Отчет о проверке данных Planet Forest Carbon Diligence

Недавно компания Planet выпустила отчет о проверке своих данных о биомассе лесов, Diligence Validation and Intercomparison Report, в котором приведены сравнения Diligence с восемью независимыми наборами данных о биомассе лесов.

Краткие итоги отчета подвел Крис Андерсон, “главный по лесам” в компании Planet. Крис занимается оценками биомассы леса уже давно. В частности, он является соавтором методики оценки биомассы леса при помощи воздушной лидарной съемки, которая применяется для оценки проектов углеродных компенсаций Verra.

Ключевые тезисы статьи Андерсона:

Основное внимание в отчете уделяется взаимному сопоставлению, а не валидации. Валидация предполагает наличие эталонных данных, как правило, наземных измерений. Вместо этого, почти все источники данных о биомассе леса представляют собой смоделированные оценки, которые содержат погрешности. Поскольку ни один из наборов данных не является эталонным, лучший способ оценить качество продукта с данными о биомассе — сравнить его с другими известными данными о биомассе, показав, где новый продукт работает хорошо, а где плохо.

Производительность модели географически неоднородна. Пользователям не рекомендуется интерпретировать показатели производительности модели как ожидаемую точность для каждого пикселя и предлагается трактовать показатели производительности как среднюю ожидаемую точность глобального набора данных.

Моделировалась высота и сомкнутость крон, используя собственный вариант модели U-Net, разработанный для объединения данных оптических мультиспектральных и радарных данных.

Надземная биомасса моделировалась как функция высоты кроны, сомкнутости, высоты над уровнем моря и географического положения. Для моделирования использовались Boosted regression trees. Такая модель, по мысли авторов, может научиться аппроксимировать аллометрические зависимости способом, чувствительным к нескольким компонентам структуры леса.

Традиционной проблемой является удаление облаков и дымки из мультиспектральных снимков. Был разработан агрессивный алгоритм маскировки облаков, который понижал рейтинг пикселей вблизи краев облаков. В результате пользователи могут видеть циклические буферы (circular buffers) в областях, где пиксели были заполнены наблюдениями более низкого качества. Чтобы смягчить этот эффект, разработчики предоставляют набор данных с оценкой качества пикселей, а также ресурс по дням года, который можно использовать для фильтрации и удаления наблюдений низкого качества или наблюдений из отдаленных периодов года.

“Будучи аспирантом-всезнайкой, я часто ворчал по поводу глобальных данных, которые выглядели точными везде и нигде”, пишет Андерсон. На практике очень сложно создать глобальный продукт с одинаковым качеством из-за сложного взаимодействия пространственных и временных отклонений, различий в измерениях и подходов к оптимизации параметров. Разработчики Diligence подошли к этой проблеме с практическими рекомендациями, предоставив подробный анализ погрешностей модели и указав районы, где точность прогноза самая низкая (например, в азиатских палеотропиках). Одним из способов, которым пользователи могут решить проблему точности, является обучение собственных локальных моделей биомассы, используя данные о высоте и сомкнутости крон, предоставляемые Diligence.

#лес #AGB