タイ南部におけるマングローブ炭素蓄積量推定のためのモデリング手法の開発
Development of modelling approach to estimate mangrove carbon stock in Southern Thailand (原題)
Sinlapachat Pungpa, Wataru Takeuchi, Pantip Piyatadsananon, Sirilak Chumkiew
🤖 gxceed AI 要約
日本語
タイ南部のマングローブ林を対象に、機械学習とマルチセンサーリモートセンシング（Sentinel-1、ALOS2/PALSAR2、UAV）を組み合わせて地上バイオマス（AGB）を推定する手法を開発した。遺伝的アルゴリズムで最適化したSVRモデルがR2=0.92、RMSE=18.24 ton/haと最高性能を示し、マングローブ型分類を組み込むことでRMSEが約10.50〜15.87 ton/haまで低減した。東南アジアにおけるブルーカーボン計測の重要な進展であり、国家・世界の気候目標に貢献する。
English
This study develops a machine-learning and multi-sensor remote sensing approach to estimate mangrove aboveground biomass (AGB) in Banlaem forest, southern Thailand, using Sentinel-1, ALOS2/PALSAR2, and UAV data. A GA-optimized SVR model achieved R2=0.92 and RMSE=18.24 ton/ha, and incorporating mangrove type classification reduced RMSE to 10.50–15.87 ton/ha. It advances blue carbon accounting in Southeast Asia and supports national and global climate goals.
Unofficial AI-generated summary based on the public title and abstract. Not an official translation.
📝 gxceed 編集解説 — Why this matters
日本のGX文脈において
ブルーカーボンは日本のGX政策でも注目されるが、本論文はタイの事例研究であり、日本のSSBJ・有報開示への直接的な示唆は限定的。ただし、自然資本・生物多様性の計測手法として、TNFD対応やScope 3の土地利用変化排出算定に関心を持つ日本企業・投資家にとって参考になる。
In the global GX context
This paper contributes to global blue carbon accounting and nature-based climate solutions, relevant to emerging TNFD and biodiversity disclosure frameworks. While focused on Thailand, its ML-based remote sensing methodology offers transferable tools for quantifying carbon stocks in coastal ecosystems, supporting national GHG inventories and carbon market crediting under frameworks like the Paris Agreement.
👥 読者別の含意
🔬研究者:機械学習とマルチセンサーリモートセンシングを組み合わせた炭素蓄積量推定の手法開発に関心のある研究者に有用。
🏢実務担当者:ブルーカーボンクレジットや自然資本評価に関わる企業のサステナビリティ担当者にとって、計測手法の参考になる。
🏛政策担当者:国家温室効果ガスインベントリやブルーカーボン政策の精度向上に関心のある政策担当者に示唆を与える。
📄 Abstract（原文）
Blue carbon ecosystems, particularly mangrove forests, are vital for mitigating carbon emissions and strengthening institutional responses to climate change. Estimating mangrove carbon stocks is essential to understanding their contribution to climate change mitigation. However, limited advancement has been made in developing techniques to overcome the challenges of conventional field-based methods in regions, such as in Thailand. This study aimed at developing a carbon estimation approach using machine-learning-based and multi-sensor remote sensing in the Banlaem mangrove forest, Nakhon Si Thammarat province, Thailand. We employed active (Sentinel-1, ALOS2/PALSAR2) and passive (UAV) remote sensing data to generate aboveground biomass (AGB) models using machine learning models optimized using a genetic algorithm (GA), additionally incorporating mangrove type classification. The findings revealed that the SVR model exhibited superior performance in estimating mangrove AGB by producing an R2 of 0.92 and an RMSE of 18.24 ton∙ha−1. Notably, we found that incorporating mangrove type through the classification analysis into the modelling process substantially reduced the RMSE to approximately 10.50 to 15.87 ton∙ha−1, representing a significant advancement in Southeast Asia. SVR and XGBoost proved to be the most effective models for developing AGB estimates by mangrove type. This research introduces the integration of synthetic aperture radar (SAR) and UAV for mangrove carbon estimation in Thailand, along with mangrove type classification in the modelling process. It presents an effective approach for mangrove carbon stock assessment that supports national and global climate goals.
🔗 Provenance — このレコードを発見したソース
- openalex https://doi.org/10.1080/01431161.2026.2725265first seen 2026-09-23 04:53:13
🔔 こうした論文の新着を逃したくない方は キーワードアラート に登録（無料・3キーワードまで）。
gxceed は公開メタデータに基づく研究支援データセットです。要約・翻訳・解説は AI 支援で生成されています。 最終的な解釈・検証は利用者が原典資料に基づいて行うことを前提とします。