技術要約：AI4Land – グローバルな高解像度土地利用再構築のためのスケーラブルなディープラーニング

1. 問題提起

陸域炭素循環における不確実性は、地球システムモデルにおける陸面プロセスの解像度の低さと動的な表現の欠如に起因しており、依然として気候予測における重要な制約となっている。既存のグローバルな土地利用（LU）および土地被覆（LC）データセットは、根本的なトレードオフに直面している。高解像度データセット（例：HILDA+）は衛星観測時代に限定されており、一方で長期的な歴史的データや将来予測（例：LUH2）は、低解像度（約28 km）でしか存在しない。この解像度のギャップは、シミュレートされた炭素固定、土壌水分、および表面エネルギーフラックスに大幅なバイアスをもたらす。現在の機械学習によるダウンスケーリング手法は、特定の地域や単一の国に限定されており、粗いシナリオデータと、数世紀にわたる時間軸（1850–2100年）における高解像度の空間パターンとの間のギャップを埋める、グローバルにスケーラブルなフレームワークを欠いている。

2. メソドロジー

著者らは、高解像度（1 km）の土地利用および土地被覆の歴史的再構築と将来予測を生成するために設計されたデータ駆動型フレームワークである AI4Land を提示する。本研究は、その第1フェーズである、年次LU/LCマップの再構築に焦点を当てている。

2.1 データと前処理

• 入力: モデルは、粗解像度の動的シナリオデータ（LUH2、0.25°グリッド）と静的な地球物理学的特徴を統合する。入力には、12種類の断片的なLU変数、地形学的特徴（標高、傾斜、斜面方位）、高解像度の土壌特性（粘土、砂、有機物含有量）、および隣接するタイムステップ（$t-1$ または $t+1$）からの自己回帰的プライアが含まれる。
• ターゲット: HILDA+データセットから派生した高解像度のグラウンドトゥルース・ラベル。元の13クラスのスキームは、クラス不均衡を緩和するために8つのクラス（森林、農耕地、牧草地、都市、草地/低木地、その他の土地、水域、および統合されたカテゴリ）に集約された。
• 前処理: Climate Data Operators (CDO) を用いた標準化されたパイプラインにより、すべての入力を1 kmのWGS84グリッドにリマップする。土壌データは、根圏の相互作用を優先するために、非線形な深度加重平均処理が行われる。データは、効率的な並列I/OのためにARCO Zarr形式で保存される。

2.2 モデルアーキテクチャ

フレームワークは、セマンティックセグメンテーション用に適応させた U-Netアーキテクチャ を採用している：

• 構造: 35のベースチャネルを持つ標準的なU-Netであり、4つの最大プーリングとダブル畳み込みブロックを備えたエンコーダと、アップサンプリングとスキップ接続を備えた対称的なデコーダで構成される。
• 入力の取り扱い: 14個のLUH2変数（2つのタイムステップにわたる）、6つの静的特徴、および1つのHILDAプライアを含むマルチチャネルスタックを受け取る。
• 学習戦略: モデルが高解像度のプライアを単にコピーしてしまうのを防ぐため、学習中に自己回帰的プライアの60%をランダムにマスクする。これにより、モデルが粗いLUH2入力と静的特徴からのマッピングを学習することを強制する。
• 分離: 歴史的データ（LUH2hを使用）用と将来予測（LUH2fを使用）用の2つの異なるモデルを訓練する。

2.3 スケーラブルな学習と推論

• インフラストラクチャ: 学習は、Hugging Face Accelerateライブラリを介した分散データ並列性（DDP）を用いて、MareNostrum5（バルセロナ・スーパーコンピューティング・センター）上で実施された。システムは、1ノード（4基のNVIDIA H100 GPU）から8ノード（32基のH100 GPU）へとスケールアップした。
• スケーラビリティ: パイプラインは優れたスケーラビリティを示し、8ノードにおいて理想的なスループットの97〜98%を維持した。
• 推論: 重複する512×512パッチを用いたスライディングウィンドウ法によってグローバルマップが生成される。予測値はガウス重み付け関数を用いてマージされ、シームレスな遷移を確保し、ブロック状のアーティファクトを回避する。

