リモートセンシングを用いて陸域バイオマスを計算する方法

リモートセンシング技術は、地球の陸地における生物量の測定、監視、管理の方法を根本的に変えました。リモートセンシングを用いて算出される陸地バイオマスは、もはや大学の研究室に留まる研究対象ではなく、世界中の政府機関、林業機関、作物科学者、気候研究者にとって不可欠な実務ツールとなっています。.

農業分野におけるリモートセンシング市場だけでも、 2025年には$38億 そして、成長が見込まれる 2034年までに1兆4,960億 で 年平均成長率（CAGR）10.9%, 2026年のDatainteloの業界レポートによると、この成長の大部分は、炭素会計、精密農業、環境モニタリングを支援するための信頼性の高いバイオマスデータの需要によって牽引されている。.

陸上バイオマスとは何か？

陸上バイオマス（定義されたエリア内のすべての有機物の総乾燥質量）は、次のようなメートル法単位で測定されます。 トン/ヘクタール (t/ha) または メガグラム/ヘクタール (Mg/ha), ここで、1 Mgは1メトリックトンに相当します。これは光合成によって蓄積された生成物、つまり植物、樹木、その他の生物が大気から取り込み、物質に固定した炭素の量を表します。.

これは生態系の健全性、炭素貯蔵量、作物生産性を示す最も強力な指標の一つであるが、従来の地上測定方法は、現代の土地管理のニーズを満たすには、時間がかかりすぎ、費用がかかりすぎ、空間的にも限界があった。.

地上部バイオマス（AGB）と地下部バイオマス（BGB）

科学者はバイオマスを主に2つのカテゴリーに分類します。地上バイオマス（AGB）は、土壌表面より上に生えるすべてのもの、つまり茎、幹、枝、葉、立ち枯れ木などを指します。地下バイオマス（BGB）は、根系やその他の地下有機物を指します。ほとんどの森林生態系では、BGBは全体の約 総バイオマス量20～30%, そして、その測定は地上部バイオマス（AGB）の推定よりもはるかに困難である。.

バイオマスは、生きたバイオマス（活発に成長し、代謝的に活性な植物性物質）と死んだバイオマス（立っている枯れ木や倒れた枯れ木、乾燥した落葉など）に分類されます。どちらのタイプも炭素を貯蔵し、景観全体の炭素プールに貢献しますが、火災、病気、管理介入に対する反応は異なります。.

環境指標として、バイオマスは非常に重要な位置を占めています。バイオマス値が高いほど、生産的で健全な生態系であり、高い炭素隔離能力を有していることを示します。バイオマスの減少傾向は、森林破壊、干ばつ、土壌劣化、過剰収穫などを示唆します。作物農家にとって、地上バイオマスは穀物収量ポテンシャルと直接相関するため、精密農業において最も実用的な指標の一つとなっています。.

リモートセンシングを用いて陸域バイオマスを算出する理由とは？

従来のバイオマス推定は、現地での測定に依存しています。研究者はサンプル区画を採取し、植物材料をオーブンで乾燥させ、重量を測定して単位面積あたりの乾燥質量を決定します。この破壊的で労力を要するプロセスは、区画規模では有効ですが、国有林、河川流域、または大陸規模の農業地帯のバイオマスデータが必要な場合には全く非現実的になります。地上調査の主な限界

1. 空間的なカバー範囲が著しく制限されている。. 現場調査員が現実的に測定できるのは、1シーズンに数十区画のバイオマスに限られる。一方、衛星は1回の通過で数百万ヘクタールをカバーできるため、リモートセンシングなしでは景観規模のモニタリングは不可能である。.

2. 現地調査は費用がかかり、時間もかかる。. 訓練を受けた人員を人里離れた森林地帯や広大な農地に派遣するには、多額の予算、物流調整、そして時間が必要となるが、調査対象地域が拡大するにつれて、これらの要素はどれも効率的に対応できなくなる。.

3．破壊的なサンプリングは生態系に損害を与える。. バイオマスを測定するために区画を収穫することは、研究対象となっている植生そのものを破壊することになり、同じ場所で繰り返し測定を行う必要がある長期モニタリングプログラムとは相容れない。.

4. 時間周波数が低すぎる。. 現地調査チームは通常、せいぜい年に一度しか調査地点を視察しない。一方、衛星は数日ごとに同じ場所を再訪できるため、季節ごとのバイオマス変化を継続的に監視し、火災や干ばつといった事象に迅速に対応することが可能になる。.

