《Decision Support Systems》:Designing AI-based decision support systems for carbon stock estimation and planning: A design science research
编辑推荐:
缓解气候变化带来了重大挑战,尤其是在有效的碳储量估算与规划方面。基于量化碳储量的决策对于实现自然生态系统中的碳封存工作至关重要,然而传统的实地测量劳动密集、地理受限且难以大规模采用。受这一实际挑战的驱动,研究人员开展了一项设计科学研究(Design Scien
缓解气候变化带来了重大挑战,尤其是在有效的碳储量估算与规划方面。基于量化碳储量的决策对于实现自然生态系统中的碳封存工作至关重要,然而传统的实地测量劳动密集、地理受限且难以大规模采用。受这一实际挑战的驱动,研究人员开展了一项设计科学研究(Design Science Research, DSR)项目,旨在开发基于人工智能的决策支持系统(AI-based Decision Support Systems),以提高碳储量估算与规划的效率、可及性和可扩展性。在技术可供性理论(Technology Affordance Theory)的指导下,研究人员的迭代设计、开发、演示和评估过程产生了四个基于可供性的设计原则(affordance-based design principles),这些原则建立并贡献于不断增长的环境可持续性(environmental sustainability)设计知识。本研究加深了对碳储量估算与规划关键问题域和解决域的理解。它还促进了关于在应对可持续发展的复杂决策挑战时平衡人工智能与人类智能进行系统设计的讨论。本研究通过展示如何设计促进碳封存和社会向环境可持续性过渡的系统,为支持可持续发展目标13(Sustainable Development Goal 13, SDG 13)提供了DSR的范例。
# 论文解读:基于AI的决策支持系统在碳储量估算与规划中的设计与应用
## 研究背景与问题
气候变化是紧迫的全球性挑战,联合国可持续发展目标13(SDG 13: Climate Action)强调需立即采取行动。实现净零目标需要两条互补路径:减少碳排放和增加碳封存。碳封存依赖于自然生态系统(如森林、海洋)中的碳储量(carbon stock,即系统中可储存的碳量)估算与规划。然而,传统的实地测量方法(如手工采集和称量生物质)耗时、对植被有破坏性、成本高昂,且难以在偏远或危险区域应用。这一矛盾凸显了开发高效、可访问、可扩展的信息系统解决方案的迫切性。尽管已有研究聚焦于减少组织内部碳排放的设计知识(如Corbett, 2013; Zampou等, 2022),但针对碳封存这一关键路径的系统设计仍显著不足。此外,现有系统多依赖已获取的环境数据,而碳储量估算的核心障碍恰恰在于获取和量化关键的环境信息。因此,本研究旨在探索如何设计基于人工智能的决策支持系统(AI-based DSS)以提升碳储量估算与规划的效率、可及性和可扩展性。
## 研究内容与结论
研究人员采用设计科学研究(Design Science Research, DSR)方法,遵循Peffers等(2007)的过程模型,通过两轮迭代设计、开发、演示和评估,提出了四项基于可供性的设计原则(affordance-based design principles)。研究以技术可供性理论(Technology Affordance Theory)为透镜,将可供性(即技术人工物与目标导向行动者之间的关系所产生的行动潜力)作为设计核心。最终形成的四项原则为:映射(mapping)、检测(detecting)、估算(estimating)和策略规划(strategizing)。这些原则指导了原型系统的构建,并验证了其在支持碳储量估算与规划中的有效性。研究结论表明,所设计的系统能够提高效率、可及性和可扩展性,同时促进碳交易市场中的透明度。该研究发表在《Decision Support Systems》,为环境可持续性的设计知识库做出了贡献,并探索了在复杂决策中平衡AI与人类智能的路径。
