Crop Type Mapping in Smallholder and Complex Agricultural Landscapes Using Multi-Temporal Sentinel-2 Imagery on the Google Earth Engine Platform

巨大で、ぐちゃぐちゃなレゴの箱を仕分けようとしている場面を想像してみてください。すべてのピースがほとんど同じように見えますが、中には赤い車であるべきものもあれば、青いトラックであるべきものもあります。今度は、それを手で行うのではなく、宇宙から、糸が絡まったような小さな畑がパッチワークのように連なる農地の様子を見下ろしながら行うことを想像してください。これが、小規模農家における「作物の種類マッピング」の課題です。科学者たちは衛星を使って地球の写真を撮りますが、農家が小さな不規則な区画の中に異なる作物を隣接して植えている場合、植物の色（あるいは「分光特性」）はしばび混ざり合ってしまいます。それは、1マイル先からぼやけた写真を見て、イチゴとラズベリーの違いを見分けようとするようなものです。これを解決するために、研究者たちはいつ写真を撮るかについて賢明である必要があります。毛虫が蝶へと姿を変えるように、作物は季節が進むにつれてその「衣装」（色や形）を変えるのです。植物のライフサイクルの完璧な瞬間を待ち、強力なコンピュータを使ってデータを分析することで、科学者たちはそのもつれを解きほぐし、どこに何が育っているのかを正確に見極めることができるのです。これが重要なのは、農家が何を育てているかを知ることが、水の管理、食料供給の予測、そして環境保護に役立つからです。

---

大いなる作物探偵物語：イランの農地パズルを解き明かす

イランのチャハルマハル・ヴァ・バフティアリ州の中心部には、アーモンドと桃で有名なサマン郡があります。しかし、ここには落とし穴があります。その風景は、混沌とした美しい混乱状態にあるのです。果樹園が小麦、米、大麦の畑と混ざり合い、すべてが小さく不規則な区画に詰め込まれた巨大なサラダを想像してみてください。衛星から見下ろすと、それは混乱した緑のぼやけに見えます。樹木と穀物作物はしばしば非常に似て見えるため、標準的な衛星写真では区別できません。それは、全員が同じ緑色のフーディーを着ている群衆の中で、特定の人物を特定しようとするようなものです。

ある研究チームは、Google Earth Engine (GEE) という超強力なデジタル遊び場を使って、このコードを解読することに決めました。GEEを、Sentinel-2衛星がこれまでに撮影したほぼすべての写真を保持している、巨大なクラウドベースのライブラリだと考えてください。研究者たちは、テラバイト単位のデータを単一のコンピュータにダウンロードする代わりに、このクラウドの巨人を使い、何年分もの画像を瞬時に調べ上げました。

「何を」よりも「いつ」が重要

最初の大きな障害はタイミングでした。冬の間に桃の木と小麦畑の写真を撮ると、どちらも茶色く休眠状態に見えます。春先に撮ると、どちらも一般的な緑の塊に見えるかもしれません。研究者たちは、それらを区別するためには、彼らの「個性」が分かれる正確な瞬間を捉えなければならないことに気づきました。

彼らは作物を舞台上の俳優のように扱い、それぞれに独自のスケジュールがあると考えました。チェリーやクルミのような一部の作物は、夏（5月から7月）に早くピークを迎え、収穫とともに衰退し始めます。一方で、桃やアーモンドのようなものは、初夏には静かで、8月や9月に緑の成長が爆発する「遅咲き」です。ブドウは、シーズンを通してゆっくりと着実に成長する、安定した存在です。

完璧な撮影時間を特定するために、チームは**転換発散（Transformed Divergence: TD）**と呼ばれる数学的ツールを使用しました。TDを「差異計」と考えてください。これは、2つのグループの作物がどれほど「異なって」見えるかを測定します。計器の値が低い場合、作物同士が似すぎています（分類には不向き）。値が高い場合、それらは明確に異なります（分類に最適）。

