13:45 〜 14:00
[ACC26-01] 深層学習を用いたキルギス・天山山脈における氷河湖マッピング
キーワード：氷河湖、深層学習、リモートセンシング
1. はじめに
中央アジアのキルギス・天山山脈では，多数の小規模氷河湖の 出水による氷河湖決壊洪水（GLOF）が報告されている（Erokhin et al., 2008, 2017; Daiyrov et al., 2018,2022）．同地域ではわずか数ヶ 月で氷河湖の形成・出水を起こす氷河湖の存在が明らかになっ ており（Narama et al.,2010,2018），高い時間分解能，かつ広域で のモニタリングが課題である．現在の氷河湖モニタリングでは 主に，広域での観測が可能なリモートセンシング技術が活用さ れている．この技術を利用した氷河湖認識の課題として，正確な 水域検出の難しさが挙げられる．一般的に水域の自動抽出には 正規化指数などが用いられ，閾値を決定しておこなわれるが，氷 河湖は複雑な山岳地形に囲まれており,影などの自然条件の影響 を受けることから，これまでのルールベースの画像処理技術を 用いた水域同定では閾値決定が難しい．この問題を解決するた めに近年導入されているのが深層学習である(J.E.Ball et al.,2017) ． インド・ヒマラヤ地域やグリーンランドの氷河湖のセグメンテ ーションに深層学習が用いられ，高い精度で氷河湖領域の分類 が報告されている(Qayyum et al.,2020;Lutz et al.,2023)．しかしこれ らの地域の氷河湖に比べ，対象地域の氷河湖は比較的小規模で あり，氷河湖周辺環境も大きく異なるため，これまでの深層学習 モデルをそのまま適用することで，対象領域において十分な検 出精度を達成することは難しいと考えられる．そこで本研究で は，対象地域の小規模な氷河湖に特化し，高頻度でデータ取得が 可能な光学衛星画像と，深層学習を用い，氷河湖領域の分類を目 的としたモデルを作成した．作成したモデルは，氷河湖領域の実 測値を用いて評価し，対象地域における氷河湖のマッピングを おこなった．
2. 手法
対象地域は，キルギス共和国の天山山脈に位置するキルギス 山脈とテスケイ山脈である．テスケイ山脈のみでも，300 以上の 氷河湖が確認されており（Daiyrov.,et al 2018），直近では2023年 8 月にテスケイ山脈東部でGLOF が発生した． 使用したデータは光学衛星画像PlanetScope である．光学画像 から約1300のデータセットを作成し，うち80％を学習用データ セット，20％を検証データとし，モデルの学習をおこなった．１ つのデータセットは，衛星画像データと氷河湖領域を示した ground truth（GT）の2 つで構成され，画像サイズは256×256 で ある．モデル構造には，画像セグメンテーションの分野で広く使 われるU-Net（Ronneberger et al., 2015）を使用した． モデル精度評価のために，画素単位での評価指標の算出と， UAV により実測された氷河湖面積とモデル予測結果との比較を おこなった．
3. モデル精度の評価と課題
モデルの評価指標は，Accuracy 約 97%，Precision 約85％， Recall 約80%であった．学習したモデルによる氷河湖領域の予 測結果を図１に示す．どの氷河湖においても高い数値が得ら れ，可視化した予測結果も氷河湖領域が正確に検出されていた ことから，氷河湖領域の検出精度はおおむね良好であった． Precision に比べRecall が小さいことから，地表面の水面への誤 認識よりも，氷河湖領域の見逃しが起こっていることが分かっ た．作成したデータセット内の氷河湖領域は画像全体の3％ほ どであったため，モデルの学習時に与えた氷河湖領域が少ない ことによるデータラベル数の不均衡が，この原因として考えら れる．今後の課題として，損失関数の重みづけなどのデータイ ンバランスの解消によって，氷河湖領域の見逃しを減少させる ことでモデル精度の向上が期待できる．
中央アジアのキルギス・天山山脈では，多数の小規模氷河湖の 出水による氷河湖決壊洪水（GLOF）が報告されている（Erokhin et al., 2008, 2017; Daiyrov et al., 2018,2022）．同地域ではわずか数ヶ 月で氷河湖の形成・出水を起こす氷河湖の存在が明らかになっ ており（Narama et al.,2010,2018），高い時間分解能，かつ広域で のモニタリングが課題である．現在の氷河湖モニタリングでは 主に，広域での観測が可能なリモートセンシング技術が活用さ れている．この技術を利用した氷河湖認識の課題として，正確な 水域検出の難しさが挙げられる．一般的に水域の自動抽出には 正規化指数などが用いられ，閾値を決定しておこなわれるが，氷 河湖は複雑な山岳地形に囲まれており,影などの自然条件の影響 を受けることから，これまでのルールベースの画像処理技術を 用いた水域同定では閾値決定が難しい．この問題を解決するた めに近年導入されているのが深層学習である(J.E.Ball et al.,2017) ． インド・ヒマラヤ地域やグリーンランドの氷河湖のセグメンテ ーションに深層学習が用いられ，高い精度で氷河湖領域の分類 が報告されている(Qayyum et al.,2020;Lutz et al.,2023)．しかしこれ らの地域の氷河湖に比べ，対象地域の氷河湖は比較的小規模で あり，氷河湖周辺環境も大きく異なるため，これまでの深層学習 モデルをそのまま適用することで，対象領域において十分な検 出精度を達成することは難しいと考えられる．そこで本研究で は，対象地域の小規模な氷河湖に特化し，高頻度でデータ取得が 可能な光学衛星画像と，深層学習を用い，氷河湖領域の分類を目 的としたモデルを作成した．作成したモデルは，氷河湖領域の実 測値を用いて評価し，対象地域における氷河湖のマッピングを おこなった．
2. 手法
対象地域は，キルギス共和国の天山山脈に位置するキルギス 山脈とテスケイ山脈である．テスケイ山脈のみでも，300 以上の 氷河湖が確認されており（Daiyrov.,et al 2018），直近では2023年 8 月にテスケイ山脈東部でGLOF が発生した． 使用したデータは光学衛星画像PlanetScope である．光学画像 から約1300のデータセットを作成し，うち80％を学習用データ セット，20％を検証データとし，モデルの学習をおこなった．１ つのデータセットは，衛星画像データと氷河湖領域を示した ground truth（GT）の2 つで構成され，画像サイズは256×256 で ある．モデル構造には，画像セグメンテーションの分野で広く使 われるU-Net（Ronneberger et al., 2015）を使用した． モデル精度評価のために，画素単位での評価指標の算出と， UAV により実測された氷河湖面積とモデル予測結果との比較を おこなった．
3. モデル精度の評価と課題
モデルの評価指標は，Accuracy 約 97%，Precision 約85％， Recall 約80%であった．学習したモデルによる氷河湖領域の予 測結果を図１に示す．どの氷河湖においても高い数値が得ら れ，可視化した予測結果も氷河湖領域が正確に検出されていた ことから，氷河湖領域の検出精度はおおむね良好であった． Precision に比べRecall が小さいことから，地表面の水面への誤 認識よりも，氷河湖領域の見逃しが起こっていることが分かっ た．作成したデータセット内の氷河湖領域は画像全体の3％ほ どであったため，モデルの学習時に与えた氷河湖領域が少ない ことによるデータラベル数の不均衡が，この原因として考えら れる．今後の課題として，損失関数の重みづけなどのデータイ ンバランスの解消によって，氷河湖領域の見逃しを減少させる ことでモデル精度の向上が期待できる．