ucam-eo/tessera

解決する課題

TESSERAは、膨大かつ雲によって破損した衛星時系列データの処理という課題に対処します。従来、ラベル付きのトレーニングデータセットの不足や、時間信号の処理に伴う高い計算コストにより、このデータから洞察を得ることは困難でした。TESSERAは、たとえ雲の影響で観測データが欠落していても、スペクトル・時間信号を保持したまま、ペタバイト規模の地球観測データをコンパクトで分析可能な埋め込み（embeddings）へと要約する手法を提供します。

仕組み

TESSERAは、自己教師あり学習を用いて、10メートル解像度で地球表面の128次元潜在表現（embeddings）を作成するオープンな基盤モデルです。Barlow Twinsに基づいた手法を採用しており、衛星時系列の2つの雲のないランダムサンプルから得られたオートエンコーダの埋め込みを強制的に整列させます。このプロセスにより、欠落した観測値を含む時系列全体を代表する埋め込みが生成されます。このモデルはSentinel-1およびSentinel-2の衛星データを処理し、それらを時間軸に沿ってスタックして推論用のコンポジットを生成します。

対象者

リモートセンシング、生態学、環境科学の研究者や実務者が対象です。生息地のマッピング、炭素会計、作物種分類、環境変化の検出などのダウンストリームタスクを、大規模なラベル付きデータセットやプロジェクトごとの膨大なローカル計算リソースを必要とせずに実行できるように設計されています。

ハイライト

• グローバルなカバー範囲: 2024年における地球全域の分析用10m解像度埋め込みを提供し、一部の地域（米国および欧州）では2017年まで遡る履歴データも備えています。
• 自己教師あり学習: 自己教師あり学習を使用してペタバイト規模のデータを要約し、ラベル付きトレーニングセットの必要性を軽減します。
• 時間的情報の保持: 従来の手法では失われがちだったフェノロジー（生物季節）信号を保持し、生態系のダイナミクスに関するより深い洞察を可能にします。
• オープンアクセス: ソフトウェアはMITライセンスであり、モデルの重みと埋め込みは商用・非商用問わず無料で利用できるようCC0で公開されています。