## 主要技术方法
研究采用的关键技术包括:1) 卷积神经网络(Convolutional Neural Networks, CNNs)用于植被特征检测,具体采用DeepLabv3+模型进行树木语义分割;2) 地理信息系统(Geographic Information Systems, GIS)用于构建交互式地图,支持用户兴趣区域的导航和界定;3) 异速生长方程(allometric equations)用于基于检测到的植被特征(如树冠覆盖率)估算碳储量;4) 系统开发基于Web-GIS平台,并集成了应用编程接口(Application Programming Interface, API)以连接CNNs与GIS界面。数据来源包括国家生态观测网络(National Ecological Observation Network, NEON)的LiDAR点云和高分辨率正射影像,以及公开的卫星图像,共使用86,088张训练图像和21,768张验证图像。
## 研究结果
研究过程分为两轮迭代,每轮均包括设计、开发、演示和评估。
### 第一轮设计与评估
- **映射(DP1)**:通过基于Web的GIS交互地图,用户可放大缩小、搜索地址或坐标,并使用工具框定兴趣区域(如矩形几何形状)。
- **检测(DP2)**:集成预训练的CNNs(DeepLabv3+)对遥感影像中的树木进行语义分割,实现自动化植被检测。模型在标注卫星图像上的平均交并比(Intersection over Union, IoU)为65.14%,性能合理。
- **估算(DP3)**:通过后端API连接CNNs与GIS,实时处理用户请求,根据检测到的树冠覆盖率和森林结构与物种数据估算碳储量并显示。
- **评估结果**:在面向清洁能源与脱碳创新的展览会上,研究人员向850多名参会者展示了原型,收集了15位学术与行业从业者的反馈。利益相关者指出原型缺乏对未来行动的指导,促使研究人员提出第四项可供性——策略规划(strategizing)。内部评估还强调系统应引入预测性和规范性分析,以支持用户制定未来碳储量增长策略。
### 第二轮设计与评估
- **映射(DP1)改进**:重新设计GIS平台,增加用户认证功能,支持碳项目管理(如创建、保存项目),并集成官方土地登记数据,用户可选择和组合预定义地块来界定兴趣区域,为策略规划奠定基础。
- **检测(DP2)与估算(DP3)优化**:在交互地图上可视化分割后的树木(按高度颜色区分),并提供总面积、树冠覆盖率、树高统计等附加信息。
- **策略规划(DP4)**:开发可视化工具,支持用户组织植被种植(如选择本地物种)和可持续土地开发活动(如安装太阳能板),并设置时间线、分析成本和预测未来碳抵消量。
- **评估结果**:研究人员对一家碳交易公司的10位从业者进行了演示和评估,他们认可系统在初步评估和开发规划中减少时间和劳动力成本的优势。随后,对16位新信息提供者(包括研究人员、政府代表和从业者)进行深度访谈,并通过系统可用性量表(System Usability Scale, SUS)进行量化评估,得分为68.21(高于基准68)。评估证实,映射可促进透明度(如政府代表强调数据独立性对公平性的重要性),检测可提高效率与可及性(如从业者指出减少实地测量成本),估算有助于初始评估和资金分配决策(如研究者提到政府资助分配),策略规划则通过规范性分析支持证据驱动的决策。最终,研究将设计原则系统化为Gregor等(2020)的结构化模式,明确了目标、实施者、用户、情境、机制和理由。
## 讨论与结论
### 讨论总结
研究通过DSR方法揭示了碳储量估算与规划这一关键问题域,并提出了四项可供性设计原则,扩展了环境可持续性设计知识库。理论贡献包括:第一,聚焦于获取关键环境信息(碳储量)作为决策初始障碍,填补了现有设计知识中对碳封存路径关注的不足;第二,探索了AI与人类智能在决策支持中的平衡——CNNs延伸人类感知以高效获取描述性信息,而策略规划等规范性任务仍需要人类专长(如生态、财务知识)的监督与补充;第三,技术可供性理论在迭代设计过程中发挥了核心作用,确保设计聚焦于关键可供性,但也承认优先化决策可能带来模糊性,且AI快速发展可能与DSR的长周期存在时间错配。
### 研究结论(原文第8节翻译)
碳储量估算与规划对于应对气候变化这一紧迫的可持续性挑战至关重要。本研究通过开发基于AI的决策支持系统(AI-based DSS),采用DSR方法回应了对创新信息系统解决方案的需求。利用技术可供性理论,研究构想了关键可供性以理解问题域,这指导了两轮设计、开发、演示和评估周期。通过这一过程,研究开发了两个原型,并完善了四项基于可供性的设计原则:映射、检测、估算和策略规划。本研究展示了如何利用DSR应对紧迫的社会挑战。具体而言,通过聚焦于获取关键环境信息(即碳储量),研究推进了环境可持续性的设计知识库,并探索了在复杂决策的DSS设计中如何平衡AI与人类智能。除了实际影响,研究希望激励更多采用DSR方法创造解决方案以应对社会挑战,并促进将AI有效整合到复杂决策问题的系统设计中的讨论。