The first global agricultural field boundary map at 10m resolution

技術概要：10 メートル解像度における世界初の全球農業圃場境界マップ

問題定義
農業圃場は、作物の植栽、管理、規制、報告の基本的な単位である。しかし、農業分野におけるほとんどの全球リモートセンシング製品（例：耕作地面積マスク、植生指数）は、景観を連続面として扱うピクセルレベルで動作する。これにより、衛星に基づく監視と地上レベルの農業組織との間に、持続的な不一致が生じている。 parcel 登録（LPIS）を介した欧州の一部、または機械学習（ML）製品を介した個別の国については高品質な圃場レベルデータが存在するが、農業圃場境界のオープンで全球的一貫性を持つマップは、これまで存在しなかった。既存の地域モデルは国境を越えて比較可能な品質を保証できず、手動のデジタル化は全球規模では遅すぎて高価である。さらに、世界中の農業圃場の総数は依然として不明であり、世界の食料生産と土地利用の定量的分析における欠落した基準を表している。

手法
著者らは、2024 年および 2025 年の 10 メートル解像度における世界初の全球圃場境界データセットを生成するための 3 段階のアプローチを提示する。

1. モデル訓練：本研究では、「Fields of The World（FTW）」ベンチマークデータセットで訓練された、EfficientNet-B7 エンコーダを備えた U-Net 構造の PRUE モデルを用いた。FTW は、24 か国の 160 万の圃場ポリゴンと、2 時相の Sentinel-2 画像を対応付けて提供する。モデルは、10 メートル解像度で 3 クラスのセマンティックセグメンテーション（圃場内部、圃場境界、背景）を実行する。
2. モザイク生成と全球推論：60°S から 84°N までのすべての陸域において、収穫期と植栽期の雲のない Sentinel-2 モザイクを生成した。著者らは雲量 20% 未満のシーンを選択し、赤、緑、青、および近赤外バンドのピクセルごとの中央値を計算した。推論は、256 個の NVIDIA A10G GPU クラスターを使用して、重なり合う 256×256 ピクセルのパッチに対して実行された。予測はガウス重み付き平均で結合され、個々の圃場インスタンスは、予測された圃場内部クラスに対する連結成分分析によって抽出された。
3. 検証と信頼性モデリング：
   • 検証：モデルは、24 か国におけるグラウンドトゥルースデータ（ピクセルレベルのリコール）に対して評価され、さらにオーストリア、ラトビア、フィンランドの完全な国別 LPIS/INVEKOS データベースに対して（精度、リコール、F1 値）評価された。
   • 信頼性レイヤー：世界の大部分における参照データの欠如に対処するため、500 メートルの信頼性レイヤーが開発された。このレイヤーは、500 メートルのセルに真陽性の圃場予測が含まれるかどうかを予測する。これは、モデル出力から派生した特徴量（エントロピー、予測密度）と、いくつかの構成では 8 つの独立した全球耕作地面積製品との一致に基づき、ランダムフォレスト分類器を用いて訓練された。このモデルは、真の圃場が存在する領域と、モデルが誤ったパターン（例：森林や湿地帯における過剰予測）を生成する可能性がある領域を区別する。

主な貢献

• 全球データセット：241 の国と地域にまたがる 31 億 7000 万のリモートセンシング圃場ポリゴン（2024 年は 16 億 2000 万、2025 年は 15 億 5000 万）からなる、10 メートル解像度の世界初の全球圃場境界データセットの公開。
• 信頼性レイヤー：予測が信頼できる領域を特定する 500 メートルの信頼性ラスターの導入。このレイヤーは、モデル内部の特徴量のみを使用してグラウンドトゥルースに対して 0.82 の受動動作特性曲線下面積（AUC）を達成した。
• オープンデータ製品：データセットは CC-BY ライセンスでクラウドネイティブ形式で公開され、以下の 3 つの明確な製品を提供する。
  1. 信頼性閾値を適用したデフォルトの圃場境界データセット（2025 年において conf ≥0.4 で約 8 億 4400 万の圃場を保持）。
  2. カスタマイズされた使用のための完全な未フィルタリングデータセット。
  3. セルごとの重みまたはフィルタ可能なプロパティとして使用するための連続値の信頼性ラスター。

結果

• ピクセルレベルのリコール：24 か国のグラウンドトゥルース境界に対して検証された結果、このマップは平均ピクセルレベルリコール 0.85 を達成した。14 か国が 0.90 を超えるリコールを示し、ブラジル（0.970）、リトアニア（0.955）、フランス（0.953）が最高性能を示した。ルクセンブルクやカンボジアなどの地域での低いリコールは、景観の不均一性またはグラウンドトゥルースの不一致に起因すると考えられた。
• 国別完全検証：国別データベースに対する検証において、未フィルタリングの 2024 年予測は、オーストリアで F1 値 0.89、ラトビアで 0.88、フィンランドで 0.74 を示した。フィンランドでは、北方林の伐採地や湿地帯での過剰予測により、高緯度地域（ラップランドでは F1 < 0.13）で性能が著しく低下したが、これは信頼性レイヤーによって捉えられた失敗モードであった。
• 分布比較：グラウンドトゥルースが利用できないザンビアにおいて、PRUE 2025 データは独立した ML 派生データセットと比較された。PRUE は同数のポリゴンを生成したが、過剰な断片化を示し、個別の零細農家の圃場を、幾何学的忠実度が低い（中央値面積 0.07 ヘクタール対参照の 0.31 ヘクタール）ピクセルスケールのポリゴンのクラスターとしてマッピングしていた。
• 信頼性レイヤーの性能：信頼性モデルは、5 回交差検証において AUC 0.82 を達成した。国を 1 つずつ除外した評価により、平均 AUC 0.84 で地理的な転送可能性が確認された。

意義と主張
本論文は、空間的に明示的な品質情報を持つ最初の「ウォール・トゥ・ウォール」なカバレッジを提供することにより、全球農業監視における重要なギャップを埋めると主張している。その意義は以下の点にある。

• 分析単位の転換：ピクセルレベルから圃場レベルへの分析の転換により、集約的な農場構造、境界を考慮した作物種マッピング、保全プログラム向けの圃場レベルの測定・報告・検証（MRV）など、新しい計算可能な指標が可能になる。
• 全球的一貫性：地域モデルを継ぎ接ぎするのではなく、単一の全球展開モデルを使用することで、ユーザーによる結合なしに国境を越えて比較可能な、内部的に一貫したレイヤーが確保される。
• アクセシビリティ：CC-BY ライセンスでデータをオープンに公開することで、専有の LPIS データへのアクセスや同等のデータセットの委託リソースを欠く機関（国勢調査機関や NGO など）の障壁を下げることが目指されている。
• 階層的有用性：信頼性レイヤーの含入により、階層的アクセスモデルが可能となり、ユーザーは特定の用途（例：一般監視対政策報告）に適した精度/リコールのトレードオフを選択できる。

著者らは、モデルの訓練範囲（放牧地や多年生作物を除外した年間作物のみ）、訓練データの地理的バイアス（欧州中心）、および 500 メートルの信頼性指標がポリゴンレベルの幾何学的精度を捉えていないという事実など、制限事項を明示的に指摘している。彼らは、このデータセットは地籍や土地保有権の製品としてではなく、研究と監視のために意図されたものであることを強調している。