・Integration of satellite data for predicting crop yields in Eastern Ethiopia using machine learning
（エチオピア東部において、衛星データと現地の農業データを組み合わせて、作物の収穫量を機械学習で予測できるモデルを作る）

・Spatial temporal fusion based features for enhanced remote sensing change detection
（衛星画像の「空間的特徴」と「時間的特徴」を同時に考慮できる新しいAIモデルであるDuSTiLNet（Dual-time point Space–Time fusion LSTM Network）を用いて、真の変化（建物の新築・撤去など）を正確に抽出し、影や季節性などの「見かけの変化」による誤検出を最小化する）

・A global dataset for steel aluminum and cement in-use stocks at 500 m gridded level 2000-2019
（世界中の上記素材の分布を500m四方の細かさで、2000〜2019 年の 20 年間にわたり推定した新しいデータセットを作成し、都市ごとのストック量を「地図」で見える化し、どこにどれだけの資材が蓄積しているかを定量的に示す）

宙畑の新連載「#MonthlySatDataNews」では、前月に公開された衛星データの利活用に関する論文やニュースをピックアップして紹介します。

実は、本記事を制作するために、これは！と思った論文やニュースをTwitter上で「#MonthlySatDataNews」「#衛星論文」をつけて備忘録として宙畑編集部メンバーが投稿していました。宙畑読者のみなさまも是非ご参加いただけますと幸いです。

2025年9月の「#MonthlySatDataNews」「#衛星論文」を投稿いただいたのはこの方でした！

A global dataset for steel aluminum and cement in-use stocks at 500 m gridded level 2000-2019 #衛星論文

2000〜2019年における都市の「鉄・アルミ・セメント蓄積量」を、夜間光衛星データ＋国別統計を組み合わせて500m解像度で全球マッピング https://t.co/iDtUI4498a

— たなこう (@octobersky_031) September 27, 2025

それではさっそく2025年9月の論文を紹介します。

Integration of satellite data for predicting crop yields in Eastern Ethiopia using machine learning

【どういう論文？】
・エチオピアは人口の約85%が農業に従事し、GDPの約43%、輸出の約80%を担うが、気候変動・土壌劣化・気象変動で生産性が不安定である
・エチオピア東部において、衛星データと現地の農業データを組み合わせて、作物の収穫量を機械学習で予測できるモデルを作る

【技術や方法のポイントはどこ？】
◾️先行研究の課題とアプローチ
①データの少なさと地域適応の不足
・これまでの研究は、エチオピア全体を対象にした「大まかなモデル」が多かった
・本研究では、エチオピア東部の33地区のデータ（2004〜2017年）を使い、NASAの衛星データと統合して、地域特化型モデルを構築する

②小規模農家への実用性が低い
・高性能なモデルであってもインターネット環境が不安定な地域では使えないことが多い
・本研究では、オフラインでも使えるモバイルアプリを開発し、農家が自分の地区・作付面積・季節を入力するだけで、収量予測を得られるようにした

③気候変動に対応できる汎化性能（どんな状況でも安定して使える能力）が不足
・深層学習（例：ニューラルネット）は大量のデータが必要で、少ないデータでは不安定になりやすい
・本研究では、少ないデータでも安定して動作するランダムフォレスト（Random Forest）や勾配ブースティング（Gradient Boosting）を採用し、交差検証によって汎化性能を確認した

◾️データセット
①対象期間・地域
・2004〜2017年、東部エチオピアの33地区（Wereda）

②データの種類
[現地統計データ（Ethiopian Statistical Services）]
・作物名、作付面積、収量（目的変数）、季節、地域など
[衛星・気象データ（NASA）]
・衛星観測による気温、降水量、湿度、地中水分、風速、雲量、表面温度など

◾️技術的特徴
①データの前処理
・欠損値を平均で補う、重複データを削除、単位をそろえるなどの作業を実施
・数値を正規化（スケールをそろえる）して、特徴量の偏りを防止
・カテゴリ（例：季節や地域）は数値に変換（エンコーディング）してモデルに入力可能にする