リモートセンシングは、これらの制約すべてに一度に対処します。単一のSentinel-2衛星画像でカバーできます。 1シーンあたり290 km² で 空間分解能10メートル, これにより、追加ヘクタールあたりの限界費用なしで、再現性のある、全域にわたる植生データが得られます。正確な土地バイオマスデータに依存するアプリケーションは多岐にわたります。

• 炭素会計とREDD+： 国際的な気候変動対策枠組みでは、森林炭素蓄積量の検証済み推定値が求められる。リモートセンシングに基づくバイオマスマップは、国の森林資源調査だけでは実現できない空間的範囲と更新頻度を提供する。.
• 農業モニタリング： 作物の生育段階ごとのバイオマスは、最終収量を予測し、灌漑スケジュールの策定に役立ち、生産性の低下につながる前に初期のストレスを察知するのに役立つ。.
• 森林管理： 木材量、山火事リスクのための燃料負荷、生物多様性評価はすべて、広大な森林地域における信頼性の高いバイオマス推定値に依存している。.
• 環境管理： 土地劣化のモニタリング、湿地の評価、外来種の検出はすべて、バイオマスの変化を主要な指標として利用している。.

リモートセンシングによる陸上バイオマスの測定方法：物理的原理

光学衛星、レーダー、レーザーなど、あらゆるリモートセンシングシステムは、電磁エネルギーが植物組織とどのように相互作用するかを測定することで、植生に関する情報を収集します。この相互作用を理解することが、リモートセンシングがバイオマスを推定できる理由を理解する鍵となります。.

植物は、内部の化学組成、水分含有量、葉の構造、樹冠の構造によって、電磁波の反射、吸収、透過の仕方が異なります。クロロフィル（光合成のエネルギー源となる緑色の色素）は、赤色と青色の波長を強く吸収する一方で、緑色と近赤外線のエネルギーを反射します。.

健康で密生した植生は、特徴的なスペクトルパターンを示します。すなわち、赤色光の反射率が低く、近赤外線光の反射率が高いという特徴です。このパターン（スペクトルシグネチャと呼ばれます）は宇宙から測定可能であり、その強度は単位面積あたりの植物量と相関関係があります。.

スペクトル信号からバイオマス値へ

センサーはスペクトル特性を捉え、植生指数（特定の画像における植生信号の強さを定量化する数学的比率）を算出します。これらの指数は、現場で収集されたバイオマス測定値を用いて較正された統計モデルまたは機械学習モデルによってバイオマスと関連付けられます。その結果、空間的に連続したバイオマスマップが作成され、画像内のすべてのピクセルに予測バイオマス値が割り当てられます。.

データ処理のワークフローは明確な順序で進みます。生の衛星データには幾何学的歪みや大気干渉が含まれています。前処理によってこれらの誤差が補正されます。補正された画像から植生指数が算出されます。現地で測定されたバイオマスサンプルは、モデル較正のための真値として使用されます。検証済みのモデルは、画像全体に適用され、最終的なバイオマスマップが作成されます。.

スペクトル反射率以外にも、バイオマスに関する情報を伝える物理的な信号が存在します。樹冠の高さ（植生の高さ）は、地上部バイオマス（AGB）を予測する上で非常に有効な指標です。植物密度（1ヘクタールあたりの茎の本数）は、どれだけの光が遮られるかを決定します。レーダーで検出される地表面の粗さは、樹冠の構造的な複雑さを反映しています。反射率だけでなく、これらの構造特性を測定するセンサーは、バイオマス推定の精度を高めることが多いのです。.

バイオマス推定に用いられるリモートセンシングの種類

単一のセンサーが、あらゆる生態系や規模におけるバイオマス推定を支配しているわけではありません。科学者や実務家は、対象となる植生、予算、必要な精度、地理的範囲に基づいて、複数の種類のセンサーを組み合わせて使用します。.

現在最も精度の高いバイオマスマップは、単一のセンサーからではなく、光学、レーダー、LiDARのデータをインテリジェントに融合することで作成されており、それぞれが他のデータの盲点を補完している。.

1. 光学衛星画像：マルチスペクトル画像とハイパースペクトル画像

光学センサーは、通常、可視光（青、緑、赤）と近赤外線（NIR）の波長域をカバーする、離散的なスペクトル帯域にわたって反射された太陽光を捉えます。マルチスペクトル画像（4～10のスペクトル帯域からのデータ）は、Sentinel-2やLandsatミッションから無料で継続的に提供されるデータストリームのおかげで、世界中のほとんどのバイオマスマッピングプログラムの基盤となっています。.

ハイパースペクトル画像（数百の狭く連続したスペクトルバンドからのデータ）は、はるかに詳細なスペクトル情報を提供します。これにより、マルチスペクトルセンサーでは不可能なレベルで、植物の色素、水分含有量、葉の化学組成を解明できます。.

