技術的概要：WATCH – 変化検出のための広域考古遺跡追跡

問題定義

文化遺産を略奪、無許可の建設、紛争から保護するためには、全球的規模での考古遺跡の監視が不可欠です。しかし、擾乱が発生した正確な時期を特定することは依然として重大な課題です。略奪の視覚的兆候（攪乱された土壌、スペクトル異常など）は微細であり、侵食や季節的な農業サイクルなどの自然過程と容易に混同されます。さらに、略奪イベントの具体的な時期に関する実地データは極めて希少であり、時間的に不正確であることが多くあります。

既存の自動化システムは、以下の理由により、擾乱が「いつ」発生したかを局所化することに苦慮しています：

1. ラベルの不足：高品質で時間的に正確なラベルは稀です。
2. 視覚的微妙さ：変化は不均質であり、季節効果やセンサーノイズによって隠蔽されます。
3. スケーラビリティ：数千の遺跡を監視するには、限られた計算リソースと注釈予算で効率的に運用する必要があります。

現在のリモートセンシング変化検出手法は、通常、高密度な注釈や対になった画像を必要とする完全教師ありの双時相プロトコルに依存しており、弱い教師あり学習を用いた長期時系列における月単位の時間的局所化というタスクには直接適用できません。

手法：WATCH フレームワーク

著者は、PlanetScope 衛星モザイク（4.7 m/px、2017–2024 年）を用いた月単位のイベント局所化のために設計されたフレームワークであるWATCH（Wide-area Archaeological site Tracking for CHange detection）を導入します。このシステムは、遺跡ごとの時系列地理空間特徴埋め込みを処理し、3 つの相補的なスコアリング手法を採用します：

1. 特徴抽出

このフレームワークは、アフガニスタンの 1,943 箇所の考古遺跡（シリア、トルコ、パキスタン、エジプトの遺跡でも検証）の、マスクされた 1 km² 月次モザイクから特徴ベクトルを抽出します。6 つの地理空間基盤モデルからの埋め込みと、手作りのベースラインを利用します：

• 基盤モデル：CLIP、GeoRSCLIP、SatMAE、Prithvi-EO-2.0、DINOv3、および Satlas-Pretrain。
• 手作りのベースライン：学習モデルなしで画像から直接計算される、60 個の統計的、スペクトル指数、およびテクスチャ特徴（NDVI、NDWI、GLCM、LBP など）。
• 正規化：2 段階の正規化プロセスにより、季節効果（月別統計による標準化）とグローバルなスケールの不一致を除去します。

2. スコアリング手法

WATCH は、月次変化確率を生成するための 3 つの異なる戦略をサポートします：

• 時間的埋め込み距離（TED）：学習不要の教師なし手法です。対象月の埋め込みと、先行する $R=3$ ヶ月の堅牢な参照ベクトル（成分ごとの中央値）との距離（L2 またはコサイン）を計算します。これは局所的な時間的履歴からの逸脱を検出するように設計されています。
• 自己教師あり変化検出（SSCD）：3 つのシグナルを組み合わせた教師なしアンサンブル手法です：
  1. 再構成誤差（マスク付きオートエンコーダー）。
  2. 予測誤差（翌月予測器）。
  3. 潜在的新規性（潜在空間における逆 k-NN 密度）。
     これらのシグナルは重み付けされ、集約されて変化スコアを生成します。
• 弱い教師あり（WS）局所化：希薄で切断されたイベント月ラベルで訓練された教師あり時間分類器（LSTM ベース）です。既知のイベント月周辺のガウス平滑化ターゲットを利用してラベルの不確実性を処理し、各月における変化イベントの確率を予測します。

3. 評価プロトコル

著者は、Recall@K（変化確率が最も高い上位 K ヶ月）に基づく時間的許容評価指標を導入します。以下を定義します：

• 対称マージン（$m$）：上位 K 予測が実地データから $m$ ヶ月以内であればヒットとみなされます。
• 方向性マージン：
  • 正マージン（$h^+$）：イベント「後」の検出（確認志向）。
  • 負マージン（$h^-$）：イベント「前」の検出（早期警告志向）。