②特徴選択
・収量に強く関係する変数（例：降水量・地中水分・気温）を抽出
※今回、地中水分やエアロゾル、地表反射率なども用いて、既存の気温・降水だけより干ばつ/高温/日射の複合ストレスを因子として利用する
・不要な特徴を減らして過学習を防止

③モデル構築（4種類）
・ランダムフォレスト：複数の決定木を組み合わせる手法であり、ノイズに強く精度が高い
・勾配ブースティング：前のモデルの誤差を次のモデルで修正していく手法
・K近傍法（KNN）：似た条件（近い特徴）のデータから平均的な値を予測
・決定木（DTR）：1本の木構造でルールを学ぶ、シンプルで解釈しやすいモデル

④ モデル検証と調整
・80％を学習用、20％をテスト用に分けて検証
・交差検証でデータを複数パターンに分け、性能の安定性を確認

【議論の内容・結果は？】
・ランダムフォレストが最も精度・安定性ともに高い（RMSEが最小、R²が最大）
・予測精度が高く（R²=0.96）、新しい環境データでも安定した性能を出せることを確認できた
・モデルをモバイルアプリに組み込み、農家がリアルタイムの衛星データと連動した収量予測を得られる環境を構築した

#エチオピア #衛星データ #機械学習 #収量予測 #ランダムフォレスト #勾配ブースティング #地域特化型モデル #モバイルアプリ #気候変動

Spatial temporal fusion based features for enhanced remote sensing change detection

【どういう論文？】
・衛星データを用いると、都市の拡張や森林伐採、洪水や地震の被害把握など、あらゆる地理的変化を定量的に追うことができるが、実際の観測画像には季節や天候、太陽光の当たり方、大気条件、センサー性能の違いなどが影響することで、実際と見かけの変化（影や照明の差など）を区別するのが難しいという課題がある
・本研究では、衛星画像の「空間的特徴（どんな形や構造か）」と「時間的特徴（どのように変化したか）」を同時に考慮できる新しいAIモデルであるDuSTiLNet（Dual-time point Space–Time fusion LSTM Network）を用いて、真の変化（建物の新築・撤去など）を正確に抽出し、影や季節性などの「見かけの変化」による誤検出を最小化する

【技術や方法のポイントはどこ？】
◾️本研究のアプローチ（DuSTiLNet）
①二時点入力構造（dual encoder）
・2つの時点の画像（例：2017年と2022年）をそれぞれ独立のCNNエンコーダに通し、形や構造の特徴を抽出
・上記により、2枚の画像の「構造的違い」を明示的に扱えるようになる

②LSTM（長短期記憶ネットワーク）の導入
・2時点間の“時間的関係”を学習
・LSTMはもともと時系列解析に使われるAIで、「過去の状態から現在の変化を予測する」能力がある
・本ステップを利用して、建物の出現・消失のような継続的な変化を捉える

③空間–時間融合（space–time fusion）
・CNNの空間特徴とLSTMの時間特徴を2段階で統合し、「どこで、どのように変化したか」をより正確に再構成する

◾️データセット
①EGY-BCD（Egypt Building Change Detection）
・Google Earthの衛星画像（2017年と2022年）
・解像度：0.25 m/ピクセル（建物の輪郭が明確に見える高精細画像）
・画像ペア：6,091組（256×256×3）
・目的：建物の新築・撤去などの変化検出モデルを学習・評価

②WHU Building Change Detection Dataset
・中国の都市域航空画像（2012年と2016年）
・解像度：0.075 m → 0.3 m/ピクセル（再サンプリング）
・ペア数：18,000以上（512×512）
・目的：他地域・他センサ条件でも性能が維持できるか（汎化性能評価）

