arXiv (CV)AI
Vision Transformerを用いたLandsat-Sentinel-2衛星画像からの赤潮検出マッピング:モデル説明、実装、応用例
Landsat-Sentinel-2 Algal Bloom Mapping Using Vision Transformers: Model Description, Implementation, and Examples
この記事についてAIに質問する →
日本語要約青い用語にマウスを合わせると解説が表示されます
沿岸部の赤潮監視は、頻繁で高い空間解像度を持つグローバルに統一された観測が必要とされており、Landsat-8/9およびSentinel-2 A/B/Cミッションがこの役割を担っています。これらの衛星群は10年以上にわたるマルチスペクトル画像データを提供し、2~3日ごとにほぼ全球的なカバレッジを実現しています。これにより、粗い海色センサーでは検出できない細かく断片化した赤潮構造の検出が可能になります。
しかし従来の光学的手法に基づく手法では、スペクトル範囲の限定性と調和されていない反射率データの欠如により、利用が難しいという課題がありました。本研究は、深層学習ベースのImage Classification手法、特にVision Transformer(視覚変換器)アーキテクチャを初めて赤潮検出に応用した成果を報告しています。
研究チームは世界中の赤潮多発地域から大規模なデータセットを構築し、4つのTransformerベースのアーキテクチャを標準的なConvolutional Neural Network(CNN)ベースラインと比較しました。評価では、異なる光学的水質タイプ、大気条件、表面状況下での性能を検証しています。全ての深層学習モデルは浮遊赤潮領域の検出で高い能力を示し、誤検出率と見落とし率は8~65%範囲に収まっています。
特に注目すべき点として、Swin Transformerは雲や日光の反射(グリント)ストレス下での時系列分析において、従来のスペクトル指数法を上回る性能を発揮し、広範な誤検出を回避しています。MODISの衛星データとの比較では、30メートルの高い空間解像度の利点が、細かく散在した赤潮や不規則に影響を受ける領域の検出能力で明らかになりました。本研究の成果は、動的な沿岸環境における赤潮の中解像度・一貫性のある監視ツールとして、深層学習の有用性を強く支持しています。