このため、草地や農地におけるバイオマス密度の微妙な違いを検出するのに特に有効です。ハイパースペクトル画像の主な制約は雲量です。光学センサーは雲を透過できないため、バイオマス推定が最も重要な湿潤な熱帯地域では、データに大きな欠落が生じます。.

光学的バイオマスマッピングに一般的に使用される衛星には、ランドサット8/9（解像度30メートル、再訪周期16日）、センチネル2（解像度10メートル、再訪周期5日）、プラネットスコープ（解像度3メートル、商用用途では毎日再訪）などがある。.

2. レーダー（SAR）：雲を透過し、樹冠内部を視認する

合成開口レーダー（SAR）は、マイクロ波パルスを発信し、地表面から反射されたエネルギーを測定するシステムであり、雲による影響を完全に解決します。マイクロ波エネルギーは雲や霞を妨害されることなく透過するため、SARは、雲が常に覆っているために光学画像がほとんど使用できない熱帯林のモニタリングに最適なセンサーとなっています。.

SAR信号は植生の樹冠にも浸透し、最上層の葉の表面だけでなく、木質の茎や枝とも相互作用します。レーダーの波長が長いほど、信号の浸透深度は深くなります。LバンドSAR（波長約23cm、ALOS-2 PALSAR-2で使用）は樹冠の下層まで浸透し、大きな木質バイオマスと相互作用するため、熱帯林の地上部バイオマス（AGB）推定に特に適しています。.

CバンドSAR（波長約5cm、Sentinel-1で使用）は、地表の樹冠構造に対する感度が高く、作物のバイオマスモニタリングに広く用いられている。.

研究論文は 林業研究ジャーナル （Springer Nature、2021）は、LバンドALOS-2とCバンドSentinel-1 SARデータの両方で満足のいく炭素蓄積量の推定が可能であり、地中海森林研究地域の総炭素蓄積量は約 130トン/ヘクタール 地上部、地下部、枯れ木、落ち葉、土壌溜まりを合わせた範囲全体。.

3. LiDAR：構造バイオマスマッピングのゴールドスタンダード

LiDAR（光検出・測距）はレーザーパルスを発射し、それが対象物の表面から反射して戻ってくるまでの正確な時間を測定します。この時間計測データは、3次元点群（各レーザーパルスが反射した正確な位置を示す高密度マップ）に直接変換され、樹冠の高さ、樹冠構造、地盤の標高をセンチメートル単位の精度で明らかにします。.

樹高は地上バイオマスを予測する上で最も有力な指標の一つであり、背の高い樹木は背の低い樹木に比べてバイオマス量が飛躍的に増加します。LiDARで得られた樹高モデルと、現地で測定したアロメトリー方程式（樹高、直径、質量間の種固有の数学的関係）を組み合わせることで、森林地帯におけるバイオマス推定値は、光学式やレーダーを用いた手法よりも一貫して高い精度を示します。.

NASAの地球生態系動態調査（GEDI）ミッションは、国際宇宙ステーションに搭載されたマルチビーム波形LiDAR装置であり、地球規模のバイオマス推定を目的とした初の宇宙搭載LiDARシステムです。GEDIは北緯51.6度から南緯51.6度までの緯度範囲でデータを収集し、世界の主要な熱帯林および温帯林地帯をカバーしています。.

4. ドローンを用いたリモートセンシング：高解像度フィールドスケール

無人航空機（UAV）、一般にドローンと呼ばれるものは、衛星画像と現地調査による測定の間のギャップを埋める役割を果たす。RGBカメラを搭載したドローンは、個々の植物を識別できるセンチメートル単位の解像度の画像を撮影する。.

マルチスペクトルドローンセンサーは、区画規模で正確な植生指数を算出します。LiDAR搭載ドローンは高密度の点群を生成し、航空LiDARと同等の構造精度でバイオマスを推定することを、はるかに低いコストで実現します。.

作物農家にとって、ドローンを使ったバイオマスマッピングは特に実用的です。小麦やトウモロコシ畑の上空を栄養成長期に一度飛行させるだけで、バイオマス密度マップが作成され、収量を制限する低バイオマス領域（ダメージが取り返しのつかないものになる前に、追加の肥料や灌漑が必要となる可能性のある領域）が特定されます。.

バイオマス推定に用いられる植生指数

植生指数は、生のスペクトル反射率値と、植物の密度や健康状態に関する生物学的情報を結びつける数学的な架け橋となるものです。各指数は、植生が特徴的な挙動を示す電磁スペクトルの特定の領域を利用しています。.