2020年から2022年までの月次データに対してこの「差異計」を実行した結果、彼らは黄金の窓を発見しました。それは5月から9月の間です。この5ヶ月間、作物は最も際立った存在になります。「差異計」は、作物が明確に分離していることを示しており、高い信頼度で桃の木と小麦畑を区別することを可能にしました。彼らは、利用可能なすべての写真が必要なのではなく、慎重に選ばれた5つの月次スナップショットだけで十分であることを発見し、精度を高く保ったままデータ量を約60%削減できました。

「地形」という手がかりを加える

しかし、完璧なタイミングであっても、依然として似すぎて見える作物がありました。例えば、アーモンドとチェリー、あるいはクルミとリンゴなどは、宇宙から見ると非常によく似ています。そこで、研究者たちは秘密兵器である**地形（トポグラフィー）**を加えました。

風景を、巨大で凹凸のあるケーキだと想像してください。平らな場所もあれば、急な場所もあり、太陽に面している場所もあれば、日陰に隠れている場所もあります。研究者たちは、異なる作物がこのケーキ上の特定の「お気に入りの場所」を持っていることに気づきました。

• 米は、水が溜まる（満水になった浴槽のような）平坦で低地の場所にのみ育ちます。
• 桃は、日当たりの良い南向きの斜面を好みます。
• クルミは、水分を保つために涼しい北向きの斜面を好みます。
• アーモンドはたくましく、より標高の高い、暑くて乾燥した南向きの斜地に生息しています。

地形（DEM）、傾斜、および方位（アスペクト）のマップをコンピュータに読み込ませることで、研究者たちはアルゴリズムに「地理的な記憶」を与えました。それはもはや色だけで推測するのではなく、「この緑のパッチは急な北向きの丘にあるので、リンゴではなくおそらくクルミだ」と判断するようになったのです。この追加の情報層によって、依然として似て見えていた作物を解きほぐすことができました。

魔法のアルゴリズム：ランダムフォレスト

完璧なタイミングと地形の手がかりを手に入れた後、チームは**ランダムフォレスト（Random Forest: RF）**と呼ばれる機械学習アルゴリズムを使用しました。もし、意思決定者の森を想像し、それぞれが「今は5月か？」「傾斜は急か？」といった単純な質問を投げかけているとしたら、ランダムフォレストは、これら数百人の意思決定者が共に投票している群衆のようなものです。非常に多くの「木」が投票するため、最終的な決定は非常にスマートであり、間違いに強いのです。

彼らは、GPSデバイスを持って現地を訪れた1,50再生の実際の地点データを使用して、このデジタルな森を訓練しました。コンピュータにパターンの学習をさせるためにこれらの地点の70%を示し、その後、助けなしで正しく推測できるかどうかを確認するために残りの30%でテストを行いました。

結果：95%の成功率

結果は、郡全体のマッピングにおける驚異的な精度でした。コンピュータは、作物の種類を95%の確率で正しく特定しました。このような乱雑で複雑な風景において、これは大きな成功です。

• アーモンドは丘の王であり、農地の65%以上を占めていました。
• 桃とクルミが2位と3位に入りました。
• 米や小麦・大麦のような一年生作物は、パズルの最も小さな断片でした。

研究者たちはさらに、公式の政府記録（農業統計年鑑）と照らし合わせて、自分たちの作業を検証しました。彼らが作成したマップは、政府の数値とほぼ完璧に一致し、相関係数は0.96でした。これは、このマップが単なる綺麗な絵ではなく、作物を正確に数えるために信頼できるツールであることを意味しています。

なぜこれが重要なのか

この研究は、小さくて乱雑な農地をマッピングするために、超複雑で高価なシステムは必要ないということを証明しています。スマートなタイミング（適切な季節を待つこと）、土地の成り立ち（地形）を知ること、そして強力なクラウドコンピュータを組み合わせることで、最も混乱した農業景観さえも解きほぐすことができます。

研究者たちは、家屋や河川（これらは作物に見えることがあり、コンピュータを混乱させる可能性がある）をマスクアウトし、作物が最も異なって見える特定の月に焦点を当てることで、明確な全体像を得られることを示しました。これは、地域の計画立案者が水をより良く管理し、収穫を予測し、土地が持続可能な形で利用されるようにするための助けとなります。これは、時として、森全体を見る最善の方法は、適切な季節を待ち、正しい角度から木々を見ることであるということを思い出させてくれます。