Surface-to-subsurface inference via AlphaEarth: A shared foundation-model representation for diverse subsurface properties

技術要約：AlphaEarthによる地表から地下への推論

問題提起
地表の観測から地下の特性を推定することは、直接的な地下測定（ボーリング調査、地震探査など）が希薄でコストが高く、分布も不均一であるため、地球科学における根本的な課題となっている。対照的に、地表の観測データは高密度かつ時系列的に繰り返される。地表の表現（地形学、岩相、植生、水分量など）はしばしば地下の状態と相関しているが、これらの関連性は間接的であり、非一意的かつスケール依存的である。従来のマッピングは、手作業で作られたプロキシ（例：地震波速度に対する地形勾配）に依存することが多いが、これらは複雑で結合した景観コンテキストを捉えきれない場合がある。本研究では、汎用的な地球観測基盤モデルのエンベディング（埋め込み表現）が、異なる物理ドメイン間で地表から地下への推論を改善するための、共有可能で転移可能な地理空間表現として機能するかどうかを調査する。

手法
著者らは、Google DeepMindが開発した地理空間基盤モデルであるAlphaEarthを利用している。AlphaEarthは、マルチソースの地球観測データ（光学画像、レーダー、地形、LiDAR、気候再解析、および重力由来の水文学的信号）から学習された、解像度10m、64次元のグローバルなエンベディング・フィールドを生成する。モデルの再学習は行わず、固定されたエンベディング・ベクトルをダウンストリームのタスク固有の回帰モデルの入力特徴量として使用する。

本研究では、米国本土（CONUS）における2つの異なるアプリケーションに対してこのアプローチを評価している。

1. 浅部地震波速度（$V_{S30}$）: 上部30メートルの時間平均剪断波速度の予測。
   • 特徴量: AlphaEarthエンベディング単独、および従来の予測因子（対数勾配およびバイナリのテクトニクス・ステータス指標）を組み合わせたハイブリッド・セット。
   • モデル: 線形回帰、ランダムフォレスト（RF）、XGBoost。
   • 検証: ランダムな80/20の訓練・テスト分割、および地理的に隔離された「州単位でのLeave-one-state-out」外挿テスト（カリフォルニア、オレゴン、ワシントン）。
2. 地下温度: 深さ1,000〜6,000メートルにおける温度場の再構築。
   • 特徴量: 主要な地理空間記述子としてのAlphaEarthエンベディング（これに相当する標準的な低次元プロキシ・セットは存在しない）。
   • モデル: 多層パーセプトロン（MLP）ニューラルネットワーク。
   • 検証: ランダム分割、および地理的に隔離されたテスト（アリゾナ、ミズーリ、ニューヨーク）。

主な結果

• $V_{S30}$ 予測:
  • エンベディングと対数勾配を組み合わせたハイブリッドモデルは、従来のベースラインを大幅に上回った。最良のモデル（XGBoost + エンベディング + 対数勾配）は、テストRMSE 126.1 m/s、$R^2$ 0.53を達成し、対数勾配とテクトニクス・ステータスのみを用いたベースラインと比較してRMSEを24.3%削減した。
  • エンベディング単独でも、従来の地形プロキシ・ベースラインよりも優れた性能を示した。これは、エンベディングが岩相、植生、または水文学的な組織に関するより豊かな情報を符号化していることを示唆している。
  • 外挿: Leave-one-state-outテストにおいて、予測精度は著しく低下した（例：カリフォルニアでは$R^2_{log}$が約0.06まで低下）。これは、$V_{S30}$の局所的な性質や、地域の地表パターンには捉えきれない特定の堆積物厚や層序の影響を反映している。しかし、モデルは依然として物理的に妥当な一次的な地域パターン（例：盆地対高地のコントラスト）を回復できた。
• 地下温度:
  • エンベディングを用いたニューラルネットワークは、非エンベディングの非線形ベースラインと比較して強力な性能（$R^2 = 0.919$, RMSE = 6.0°C）を達成し、エンベディングがモデルの柔軟性以上の補完的な情報を捉えていることを示した。
  • モデルは広範な熱テクトニクス構造を正常に回復し、活動的で高温の西部米国（盆地および山脈、イエローストーン）と、安定した低温のクラトン内部を区別した。
  • 外挿: 州レベルの外挿テストでは、地域の熱的異質性に応じて性能が変動した（例：地質学的に複雑なアリゾナではエラーが高く、より一貫したニューヨークでは低い）。モデルは広域的な熱勾配を保持したが、局所的な異常は平滑化された。これは、深部の温度が浅部の速度よりも地域的に組織化されているという期待と一致している。

主な貢献

1. 共有表現: 本研究は、単一の汎用的な基盤モデル・エンベディングが、タスク固有の再学習を行うことなく、多様な地下ターゲット（機械的剛性と熱状態）のための転移可能な地表表現として機能できることを実証した。
2. エンベディングの役割: 研究は、このようなエンベディングの条件付き有用性を明らかにしている：
   • $V_{S30}$ の場合、強力な物理ガイド付きプロキシ（勾配）が存在するため、エンベディングは精度を向上させるための拡張的な特徴量として機能し、非冗長な景観コンテキストを付加する。
   • 地下温度の場合、制御要因が拡散しており単純な従来のプロキシが存在しないため、エンベディングは主要な地理空間記述子として機能する。
3. 検証フレームワーク: ランダムな保持テストと地理的に隔離された外挿テストを組み合わせることで、本研究は、サンプリングされた領域内での予測スキルと、空間的な転移可能性の限界を区別している。これは、エンベディングが地域的な推論をサポートする一方で、外挿の性能はサンプリング密度、地質学的異質性、および対象となる特性のスケールによって制約されることを浮き彫りにしている。

意義と主張
本論文は、基盤モデルによる地表エンベディングが、単なる性能向上用の特徴量ではなく、結合された地形学的、地質学的、水文学的、および土地利用のコンテキストを符号化する、柔軟で共有された表現であると主張している。これらのコンテキストは、間接的ではあるが統計的に有意な、地下構造に対する制約を提供する。

著者らは、本研究を、地表のエンベディングがどのように地質学的に意味のあるコンテキストを符号化しているかを調査するものであると位置づけており、それらがすべての地下マッピングに対する決定的な解決策であることを意図したものではないとしている。彼らは、表現の価値は、ターゲットとなる物理、予測スケール、および既存のドメイン知識の強さに依存することを強調している。結果は、このようなエンベディングが、特にデータが乏しい地域において、地球観測と地下科学を繋ぐ地域的なスクリーニングや第一段階のマッピングに役立つことを示唆しているが、これらはエンジニアリング設計のための局所的なキャリブレーションやサイト固有の調査に代わるものではない。本研究は、これらのエンベディングが、直接的な地下特性の物理的測定値としてではなく、景観スケールの地表信号がいかに地下を制約するかを研究するために最も価値がある、と結論付けている。