Submeter-level land cover mapping of Japan 嶌田将貴 第13回 SatAI.challenge勉強会 

目次 ● 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（Methodology） ● 結果と考察（Results & Discussions） ● 結論（Conclusion） 

発表者紹介 This image was generated by ChatGPT 

現所属：JAXA地球観測研究センター 研究テーマ： • 農業・農地のリモートセンシング • 太陽光発電（PV）の検出や、導入に伴う環境改変の定量化 • 最近は衛星以外のリモセンツール（ドローン等）にも関心 ➢ AIも含めて、リモセンデータからより効果的な価値創出を目指す ➢ 特徴量設計や、データセットの整備を通じてリモセン×AIに貢献したい 嶌田将貴（シマダ ショウキ） 自己紹介 手持ちセンサを使用したスペク トル計測 

1ページサマリ This image was generated by ChatGPT 

Submeter-level land cover mapping of Japan ● 既存の土地被覆分類データセットは空間解像度が10 mよりも大きなものがほとんど ● 空間解像度を向上させれば、より細かな空間特徴が分かり、土地利用計画などに活かせると期待 ● 航空写真と深層学習モデルを組み合わせ、日本域の特徴をふまえた追加学習を加えることで、高範囲（日 本全国）・超高解像度（0.25 ~ 0.5 m）な土地被覆データセットの構築に成功 深層学習モデル×航空写真による超高解像度な日本全国の土地被覆分類図 日本全域のサブメートル土地被覆 分類図データセットの構築 Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 大規模な高解像度土地被覆 分類用のデータセット ＆地理院航空写真 Human-in-the-loopによる 日本域へのモデルチューニング 

論文紹介 This image was generated by ChatGPT 

Introduction ◆ 土地被覆分類図（Land-cover map） →地表面を様々な土地利用形態・植生タイプなどに区分したデータ →人間活動・自然環境の変化の分析において重要な情報源となる ◆ 既存の土地被覆分類図の課題 →空間解像度が限定的（>10 m） NASA MCD12 Q1 空間解像度 500 m ESA CCI 空間解像度 300 m ESA CGLS 空間解像度 100 m https://lpdaac.usgs.gov/products/mcd12q1v061/ https://www.esa.int/ESA_Multimedia/Images/2014/10/Land_cover_2010 https://www.mdpi.com/2072-4292/12/6/1044# 細かな空間特徴を議論するのは難しい 

Introduction ◆ 高い空間解像度の土地被覆分類図を作成したい →リファレンスとなるデータセットが必要 →データが高価であることや、撮影時期の差異などによる画像の不均一性 本研究では二つの課題に対して既存データセットの利活用と深層学 習モデルへhuman-in-the-loopを組み合わせることで、解決を目指す 航空写真＆土地利用ラベル Human-in-the-loopによる 日本域へのモデルチューニング Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Methodology ◆ 入力となる航空写真 →国土地理院が日本全国で収集してきたデータ →撮影時期にはムラがあり、時期が不整合な場合も散見される（AIにとって大きな課題） 撮影時期の異なる航空写真が混ざっており、不整合性が みられる Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Methodology ◆ 既存データセットとHuman-in-the-Loopの枠組みを融合したモデル構築 →既存の高解像度な土地利用土地被覆データセットとして、“OpenEarthMap”が存在 →日本の航空写真データセットにみられる不整合やローカルな特徴への対処のため、Human- in-the-Loopの枠組みで追加データを取得 OpenEarthMapデータセット Human-in-the-Loop OpenEarthMapデータでAIモデルを 訓練・土地被覆分類 パフォーマンスが 悪い場所を人間が評価 パフォーマンスが悪い場所に ついてモデルを再訓練 追加データを作成 →モデルを再度訓練 使用モデル：Unet＋EfficientNet-b5 (backbone) Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Results & Discussions ◆ OpenEarthMapのみと比べて、日本域での追加データを含めたモデル （OpenEarthMap Japan model）では大幅な精度改善を達成 Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Results & Discussions ◆ OpenEarthMap Japanでは、OpenEarthMapのデータセットのみでは対処できなかっ た日本の土地被覆の特徴や、異なる年度間の画像の問題を克服できている Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Results & Discussions ◆ 超高解像度な土地被覆分類図であり、詳細な土地利用・土地被覆の空間分布が確認できる →モデルを走らせるのにかかった時間も、処理の並列化によって５日で日本全国をマッピング OpenEarthMap Japan 地理院地図 Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Results & Discussions ◆ 既存の建物・圃場ポリゴンと土地被覆分類図の比較 →モデルの検出漏れの他にも、画像撮影時期と現況の違いや位置ずれなどが差異の原因と推定 False negative False positive 建物ポリゴン（地理院） VS土地被覆分類図 圃場ポリゴン（MAFF） VS土地被覆分類図 Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Results & Discussions ◆ JAXA HRLULCとOpenEarthMapの間で対応するクラスのまとめ Yokoya, Naoto, Junshi Xia, and Clifford Broni-Bediako. "Submeter-level land cover mapping of japan." International Journal of Applied Earth Observation and Geoinformation 127 (2024): 103660.より引用 

Conclusions まとめ 研究の目的 既存データセット（OpenEarthMap）の利活用と深層学習モデルへhuman-in-the-loopを組み合 わせ 、航空写真のアーカイブデータから日本全国をカバーする超高解像度（0.25 m ~ 0.5 m） 土地被覆分類図プロダクトを作成すること 研究の結果 I. OpenEarthMapに対してHuman-in-the-Loopの評価結果に基づく追加データを加えることで、 モデルのパフォーマンスの改善に成功した II. 超高解像度な土地被覆分類図プロダクトを日本全国で整備することができた 今後の課題 I. JAXA HRLULC（最新版は１５カテゴリ）と比較して、OpenEarthMapの８カテゴリは少ない II. 既存の土地被覆分類図プロダクトも組み込むこと III. 提案した土地被覆分類フレームワークの他地域への拡張 

個人的な所感 ①日本全国を1 m未満の空間解像度のデータにより５日で分類できる技術が凄い →リモセンの広域適用では計算時間がネックになりがち、GPUの利活用や並列化・最適化の技術が非常に高い ②航空写真の更新頻度や国外での入手性が限られている →地理院の航空写真は無償公開されており、日本国内についてのアクセス性は高い →現在の日本はPVを除けば急速な土地被覆変化が起きていないが、東南アジアやアフリカ諸国など経済発展・ 人口増大著しい場所では衛星ベースの評価が必要になる ③Unet＋EfficientNetの安定感 →近年はVision Transformerなど色々なモデルが表れ、リモセンでも新たなモデルの適用が進む →変化の速いAIモデルの流れにあっても、Unet（２０１５年）やEfficientNet（２０１９年）が持つ画像セグメ ンテーションに対する安定感やモデル軽量性などの利点は興味深い ④基盤モデルとの連携 →既存のLULCプロダクトの情報取り込みが本文中で述べられていた。モデルそのものも基盤モデル（prithviな ど）と連携するとより少量のデータでも一般性のあるモデルが出来る？（空間解像度の違いは問題）