A High-Resolution Landscape Dataset for Concept-Based XAI With Application to Species Distribution Models

論文技術要約

1. 背景と課題 (Problem)

種分布モデル（SDM: Species Distribution Models）は、保全政策や外来種管理において、種の生息域を特定し、分布を駆動する生態的要因を理解するために不可欠なツールです。近年、深層学習（Deep Learning）を用いた SDM は、従来の機械学習モデルよりも高い予測精度を達成していますが、その「ブラックボックス」化により、モデルがどのような要因に基づいて予測を行っているかを解釈（Explainability）することが困難になっています。

既存の XAI（説明可能な AI）手法（LIME や SHAP など）は、画像モデルに対しては画素レベルでの説明に留まり、生態学者が求める「高次な概念（例：林、水路、農地）」レベルの解釈を提供するには不十分です。また、概念ベースの XAI（TCAV など）を SDM に適用するには、生態学的に意味のある「概念データセット」が必要ですが、これまでは存在していませんでした。

2. 提案手法と方法論 (Methodology)

本研究は、予測精度と解釈可能性の両立を目指し、以下の 3 つの主要な貢献を提案しています。

A. 高解像度景観概念データセットの構築

• データソース: フランスの 5 つの調査地点で、マルチスペクトルカメラと LiDAR を搭載したドローン（Trinity F90+）により取得された高解像度データ（8 cm/ピクセル）。
• 概念の定義: 生態学的プロセスを理解するために重要な 15 の景観概念（例：生け垣、孤立木、森林、水路、湿地、道路、建物、各種農作物など）を定義しました。
• データ構成:
  • 15 の概念に対応するパッチ 653 個（各概念 20〜50 パッチ）。
  • ランダムに抽出された参照パッチ 1,450 個。
  • 各パッチは、5 波長のマルチスペクトルデータと 2 つの標高モデル（地面と樹冠）を結合した 7 チャンネル（512x512 ピクセル）の画像として作成されました。
• ラベル付け: 手動マッピング、公式農業登録データ、写真解釈を組み合わせ、概念の正確な抽出を行いました。

B. 種分布モデル（SDM）の構築

• 対象種: 水生昆虫の「カゲロウ目（Plecoptera）」と「トビイロシマハエ（Trichoptera）」の 2 分類群。
• モデルアーキテクチャ: 3 つの異なる深層学習モデルを訓練・比較しました。
  1. CerberusCNN: 独自のマルチスケール特徴抽出を行う 3 分岐 CNN（約 27 万パラメータ）。
  2. Adapted ResNet-50 (ARN-50): 7 チャンネル入力に対応させた ResNet-50（約 2350 万パラメータ）。
  3. PicoViT: 軽量化された Vision Transformer（約 14.6 万パラメータ）。
• 学習データ: 粘着トラップで捕獲された昆虫の存在/不在データ（234 地点）と、対応するドローン画像パッチを使用。

C. Robust TCAV の実装

• 手法: 概念活性化ベクトル（CAV）を用いた「Robust TCAV（Testing with Concept Activation Vectors）」を採用。
• プロセス:
  1. 学習済みモデルの特定層（CNN の場合は結合層やボトルネック、ViT の場合は中間層）から活性化値を取得。
  2. 「概念パッチ」と「ランダムパッチ」の平均活性化ベクトルの差を計算し、CAV を生成。
  3. 各サンプルの予測に対する概念の感度（Sensitivity Score）を計算し、クラス（存在/不在）全体での概念の影響度（TCAV スコア）を算出。
• 特徴: 従来の TCAV のノイズ耐性を向上させた Robust TCAV を使用し、閾値設定（0.05 ではなく 0 を採用）を最適化して生態学的に意味のある結果を得ています。

3. 主要な結果 (Results)

予測性能:

• CNN の優位性: 学習データが限定的な状況において、CNN（CerberusCNN と ARN-50）は Vision Transformer（PicoViT）よりも高い予測精度（AUC）を示しました。
  • Plecoptera: ARN-50（事前学習済み）が最高 AUC 0.90。
  • Trichoptera: CerberusCNN が最高 AUC 0.79。
• PicoViT は Trichoptera の予測において信頼性が低く（AUC 0.66）、長距離依存関係よりも局所的な画素近傍情報が昆虫の存在予測に重要であることを示唆しました。

解釈性（Robust TCAV 結果）:

• 生態学的妥当性: 多くのモデルで、自然環境（森林、湿地、孤立木、恒久的草地）は「存在（Presence）」クラスに正の影響（スコア > 0.5）を与え、人為的要素（道路、建物、農作物）は「不在（Absence）」クラスに正の影響を与えるか、存在に負の影響を与えることが確認されました。これは既存の生態学的知見と一致しています。
• 有機農業 vs 慣行農業: 両者とも昆虫の存在に負の影響を与えますが、有機農業の方が慣行農業よりもスコアが高く（影響が小さい）、生物多様性への配慮が示唆されました。
• モデル間の不一致: 一部の概念（生け垣や仮設草地など）において、モデルによって影響度の評価が異なるケースがあり、モデルのアーキテクチャが解釈結果に影響を与えることが示されました。
• PicoViT の限界: 信頼性の低いモデル（PicoViT for Trichoptera）からは、意味のある生態学的洞察（スコアが 0 に近いなど）が得られず、信頼性の高いモデルが XAI には不可欠であることを示しました。

4. 貢献と意義 (Significance)

1. 初の概念ベース XAI 実装: SDM 分野において、概念ベースの XAI（Robust TCAV）を初めて実装し、予測モデルの「なぜ」を生態学者が理解できる高次概念で説明可能にしました。
2. オープンデータセットの提供: 高解像度のドローン画像から作成された、15 の景観概念と 1,450 の参照パッチを含む公開データセットを提供しました。これは今後の SDM や XAI 研究の基盤となります。
3. 政策決定への寄与: モデルの判断根拠を「林」や「水路」といった具体的な景観要素として可視化することで、保全政策や土地利用管理における意思決定を支援します。
4. 新たな仮説の生成: 予測結果と専門家の知見を対照させることで、既存の知見を裏付けるだけでなく（例：自然要素の重要性）、道路や建物が特定の昆虫（Trichoptera）の存在と関連しているといった、新たな生態学的仮説を提示する可能性を示しました。

5. 結論

本研究は、深層学習を用いた SDM の予測精度と解釈可能性を両立させるための新しい枠組みを提示しました。高解像度のドローンデータと Robust TCAV を組み合わせることで、ブラックボックス化されがちな AI モデルを、生態学的に意味のある形で解釈可能にし、生物多様性保全における科学的根拠に基づく意思決定を強化する道筋を開きました。