Estimating Earthquake Magnitude in Sentinel-1 Imagery via Ranking

技術サマリー：Sentinel-1 画像における地震マグニチュードの推定をランキングを通じて行う手法

問題定義
地震マグニチュードの推定は、従来、物理的な地震観測所に依存してきました。しかし、これらの観測所の設置と維持には莫大なコストと物流上の課題が伴うため、全球的なカバレッジが制限され、遠隔地や資源が不足している地域における地震活動の監視が困難となっています。一方、Sentinel-1 に搭載された合成開口レーダー（SAR）を用いた衛星地球観測（EO）データは、全球的な監視のための有望な代替手段を提供しますが、この分野への機械学習の応用は「低データ体制」の問題に直面しています。歴史的に記録された地震と衛星画像の組み合わせが不足しているため、標準的な回帰モデルは、そのような小規模なデータセットで効果的に一般化することに苦慮しています。

手法
データ不足という課題に対処するため、著者らは地震マグニチュードの推定を単なる回帰タスクとしてではなく、メトリック学習問題として再定義することを提案しています。中核的な革新は、二重目的の訓練戦略にあります：

1. 回帰目的：モデルは、Sentinel-1 画像ペア（発生前と発生後）から絶対マグニチュード（$G_t$）を予測します。
2. ランキング目的：モデルは、相対的なマグニチュードに基づいてサンプルペアをランク付けするように訓練されます。

総損失関数（$L$）は、標準的な平均二乗誤差（MSE）損失（$L_{MSE}$）とマージンランキング損失（$L_{MR}$）を組み合わせます：
$$L = L_{MSE} + L_{MR}$$

マージンランキング損失は以下のように定義されます：
$$L_{MR}(x_1, x_2, y) = \max(0, -y \cdot (x_1 - x_2) + m)$$
ここで、$x_1$ と $x_2$ は 2 つのサンプルに対する予測マグニチュード、$y$ は相対的な順序を示すラベル（$x_1 \geq x_2$ の場合 1、それ以外は -1）、$m$ はマージンハイパーパラメータ（実験では 0.02 に設定）です。このアプローチは、既存のマグニチュード値以外の追加ラベルデータを必要とすることなく、モデルが異なるマグニチュードを持つサンプル間の相対的な距離を学習することを促します。

実験設定
本研究では、QuakeSet データセットを利用しました。これは、地震発生前後に取得された 3,327 組の 2 チャンネル（VV および VH 偏波）Sentinel-1 画像（512 × 512 解像度）で構成されています。著者らは、モデルのサイズとタイプの影響を評価するために、多様なアーキテクチャを評価しました：

• 畳み込みニューラルネットワーク（CNN）：ConvNeXt v2（Atto バリアント）および MobileNet（Small および Large バリアント）。
• トランスフォーマー：MobileViT v2 および ViT-tiny。

すべてのモデルは ImageNet で事前学習された重みで初期化され、AdamW オプティマイザを使用して 10 エポック訓練されました。性能は平均絶対誤差（MAE）と計算コスト（FLOPS）を用いて測定されました。

主要な結果
実験により、ランキング目的を組み込むことが、テストされたすべてのアーキテクチャにおいて性能を大幅に向上させることが示されました。

• 性能向上：提案手法は、回帰のみのベースラインと比較して、MAE で 30% 以上の改善を達成しました。
• アーキテクチャ比較：
  • **ConvNeXt v2（Atto）**は、ランキング損失を使用することで MAE を 0.2577 から 0.2287 に低下させ、全体的に最高の結果を達成しました。
  • ViT-tiny も 0.3150 から 0.2613 へと低下し、大幅な改善を示しました。
  • MobileNet-Small は、最も低い計算コスト（44.10 MFLOPs）で低い MAE（ランキング使用時 0.3678）を達成し、非常に効率的なソリューションであることが証明されました。
  • MobileNet-Large は過学習の傾向を示し、最も低い性能となりました。
• 効率性：トランスフォーマーベースのモデル（ViT）は高い精度を示しましたが、CNN に比べて高い計算コストを伴いました。MobileViT は中間的な選択肢を提供しましたが、この特定のタスクにおいては畳み込みソリューションよりも競争力が劣りました。

意義と主張
本論文は、マグニチュード推定をメトリック学習問題として再定義することで、バッチ内のサンプルの相対的な順序を活用することで、限られたデータからモデルがよりよく一般化できると主張しています。この研究の主な意義は、ランキング目的を実装するために既存のマグニチュードラベル以外の追加データを必要としない点にあります。訓練セットに既に存在するサンプル間の関係を単に利用するだけで、この手法はモデルが異なるマグニチュードレベルを区別する能力を高め、低データ体制における精度と堅牢性を向上させます。著者らは、このアプローチが CNN とトランスフォーマーの両方のアーキテクチャで効果的であり、衛星画像を用いたより正確で全球的な地震監視への実用的な道筋を提供すると結論付けています。