土地被覆と洪水タイプが多様な世界の洪水イベントにおける衛星ベース洪水マッピングの検出限界を決定する
Prithvi-EO-2.0モデルを使用した研究では、19の世界的洪水イベント（2017-2025）において、検出精度が土地被覆と洪水タイプに依存することが判明しました。農地で最も高い一致（IoU=52%）、河川洪水で最も強い検出（F1=0.69）を示し、樹木被覆や市街地ではほぼゼロの検出（IoU=4%）でした。二重参照検証により、見かけ上のモデル誤差の一部は参照製品間の定義の不一致によるものであることが明らかになりました。23の障害モードが特定され、パイプラインエンジニアリングが初期誤差の主要因でした。
洪水は最も破壊的な自然災害の一つであり、気候変動による頻度の増加に伴い、衛星ベースの洪水マッピングは災害対応に不可欠です。しかし、地理空間基盤モデルの様々な未知のイベントに対する運用信頼性は未解明でした。今回の研究では、Venkatesh Kolluru氏らがPrithvi-EO-2.0を2017年から2025年までの19の分布外洪水イベントに適用し、6大陸、8気候帯、6洪水メカニズムを網羅し、2つの独立した参照製品で検証しました。
検出精度は土地被覆と洪水タイプに共同で依存し、農地で最も高い一致（IoU=52%）を示し、河川洪水イベントで最も強い検出（F1=0.69）が得られました。一方、樹木被覆や市街地では洪水メカニズムに関わらず検出はほぼゼロ（IoU=4%）でした。この結果は、環境に依存した検出限界の存在を示しています。
二重参照検証により、見かけ上のモデル誤差の一部は参照製品間の定義の不一致に起因し、実際の検出失敗ではないことが明らかになりました。反復的なパイプライン試験により23の障害モードが特定され、モデル容量よりもパイプラインエンジニアリングが初期誤差の主要因であることが判明しました。これらの知見は、運用衛星洪水マッピングのための環境依存の検出限界を確立し、実際の展開前に特定の環境と洪水タイプに合わせた調整の重要性を強調しています。さらに、研究ではパイプラインの各段階における誤差の蓄積が分析され、前処理、モデル入力、後処理の各工程での最適化が全体の性能向上に大きく貢献することが示されました。この結果は、衛星洪水マッピングの実用化において、モデルの改良だけでなく、データ処理フロー全体の見直しが重要であることを示唆しています。今後の研究では、複数のデータソースの統合や参照製品の標準化がさらに進むことが期待されます。