局所学習から大規模マッピングへ：転移可能な衛星由来水深測深における機械学習と深層学習の比較評価
本研究では、Sentinel-2画像を用いた0-20m深度範囲における転移可能な衛星由来水深測深（SDB）について、ランダムフォレストと4つのCNN（ResNet-50、ResNet-101、EfficientNet-B4、ConvNeXt-Large）を評価。空間連続性（連続した礁ブロック）の維持と平滑重み関数（SWF）重み付きRMSE損失を導入し、地域内RMSEは1.15-1.92m（浅水域では0.26m以下）、地域間RMSEは深層モデルで2.46-2.98mを達成。MagicBathyNetベンチマークでは、提案ネットワークが0.19-0.22mのRMSEで、より少ないパラメータでU-Netや専用Transformerを上回る。多時期画像の中央値集約によりノイズを低減し、最適化されたアーキテクチャと事前学習済み重みを公開。
衛星由来水深測深（SDB）は、マルチスペクトル画像を用いて水深を推定するコスト効率の高い手法であるが、特に光学的に複雑な沿岸環境においては地域間の転移可能性に課題がある。このたび『Remote Sensing』誌に掲載された研究（arXiv:2606.02764）は、機械学習と深層学習の手法を系統的に比較し、局所的な学習から大規模なマッピングへの移行を目指している。
研究チームは、ESAのSentinel-2マルチスペクトル画像をデータソースとし、0～20メートルの水深範囲を対象に、ランダムフォレストのベースラインと4つの畳み込みニューラルネットワーク（ResNet-50、ResNet-101、EfficientNet-B4、ConvNeXt-Large）を評価した。モデルは東沙島（Pratas Island）とグレートバリアリーフの一部で訓練され、空間的に独立した地域内および地域間のテストエリアで検証された。
実験の結果、訓練時にランダムなパッチではなく連続した礁ブロックを維持する空間連続性が、モデルの汎化性能に最も大きな影響を与える設計上の選択であることが明らかになった。さらに、研究では浅い水深に重点を置く平滑重み関数（SWF）重み付きRMSE損失を導入。これらの工夫により、地域内テストでは全深度でRMSEが1.15～1.92メートル、水深2.99～3.78メートルの浅水域では0.26メートルという低誤差を達成した。地域間テストではランダムフォレストのRMSEが2.99～3.78メートルに上昇したのに対し、深層モデルは2.46～2.98メートルとより堅牢な性能を示した。
公開ベンチマークMagicBathyNet（航空RGB画像、0～16メートル水深）では、提案されたCNNネットワークがU-Netベースラインや専用Transformerアーキテクチャを大幅に少ないパラメータで上回り、RMSE 0.19～0.22メートルを達成。この結果は、CNNが転移可能な水深測深において高い可能性を持つことを示している。
研究ではさらに多時期のリピート画像を活用し、訓練データの多様性を高めるとともに、推論時に複数パスの予測を中央値で集約することで、太陽角、大気条件、水質、潮汐の変動によるノイズを低減。転移可能なSDBのスケーラブルな活用を促進するため、最適化されたアーキテクチャと事前学習済み重みが公開されている。
本研究は、衛星測深の局所実験からグローバル応用への道を開く方法論的基盤と実用的ツールを提供し、沿岸管理、航海安全、生態系モニタリングなど様々な分野での活用が期待される。