全米郡別統計とピクセル観測を統合する弱教師あり農業収量予測ベンチマーク AgroBench

論文概要

現代の地理空間機械学習手法ではピクセルレベルの詳細な教師データが必要とされる一方で、信頼性の高い農業収量統計は広域な行政単位で報告されるというミスマッチが存在する。本研究では、公開されている米国の郡別作物収量統計を弱教師ありのピクセルレベル時系列データへ変換する再現可能なマルチモーダルベンチマーク「AgroBench」を提案する。本ベンチマークは、5大作物について8つの育成シーズン（2017年から2024年）にわたる5,107の郡・年の組み合わせから、788,654個のユニークな作物ピクセルと1,300万件超の観測データを含んでいる。

関連研究

従来のリモートセンシングを用いた農業予測研究では、限られた地域データや独自のデータセットに基づく検証が多く、再現性やマルチモーダル統合の評価基準が統一されていなかった。本研究は、USDA（米国農務省）の統計データと複数の衛星観測情報を体系的に統合し、大規模かつ標準化された評価基盤を提供する点に違いがある。

新規性と貢献

主要な貢献は、郡レベルの粗い収量統計を弱教師信号として活用し、ピクセルレベルの時系列データとペアリングするデータ生成パイプラインを完全公開した点にある。Sentinel-2 のマルチスペクトル画像、Sentinel-1 の合成開口レーダー（SAR）観測、気候変数、地形情報を統合し、成長期を通じて時間的にアライメントされたマルチモーダル配列を構築している。

提案手法の詳細

提案手法の核心は、直接測定されたピクセルレベルの収量ラベルが存在しない制約下で、郡レベルの統計値を弱教師信号として用いるウィークリー・スーパーバイズド学習フレームワークである。データ生成パイプラインでは、USDA の作物収量統計と作物別土地被覆マスクを結合し、個々の作物ピクセルの時系列変化を多角的な環境変数と結びつけることで、モデルが空間的・時間的特徴量を効率的に学習できる構造をとっている。

評価・考察

Leave-One-Year-Out（1年除外）の評価プロトコルを用いて標準化されたベンチマーク評価を実施し、代表的な機械学習モデルによるベースライン結果が提示されている。5,107の郡・年の組み合わせと 788,654 個のユニークピクセルに基づく 1,300 万件超の観測データを用いたことで、モデルの汎化性能を厳密に検証可能な実験基盤が確立されている。

応用例と今後の展望

本研究の成果は、農業分野における弱教師あり学習、マルチモーダルリモートセンシング、時空間モデリング、および地理空間基盤モデル（Geospatial Foundation Models）の研究開発を加速する。日本の農業テック領域やスマート農業分野のエンジニアおよび研究者にとっても、衛星データと公的統計を組み合わせた広域収量予測モデルの構築や検証において、標準的なベンチマークおよびデータパイプラインとしての実務的な利用価値が高い。

結論

AgroBench は、郡別統計とピクセル観測をブリッジする再現可能なマルチモーダルベンチマークであり、データ生成パイプライン、データセット、評価プロトコルの公開を通じて、農業向け地理空間AI研究の発展に寄与する。

注釈

• USDA: 米国農務省（United States Department of Agriculture）。農業政策や統計データの収集を行う機関。
• Sentinel-1 / Sentinel-2: 欧州宇宙機関（ESA）の地球観測衛星計画「コペルニクス計画」によるレーダーおよび光学衛星シリーズ。