衛星ベースの洪水マッピングにおけるGeoAI説明と領域知識の整合性評価

要旨: 衛星数の増加により地球観測の時間分解能が向上し、衛星ベースの洪水マッピングは、運用の洪水監視にとって有望なアプローチになっている。地理空間人工知能（GeoAI）における重要な応用である、衛星画像を用いた洪水マッピングのための深層学習ベースの手法は、大量のリモートセンシングデータから複雑な空間的・スペクトル的パターンを学習することで、予測性能の向上を示してきた。 しかし、深層学習モデルの不透明な意思決定プロセスは、重要な科学的および運用上のワークフローへの統合における主要な障壁である。これは、モデルの説明がリモートセンシング分野で確立された知識と整合しているかどうかを体系的に評価する必要性を示している。本研究の目的は、この研究ギャップに対処することであり、ADAGE（Alignment between Domain Knowledge And GeoAI Explanation Evaluation）フレームワークを提案する。提案フレームワークは、特に地表の特徴的なスペクトル特性に関して、深層学習モデルの説明が確立されたリモートセンシング知識とどの程度整合しているかを体系的に評価することを設計している。ADAGEフレームワークでは、Channel-Group SHAP（SHapley Additive exPlanations）法を用いて、入力チャネルをグループ化したものの寄与を画素レベルの予測に対して推定する。2つの衛星ベースの洪水マッピング課題に関する実験により、ADAGEフレームワークは（1）モデルの説明と、分野知識から導出された参照説明との整合性を定量的に評価でき、かつ（2）アラインメントスコアによって、領域の専門家が整合していない説明を特定するのに役立つことが示される。本研究は、地球観測のためのGeoAIにおいて、説明可能性と領域知識のギャップを埋めることに貢献し、科学的および運用上のワークフローにおけるGeoAIモデルの適用可能性を高める。