change-detection

変化検出と時空間解析

目的: 実際の地表面変化を、4 つの大きな偽装者—— 位置ずれ、放射量ドリフト、フェノロジー、分類誤差——から切り離すこと。 以下に挙げるすべての手法は、そのうちの 1 つを制御するために存在します。 制御を省略すれば、何もない場所を自信ありげに地図化することになります。

前提条件 (変化検出の勝敗が決まるポイント)

前提条件 1 と 2 は、ここで確認されますが、確立されるのは別の場所です。 どちらかが失敗した場合、所有権を持つスキルが主導し、比較可能な 観測が存在するようになった時点でこのスキルが再開します。前提条件 3 は このスキル自身の問題であり、決して他のスキルへ回す理由にはなりません。

1. 幾何補正: 日付間のサブピクセルでの位置合わせ (AROSICS または 手動タイポイント)。半ピクセルのずれが、至る所でエッジ形状の幻の 変化を生み出します。検証: 鮮明な特徴をフリッカー比較します。標高 サーフェスや点群の場合、標高基準の一致、幾何補正、標高精度の バジェットは point-cloud-lidar に属します——基準の オフセットは地盤沈下ではありません。
2. 放射量の一貫性: 同じ処理レベル (地表反射率)、同じセンサー、同じ処理 ベースライン。3 つのうちいずれかが異なる場合、これは閾値設定の問題ではなく ハーモナイゼーションの問題です: remote-sensing-analysis に 渡してください (Landsat↔Sentinel-2 には HLS、PIF による相対 正規化、Sentinel-2 の 2022 年ベースライン変更にまたがる BOA_ADD_OFFSET)。
3. 二時期解析では同じ季節 / フェノロジー段階——5 月と 9 月のペアは「夏を検出」してしまいます。季節を合わせられない場合は、 代わりにコンポジットまたは時系列手法を使用してください。
4. 日付間で共通する雲/影マスク: 相互に有効なピクセルのみを解析し、 そのカバレッジ % を報告します。

手法の選択

状況	手法
2 時期、連続値の「どれだけ」	インデックス差分 (ΔNDVI、ΔNBR など) と統計的閾値設定
2 時期、カテゴリ値の「何から何へ」	分類後比較 (強力な分類器がある場合のみ)
2 時期、多変量でロバスト	変化ベクトル解析 (CVA)。センサーにロバストな検出には MAD/iMAD
高密度スタック、漸進的 + 急激	トレンド + ブレーク解析 (BFAST/LandTrendr/CCDC ファミリー。アーカイブ規模では → google-earth-engine)
構造物の変化 (建物)	DL 二時期セグメンテーション (シャム U-Net) → geo-deep-learning
SAR ペア (雲、災害)	校正済み後方散乱の対数比 + スペックル処理
ベクターの版 (区画、建物)	許容差付きのジオメトリ + 属性差分 (以下)

閾値設定——決して目分量で行わない

差分画像には防御可能な閾値が必要です: 差分ヒストグラム上の μ ± k·σ (k を報告)、二峰性の場合は Otsu、またはラベル付きの変化/非変化 サンプルで校正した教師あり閾値。選択したカットをマークした ヒストグラムを提出してください。感度: k-0.5 と k+0.5 での変化面積を報告します。結論が覆る場合は、検出は脆弱です——そのように述べてください。

分類後比較 (PCC)——慎重に扱う

PCC の誤差は複合します: 精度 90% の 2 つのマップは ≤ ~81% の変化 精度しか生まず、バイアスのある誤差は体系的な偽の遷移を生み出します。ルール:

• 2 つの独立したレガシーマップではなく、両方の日付の画像で学習した 1 つの分類器 (同じ凡例、同じ特徴量) を使用してください。
• 変化/非変化の二値だけでなく、完全な 遷移行列 (from クラス → to クラス の面積) を構築してください——不可能な遷移 (1 年で水→森林) がエラー検出器になります。
• 差分を取る前に、日付間で一貫した最小マッピング単位を適用してください。

