する。これは主に、信頼性の高い意思決定と環境分析を支援するための不確実性定量化段階を統合した機械学習（ML）パイプラインに焦点を当てている。我々は、マルチスペクトル衛星測定に適用される3つのアルゴリズム - Random Forest (RF)、Extreme Gradient Boosting (XGBoost)、およびTabNet - を評価した。予測は林分レベルのインベントリデータで行われ、優占種と齢級の分類タスク、ならびに材積、林分高、および平均胸高断面積の回帰タスクに対処した。森林炭素ストックも目的変数として導出された。XGBoostは、タスク全体で最良の総合性能を達成した。回帰については、平均絶対パーセント誤差（MAPE）は、高さで0.18、胸高断面積で0.24、材積で0.47、炭素ストックで0.37に達した。決定係数（[式：テキストを参照]）は、全回帰タスクで0.68であった。分類については、XGBoostは齢級予測で平均F1スコア0.70、優占種予測で0.83を達成した。機械学習モデルの「ブラックボックス」的な性質に対処し、解釈可能性を高めるために、我々は名目90%のカバレッジレベルで予測不確実性を定量化するコンフォーマル予測の改良を組み込んだ。その結果、10 mの空間解像度での林分レベルの森林属性を、対応する不確実性推定値とともに生成できる地理空間マッピングツールが開発され、より情報に基づいた森林管理と炭素会計を支援する。

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。

Managed forest lands are key contributors to the carbon balance assessment needed for the greenhouse gas inventories on local, regional, national, and global levels. However, forest lands, due to size and complexity, are challenging for detailed spatially-explicit monitoring and, therefore, reliable and automatic assessment of spatial-temporal changes of carbon stocks is limited. This study presents an effective methodology for estimating key forest structure characteristics relevant to sequestration potential by combining management-level inventory data with remote sensing covariates. It primarily focuses on a machine learning (ML) pipeline that integrates an uncertainty quantification stage to support reliable decision-making and environmental analysis. We evaluated three algorithms - Random Forest (RF), Extreme Gradient Boosting (XGBoost), and TabNet-applied for multispectral satellite measurements. Predictions were made at the stand level inventory data, addressing classification tasks for dominant species and age group, and regression tasks for timber stock, stand height, and average basal area. Forest carbon stock was also derived as a target variable. XGBoost achieved the best overall performance across tasks. For regression, it reached mean absolute percentage error (MAPE) equal to 0.18 for height; 0.24 for basal area; 0.47 for timber stock and 0.37 for carbon stock. The coefficient of determination ([Formula: see text]) of 0.68 across all regression tasks. For classification, XGBoost achieved an average F1-score of 0.70 for age group prediction and 0.83 for dominant species prediction. To address the 'black-box' nature of machine learning models and enhance interpretability, we incorporated a refinement of conformal prediction to quantify predictive uncertainty at a nominal 90% coverage level. As a result, a geospatial mapping tool was developed, enabling the generation of stand-level forest attributes at 10 m spatial resolution, together with corresponding uncertainty estimates, supporting more informed forest management and carbon accounting.

• openalex https://doi.org/10.1038/s41598-026-50929-wfirst seen 2026-05-25 04:42:01 · last seen 2026-06-05 04:49:29