A community palm model

棕榈油生产已被确认为热带国家森林砍伐的主要驱动因素之一。为了实现供应链目标，商品生产商和其他利益相关者需要及时了解其供应区的土地覆盖动态信息。然而，供应商可能缺乏其供应区和生产地点的数字地理表示，因此难以获得这些数据。在这里，我们提出了一种“社区模型”，即利用来自许多不同利益相关者的汇集数据进行训练的机器学习模型，以开发特定的土地覆盖概率地图，本文中是半全球油棕地图。这种方法的优点是包括多样化的输入，能够轻松更新模型，并在任何有输入图像的年份运行模型。将多种数据源包含在一个概率地图中可以帮助建立利益相关者之间对土地覆盖或商品（在本例中是油棕）存在与否的共同理解。该模型的预测变量是由Sentinel-1、Sentinel-2和ALOS DSM提供的公开可用卫星图像构建的年度合成图像。我们提供的地图输出是给定像素中棕榈的概率，以反映潜在状态（棕榈或非棕榈）的不确定性。该模型的初始版本提供的全球精度估计约为90％（在0.5概率阈值下），来自空间分区的测试数据。这个模型和产生的油棕概率地图产品有助于准确确定棕榈种植的地理范围。结合及时的森林砍伐信息使用，这个棕榈模型有助于了解在敏感森林地区继续扩大油棕种植的风险。

如何通过机器学习模型准确识别热带国家的油棕种植区域，以便监测和控制森林砍伐？

使用“社区模型”（community model）的方法，通过训练多个利益相关者提供的数据，开发出一张半全球油棕概率地图，以反映每个像素点上油棕的存在概率。该模型结合了多种数据源，可以随时更新，并可用于任何年份的输入图像。该模型的预测器是由Sentinel-1、Sentinel-2和ALOS DSM提供的公开可用卫星图像构建的年度复合图像。

该模型的全球准确率约为90%，可以准确识别油棕种植区域的地理范围。该模型与及时的森林砍伐信息结合使用，有助于了解在敏感森林地区继续扩大油棕种植园的风险。论文提供了概率地图产品，并可用于建立利益相关者对土地覆盖或商品（在本例中为油棕）存在与否的共同理解。

最近的相关研究包括：1.基于卫星图像的热带森林覆盖变化监测研究；2.利用机器学习技术进行土地覆盖分类的研究；3.利用遥感技术监测农业种植区域的研究。