宇宙と気候変動研究最前線

森林バイオマスの衛星観測：GEDI, ICESat-2データを活用した気候変動研究へのアプローチ

Tags: 森林バイオマス, 衛星データ, GEDI, ICESat-2, LiDAR, SAR, 光学, 気候変動研究, リモートセンシング, データ解析

はじめに

森林は地球の炭素循環において重要な役割を果たしており、大気中の二酸化炭素を吸収・固定することで気候変動の緩和に貢献しています。森林のバイオマス量とその時間的な変動を正確に把握することは、地域および全球スケールでの炭素収支を評価し、気候モデルの精度を向上させる上で不可欠です。

従来、森林バイオマスの推定は野外調査によるサンプリングや、光学衛星データを用いた手法が一般的でした。しかし、野外調査は時間とコストがかかり、広範囲のモニタリングには限界があります。また、光学衛星データは植生の被覆密度が高い場所では信号が飽和しやすく、特に熱帯林のような高バイオマス地域の推定精度に課題がありました。

近年、LiDAR（Light Detection and Ranging）や先進的なSAR（Synthetic Aperture Radar）など、森林の垂直構造を直接的あるいは間接的に捉えることができる衛星センサーの登場により、より精度の高いバイオマス推定が可能になっています。本記事では、これらの最新の衛星データ、特にLiDARセンサーを搭載したGEDI（Global Ecosystem Dynamics Investigation）およびICESat-2（Ice, Cloud and land Elevation Satellite-2）に焦点を当て、森林バイオマス観測の現状、データ活用法、そして気候変動研究への応用について解説します。

森林バイオマス観測に用いられる主要な衛星センサー

森林バイオマスを衛星から観測するためには、単一のセンサータイプだけでなく、複数のタイプのデータを組み合わせて利用することが一般的です。それぞれのセンサーは異なる物理量を測定しており、得意とする観測対象や環境が異なります。

主要なLiDAR衛星データセット：GEDIとICESat-2

森林バイオマス研究において近年注目されているLiDAR衛星ミッションに、GEDIとICESat-2があります。これらはそれぞれ異なる軌道とセンサー設計を持ち、森林構造に関する貴重なデータを提供しています。

衛星データを用いた森林バイオマス推定・変動追跡手法

衛星データから森林バイオマスを推定する主なアプローチは、直接的な手法と間接的な手法に大別できます。

直接推定（LiDARデータからの回帰）

LiDARデータは植生の３次元構造を直接的に測定するため、比較的高い精度でバイオマスを推定できます。一般的には、野外調査で測定された樹木のバイオマス（Allometric equationを用いて算出）と、同時期に取得されたGEDIやICESat-2のLiDARプロダクトから得られる植生構造パラメータ（例：樹高、林冠被覆率、ウェーブフォーム形状パラメータ）との間に統計的なモデル（線形回帰、非線形回帰、機械学習モデルなど）を構築し、このモデルを用いて未測定領域のバイオマスを推定します。

例えば、GEDIのL2Bプロダクトに含まれる Relative Height (RH) や林冠被覆率(Canopy Cover) といったパラメータは、バイオマス推定モデルの重要な入力となります。

間接推定（光学・SARデータと参照データの組み合わせ）

光学センサーやSARセンサーは、LiDARデータほど直接的に構造を捉えませんが、広範囲をカバーするデータが得やすいという利点があります。これらのデータと、限定された範囲で取得された高精度な参照データ（例：野外調査データ、LiDARデータ、高分解能航空機LiDARデータ）を組み合わせてバイオマスを推定する手法が広く用いられています。

参照データを用いて、光学画像やSAR画像から抽出した特徴量（植生指数、後方散乱係数、テクスチャ情報など）とバイオマスとの関係性を学習する機械学習モデル（例：ランダムフォレスト、サポートベクター回帰、ニューラルネットワーク）を構築し、このモデルを広範囲の光学・SARデータに適用することでバイオマスマップを作成します。このアプローチにおいて、参照データとしてGEDIやICESat-2のような衛星LiDARデータが活用されることで、従来の野外調査データのみを用いる場合に比べて、広範囲かつ統計的に信頼性の高い参照データセットを構築することが可能になり、推定精度が向上しています。

時系列解析による変動追跡

森林バイオマスの変動は、森林の成長、森林伐採、火災、病害虫被害、気候変動に伴う乾燥ストレスなど、様々な要因によって引き起こされます。これらの変動を追跡するためには、長期間にわたる衛星時系列データ解析が有効です。LandsatやSentinel-2のような光学衛星、Sentinel-1のようなSAR衛星のアーカイブは、数十年間にわたる観測データを提供しており、これらの時系列解析を通じて森林被覆の変化や、それが示唆するバイオマス変動を検出できます。

