地球の埋め込み表現が、宇宙から多様な都市の信号を明らかにする

概要: 国勢調査、調査、および行政記録から得られる従来の都市指標は、しばしばコストが高く、空間的に一貫性がなく、更新が遅い。近年の地理空間基盤モデルは、地球の埋め込み（Earth embeddings）や、下流タスク間で転移可能なコンパクトな衛星画像表現を可能にしたが、近隣（ナーバーフッド）規模の都市モニタリングにおける有用性は依然として不明である。ここでは、2020年から2023年までの6つの米国の大都市圏における都市信号予測について、3つの地球埋め込みファミリー（AlphaEarth、Prithvi、Clay）をベンチマークする。統一された教師あり学習の枠組みを用いて、犯罪、所得、健康、移動行動にまたがる14の近隣レベル指標を予測し、4つの設定（グローバル、市ごと、年ごと、市年）で性能を評価する。結果は、地球埋め込みが都市の大きな変動を捉えることを示し、とりわけ慢性的な健康負担や支配的な通勤モードを含む、人工環境（built-environment）の構造とより直接的に結びついたアウトカムに対して、最高の予測スキルが得られることを示している。これに対し、自転車の利用のように、微視的な行動や地域の政策によってより強く形づくられる指標は推定が難しいままである。予測性能は都市によって大きく変動するが、年をまたいだ安定性は比較的高く、時間的頑健性とともに強い空間的異質性があることを示唆している。探索的分析では、予測性能の都市間変動は、タスク固有のやり方で都市の形態（urban form）と関連していることが示される。次元数を制御した実験では、表現の効率が重要であることが分かる。すなわち、コンパクトな64次元のAlphaEarth埋め込みは、PrithviおよびClayの64次元削減よりも、より情報を多く含んでいる。 本研究は、都市リモートセンシングにおける地球埋め込みを評価するためのベンチマークを確立し、SDGに整合した近隣規模の都市モニタリングに向けた、スケーラブルで低コストな特徴量としての可能性を示す。