e-sensing/sits

SITS – 地球観測データキューブにおける衛星画像時系列解析

何であるか – sits は、主に R で実装され、pysits と呼ばれる軽量な Python ラッパーを持つオープンソースライブラリです。このライブラリは、データキューブ に格納された衛星画像時系列データを構築・探索・分類できるようにします。AWS、Microsoft Planetary Computer、ブラジルデータキューブ、Copernicus Data Space、Digital Earth Africa/Australia、スイスデータキューブなど、クラウドプラットフォーム上にホストされている多数の公開地球観測データセット（Sentinel-2、Landsat、MODIS など）に直接接続可能です。

なぜ重要か – 現代のリモートセンシングプロジェクトでは、数年間にわたる数千枚の画像を扱うことがよくあります。sits は以下の面倒な手順を自動化します：

取得 – クラウドベースの STAC カタログから画像を取得。
正規化 – 不規則なデータセットを均一な空間時系列グリッドに変換（gdalcubes を使用）。
抽出 – 学習用データとしてラベル付き時系列を抽出。
学習 – SVM、ランダムフォレスト、XGBoost、MLP、1-D ConvNets、ResNet、時系列アテンションエンコーダーなど、多様な機械学習・深層学習モデルを訓練。
分類 – データキューブ全体を分類可能。torch/luz スタックを用いて GPU 加速もサポート。
後処理 – ベイズ平滑化、不確実性推定、アクティブラーニングループ。

すべての機能は、tibble、sf オブジェクト、ラスターファイルと連携する tidyverse 風の API で統合されており、ワークフローを再現可能かつスクリプト化可能にします。

主な機能（README から直接引用）

複数ソースのデータキューブ作成 – AWS、MPC、BDC、CDSE、DEAFRICA、DEAUSTRALIA、SDC など、多数のクラウドプロバイダーからの Sentinel-1、Sentinel-2、Landsat、MODIS などを統合。
正規化 – 不規則なコレクションをユーザー定義の空間解像度と時間間隔（例：60m / 15日）の規則的なキューブに変換。
サンプル抽出と品質管理 – CSV や shapefile からポイント/ポリゴンの時系列を抽出；オプションで自己組織化マップ（SOM）による品質管理。
広範な ML/DLツールボックス – SVM、ランダムフォレスト、XGBoost、MLP、TempCNN、ResNet、時系列自己アテンションエンコーダー、LightTAE。
GPUサポート – torch が CUDA 対応デバイスを検出すると、深層学習モデルが自動的に GPU で実行。
空間時系列セグメンテーション – 時系列データのオブジェクトベース分類。
ベイズ平滑化と不確実性 – 分類マップの外れ値を除去し、信頼度を提供する後処理。
アクティブラーニングと自己教師学習 – モデルの改善を反復的に支援するツール。
Python API – pysits は R 関数を完全に再現しており、Python ユーザーも機能の完全な同等性を享受。
豊富なドキュメント – Satellite Image Time Series Analysis on Earth Observation Data Cubes という電子書籍と pkgdown ウェブサイト。

一般的な使用ワークフロー

コレクションの選択（例：Microsoft Planetary Computer 上の Sentinel-2 L2A）。
sits_cube() を使ってキューブを定義（タイル、バンド、日付）。
sits_regularize() で固定 60m / 15日グリッドに正規化。
CSV や shapefile から学習サンプルを取得し、sits_get_data() で時系列データを抽出。
モデルを訓練（例：rfor_model <- sits_train(samples, sits_rfor())）。
個々の時系列（sits_classify()）または全体のキューブを分類し、確率ラスタを生成。
結果を平滑化（sits_smooth()）し、ラベル付きマップに変換（sits_label_classification()）。
plot() またはインタラクティブな sits_view() で可視化。

インストール方法

R（CRAN の安定版）：

install.packages("sits", dependencies = TRUE)

開発版（最新の修正）：

devtools::install_github("e-sensing/sits", dependencies = TRUE)

Pythonラッパー（R と arrow R パッケージが必要）：
```
pip install pysits   # Python 3.10+ 必須
```
GPUサポートは、torch R パッケージが CUDA 対応デバイスを検出すると自動的に有効になります。

エコシステムと相互運用性

データソース – STAC互換クラウドカタログ（AWS、MPC、BDC、CDSE、DEAFRICA、DEAUSTRALIA、SDC など）。
基盤ライブラリ – キューブ正規化に gdalcubes、深層学習に torch/luz、データ処理に sf、stars、terra、tidyverse、SOM QC に kohonen、高速数値計算に RcppArmadillo。
出力形式 – ラスタファイル（GeoTIFF）、確率キューブ、不確実性レイヤー、インタラクティブマップ。
コミュニティ – rOpenSci エコシステムの一環（Peer-reviewed バッジ）、CRAN 安定リリース、GitHub Actions による CI、コードカバレッジレポート、貢献者行動規範あり。

成熟度とライセンス

ライフサイクル – r-lib ライフサイクルバッジで stable とマーク。CI、コードカバレッジ、最新リリースを維持中。rOpenSci による Peer-review（issue #596）。
ライセンス – GPL-2（自由、オープンソース、コピーレフト）。
引用 – 主要論文：Satellite Image Time Series Analysis for Big Earth Observation Data（Remote Sensing 2021, DOI 10.3390/rs13132428）。

どのユーザーに適しているか？

リモートセンシング研究者 – 土地被覆、農業、森林伐採、気候モニタリングのための再現可能なパイプラインが必要な方。
データサイエンティスト – 低レベルのラスタ処理コードを書かずに、最先端の ML/DL を衛星時系列に適用したい方。
GISアナリスト – R（または Python）に慣れているが、クラウドアーカイブから大規模な EO データを取得し、分類マップを作成したい方。
学生・教育者 – 電子書籍と豊富な例題により、EO 時系列解析の教育リソースとして最適。

結論 – sits は、クラウド上の地球観測データ、正規化されたデータキューブ、現代の機械学習モデルを統合したフルスタックのオープンソースツールボックスであり、使いやすい R/Python API で提供されています。