社区棕榈模型
计算机与社会
2024-11-21 v2 计算机视觉与模式识别
机器学习
摘要
棕榈油生产被确定为热带国家森林砍伐的主要驱动力之一。为满足供应链目标，商品生产者和其他利益相关者需要及时获取其供应范围内土地覆盖动态信息。然而，这些数据难以从供应商处获取，因为供应商可能缺乏其供应范围和生产位置的数字地理表示。本文提出一种“社区模型”，这是一种在来自众多不同利益相关者汇集的池化数据上训练的机器学习模型，用于生成全球尺度的棕榈概率图。该方法的一个优势是包括多样化输入，能够轻松更新模型以纳入新训练数据，并可在任何可用输入影像的年份上运行该模型。将多种数据源纳入一个概率图中可以帮助利益相关者在棕榈存在与不存在方面建立共同的理解。模型预测器是由来自 Sentinel-1、Sentinel-2 和 ALOS-2 的年度合成影像，以及来自 JAXA (AW3D30) 和 Copernicus (GLO-30) 的地形数据构建而成。我们提供的地图输出以给定像素的棕榈概率形式呈现，以反映底层状态（棕榈或非棕榈）的不确定性。该模型版本在独立测试集上估计的全局准确率为92%（以0.5概率阈值为准）。该模型及其 resulting 橄榈油概率图产品对于准确识别橄榈油 cultivation 的地理足迹非常有用。结合及时森林砍伐信息，该橕榈模型有助于理解橄榈油 plantation 扩张持续进入敏感森林区域的风险。
引用
@article{arxiv.2405.09530,
title = {A community palm model},
author = {Nicholas Clinton and Andreas Vollrath and Remi D'annunzio and Desheng Liu and Henry B. Glick and Adrià Descals and Alicia Sullivan and Oliver Guinan and Jacob Abramowitz and Fred Stolle and Chris Goodman and Tanya Birch and David Quinn and Olga Danylo and Tijs Lips and Daniel Coelho and Enikoe Bihari and Bryce Cronkite-Ratcliff and Ate Poortinga and Atena Haghighattalab and Evan Notman and Michael DeWitt and Aaron Yonas and Gennadii Donchyts and Devaja Shah and David Saah and Karis Tenneson and Nguyen Hanh Quyen and Megha Verma and Andrew Wilcox},
journal= {arXiv preprint arXiv:2405.09530},
year = {2024}
}
备注
v03