技術要約：EO回帰タスクにおける不確実性定量化

問題提起

建築物の高さ、樹冠高、および地上部バイオマス（AGB）の推定といった地球観測（EO）回帰タスクは、都市計画、森林モニタリング、および気候政策において極めて重要である。しかし、標準的なディープラーニングモデルは通常、決定論的な予測（ピクセルあたりの単一のスカラー値）のみを行い、その予測の信頼性や確信度を示さない。この不確実性の定量化の欠如は、不均質な土地表面、歪んだターゲット分布、センサーノイズ、大気干渉、および高いターゲット値における信号飽和といった、EO特有の課題があるために特に問題となる。

不確実性推定はコンピュータビジョンにおいて確立されているが（多くの場合、ベイズ近似やアンサンブルを使用）、EOへの体系的な適用は限定的である。さらに、回帰タスクは分類タスクと比較して特有の困難を伴う。連続的なターゲット空間と歪んだ、あるいはヘビーテイルな分布は、較正された不確実性指標の定義を困難にする。標準的なガウス仮定は、EOデータに共通する非対称な不確実性を捉えるには不十分な場合があり、代替のアプローチが必要となる。

手法

著者らは、Sentinel-1 SARおよびSentinel-2 MSIの年間時系列データ（12ヶ月、10m解像度）を用いて、アレアトリック不確実性（データに含まれる不可避なノイズ）をモデリングすることを提案している。彼らは、共通のバックボーンを持ちつつも、不確実性ヘッダーが異なる2つの補完的なディープラーニング・アプローチを導入している。

1. ネットワーク・アーキテクチャ

• バックボーン: 12ヶ月の時系列データ（T=12, C=9チャンネル）を処理する、ResNet50に基づく共有CNNエンコーダ。特徴量は潜在空間にマッピングされ、時空間的な依存関係を捉えるために、シフトウィンドウ・アテンションを用いた2つの連続したSwin Transformerブロックによって処理される。
• デコーダ: マルチレベルデコーダ（L1, L2, L3）が、時間的アテンションを用いて特徴を強化し、アップサンプリングを行うことでピクセル単位の予測を生成する。

2. ガウス不確実性 (Gaussian UC)

• 定式化: ターゲットがガウス分布に従うと仮定するパラメトリックなアプローチ。モデルは平均（$\mu$）と対数標準偏差（$\eta = \log \sigma$）を共同で予測する。
• 損失関数: 以下の加重和を用いて学習される：
  • 負の対数尤度 (NLL): 主要な損失であり、グラウンドトゥルースが存在するピクセルを優先する。
  • Sobelエッジ損失: 境界を保持し、ぼけを抑制する。
  • RMSE: 平均予測の正則化として機能する。

3. 分位点不確実性 (Quantile UC)

• 定式化: 10パーセンタイル、50パーセンタイル、および90パーセンタイル（$Q_{10}, Q_{50}, Q_{90}$）の条件付き分位点を推定するノンパラメトリックなアプローチ。これにより、非対称な予測区間が可能となり、歪んだ分布により適した予測ができる。
• 損失関数: 以下の加重和を用いて学習される：
  • ピンボール損失 (Quantile Loss): 3つの分位点全体での誤差を最小化する。
  • 正則化項:
    • カバレッジ・ショートフォール (Coverage Shortfall): $[Q_{10}, Q_{90}]$ の経験的な被覆率が公称値の80%に近づくよう促す。
    • 非交差 (Non-Crossing): $Q_{10} \leq Q_{50} \leq Q_{90}$ を強制する。
    • 信頼度適応型スプレッド (Confidence-Adaptive Spread): 中央値の予測が正確な場合に、区間の幅を縮小させる。
  • SobelおよびRMSE: エッジを保持し、推定を安定させるために中央値（$Q_{50}$）に適用される。