NDVI（正規化植生指数）は最も広く用いられている指標です。近赤外線（NIR）と赤色光の反射率の差を、それらの合計で割った値です。NDVI = (NIR – Red) / (NIR + Red)。値の範囲は-1から+1で、健全で密生した植生は通常0.6から0.9の範囲になります。.

NDVIは葉面積指数（LAI：単位地表面積あたりの片面葉面積の合計）と強い相関関係があり、したがって光合成能力やバイオマス蓄積とも相関関係がある。.

• EVI（強化植生指数） 大気の影響や土壌の背景干渉を補正するため、バイオマス量の多い熱帯林や、明るい土壌または露出した土壌のある地域では、NDVIよりも信頼性が高い。.
• SAVI（土壌調整植生指数） 土壌の明るさ補正係数を組み込んでおり、これは特に乾燥地帯や半乾燥地帯の農業環境において重要です。これらの地域では、作物の列間の裸地がスペクトル信号に大きな影響を与えるためです。.
• GNDVI（緑色正規化植生指数） NDVIの計算式において、赤色の反射率を緑色の反射率に置き換えることで、クロロフィル濃度の変化に対する感度を高め、作物の葉冠が完全に閉じた晩期におけるバイオマスモニタリングに役立つ。.

葉面積指数（LAI）は、リモートセンシングによるデータ取得結果であると同時に、バイオマス蓄積の直接的な要因でもあるため、特筆に値します。LAIが高い植物は、より多くの太陽放射を吸収し、より多くの炭素を固定し、より多くのバイオマスを生産します。MODISまたはSentinel-2の時系列データから生成されるリモートセンシング由来のLAIマップは、収量形成と最終的な収穫可能バイオマスをシミュレートする作物生育モデルに直接利用されます。.

陸上バイオマス推定のための主要データソース

適切なデータソースの選択は、調査の規模、植生の種類、必要な空間解像度、および利用可能な予算によって異なります。以下に、運用レベルおよび研究レベルのバイオマスマッピングで現在使用されている主なデータストリームを示します。LandsatおよびSentinel衛星群からの無料のオープンアクセス衛星データは、バイオマスマッピングを民主化し、商用画像を購入する予算がない研究者や機関でも利用できるようにしました。.

i. ランドサット（NASA/USGS）： 50年以上にわたる連続データ、30メートル解像度、無料アクセス。ランドサット時系列データは、1970年代まで遡るバイオマス変化の歴史的分析を可能にし、森林破壊や土地劣化のモニタリングに比類のない情報を提供します。.

ii. センチネル2号（ESA）： 主要スペクトル帯域における解像度10メートル、5日ごとの再訪周期、無料アクセス。Sentinel-2は、その解像度と周波数の組み合わせにより、作物バイオマスモニタリングおよび地域森林評価における現在の標準となっています。.

iii. センチネル1号（ESA）： CバンドSAR、全天候型、無料アクセス。Sentinel-1は、光学データの欠落が慢性的な問題となっている地域における、雲の影響を受ける熱帯地域のモニタリングや作物バイオマス測定のための主要なレーダー源です。.

iv. MODIS（NASA）： 解像度250m～1km、毎日全球をカバー。MODIS時系列データは、大陸規模のバイオマス変化の検出や季節変動のモニタリングに最適ですが、解像度が粗いため、断片化された景観での有用性は限られます。.

v. PlanetScope: 解像度3メートル、毎日観測、有料サブスクリプション。PlanetScopeは、個々の圃場規模でのバイオマスモニタリングを提供し、圃場内の空間的変動が重要な精密農業アプリケーションをサポートします。.

vi. NASA GEDI LiDAR: 観測範囲は直径25メートル、熱帯および温帯地域を網羅し、データは無料で提供されます。GEDIは、地球規模での樹冠高と地上部バイオマス密度を測定する主要な衛星データソースです。.

vii. ICESat-2（NASA）： 光子計数型LiDARは、世界規模で観測可能で、特に高緯度地域の森林における樹冠高の測定や、微細な高さの変化の検出に優れています。.

リモートセンシングを用いた土地バイオマスの計算手順

リモートセンシングデータを用いた陸上バイオマスの推定は、構造化されたワークフローに従って行われます。各ステップは、前のステップの精度に依存します。前処理や現地検証で手抜きをすると、最終的なバイオマスマップに誤差が生じます。.

i. 適切な画像を選択する： 対象となる生態系と研究目的に応じて、センサー、空間解像度、および期間を選択してください。森林バイオマスのモニタリングには通常、Sentinel-1またはGEDIデータが必要であり、作物バイオマスのモニタリングには一般的にSentinel-2またはドローンによるマルチスペクトル画像が使用されます。.

