Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge
紹介する論文は、「Creation and environmental applications
of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets」です。
本研究では、気候変動によって最も強い影響を受けうる場所の1つであるシベリアを対象とし、植生量と水分量の15年に及ぶ長期トレンドを明らかにしました。
人工衛星データをつかった長期トレンド解析において、雲によるノイズは大きな不確実性をもたらします。そこで本研究では、機械学習を用いて、雲を透過するマイクロ波で観測された人工衛星データと、数値モデルと現地データの組み合わせによって得られる気象データから、植生量に反応するNDVIと、水分量に反応するNDWIを推定しました。これにより、シベリア地域全体を15年にわたってカバーする、NDVIとNDWIの長期雲なしデータセットを500 m×500 mの空間解像度で作成しました。
特に注目すべき点は、膨大な数の独立した学習器を並列処理で利用することで、マイクロ波と気象データからNDVIとNDWIを推定するデータフュージョンだけでなく、数 kmオーダーのマイクロ波・気象データから、より細かいグリッド（500 m×500 m）でNDVIとNDWIを推定する超解像も実装している点です。
本手法を活用することで、雲の影響を受けやすい熱帯域などでも、連続した植生量・水分量のトレンド解析が可能になる可能性があります。

Transcript

1. Creation and environmental applications 
 of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets
 
 千葉大学 
 笹川　大河
 1 2025年5月24日 SatAI.challenge勉強会 

2. 目次 
 2 • 自己紹介スライド
 • 研究の1ページサマリ紹介 
 • 研究の背景（Introduction） 
 • 手法について（Method） 
 • 実験（Experimet）
 • 結論（Conclusion）

3. 3 自己紹介 This image was generated by ChatGPT
4. 笹川 大河 博士 (環境学) (2025年3月 筑波大学)
 千葉大学 国際高等研究基幹 特任助教 兼 環境リモートセンシング研究センター 学振特別研究PD (森林科学) 何をやっているの? → 衛星生態学 (Satellite Ecology) - ササの一斉開花枯死のモニタリング (学振ネタ) - 静止衛星の超時間分解能データを用いた陸域生態系観測 - GCOM-C/SGLIを用いた陸域生態系観測 - 人工衛星データの地上検証 (Phenological Eyes Network: PEN) 自己紹介
 4 手法開発より, 実際の課題解決へ向けて応用的にリモセンデータを使う. リモセンでサイエンス! 

5. 5 研究の1ページサマリ This image was generated by ChatGPT
6. 研究の1ページサマリ: マイクロ波データと光学データのフュージョン 
 6 笹川大河
 シベリアにおいて, マイクロ波データから日毎のNDVI, NDWIをMLで推定した. 
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用
7. 7 イントロダクション This image was generated by ChatGPT
8. INTRODUCTION 
 8 • シベリアを含む極域は, 気候変動の影響を強く受けるため, 植生・水域の長期変動をモニタリングすることが重要 とされている.
 • これまでの光学センサーを使ったモニタリングでは, MODIS→NDVI, NDWIなどが使われてきた. 
 でも雲の影響がある. 
 • これまでのマイクロ波センサーを使ったモニタリングでは, 雲の影響を受けない観測が可能だった. 
 でも空間解像度が粗かった (>5 kmとか). 
 • そこで, マイクロ波センサーのデータからNDVI, NDWIを中程度の空間解像度で推測し, シベリアの長期 
 環境変動を捉えることを目的とする. 
 