2.4 評価戦略

空間的自己相関によるリークを排除するため、著者らは グリッドベースのパーティショニング と 最遠点サンプリング（FPS） を併用した。空間領域は30×30のビンに分割され、セル全体が訓練、検証、またはテストのいずれかに排他的に割り当てられた。また、時間的な分割も適用された（訓練用に1960–2000年、テスト用に2001–2015年）。

3. 主な結果

• 性能指標: モデルは、テストセットにおいて 0.805 の平均IoU（mIoU）と 94.67% の全体的な分類精度を達成した。
• クラス別性能: 性能はクラスによって大きく異なる。森林（mIoU 0.889）、水域（mIoU 0.991）、農耕地（mIoU 0.815）などの主要な土地被覆は高い忠実度で予測された。しかし、マイノリティクラス、特に 都市 領域は低い性能（mIoU 0.463）を示し、クラス不均衡への敏感さを浮き彫りにした。
• 収束: マルチノード学習（8ノード）は優れた収束性を示し、単一ノードのベースラインの0.40に対し、10エポック後に0.29の訓練損失を達成した。これは、より大きな有効バッチサイズがより良い勾配推定を提供したことによるものである。
• グローバル出力: パイプラインは、観測前、観測記録、および3つの将来気候シナリオ（SSP2-4.5, SSP3-7.0, SSP4-6.0）をカバーする、1850–2100年 にわたる包括的なデータセットの生成に成功した。2014年の検証では、94.88%の全体精度と0.8569のmIoUを示した。

4. 重要性と貢献

論文は以下の重要性を主張している：

• 初のグローバルにスケーラブルなフレームワーク: AI4Landは、特定の地域や衛星観測時代に限定されることなく、1850年から2100年までのグローバルなスケールで土地利用データの解像度ギャップを埋める最初のモデルとして提示されている。
• HPCを活用したAI: 本研究は、GPU加速されたハイパフォーマンスコンピューティング（HPC）インフラストラクチャ（具体的にはEuroHPC/MareNostrum5）がいかにして、グローバルな気候アプリケーションのための複雑なディープラーニング・パイプラインの学習を可能にし、ニアリニアなスケーラビリティを実現するかを実証している。
• デジタルツインへの対応: 生成されたオープンソースのエミュレータは、リアルタイムでデジタルツイン・プラットフォーム（例：Destination Earth）と結合するように設計されており、進化し続ける現実的な陸面条件をオンデマンドで提供する。
• 不確実性の低減: 時間的に連続し、空間的に詳細な境界条件を提供することにより、本フレームワークは、陸域炭素循環における決定的な不確実性を減少させ、次世代の気候シミュレーションにおける炭素、水、およびエネルギーフラックスの予測力を向上させることを目的としている。

5. 今後の課題と限界

著者らは、モデルの性能がソースデータ（HILDA+ および LUH2）の品質とバイアスに本質的に影響を受けることを認めている。特に都市部やマイノリティクラスの分類に改善が必要であると述べている。計画されている今後の課題は以下の通りである：

• 都市分類を改善するために、ケッペンの気候区分や人口密度データなどの追加の予測因子を組み込むこと。
• 時間的な一貫性をより強固にし、スケジュールド・サンプリングを通じて露出バイアスに対処するために、Recurrent U-Net を統合すること。
• 長距離の空間依存性を捉え、不確実性を定量化するために、生成的なアプローチ（Vision Transformerバックボーンを持つFlow Matching U-Net）を調査すること。
• アダプターやファインチューニングを用いた基盤モデル（Foundation Models）の活用を検討すること。
• 動的な生物物理学的変数、特に葉面積指数（LAI）を予測するための第2フェーズへの拡張。

再現性とイノベーションを支援するため、すべてのデータセット、モデル、コード、および学習済み重みはオープンソースとして公開されることが約束されている。