ii. 画像の前処理: 大気補正を適用して、生のデジタル数値を地表面反射率の値に変換します。幾何補正を実行して、画像が実世界の座標と正確に一致するようにします。雲によって汚染されたピクセルを除去し、必要に応じて時間的合成を使用して置き換えます。.

iii. 植生指数を計算する： 補正された地表面反射率バンドから、NDVI、EVI、SAVI、GNDVI、またはその他の関連指標を計算します。LiDARデータの場合は、点群から樹冠高の指標（最大高、95パーセンタイル高、平均高）を導出します。.

iv. 野外バイオマスサンプルを採取する： 調査地域内の代表的な区画において、破壊的な伐採、または樹木の直径と高さの測定値にアロメトリー式を適用して、地上バイオマスを測定する。これらの現場測定値は、モデルの基盤となる真値である。.

v. 予測モデルの構築： 現場で測定したバイオマス値を、同じ場所で取得したリモートセンシング変数（植生指数、樹冠高指標、SAR後方散乱値）に対して回帰分析します。関係性の複雑さや利用可能な訓練データの量に応じて、回帰分析、ランダムフォレスト、サポートベクターマシン、またはニューラルネットワークの手法を使用します。.

vi. モデル結果を検証する： 予測精度を評価するために、ホールドアウト検証データセット（モデル学習に使用されていない圃場データ）を使用します。RMSE（二乗平均平方根誤差）、R²（決定係数）、およびバイアスを報告してください。精度が不十分な場合は、モデルを改良してください。.

vii. バイオマスマップを生成する： 検証済みのモデルを画像全体に適用し、各ピクセルに予測バイオマス値（Mg/haまたはt/ha）が含まれる、空間的に連続したバイオマス密度マップを作成します。.

バイオマス推定に用いられるモデルと手法

モデルの選択は、バイオマス推定システムの精度と汎用性の両方に大きな影響を与える。シンプルなモデルは透明性が高く、新しい場所への適用性も高い。複雑な機械学習モデルは、大規模な訓練データセットからより高い精度を引き出すことができるが、局所的な条件に過剰適合する可能性がある。.

経験的回帰モデルは、圃場バイオマスとリモートセンシング変数との間に直接的な数学的関係を確立します。例えば、NDVIと作物の乾物収量との間の線形回帰などが挙げられます。これらのモデルは解釈が容易で計算も迅速ですが、スペクトルとバイオマスの関係が非線形である場合や、バイオマス値の範囲が非常に広い場合には、性能が低下します。.

機械学習手法は、データから複雑な非線形関係を学習することで、これらの限界を克服します。ランダムフォレスト（数百もの個々の決定木の予測を平均化するアンサンブル決定木）は、現在、林業と農業の両方において、バイオマス推定に最も広く使用されているアルゴリズムです。.

発表された研究 植物科学の最前線 （2024年12月）は、GEDIとマルチソースリモートセンシングデータにランダムフォレストを適用することで、単一センサー回帰アプローチよりも有意に高いR²値でトウヒ・モミ林のバイオマス推定値が得られることを実証した。.

• サポートベクターマシン（SVM）： 高次元特徴空間において、バイオマスクラス間の最適な分離境界を見つけ出します。SVMは、小規模から中規模の訓練データセットで良好な性能を発揮し、適切な正則化を行うことで過学習に対しても頑健です。.
• ニューラルネットワークとディープラーニング： 畳み込みニューラルネットワーク（CNN）とハイブリッドCNN-LSTMアーキテクチャは、画像内の空間的および時間的パターンを同時に処理します。2024年に発表された研究では、 リモートセンシング（MDPI） 中国杭州における森林バイオマス推定において、RF、CNN、およびCNN-LSTMモデルを比較した結果、深層学習モデルは、単一点回帰法では全く捉えられなかった空間的文脈を捉えることができた。.
• ハイブリッドモデル： 物理的な植生モデル（日射量と水分量に基づいて植物の成長をシミュレートするモデル）と、統計的または機械学習による較正レイヤーを組み合わせる。これらの手法は、局所的な訓練データのみに頼ることなく、地域を超えて一般化できる物理的に現実的なバイオマス推定値を構築できるため、ますます好まれている。.

バイオマス推定精度に影響を与える要因

たとえ最高のセンサーとモデルの組み合わせであっても、基となるデータの質が低い場合や、物理的な環境によってノイズが発生する場合は、信頼性の低いバイオマスマップが生成されます。バイオマスマッピングプログラムを設計する者にとって、これらの精度を制限する要因を理解することは不可欠です。.

