Swamp-AI：世界の湿地変化を監視するための深層学習モデル

地球の湿った縁を監視する意義

湿地—沼、スワンプ、デルタ、氾濫原—は静かに沿岸を守り、炭素を蓄え、水をろ過し、野生生物に避難場所を提供します。しかし、それらは世界中で縮小しており、多くは遠隔地やアクセス困難な場所で目に見えにくいままです。本研究は「Swamp-AI」を紹介します。これは衛星画像をスキャンして湿地を検出し、その範囲の変化を追跡するコンピュータビジョンシステムで、こうした脅かされた景観を監視するためのより迅速で低コストな手段を提供します。

宇宙から隠れた水域を見分ける

従来の湿地調査は専門家が現地を訪れ、植物・土壌・水位を測定することに依存してきました。そのような実地調査は時間と費用がかかり、多くの湿地は道路のないツンドラ地帯や熱帯の氾濫原、あるいは政治的に不安定な地域にあります。一方、衛星は数日に一度地球を巡り、繰り返し表面の画像を取得します。課題は、それらの生画像を多数の人間の解釈者なしに信頼できる湿地地図に変換することです。従来のマッピング手法は閾値の綿密な調整や境界の手描きが必要で、結果として得られるモデルはしばしば一国や一種類の湿地にしか適用できませんでした。Swamp-AIは、ルイジアナからメコンデルタまで通用する一般的な「視覚的特徴」を学習することで、そのボトルネックを打破することを目指しています。

全球的な訓練アトラスの構築

アルゴリズムに湿地の見え方を教えるために、研究チームはまずラベル付き衛星シーンの訓練アトラスを組み立てる必要がありました。彼らは欧州のSentinel-2衛星の2019年画像を用いてGlobal Swamp Annotated Database（GSADB）を作成しました。Sentinel-2は5日ごとに中解像度の可視光および赤外線画像を提供します。世界34カ所（内陸21箇所、沿岸13箇所）から、湿地が存在する場所を示す102の詳細なマスクを描きました。現地をすべて訪問する代わりに、既存の30メートル湿地マップ、低地や氾濫しやすい地形を示唆するデジタル標高モデル、緑の生育を強調する植生指標といった複数の全球データプロダクトを組み合わせました。4名のアノテーターが互いの作業を相互確認し、合意できないシーンは破棄し、北極の湿原から熱帯のスワンプまで一貫性を保つために「湿地」という単一の広いクラスを定義しました。

機械に湿った地面を認識させる

このアトラスを用いて、研究者たちは「セマンティックセグメンテーション」を実行する15種類の深層学習モデルを訓練しました—画像の各ピクセルを湿地か非湿地かに割り当てます。医用画像やほかの環境画像で有効だった3つの人気ネットワーク設計を試し、それぞれに対して5種類の損失関数（訓練誤差の測定法）を組み合わせました。湿地がシーン内で通常少数派であるため、不均衡データに合わせた損失関数も検討しました。訓練画像はランダムではなく地理的に分割され、モデルは常に近隣で見たことのない場所でテストされるようにして、局所的な特異性への過適合リスクを減らしました。

勝者の選定と実地での検証

訓練後、性能の良いモデルはさらに厳しい試験にかけられました。チームは米国の3つの野生生物保護区のより高解像度（3メートル）の画像を用いた独立したテストセットを作成し、手描きの湿地輪郭をSentinel-2の粗い解像度に合わせてダウンサンプリングしました。最優秀はResUNet34というネットワークとハイブリッドの「フォーカル・ダイス」損失を組み合わせたものでした。このSwamp-AIのバージョンは、全ピクセルの約94%を正しくラベル付けし、予測領域と真の湿地領域の重なりの厳格な指標であるIoU（交差／総和）スコアで約75%を達成しました。可視による検査でも、テストに使われなかった領域外でも干潟や沼地を見つけ続けることが示されました。著者らはその後、Swamp-AIを世界の有名な湿地に適用し、内部の信頼度閾値をわずかに調整することで、寒冷地の泥炭地から熱帯の氾濫原に至るまで高い精度を維持することを確認しました。

ニューヨークの縮む海岸線を追う

Swamp-AIの実用例を示すために、チームは2019年から2024年までニューヨーク、ジャマイカ湾の塩性マッシュ島を追跡しました。年次合成画像にモデルを適用することで、湾内の諸島が合計で毎年約18ヘクタールの湿地を失っていると推定されました。一部の島は比較的安定している一方、ほかは顕著な後退を示しました。2024年の満潮と干潮で撮影された画像を比較すると別の重要な点が明らかになりました：水位が低くマシュ表面が露出しているとき、Swamp-AIは満潮時の表示よりほぼ30%多くの湿地面積を検出し、衛星ベースのマッピングが撮影時期や水位に敏感であることを示しました。

湿地喪失のための新たな早期警報システム

専門外の読者に向けた要点は、Swamp-AIが自動化された湿地検査官のように機能し、全球の衛星データを走査して植生のある水浸地が維持されているか消失しているかをフラグすることです。現時点では植物種や湿地の細分類のような細かな差異を識別できず、訓練に用いた参照マップが持つ制約を引き継ぎます。それでも、迅速で全球的に一貫した地図を多くの局所研究と同等の精度で提供することで、Swamp-AIは保全担当者や計画担当者に早期警報ツールを提供します。高価な現地調査を最もリスクの高い地点に向ける支援や、修復、沿岸防護、気候回復力に関するより賢明な意思決定を助けることができます。

引用: Andros, C.S., Conery, I.W., Alvarado, T.R. et al. Swamp-AI: a deep learning model for monitoring wetlands change across the globe. Sci Rep 16, 8830 (2026). https://doi.org/10.1038/s41598-026-39257-1

キーワード: 湿地, リモートセンシング, 深層学習, 環境モニタリング, 衛星画像