遥感和机器学习辅助进行精细的森林资源调查

遥感和机器学习辅助进行精细的森林资源调查

2007年的某天，本文作者之一帕里萨（ParIsa）独自站在亚美尼亚树林之中，正与不断加剧的恐惧作斗争。 亚美尼亚曾经是苏联加盟共和国之一，国土面积与美国马里兰州差不多。它的森林是居民采摘蘑菇和浆果的来源，是动物们的栖息地，还能在寒冷的冬天为家庭取暖提供柴火。此外，一些濒危鸟类也受到这里的森林庇护。 帕里萨，当时是一年级林业研究生，在亚美尼亚帮助制定森林管理计划。亚美尼亚人民对该国森林的决议必须同时平衡经济、文化和保护价值，决议将影响今后的数年、数十年甚至数百年。为了做好规划，亚美尼亚人需要回答种种问题，什么程度的木柴采伐是可持续的？采伐如何减少对鸟类栖息地的破坏？这些采伐开辟的空间可否帮助人们采收更多浆果？ 世界各地都依靠林业专家来管理森林，最大化地平衡需求之间的矛盾。而长期以来，林业专家要依靠硬数据来管理。

19世纪初，林业工作者站在了大数据革命的前沿。由于无法数清每公顷土地中的每一棵树木，林业工作者不得不寻求其他评估土地保有树木的方法。19世纪初，科学林业在德国萨克森诞生，创造出基本的统计抽样技术，能够可靠地评估出大片土地上树木的规模和种类分布，而不必人工测量每一棵树木。 这类数据的收集被称为“森林调查”，林业工作者用它来制定管理计划和预测森林的未来。两个世纪以来，这种资源调查技术基本没有变化，一直通过辛苦地现场采样获得种群统计，即便是现在，美国还有数千名林业工作者仍用纸和铅笔来计算树木数量。

帕里萨很高兴帮助亚美尼亚的社区制定森林管理计划。对方承诺给他的工作提供迪利扬国家公园及其周边大面积区域的优质数据。而他实际获得的“森林调查”资料却是30多年前访问过该地区的苏联林业工作者的野外笔记的译文，观察笔记写着：“沿着山的南边行走，松树较多，榉树很少。”如此粗糙的观察笔记无法为制定森林管理计划提供坚实的基础。 帕里萨需要调查数十万公顷的森林，不过他清楚，一个林业工作者一天最多只能评估大约20公顷的森林。他必须得找到更快地获得这些数字的方法，而不是耗费10年时间去计算亚美尼亚树木的数量。 帕里萨在美国阿拉巴马州的亨茨维尔长大，父亲在NASA工作。

帕里萨8岁时，有一次用棒球打破了窗户，他的父亲惩罚他计算挥动棒球的力。他擅长这种练习，后来他还通过一套不同寻常的定量技能来学习林业。 在亚美尼亚，帕里萨将这些技能用于研究如何利用遥感编制完整的森林调查，几十年来，遥感一直是林业的圣杯。他耗时18个月开发出了机器学习方法的核心，后来我们两人借助这个方法，在旧金山创办了SilviaTerra公司，致力于根据遥感数据生成森林调查。下文将概述我们所面临的一些挑战，如何战胜这些挑战，以及利用这些技术做了哪些工作。

很少有人会去想森林在我们的生活中所起的至关重要的作用。盖房子的木材，早晨装咖啡的纸杯，还有网上购物使用的快递纸箱，它们都来自生长在森林里的树木。 测量森林提供资源的潜力有史以来都是昂贵且效率和技术含量很低的工作。美国最大的林业公司每年要花费数百万美元聘用工作人员辛苦地计算和测量树木。这些公司拥有的森林在美国的森林总量中占相当大的比例。在2010年成立SilviaTerra公司之后，我们开始专攻这个领域。 次年，我们刚刚起步的创业公司获得了康涅狄格州纽黑文市耶鲁大学商业与环境中心颁发的萨宾可持续创业奖（Sabin Sustainable Venture Prize），奖金为25万美元。