1. 密集林における信号飽和： バイオマス量の多い熱帯林では、光学およびCバンドSAR信号は飽和し、バイオマス量が増加し続けても増加が止まります。NDVIはAGB値が約100%を超えると飽和します。 150～200 Mg/ha, そのため、バイオマスが400～600 Mg/haに達することもある原生熱帯林では信頼性が低くなります。LバンドSARとLiDARは、はるかに高いバイオマスレベルで飽和するため、このような環境では好まれます。.

2. 季節変動： 植生の反射率は季節によって劇的に変化します。4月の小麦畑のNDVI値は、8月の同じ畑のNDVI値とは根本的に異なるバイオマス状態を表しています。モデルは季節変動を考慮するか、各生育段階ごとに個別に較正する必要があります。.

3. 雲による干渉： 光学センサーは雲が存在する場所ではどこでもデータを失います。湿潤な熱帯地域では、雲による汚染は 70%の画像取得 特定の年においては、レーダーやLiDARによる代替手段、あるいは複数年にわたる合成戦略が必要となる。.

4. 混合ピクセル: 中程度の空間解像度（30m～250m）では、1つの画像ピクセルに作物の種類、裸地、水が混在していることがよくあります。スペクトル信号はこれらすべての表面の平均を反映するため、植生信号が希釈され、バイオマス予測に系統的な誤差が生じます。.

5. 地形の影響： 傾斜地では、太陽光の照射角度とセンサーの視野角の両方の形状が変化し、センサーで記録される反射率の値も変化します。山岳地帯では、バイオマスモデルを確実に適用するためには、地形補正が必須です。.

土地バイオマスマッピングの様々な分野への応用

リモートセンシングデータから作成された土地バイオマスマップは、政府の気候変動報告から個々の農場経営に至るまで、非常に幅広い分野における実務的な意思決定に役立てられている。.

森林管理機関 バイオマスマップは、伐採区画の優先順位付け、持続可能な収穫量の推定、および認証基準への準拠状況の記録に活用できます。森林全体を対象としたバイオマスマップは、現地へのアクセスが物流的に困難または費用がかかりすぎる地域において、高価なサンプルベースの森林調査に代わる有効な手段となります。.

炭素蓄積量の推定 は、経済的に最も重要な用途の 1 つです。地上バイオマス 1 Mg あたり約 炭素0.47Mg （IPCC標準換算係数）。したがって、正確なバイオマスマップは、REDD+の支払いと自主的な炭素市場クレジットの基盤となる検証済みの炭素インベントリに直接変換されます。50万ヘクタールの熱帯林保護区を対象とした検証済みのバイオマスマップは、数億ドル相当の炭素資産を表す可能性があります。.

• 精密農業： ドローンやSentinel-2衛星画像から得られる作物バイオマスマップは、圃場内の植物生育のばらつきを特定し、収量を維持しながら投入コストを削減する可変施肥や灌漑を可能にする。.
• 山火事の燃料評価： 枯れ木や乾燥した草本バイオマスは、火災の燃料となる。リモートセンシングによって作成された燃料マップは、火災が発生しやすい地域における計画的な野焼きプログラムや山火事封じ込め計画の策定に役立つ。.
• 生物多様性の保全： バイオマス量が多く、構造的に複雑な植生は、一般的に生物多様性が高い。バイオマスマップは、優先的に保護すべき地域を特定し、復元された生息地の回復状況を長期的に追跡するのに役立つ。.
• バイオエネルギー計画： 政府やエネルギー企業は、リモートセンシングによるバイオマスデータを利用して、バイオエネルギー生産のための農業残渣や木質バイオマスの持続可能な供給量を評価し、収穫量が生態系の再生能力を超えないようにしている。.

バイオマス計算におけるリモートセンシングの利点

リモートセンシングに基づくバイオマスマッピングは、地上調査では到底実現できない様々な機能を兼ね備えています。こうした利点こそが、この技術が過去10年間で数十カ国において実験段階から実用段階へと移行した理由です。.

非破壊測定は、おそらく最も基本的な利点と言えるでしょう。リモートセンシングは、植生を採取したり、刈り取ったり、乱したりすることなく、植生に関する情報を収集します。これにより、全く同じ場所で繰り返し測定を行うことが可能になり、炭素会計や生態系モニタリングにおいて最も重要な指標である、時間の経過に伴うバイオマスの変化を検出するために不可欠です。.