主要な貢献

1. 定式化：遺跡中心の衛星時系列における月次変化イベント検出問題として、考古遺跡監視を再定義しました。
2. フレームワーク：教師なし（TED、SSCD）と弱い教師あり（WS）スコアリング方式を統合した WATCH を提案しました。
3. ベンチマーク：手作りの特徴に対して 6 つの基盤モデル埋め込みを体系的に評価し、基盤モデルが一般的に月単位の局所化においてより強力なシグナルを提供することを示しました。
4. 評価プロトコル：早期警告能力とイベント後確認を区別するための方向性マージン分析を備えた時間的許容評価を導入しました。

結果

このフレームワークは、アフガニスタンの 1,943 箇所の遺跡（略奪された 898 箇所、保存された 1,045 箇所）でベンチマークされました。信頼性のある略奪月が判明している略奪遺跡は 117 箇所のみでした。

• 性能：教師なし手法（TED および SSCD）は、弱い教師あり手法を一貫して上回りました。
  • SatMAE を用いたTEDは、最高精度の月別リコール（$m=0$ で55.0%）を達成しました。
  • GeoRSCLIP、CLIP、またはSatlas-Pretrainを用いたTEDは、3 ヶ月許容（$m=3$）内で**92.5%**のリコールに達しました。
  • Satlas-Pretrainを用いたSSCDも、$m=3$ で 92.5%、$m=6$ で 100% に達しました。
• 基盤モデル対手作り：基盤モデルは厳格なマージン（例：TED 下で $m=0$ の場合、GeoRSCLIP は手作り特徴より 10 パーセントポイント上回った）において一貫して手作り特徴を上回りました。しかし、手作り特徴は競争力があり、特に弱い教師あり下での正確な月別検出において（WS 下で $m=0$ の場合、Satlas-Pretrain が 35.0% であるのに対し 45.0%）優位でした。
• 方向性バイアス：
  • GeoRSCLIPまたはPrithvi-EO-2.0と組み合わせたSSCDは、記録されたイベント前に異常を検出する、最も強力な早期警告プロファイル（負の方向性マージン）を示しました。
  • TEDは、変化が顕在化した後に反応する確認志向の検出（正の方向性マージン）を好みました。
• 一般化：再訓練なしでシリア、トルコ、パキスタン、エジプトの遺跡に適用した際、教師なし手法（TED、SSCD）は効果的に転移し、時間的に構造化されたスコア軌跡を生成しました。WS モデルは一般化できず、アフガニスタン訓練ドメイン外ではほぼゼロのままとなりました。

意義と主張

本論文は、衛星画像と基盤モデル埋め込みを組み合わせることで、最小限の教師あり学習下でスケーラブルで意思決定に有用な遺産監視が可能であると主張しています。

• 運用ガイダンス：方向性マージン分析は、実務家にとって実行可能な洞察を提供します。早期介入を優先する者は、イベント前の異常検出を活用するために、SSCDを地理空間基盤モデル（GeoRSCLIP、Prithvi-EO-2.0）と組み合わせるべきです。イベント後の法科学的確認を必要とする者は、より単純で学習不要のTEDアプローチに依存できます。
• 堅牢性：TED と SSCD の教師なし性質により、これらは再訓練なしで分布外遺跡（異なる地域）に一般化でき、ラベル付きデータが希薄なグローバルな遺産監視において決定的な利点となります。
• 将来の課題：著者は、実地データの範囲拡大（現在は月別が判明している 117 箇所の遺跡に限定）を将来の研究における最も緊急の課題として特定し、能動学習が教師あり訓練と評価の信頼性の両方を強化しうると示唆しています。

再現性とこの分野におけるさらなる研究を促進するため、コードベースは公開されています。