例えば、NDVI時系列の変化点検出は森林撹乱の発生時期やタイプを特定するのに用いられます。SARの後方散乱時系列も、水分量や構造の変化を捉えることで森林の状態変化をモニタリングするのに役立ちます。これらの変化検出結果と、特定の時点のバイオマス推定マップやバイオマス成長モデルを組み合わせることで、時間的なバイオマス変動を定量的に評価することが可能です。

実践的な解析アプローチとツール

これらの衛星データを利用した解析には、適切なデータアクセス、処理、解析ツールが必要です。

データアクセス

データ処理・解析ツール

簡単なコード例（Python）

ここでは、GEDI L2Bデータ（植生構造プロダクト）を読み込み、特定のパラメータを抽出する簡単な例を示します。GEDIデータはHDF5形式で提供されます。

import h5py
import numpy as np

# GEDI L2B データファイルのパス (例)
gedi_file = 'GEDI02_B_2019135154247_PN03_O02481_01_T04607_02_003_01_V002.h5'

with h5py.File(gedi_file, 'r') as f:
    # ビーム名を取得 (GEDIは複数ビームを持つ)
    beams = [b for b in f.keys() if 'BEAM' in b]

    # 例として最初のビームのデータを読み込み
    if beams:
        first_beam = beams[0]
        print(f"Processing beam: {first_beam}")

        # 緯度・経度データを読み込み
        lats = f[first_beam]['lat_lowestmode'][:]
        lons = f[first_beam]['lon_lowestmode'][:]

        # 植生高パラメータ（RH100、つまり樹高）を読み込み
        rh100 = f[first_beam]['rh'][:, 99] # rhはRH0からRH100までの配列

        # データ品質フラグなどを確認（重要なステップ）
        quality_flag = f[first_beam]['quality_flag'][:]
        degrade_flag = f[first_beam]['degrade_flag'][:]
        sensitivity = f[first_beam]['sensitivity'][:]

        # 品質が良いと判断されるデータのみを抽出する（例: quality_flag=1, degrade_flag=0, sensitivity > 0.95）
        good_quality_mask = (quality_flag == 1) & (degrade_flag == 0) & (sensitivity > 0.95)

        filtered_lats = lats[good_quality_mask]
        filtered_lons = lons[good_quality_mask]
        filtered_rh100 = rh100[good_quality_mask]

        print(f"Total footprints in beam: {len(lats)}")
        print(f"Footprints meeting quality criteria: {len(filtered_lats)}")
        print(f"Example filtered RH100 values: {filtered_rh100[:10]}")

    else:
        print("No beams found in the file.")

# 抽出したデータは、後続の解析（例：バイオマス推定モデルへの入力、可視化）に利用できます。
# 実際の解析では、複数のファイルを処理したり、他の衛星データと統合したりします。

この例はデータの読み込みの基本的な部分を示しています。実際の研究では、読み込んだGEDIデータ（RH値、林冠被覆率など）と、他の衛星データ（光学、SAR）や野外データ、そして植生指数やテクスチャなどの派生特徴量を組み合わせて、バイオマス推定モデルを構築・適用することになります。

気候変動研究への応用事例

衛星データを用いた森林バイオマス観測は、気候変動研究の様々な側面に応用されています。

課題と今後の展望

衛星データを用いた森林バイオマス観測は大きく進展していますが、いくつかの課題も存在します。異なるセンサーからのデータの統合や、フットプリント/プロファイルデータであるLiDARデータと面的な光学・SARデータを組み合わせる際のスケールの違いへの対応、データに内在する不確実性の評価と伝播解析などが挙げられます。また、野外でのグラウンドトゥルースデータの取得は依然として重要であり、衛星データとの連携をいかに効率的に行うかが課題です。

今後の展望としては、BIOMASSミッションのような新たな衛星データの登場、光学・SAR・LiDARデータを統合した解析手法のさらなる高度化、そしてクラウドコンピューティングや人工知能（特にディープラーニング）を活用した大規模かつ高頻度なモニタリングシステムの構築が期待されます。これらの技術進展により、森林バイオマス変動の理解はさらに深まり、気候変動対策に貢献するより精密な情報提供が可能になるでしょう。

まとめ

森林バイオマスは気候変動研究における重要な要素であり、衛星観測はその評価に不可欠な手段となっています。特にGEDIやICESat-2のようなLiDARミッションは、森林の３次元構造に関する直接的な情報を提供し、バイオマス推定の精度を向上させています。光学・SARデータとこれらのLiDARデータを組み合わせ、適切な解析手法とツールを用いることで、地域から全球スケールでの森林バイオマス量と変動を効果的にモニタリングし、気候変動研究に貢献できます。今後も新たな衛星データの利用や技術の進展により、この分野の研究はさらに発展していくでしょう。