時系列（高密度スタック）解析

• ギャップを補間し、雲をマスクしたインデックススタックを構築します（xarray、時間次元）。
• トレンド + 季節性 + 変化点に分解します。ピクセルごとの線形トレンドには有意性検定が必要です（単調トレンドには Mann-Kendall + Sen's slope —— そして数百万ピクセルにわたる FDR 補正も。さもなければ、あなたの「緑化マップ」はノイズです）。
• 変化点の有無だけでなく、変化点の日付をラベル付けします —— タイミングが通常は解析上の本質的な成果物です（伐採はいつ始まったのか？）。
• 記録が存在する場合は、検出された変化点を既知のイベント（火災、建設許可、災害の日付）と照合して検証します。

ベクター変化監査（同一レイヤーの2つの版）

• 安定した ID が存在すればそれでフィーチャを照合します。存在しなければ、IoU 閾値による空間マッチングを行います（その値を報告します）。
• 分類: 追加 / 削除 / ジオメトリ変更（面積差分 > 許容値）/ 属性変更。許容値はデジタイズの揺らぎを吸収します —— 地籍グレードなら 1〜2 m、イメージからデジタイズしたものならそれ以上。
• クラスごとに面積差分を合計し、総計を突き合わせます。説明できない残差 = マッチングのバグです。

精度評価（成果物の背骨）

変化は稀であるため、無作為抽出は安定したピクセルに労力を浪費します —— 層化抽出（層: 変化/無変化、または遷移ごと）を用い、グッドプラクティスの面積推定（Olofsson らのプロトコル）を適用します。層ごとのユーザー精度/プロデューサ精度 AND 地図誤差で調整した信頼区間付きの面積推定値を報告します。変化マップの生のピクセル数は偏った面積推定値です —— 常に調整後の数値を示します。

レポーティングテンプレート

## Change: <phenomenon>, <T1> → <T2 or period>
- Data: <sensor/level>, co-registration RMSE: <px>, valid overlap: <%>
- Method: <...> threshold/params: <...> (sensitivity: <stable/fragile>)
- Transitions: <matrix or top-5 list with areas ± CI>
- Accuracy: stratified n=<>, UA/PA per class, adjusted areas ± CI
- Impostor controls: season <matched?>, radiometry <harmonized?>

落とし穴チェックリスト

• 位置ずれによるエッジの幻の変化。
• 季節差を土地被覆変化として提示すること。
• 独立に作成された2つのレガシーマップを用いた PCC。
• 「正しく見えたから」という理由で選ばれた閾値、感度分析なし。
• 生の変化ピクセル数を面積として報告すること（誤差調整済み推定値なし）。
• 多重検定の制御なしのトレンドマップ。
• フィルタ処理されていない線形パワー画像に対する SAR 変化。

実行契約

• ワークフロー: 変化の問いを定義し、範囲、季節、放射量、解像度、位置合わせを調和させ、手法を選択し、変化を推定し、検証し、不確実性を報告します。
• 判断ルール: 直接差分は比較可能な連続シグナルにのみ使用し、分類後比較は安定したクラス凡例に、時系列手法は高密度の時間スタックが存在する場合に使用します。
• 検証プロトコル: 共位置合わせ、有効な重複、閾値感度、遷移の集計、信頼区間付きの精度調整済み面積を定量化します。
• 失敗モード: 季節、センサー、雲、位置合わせ、または独立した地図の誤差がシグナルを説明できる場合、因果的な変化の主張を却下します。
• 成果物: 変化マップ、遷移またはトレンド表、パラメータ記録、検証サンプルと指標、調整済み面積推定値、および限界。
• ソースの鮮度: バージョンに敏感なプロダクトや API を使用する前に権威あるソースレジストリを参照し、確認日を記録します。