• 低コストで大規模なカバレッジを実現： センサーと処理パイプラインが一度構築されれば、バイオマス調査の対象地域を100万ヘクタール追加するコストは実質的にゼロとなる。このコスト構造は、面積に比例してコストが増加する現地調査とは正反対である。.
• 頻繁な時間的更新： Sentinel-2は、地球上のあらゆる場所を5日ごとに再訪します。この頻度により、生育期間全体にわたるバイオマスモニタリングが可能となり、年1回の現地調査では全く捉えられない動的な変化を捉えることができます。.
• 歴史的分析能力： ランドサットのアーカイブには、1972年以降の画像が収められています。研究者は、過去のバイオマス推移を再構築することで、累積的な森林破壊量を定量化したり、撹乱後の生態系の回復状況を評価したり、補償請求のための撹乱前の基準状態を確立したりすることができます。.
• 土地管理者の意思決定能力の向上： 空間的に明示的なバイオマスマップは、景観内のどこでバイオマスが蓄積、減少、または安定しているかを明らかにし、土地管理者が介入策を最も効果的な場所に的を絞って実施するための空間的な精度を提供する。.

リモートセンシングによるバイオマス推定における限界と課題

リモートセンシングによるバイオマスマッピングは強力なツールだが、実務者は重大な意思決定にその結果を用いる前に、技術的な限界を理解しておく必要がある。.

密林における信号飽和は、光学式およびCバンドレーダーセンサーにとって未解決の課題である。樹冠が閉じ、バイオマスがセンサー固有の閾値を超えて蓄積されると、スペクトル信号または後方散乱信号はバイオマスの増加に伴って増加しなくなる。.

LiDARは分光反射率ではなく物理構造を測定するため、この問題を回避できますが、航空機搭載型LiDARのデータ収集は依然として高価であり、GEDIのような宇宙搭載型LiDARは、壁一面をカバーするのではなく、まばらで不連続なフットプリントしか提供しません。.

• フィールド検証は必須です。 実際の現地測定値との照合と検証なしに、信頼性の高いバイオマス推定値を生成するリモートセンシングモデルは存在しない。現地データの質は最終的な地図の質を直接左右するが、多様な景観において代表的な現地データを収集することは、費用と技術の両面で困難を伴う。.
• 大気の影響については、慎重な補正が必要です。 エアロゾル、水蒸気、オゾンは、入射および反射された太陽放射を散乱・吸収し、センサーに到達する前にスペクトル信号を変化させます。大気補正が不正確または不完全だと、系統誤差が生じ、バイオマス推定ワークフロー全体に影響を及ぼします。.
• データ処理には専門的な知識が必要です。 大規模なリモートセンシング時系列データを扱うには、地理情報システム（GIS）、PythonやRなどのプログラミング言語、そしてGoogle Earth Engineのようなクラウドベースの地理空間プラットフォームに関する知識が必要です。この技術的な障壁が、データサイエンスのバックグラウンドを持たない農学者や土地管理者による導入を妨げています。.
• モデルの不確実性は、訓練データからの距離が離れるにつれて増大する。 ブラジルのアマゾン熱帯雨林で較正されたバイオマスモデルは、構造的に異なる西アフリカの森林に適用した場合、たとえ両方とも熱帯湿潤林に分類されるとしても、性能が低下する可能性がある。地理的に多様な研究地域全体で精度を維持するためには、地域ごとの較正データセットが不可欠である。.

リモートセンシングによるバイオマス推定の将来動向

陸上バイオマスマッピングの技術環境は急速に進化している。今後5年から10年の間に、いくつかのトレンドが収束することで、バイオマス推定の精度、アクセス性、および運用上の拡張性が大幅に向上すると見込まれている。.

AIを活用したバイオマスマッピングは、現在進行中の最も革新的な技術開発と言えるでしょう。ディープラーニングアーキテクチャ、特に畳み込みニューラルネットワークやトランスフォーマーベースのモデルは、衛星時系列データに含まれるスペクトル、空間、時間といったあらゆる情報を同時に処理し、より単純なモデルでは検出できないバイオマスシグナルを抽出します。.

リモートセンシングにおけるAIと機械学習の統合は、 2021年から2026年の間に35%, ビジネスリサーチインサイトによると、これは植生データの大規模な分析方法を根本的に変革するものである。.

欧州宇宙機関（ESA）のBIOMASSミッションは2024年に打ち上げられ、熱帯林のバイオマスモニタリング専用に設計された初の宇宙搭載型PバンドSARを搭載している。Pバンド信号（波長約70cm）は森林の樹冠深くまで浸透し、より短い波長のレーダーでは到達できない木質の幹や太い枝まで届く。.

研究論文が発表されました 科学レポート （2023年4月）は、PバンドTomoSAR（トモグラフィックSAR、複数のレーダー通過から3次元の森林構造を再構築する技術）がフランス領ギアナの密集した熱帯林全体で有望なAGB推定値を生成し、BIOMASSミッションが運用上何をもたらすかのプレビューを示したことを実証した。.