4. 評価指標

• 精度: RMSE, $R^2$, MAPE, nMAD (正規化中央絶対偏差), および IoU。
• 不確実性の較正 (Uncertainty Calibration):
  • ErrorCoverage: ガウスUCにおいて、残差が $k\sigma$ ($k=1, 2, 3$) の範囲内に収まる割合を測定する。
  • DataCoverage: 分位点UCにおいて、グラウンドトゥルースの値が $[Q_{10}, Q_{90}]$ 区間内に収まる割合を測定する。

主な貢献

1. 比較フレームワーク: 本論文は、EO回帰におけるアレアトリック不確実性のためのガウス定式化と分位点定式化を体系的に比較している。
2. マルチタスク評価: 両アプローチは、融合されたSARおよびマルチスペクトル時系列データを用い、建築物の高さ推定（BHE）、樹冠高推定（CHE）、および地上部バイオマス（AGB）推定の3つの影響力の高いタスクで評価されている。
3. 較正指標: 予測された不確実性区間の較正を厳密に評価するために、「ErrorCoverage」および「DataCoverage」の使用を実証している。
4. 性能ベンチマーク: 不確実性を考慮したモデルが、決定論的なベースラインと同等の精度を達成しつつ、解釈可能な信頼度推定を提供できることを示している。

結果

モデルは、エストニア、フィンランド、ドイツ、オランダ、およびスイスをカバーするデータセットでテストされた。

• 精度: 両モデルとも競争力のある結果を得た。
  • 樹冠高およびバイオマス: ガウスUCモデルが最も優れた性能を示し、CHEのRMSEは2.33m、AGBのRMSEは30.14 tons/pixelであった。$R^2$ スコアは0.80–0.90と高く、植生の変化を効率的に学習していることを示している。
  • 建築物の高さ: 分位点UCモデルがガウスモデルをわずかに上回った（RMSE 2.37m vs. 2.56m, $R^2$ 0.50 vs. 0.42）。著者は、これを都市環境の不均質性に起因するとしており、非対称な区間が局所的なバイアスや非ガウス分布をより良く捉えている。
• 較正:
  • ガウスUC: エラー被覆率は、公称のガウス期待値に近い値を示した（例：$\pm1\sigma$ 内で約68%、$\pm2\sigma$ 内で約95%）。しかし、一部の高値領域では、テール部分の適合不全を補うためにモデルが不確実性を膨張させていた。
  • 分位点UC: $[Q_{10}, Q_{90}]$ のデータ被覆率は、すべてのタスクにおいて約80%（0.79–0.82）であり、適切に較正された非対称な区間であることを示している。
• 分布特性: 結果は、建築物の高さとバイオマスの誤差がしばしば右に歪んだ分布（高値における系統的な過小評価）を示すことを浮き彫りにし、分位点モデルは下限側（$Q_{50}$–$Q_{10}$）と比較して上限側（$Q_{50}$–$Q_{90}$）を広く取ることで、これを効果的に捉えた。

重要性と主張

本論文は、衛星データに固有のノイズや飽和を考慮すると、信頼できるEO推論においてアレアトリック不確実性の明示的なモデリングが不可欠であると主張している。著者は以下の通り述べている：

• 不確実性を考慮したモデルは、精度において決定論的なベンチマークと同等またはそれを上回る成果を上げつつ、運用に有用な信頼度推定を提供できる。
• ガウス定式化と分位点定式化の選択は、対象となるドメインに依存する。ガウス仮定は滑らかな植生ターゲットに適しており、分位点回帰は複雑で歪んだ都市環境において優れている。
• 提案されたモデルは、樹冠高推定に関して、現在の10m解像度の最先端の不確実性考慮モデルを上回る性能を示す。
• 本研究は、単一値の予測を超えて、較正され解釈可能な不確実性マップを提供することで、気候政策や都市計画における意思決定に不可欠な、EOにおける重要なギャップを埋めるものである。

さらなる研究を促進するため、実装はコミュニティに公開されている。