【要約】Google Earth Engineで始める衛星画像解析（改） 〜SAR衛星の情報を追加して精度改善 [Zenn_Python] | Summary by TechDistill
> Source: Zenn_Python
Execute Primary Source
// Problem
開発者は、従来の光学衛星（Sentinel-2）を用いた積雪検出プロジェクトにおいて、天候に左右されるという運用上の課題に直面した。光学衛星は人間の目に近い観測を行うため、以下の問題が発生する。
- ・雲や悪天候、夜間において地表を観測できない。
- ・特に天候変化の激しい山岳地域では、観測頻度が低下する。
- ・積雪監視の継続性を確保する上で、これらは致命的な欠陥となる。
// Approach
開発者は、雲を透過できるSAR衛星と地形情報を組み合わせることで、全天候型の解析を実現するアプローチを採用した。具体的には以下のステップで検証を行った。
- ・Sentinel-1（C-band）とALOS-2（L-band）の特性差を利用する。
- ・Random Forestを用い、光学、SAR、地形の各特徴量を統合する。
- ・SAR単独の限界を、異なる波長帯の組み合わせと物理的知識（DEM）で補完する。
// Result
実験の結果、複数のセンサーを組み合わせることで、積雪検出の精度が劇的に向上することが証明された。単一のセンサーでは困難だったタスクが、融合によって実用レベルに達している。
- ・SAR単独（Sentinel-1のみ）のF1スコアは0.55前後であった。
- ・SARの融合（S1 + ALOS-2）により、F1スコアは0.761へ向上した。
- ・地形情報（DEM）を統合することで、F1スコアは0.868に達した。
Senior Engineer Insight
> 衛星解析の実運用において、モデルの複雑化よりも「入力データの物理的特性」の理解が重要である。SAR単独の低精度を、波長帯の異なるセンサー融合と地形情報の付与で解決した点は、ドメイン知識の重要性を示している。スケーラビリティの観点では、GEEによる計算リソースの活用が鍵となるが、異なる衛星データの時間・空間解像度を整合させるデータパイプラインの構築コストを考慮すべきである。