• 大規模なマルチセンサーデータ融合： 光学、レーダー、LiDARのデータストリームを自動的に組み合わせ、特定の生態系や季節における各センサーの信頼性に応じて重み付けを行うアルゴリズムは、実験的なプロトタイプから、クラウドプラットフォームに展開される運用ツールへと移行しつつある。.
• リアルタイムおよびほぼリアルタイムのバイオマスモニタリング： Google Earth EngineやMicrosoft Planetary Computerといったクラウドベースの地理空間プラットフォームにより、衛星データストリームの継続的かつ自動的な処理が可能になった。森林破壊発生から24～48時間以内に発動する、ほぼリアルタイムの森林破壊警報システムは、すでにいくつかの熱帯諸国で運用されている。.
• 精密農業のためのデジタルツイン： リモートセンシングで得られたバイオマスデータを、土壌センサー、気象モデル、作物シミュレーションモデルと統合することで、農場規模のデジタルツイン（実際の圃場の仮想レプリカ）が作成され、農家は管理シナリオを現実世界で実施する前にテストすることができる。.
• 精密農業の統合： 手頃な価格のドローンセンサー、衛星時系列データ、そしてAIを活用した分析技術の融合により、研究機関や政府機関だけでなく、個々の農家にとっても初めて、圃場規模のバイオマスモニタリングが経済的に利用可能になりつつある。.

1. バイオマス推定に最適な衛星はどれですか？ あらゆる状況に最適な衛星は存在しません。Sentinel-2は、作物や中解像度の森林バイオマスマッピングに最も広く使用されています。GEDI LiDARは、森林の地上部バイオマス（AGB）に関する最も正確な樹冠高データを提供します。Sentinel-1 SARは、雲の影響を受ける熱帯地域で好まれています。最適な運用方法は、複数のセンサーを組み合わせることです。.

2. ドローンはバイオマスを正確に推定できるか？ はい。マルチスペクトルカメラやLiDARセンサーを搭載したドローンは、非常に高い空間分解能で作物や小規模森林のバイオマスを推定できます。ドローンによる作物のバイオマス推定値は、飛行時期を適切な生育段階に合わせ、スペクトルセンサーを適切に校正すれば、通常、現地測定値との相関がR² = 0.80～0.95となります。.

3．リモートセンシングによるバイオマス推定の精度はどの程度ですか？ 精度は、センサーの種類、生態系、モデル手法によって大きく異なります。LiDARによる良好なデータが得られる温帯林では、バイオマスマップのRMSE値は20～40 Mg/haに達する可能性があります。一方、密集した熱帯林では、信号飽和のため、光学センサーのみを用いた手法ではRMSE値が60～100 Mg/haになる場合があります。マルチセンサー融合モデルは、シングルセンサー手法よりも一貫して優れた性能を発揮します。.

4. 気候変動において、バイオマス推定が重要なのはなぜですか？ 森林や農地は、バイオマスとして膨大な量の炭素を蓄積しています。森林破壊や土地劣化は、この蓄積された炭素をCO₂として大気中に放出し、気候変動を加速させます。正確なバイオマスマップは、炭素蓄積量の検証、森林減少の監視、そしてREDD+などの国際的な気候変動対策枠組みにおける植林・保全プログラムの効果定量化の基盤となります。.

5. リモートセンシングで地下バイオマスを推定できるか？ リモートセンシングでは、地下バイオマスを直接測定することはできません。しかし、地下バイオマス（BGB）は、地上バイオマス（AGB）から、IPCCなどの機関が発表している野外調査から得られた根茎比係数を用いて推定されるのが一般的です。ほとんどの森林生態系において、樹種ごとの根茎比は0.15～0.40の範囲にあり、AGBマップが存在する場所であれば、間接的にBGBを推定することが可能です。.

結論

リモートセンシングを用いて算出される陸上バイオマスは、専門的な研究手法から、食料生産、森林管理、気候政策に直接的な影響を与える実用的な能力へと決定的に移行した。無料の衛星データ、アクセスしやすいクラウドコンピューティングプラットフォーム、そしてますます強力になる機械学習ツールの融合により、世界中の多くの組織が景観規模のバイオマスマッピングを実現できるようになった。.

炭素市場の拡大、森林破壊監視への取り組みの強化、そして世界経済全体における検証済み炭素蓄積データへの需要の高まりに伴い、気候変動監視におけるリモートセンシングの役割はますます重要になるでしょう。BIOMASS衛星ミッションが運用を開始し、GEDIがグローバルデータセットの拡張を継続し、AIモデルがマルチセンサーデータ融合による推定精度を劇的に向上させている今、地球の陸地表面におけるバイオマスの蓄積、減少、または安定状態を正確に把握できる可能性が現実味を帯びてきています。.