物理を踏まえたニューロモルフィック・ネットワークによる熱異常検知：生データとL1C Sentinel-2データの比較

要旨: 森林火災や火山噴火によって生じる被害は、検知が遅れると急速に拡大するため、迅速で信頼性の高い早期警報能力が不可欠である。近年の地球観測（EO）アプローチでは、計算コストの高い前処理チェーンを回避しつつ、復元（decompressed）されたレベル0（L0）センサーデータ上で、熱異常検知を直接実行できることが示されている。しかし、生のデータを直接活用することは、ドメインシフト、センサードリフト、放射測定の不一致、さらにラベル付き学習サンプルの不足といった理由により依然として困難である。これらの課題に対処するため、本研究では、搭載型の熱異常検知のための物理情報を考慮したニューロモーフィックネットワーク（PANN）フレームワークを提案する。提案する軽量なアーキテクチャは、物理に基づくニューラルネットワークの原理とニューロモーフィック・コンピューティングのパラダイムに着想を得ている。評価は2つのSentinel-2データセットを用いて行う。すなわち、追加メタデータ付きの復元済みL0（すなわち raw）と、レベル1C（L1C）である。PANNは、raw計測において Matthews 相関係数（MCC）0.809を達成しており、地上処理済みのL1Cプロダクトを用いた場合の0.875と比較される。L0グラニュールあたりの平均処理レイテンシは 2.44 2 2~\mathrm{s}であり、Sentinel-2の取得時間 3.6~\mathrm{s}を下回っており、リアルタイムでの搭載処理の実現可能性を示している。さらに、対応するニューロモーフィック・ハードウェアを想定した場合の予測実行時間は、0.1290 2 2~\mathrm{s}と大幅に低い。必要な全プログラムおよびパッケージを含むメモリ使用量は、現実的な搭載制約の範囲内に収まっており、ソフトウェアPANNでは 0.673 2 7~\mathrm{Gb}、推定されるハードウェア実装では 0.393 2 4~\mathrm{Gb}が要求される。全体として、これらの結果は、PANNが熱イベント検知のための、低レイテンシかつ資源効率の良い搭載型EO処理に向けた有望な道筋を提供することを示している。