[論文レビュー] Deep Learning and Earth Observation to Support the Sustainable Development Goals

Claudio Persello, Jan Dirk Wegner+5 more|arXiv (Cornell University)|Dec 21, 2021

Human Mobility and Location-Based Analysis被引用数 6

ひとこと要約

この論文は、深層学習（DL）と地球観測（EO）データの相乗効果が、国連持続可能な開発目標（SDGs）の達成を前進させることについてレビューしている。これにより、環境的・社会的課題のスケーラブルでデータ駆動型のモニタリングが可能になる。クラウドプラットフォームを介してオープンで大規模なEOデータを活用し、特に畳み込みニューラルネットワークや生成モデルを用いたDLモデルにより、食料安全保障、都市の持続可能性、気候変動適応、生物多様性モニタリングなどの応用分野で最先端の性能が実証された。

ABSTRACT

The synergistic combination of deep learning models and Earth observation promises significant advances to support the sustainable development goals (SDGs). New developments and a plethora of applications are already changing the way humanity will face the living planet challenges. This paper reviews current deep learning approaches for Earth observation data, along with their application towards monitoring and achieving the SDGs most impacted by the rapid development of deep learning in Earth observation. We systematically review case studies to 1) achieve zero hunger, 2) sustainable cities, 3) deliver tenure security, 4) mitigate and adapt to climate change, and 5) preserve biodiversity. Important societal, economic and environmental implications are concerned. Exciting times ahead are coming where algorithms and Earth data can help in our endeavor to address the climate crisis and support more sustainable development.

研究の動機と目的

• 深層学習が地球観測をどのように強化し、国連持続可能な開発目標（SDGs）のモニタリングと達成に寄与するかを評価すること。
• データ不足、一般化能力の制限、再現性の欠如といった、DLをEOデータに適用する際の主な課題を特定すること。
• オープンサイエンス、ビッグデータ、クラウドコンピューティングの変革的潜在能力が、グローバルな持続可能性に向けた地理空間研究をどのように前進させるかを強調すること。
• DLとEOが環境的・社会的インジケーターの一貫性、客観性、およびグローバルスケールでのモニタリングをどのように可能にするかを示すこと。
• 2030アジェンダ、ニューアーバンアジェンダ、センドアイフレームワークなどの政策立案および国際的枠組みにDLとEOを統合するよう提言すること。

提案手法

• 多様なソースの地球観測データに適用された深層学習アーキテクチャ（特にCNN、RNN、GAN、オートエンコーダ）の体系的レビュー。
• データ統合、特徴抽出、推論を統合したエンドツーエンドのDLフレームワークの適用により、画像分類、セグメンテーション、変化検出などのタスクを実行。
• 再現性とスケーラビリティを確保するため、オープンでFAIR準拠のデータセットおよび公開ベンチマークプラットフォーム（例：IEEE GRSS DAS、Google Earth Engine）の活用。
• ローカルストレージやハイパフォーマンスコンピューティングを必要とせず、ペタバイト規模のEOデータを処理できるクラウドコンピューティングインfraストラクチャ（例：Google Earth Engine、Copernicus DIAS）の活用。
• 衛星、無人航空機（UAV）、地上観測データのマルチモーダルデータ統合により、モデルの一般化能力と時空間的理解を向上させること。
• 標準化された評価プロトコルおよび公開評価サーバーの採用により、多様なEOタスクおよびセンサータイプ間でのモデル性能を比較可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、SDGモニタリングに向けた地球観測データ分析の正確性とスケーラビリティをどのように向上させることができるか？
• RQ2 大規模で多様な地球観測データに深層学習を適用する際の主な技術的・社会的課題は何か？
• RQ3 オープンサイエンスとクラウドベースのプラットフォームは、DLに基づく地理空間分析の再現性とアクセス可能性をどのように向上させるか？
• RQ4 DLとEOは、国境を越えて影響を及ぼす環境的・社会経済的現象の国境を越えたモニタリングをどのように支援するか？
• RQ5 2030アジェンダ、ニューアーバンアジェンダ、センドアイフレームワークなどの国際的政策枠組みを支援するために、DLとEOが果たす役割は何か？

主な発見

• 深層学習モデルは、土地被覆分類、物体検出、変化検出などの地球観測タスクで最先端の性能を達成し、正確性と自動化の両面で顕著な向上を実現している。
• DLとオープンで大規模なEOデータ、クラウドコンピューティングの統合により、多様な環境的・都市的文脈において、グローバルかつ一貫性・再現性のあるSDGインジケーターのモニタリングが可能になった。
• オープンサイエンスの原則（FAIRおよびFOSS）により、公開ベンチマークデータセットおよび評価プラットフォームの構築が可能となり、小規模で孤立したデータセットへの依存が軽減され、モデルの妥当性が向上した。
• EOデータに対するDLベースの分析は、空間的・時間的に一貫性のある情報を提供し、国レベルの報告における不整合を克服し、森林減少や都市拡大などの現象の国境を越えたモニタリングを可能にした。
• DLとEOの連携は、ゼロハンガー、持続可能な都市、所有権の安定性、気候変動緩和／適応、生物多様性の保護の5つの主要なSDG分野のモニタリングを支援している。
• Google Earth Engine や Copernicus DIAS といったクラウドベースのプラットフォームにより、研究者がペタバイト規模のEOデータをクラウド上で直接処理できるようになり、インfraストラクチャの障壁が著しく低減された。