沿岸域の藻類ブルーム監視には、頻繁で空間的に詳細かつ全球的に一貫した観測が必要である。Landsat-8/9とSentinel-2 A/B/Cの衛星コンステレーションは、この要件を満たす。これらは合わせて10年以上の中解像度マルチスペクトル画像を提供し、ほぼ全球を2〜3日ごとにカバーする。この時間分解能と空間分解能により、粗い海洋色センサーでは解決できない断片的なブルーム構造の検出が可能になる。
しかし、これらの衛星データを水環境に利用するには課題が残る。スペクトルカバレッジが限られていることと、調和の取れた反射率製品が不足していることである。従来の生物光学的手法ではこれらの制限を克服するのが難しい。代替として、深層学習に基づく画像分類はデータ駆動型のアプローチであり、多くの制限を克服できる可能性がある。
本研究は、30m解像度のLandsat-Sentinel-2画像を用いた、ビジョントランスフォーマーベースの沿岸藻類ブルームマッピングの最初の成功例を報告する。研究チームは、世界中のブルーム頻発沿岸ホットスポットを対象に、全球分布のブルームパッチデータセットを生成した。このデータセットは、モデルの訓練と評価に多様なサンプルを提供する。
性能評価のため、4つのトランスフォーマーベースのアーキテクチャを、標準的な畳み込みベースラインと比較した。これらは異なる光学的水体タイプや大気・表面条件下で評価された。すべての深層学習モデルは、浮遊ブルーム領域の検出において強力な能力を示し、 omission errorとcommission errorは8%から65%の範囲であった。
時系列において雲やサングリントのストレス下では、Swin Transformerが従来のスペクトル指数法を上回った。従来法はこのような状況で広範な誤検出を生じたが、Swin Transformerは雲やグリントの影響を受けたピクセルを効果的に回避した。これは複雑な条件下でのロバスト性の高さを示す。
MODIS由来製品との比較は、より高い空間分解能の利点をさらに強調した。30m解像度の画像は、断片的で不規則に影響を受けたブルームを検出できるが、MODISのような粗解像度センサーでは見逃す可能性がある。これはブルームのダイナミクスと影響を理解する上で重要である。
以上の結果は、深層学習が動的な沿岸環境における浮遊藻類ブルームの中解像度で一貫した監視のための信頼できるツールであることを支持する。本研究は、既存の衛星資源を活用した業務的なブルーム監視に新たな技術的途径を提供する。