arXiv は 2026 年 5 月 19 日、新規論文「Remote sensing data imputation using deep learning for multispectral imagery」（arXiv:2605.24003v1）を公開した。著者は Shuang Liu ほか 2 名で、投稿者は Rohitash Chandra である。本研究は、水質モニタリングにおける光学衛星リモートセンシングの長年の課題、すなわち雲による観測欠損に焦点を当てている。水管理機関が重視する湖沼では、こうしたデータギャップが藻類ブルームなどの重大な事象の見逃しにつながる可能性があるため、光学衛星データセットの完全性を高めることは、藻類ブルームの監視と予測の改善にとって極めて重要である。
論文では、藻類ブルームの履歴がある 4 つの湖を対象に比較実験を行い、従来の線形補間法と複数の深層学習モデルを、欠損したスペクトルバンドの再構成能力の観点から評価した。採用された深層学習アーキテクチャは 2 つの系統に分かれる。1 つは CNN ベースの構成で、標準的な CNN、Inception ResNet、オートエンコーダを含む。もう 1 つは CNN と LSTM を組み合わせた時系列構成で、CNN-LSTM、ResNet-LSTM、オートエンコーダ-LSTM が含まれる。実験は人工的にマスクした領域で行われ、補完結果を実際の観測値と直接比較できるようにした。
結果として、深層学習モデルはマスク領域内のスペクトルバンド値の補完において、ベースラインである線形補間法を大幅に上回った。多くの湖で標準的な CNN が最良の性能を示し、このタスクでは比較的単純な畳み込み構造がスペクトル的・空間的な特徴を捉えるのに十分であり、より複雑なハイブリッド時系列アーキテクチャが一貫した優位性をもたらさなかったことが示唆される。
バンド単位の再構成に加え、研究チームは補完結果の下流応用における有用性も検証した。補完後の画像から、藻類ブルームの一般的な指標である Green/Red 比と NDCI（正規化植生クロロフィル指数）を算出し、これらを実観測データと比較した。その結果、深層学習モデルは PlanetScope SuperDove 画像の欠損データを効果的に補完でき、水質モニタリングにおけるより信頼性の高い応用を可能にすることが示された。
本論文はコンピュータビジョンとパターン認識（cs.CV）に分類され、人工知能（cs.AI）および統計応用（stat.AP）にもまたがっている。研究の意義は、評価を単純な数値誤差から藻類ブルーム指標という実務に関連するレベルへと進めた点にあり、雲による遮蔽に悩まされる光学リモートセンシングによる水質モニタリングに実行可能な道筋を示すとともに、同様のマルチスペクトル補完タスクではモデルの複雑さが高いほど良いとは限らないことを示唆している。