我们带着一部分奖金，开着皮卡车在美国东南部寻找拥有1万英亩以上森林的公司，与他们的高管进行会谈。 很快我们就找到了第一批付费客户。后来，又和其他公司签订了合同，最终将我们的技术应用于美国所有主要类型的森林。 在多数情况下，我们的服务极具吸引力，所以不难销售。我们提供的服务有点类似于农民要求的精准农业服务，使用遥感技术来决定种植什么、如何施肥、何时收获作物等。或许可以说，SilviaTerra公司正在实现“精准林业”。 然而，森林比农田更难精确描述。首先，农民至少知道地里种了什么，并且往往只种一种作物。但天然森林所包括的树种则让人眼花缭乱。

优势树种会把其他树种隐藏在树冠之下。农作物多以行或其他规则的几何图形种植，而森林通常是更加自然的空间布局（也有一些有人管理的种植树木近似按行生长）。更重要的是，森林往往并不像小树林，森林地处偏远，很难采集到真实的数据。  我们面临的另一个技术挑战是如何处理真正的海量数据。

例如，可以追溯到1972年的地球资源卫星档案，包括数百万张光学和红外波段的图像。全美高分辨率航空图像、数字高程图等的数量每天都在增长。需要消化的相关数据达到了太字节级别。 更大的障碍是找到一种能够给出可靠估计的图像分析方法。国有木材公司的高管们尤其渴望获得良好的估值，因为他们必须向投资者报告准确的资源情况。 另一个大的挑战是我们得到的大部分卫星图像的分辨率都很有限——通常是15米。在粗糙的图像中无法辨别每一棵树木。因此，我们不得不用统计技术替代计算机视觉技术。（这种统计方法的好处是避免了由高分辨率树木描绘法导致的偏差。）

基于这些原因，调查森林里的树木在技术上比调查农田里的农作物要困难得多。经济利益也不同：美国每年农作物收成的价值约为4000亿美元，而木材年收成仅为100亿美元。

也就是说，森林提供的许多效益是免费的，包括野生动物栖息地、碳封存和水过滤，更不用说森林还是周末露营的好地方。 20多年前，经济学家罗伯特•科斯坦萨（Robert Costanza）与他人研究了森林提供各种生态系统服务的价值，尽管这些服务不涉及金钱交易。根据这些结果，我们估计美国森林每年能提供价值约1000亿美元的生态系统服务。

SilviaTerra的任务之一就是帮助美国每英亩森林的生态系统服务提供真实数据。━━━━机器学习系统非常复杂，但用机器学习系统的输出来处理遥感森林图像则很简单：系统为每1/20英亩（0.02公顷，比美国普通家庭的占地面积略小）的森林创建一个树木清单。按照美国林业标准的惯例，该清单包含了每棵树的种类及其离地4.5英尺（1.4米）高的直径。这些数据还可导出其他关键指标，如树高和总的碳储量等。根据现有树木的类型，还可建模研究野火风险或鹿栖息地的适宜性。 要创建这个庞大的树木清单，我们要将数千个实地测量数据与数太字节的卫星图像相结合。

我们需要整个美国的实地数据。幸运的是，几十年来，美国农业部林务局利用税收建立了一个全国性的森林测量系统网格。这些惊人的观测数据覆盖了美国大陆，我们可以训练机器学习系统去估测遥感图像中树木的数量、大小和种类。 在大多遥感林业工作中，人工分析人员都会先从单一图像开始，希望该图像可以记录关注区域中的一切。例如，分析人员可用激光雷达数据的高分辨率点云（3D空间中一组点的坐标）来计算出树木的数量以及它们的高度和种类。 然而获取激光雷达图像的成本很高，所以数量有限。而现有的图像大多已过时或不完整。由于这些原因，我们转而依靠大量的免费卫星和航空图像。我们利用各种可见光、近红外、雷达等可展现森林不同方面的图像。追溯到几十年前的陆地卫星图像有助于发现物种之间的差异，而雷达图像往往包含整个森林结构的更多信息。