【議論の内容・結果は？】
◾️EGY-BCDデータセット
・提案モデル「DuSTiLNet」は、エジプトの建物変化検出データセット（EGY-BCD）で非常に高い精度を達成した
・全体精度（Overall Accuracy）：97.4%（全画素のうち、変化・非変化を正しく分類できた割合）
・F1スコア：89%（「変化あり」と正しく判断した割合（適合率）と、「変化あり」を見逃さなかった割合（再現率）のバランス。つまり「本当に変わった場所」をしっかり検出しつつ、誤判定も少ないことを示す）
・IoU（Intersection over Union）：86.7%（モデルが検出した“変化領域”と実際の変化ラベルの重なり率。空間的な一致度が高く、変化の位置を正確に捉えていることを示す）

◾️WHUデータセット
・DuSTiLNetは、中国の都市域画像を対象としたWHUデータセットでも高精度を維持した
・他の最新モデルであるAFDE-Netに対して、全体精度で+0.05ポイント向上した

・ただし、EGY-BCDデータセット時と比べると若干性能が低下しており、影や季節性の除去が以前として難しいという結果になった

#変化検出 #DuSTiLNet #空間時間融合 #CNN #LSTM #建物変化 #EGY_BCD #WHUデータセット

A global dataset for steel aluminum and cement in-use stocks at 500 m gridded level 2000-2019

【どういう論文？】
・建物・道路・橋・製品などに使われている大量の素材（鉄・アルミ・セメントなど）は、使用後もリサイクル資源として活用することができ、都市鉱山（urban mining）としての価値が高い
・本研究は、世界中の上記素材の分布を500m四方の細かさで、2000〜2019 年の 20 年間にわたり推定した新しいデータセットを作成し、都市ごとのストック量を「地図」で見える化し、どこにどれだけの資材が蓄積しているかを定量的に示す

【技術や方法のポイントはどこ？】
◾️先行研究の課題と本研究のアプローチー
①トップダウン手法（国レベル集計）
・国単位での総量は出せるが、都市ごとの差が見えない
・夜間光衛星データ（NTL）を使って500 m単位に細分化

②ボトムアップ手法（建物ごと積算）
・精度は高いが、膨大な手作業が必要で全球には使えない
・NTLと国別データを回帰モデルで統合し、自動的に分布推定

③NTLデータの欠点
・衛星の光センサーは検出できる輝度の上限が決まっており、都市中心部のように非常に明るい地域ではセンサーが検出できる最大値に達してしまう結果、データ上に光の「飽和」や「にじみ（ブルーミング）」が発生して対象物を正確に測ることが難しい
・DMSP-OLS と NPP-VIIRSを統合・補正し、オートエンコーダで誤差を軽減

④国ごとの開発段階差
・「光の強さ＝資材量」の関係が国によって異なる
・国ごとに回帰係数を個別設定（119か国で学習、他は平均値で補完）

◾️データセット
①夜間光データ（NTL）
・人工の灯りを観測した衛星データ（例：街灯、建物の照明）を利用する
・使用する衛生データはDMSP-OLS（1990年代〜2013年）と NPP-VIIRS（2012年以降）

②国別マテリアルデータ
・米国地質調査所（USGS）や国連貿易統計（UN Comtrade）、各国統計年鑑（日本・中国・欧州など）から取得する
・それぞれの年の国内在庫量（鉄・アルミ・セメント）をトップダウンで算出する

【議論の内容・結果は？】
・世界の鉄,アルミ,セメントの「使用中ストック」を500mグリッドで2000–2019年の20年分、合計60個GeoTIFFとして整備した

・約80%の都市で、既往のボトムアップ推計との差が−20%〜+40% に収束した
（鋼：−6%〜+49%、アルミ：−24%〜+37%、セメント：ばらつき大）

#都市鉱山 #マテリアルストック #鉄 #アルミニウム #セメント #夜間光データ #NTL

来月も「#MonthlySatDataNews」「#衛星論文」を続けますので、お楽しみに！