ビジョントランスフォーマーを用いたLandsat-Sentinel-2による沿岸藻類ブルームマッピング：モデル説明、実装と例
本研究は、30メートル解像度の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初の成功例を示す。世界的に分布したブルームパッチデータセットを作成し、4つのトランスフォーマーアーキテクチャを畳み込みベースラインと比較した。Swin Transformerは雲やグリントのストレス下で従来のスペクトル指標法を凌駕し、誤検出を低減した。この知見は、動的な沿岸環境における中解像度藻類ブルームモニタリングのための信頼できるツールとして深層学習を支持する。
最近、arXivに発表された研究では、Landsat-8/9およびSentinel-2 A/B/C衛星画像から沿岸の藻類ブルームをマッピングする新しい手法として、ビジョントランスフォーマー（ViT）を利用する方法が提案されました。Thainara Limaらによるこの研究は、中解像度（30メートル）のマルチスペクトル画像における藻類ブルーム検出にビジョントランスフォーマーを初めて成功させたものです。
沿岸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す。LandsatおよびSentinel-2衛星群は、10年以上にわたる中解像度マルチスペクトル画像を提供し、2～3日ごとにほぼ全球をカバーします。これにより、粗い解像度の海洋水色センサーでは識別できない断片化したブルーム構造を検出できます。しかし、これらのデータの水域環境での利用は、限られたスペクトル範囲と調和された反射率製品の欠如により困難を伴います。従来の生物光学的手法には限界があり、深層学習に基づく画像分類はデータ駆動型の代替手段を提供します。
研究チームは、ブルームが発生しやすい世界の沿岸ホットスポットから、全球的に分布したブルームパッチデータセットを構築しました。そして、4つのトランスフォーマーベースのアーキテクチャ（Swin Transformerを含む）を、標準的な畳み込みニューラルネットワーク（CNN）ベースラインと比較し、さまざまな光学的水体タイプや大気・表面条件下で評価しました。その結果、すべての深層学習モデルは浮遊ブルーム領域の検出に高い能力を示しましたが、8～65％の見逃し誤差と偽陽性誤差が生じました。時系列データにおいて雲やグリント（太陽光の反射）のストレス下では、Swin Transformerが従来のスペクトル指標法（NDVIなど）を上回り、これらの手法では広範囲に偽陽性が発生したのに対し、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ました。
さらに、MODIS導出製品との比較により、より高い空間解像度が断片化した不規則なブルームの検出に有利であることが示されました。研究者らは、深層学習が動的な沿岸環境における中解像度での浮遊藻類ブルームの一貫した監視に信頼できるツールであると結論づけています。この成果は、全球的なブルーム監視に新たな可能性をもたらし、環境管理や生態研究を支援することが期待されます。