关键是要把这些不同类型的图像结合起来，并以一种严谨的统计方法进行分析。━━━━在我们着手解决这个问题之前，没有一个覆盖全美森林的高分辨率调查。但如果要预防森林大火、持续发展农村经济、管理气候变化，就需要更好地了解森林。去年我们在美国完成了全国性的森林Basemap项目，用一种独特的方式加强了这种理解。 尽管我们曾将这个方法应用于许多重点项目，但在全美大陆做森林调查是一项全新的工作。我们非常幸运地与微软合作，微软在2017年启动了“地球人工智能”（AI FOR EARTH）基金项目，为从事自然环境保护项目的外部团队提供公司工具。我们申请并最终获得了一笔资金，用于扩大我们一直在做的森林调查工作。 通过使用微软云计算平台Azure，我们能够处理超过10太字节的卫星图像。这不仅仅是一个需要更多计算能力的问题。对不同地区的特定森林类型进行建模是一项重大挑战。

另外要重视数据的完整性。例如，我们就曾为这个问题困惑了一个周末，原以为是输出有问题，后来才发现原来是军事基地上空的一些高分辨率航空图像被屏蔽了！ 我们没有预料到数据中会出现这种人为漏洞，同时还在之前的工作中发现，要找到特定区域的无云图像是很困难的。在某些地区，特别是太平洋西北部，很难找到一张覆盖可感知区域的图像。 幸运的是，密歇根州立大学的彦凌（Ling Yan，音）在2018年发表了解决这个问题的方法。当一幅图像被云遮挡时，他的算法就会用另一幅在天空清晰时获取的图像中的像素逐个替代这片云。我们应用彦凌的算法生成了一组无云图像，更利于分析。 2019年，我们公布了全美范围的森林调查数据，但我们知道这只是一个起点：仅有好的信息还不够，只有信息真正影响到人们对土地所做的决议时，才能真正发挥作用。所以影响这些决议是我们现在的工作重点。

为此我们将再次与微软合作。微软计划2030年实现负碳排放，其不能完全阻止排放二氧化碳，但它计划抵消部分排放，至少在一定程度上支付费用给森林所有者来推迟木材采伐，通过生长的树木来吸收碳。 

碳市场并不新鲜，但由于监测碳封存难度很高，所以效率一直很低。我们的Basemap每年更新一次，它使监测变得简单很多。 新的可能性也出现了。例如，加州的碳市场只对拥有2000公顷以上树木的土地所有者开放，因为较小森林的监控成本过高，无法进行。市场还要求森林所有者做出100年的承诺，将碳储量维持在一定水平。然而，封存碳的重要时刻是现在，而非1个世纪以后。1年的短期合同就能以低成本提供同样的直接效益，短期内可以保护更大面积的区域。

  随着时间的推移，我们的Basemap极大地降低了监测森林的成本，这将使数百万的小型土地所有者能够参与此类市场。由于Basemap每年都会更新，因此微软和其他公司会年年向那些土地所有者付款，让抵御气候变化所花费的资金发挥更大的价值。━━━━像玉米这样的大宗商品市场运作良好，当你以一定的价格签订出售玉米合约时，有人会将一定数量的玉米送到仓库，在那里进行称重和检查，很容易确认人们买到的是什么。

利用市场来推进碳封存或土地保护工作就困难得多，因为这类工作过程大部分通常发生在森林里某个看不到的地方。不砍伐树木所获得的收益很难用现金估值，如果你无法确定某个特定区域的树木是否已被采伐，你也不情愿向土地所有者支付不砍伐树木承诺的费用。 SilviaTerra公司的Basemap现在为美国人提供了一种方法，用于测量并支付已确认保留下来的树木，这些森林可以继续提供重要的生态系统服务。我们相信，以这种既见树木又见森林的方法有助于塑造更加持续的未来。

原文标题：人工智能会给森林带来怎样的变革？

文章出处：【微信公众号：IEEE电气电子工程师学会】欢迎添加关注！文章转载请注明出处。