 シベリアは気候変動の影響を受けやすく, 植生・水域の詳細な観測が重要. でもムズい. 
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用 笹川大河

9. 9 メソッド This image was generated by ChatGPT
10. METHOD: マイクロ波・再解析気象データからNDVI, NDWIを推定する (小さくてごめんなさい涙). 
 10 ←推定したい目的変数 (NDVI, NDWI) 
 ←推定に使う説明変数 (マイクロ波データ) 
 ←推定に使う説明変数 (再解析気象データ: ERA5データ) 
 ←推定に使う説明変数 (Day of Year: DOY) 
 ←推定に使う説明変数 (VODCA: マイクロ波データから得られる) 
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用 笹川大河

11. METHOD: 推定に使われたML手法. 
 11 ランダムフォレストによる回帰. 
 • ピクセルベースでの回帰を実施し, NDVI, NDWIを推定した. 
 • なんでランダムフォレスト? 他にもあったのでは? 
 • とりあえず, deepではないMLによる回帰は, 様々な手法を試しています. 
 • 試した手法の中で, 最も使い勝手が良かったものがランダムフォレスト: 
 ◦ 実行速度が早い.
 ◦ 安定してそこそこ高い精度を出せる. 
 ◦ 比較的軽くて, メモリを食わない. 
 
 • ターゲットとする500 m×500 mのピクセル毎に, 回帰MLを作成. 
 • 一つのピクセルについて, 雪があるタイミングとないタイミングで回帰MLを使い分ける (2種のML). 
 • 多くの場合, 隣り合うターゲットのピクセルでは, 説明変数が同じ (説明変数の空間解像度が粗いから). 
 • でも, 目的変数 (MODISのNDVI, NDWI) は違う. よって, 回帰MLのパラメータも違う. 
 • 「大量の独立した回帰MLでNDVI, NDWIを推測する. 超解像っぽいこともする.」 
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用
12. METHOD: 推定したNDVIからフェノロジーを求める (結果は割愛します). 
 12 笹川大河
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用
13. METHOD: 推定したNDWIから水域分布を求める (結果は割愛します). 
 13 笹川大河
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用
14. 14 結果 This image was generated by ChatGPT
15. RESULTS: NDVI, NDWIの推定の外観 (割とうまく行った事例) 
 15 笹川大河
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用
16. 16 RESULTS: NDVI, NDWIの推定の外観 (うまくいかなかった事例) 
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用 笹川大河

17. 17 RESULTS: NDVI, NDWIの推定 (定量的評価) 
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用 笹川大河

18. RESULTS: 推定したNDVI, NDWIの長期トレンド解析結果. 
 18 笹川大河
 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用
19. 19 考察 This image was generated by ChatGPT
20. DISCUSSION 
 20 Mizuochi et al. (2024), “Creation and environmental applications of 15-year daily inundation and vegetation maps for Siberia by integrating satellite and meteorological datasets ”, PEPS より引用 笹川大河
 ピクセルベースのMLによるNDVI, NDWI推定 & 超解像は十分に可能性がある. 
 • 時期によってはかなり良い相関を出していた. 
 • そうでない時期もあった ← 融雪の終わり, 積雪のはじめなど, 雪とno雪がミックスしているとき. 
 • 分類器の切り替えのタイミングで推定がうまくいかないことがある. 
 ◦ そもそも分類器を雪の有無で切り替えた理由は, MLの安定性・精度評価の正確性の観点から. 
 

21. 21 色々考えたこと This image was generated by ChatGPT
22. 色々考えたこと: 地球環境観測での実装・応用レベルで求められるAIとは? 
 22 笹川大河
 取り扱いしやすいAI. 
 画像だけでなく, テーブルタイプのデータでも開発が進んでほしい. 
 • GPUをゴリゴリ使うAIは (個人的には) ぶっちゃけ使いづらい. 
 • GRAMがでかいGPUへのアクセスは限られている. 皆が使えるわけではない. 
 • できるだけ軽量で, CPUでも動くようなAIがほしい. 
 • 「人工衛星画像」に対するアプローチだけでなく,「人工衛星データ」に対するアプローチも. 
 • テーブルデータ×AIをしようとすると, 結局ランダムフォレストとかに落ち着く. 
 • もちろんランダムフォレストでも良いが, もっと良いものもあるのでは??? 
 • 誰か開発してください涙.