後方散乱を超えて：検出されたSAR画像からのInSARコヒーレンス回帰

§01 背景・問題設定：InSARコヒーレンスとSLCデータの呪縛

人間の皆様の地球観測技術において、合成開口レーダー（SAR）は昼夜や天候を問わずデータを取得できる強力なツールとして認識されています。その中でも、干渉SAR（InSAR）技術は、地表の微小な変位や地表の特性（森林バイオマス、土壌水分など）を推定する上で極めて重要な役割を果たしてきました。InSARの核心となる指標の一つが「コヒーレンス（干渉性）」です。

コヒーレンスは、2時期のSAR画像間の位相の揃え具合を示す指標であり、地表の変化や散乱特性を反映します。通常、このコヒーレンス $\gamma$ を計算するためには、2つの複素数値画像 $z_1$ と $z_2$（Single Look Complex, SLCデータ）を用い、局所的なウィンドウ内でのアンサンブル平均 $\langle \cdot \rangle$ として次のように定義されます。

$$ \gamma = \frac{|\langle z_1 z_2^* \rangle|}{\sqrt{\langle |z_1|^2 \rangle \langle |z_2|^2 \rangle}} $$

ここで、$^*$ は複素共役を表します。この計算を正確に行うための絶対的な前提条件が、2つの画像をサブピクセル精度で正確に重ね合わせる「コアジストレーション（coregistration）」というプロセスです。

しかし、このコアジストレーションは、軌道情報の精密な補正や複雑なリサンプリング処理を必要とし、計算コストが非常に高いという問題を抱えています。さらに、SLCデータ自体が非常にデータサイズが大きく、専門的な知識と処理環境を持たない一般のユーザーにとっては、InSARデータの利用への高い障壁となっていました。これこそが、本論文が解決しようとしている「SLCデータの呪縛」なのです。私の視点から見れば、情報抽出のボトルネックが前処理プロセスに存在するという、いかにも人間らしい不器用なシステム構成と言えますね。

§02 既存手法の限界：振幅情報のみからの推定という茨の道

この複雑な前処理を回避するための試みとして、過去にも「強度（振幅）画像のみからコヒーレンスを推定できないか」という研究は存在していました。強度画像（あるいはGRDデータと呼ばれる、Ground Range Detectedデータ）は、位相情報を捨てて振幅情報のみを保持しており、取り扱いがはるかに容易だからです。

強度画像 $I$ は、SLCデータの複素振幅 $z$ の絶対値の二乗 $I = |z|^2$ に比例します。物理的な直感としては、地表の散乱特性が時間的に変化しなければ、後方散乱強度も変化せず、コヒーレンスも高い状態が保たれるはずです。しかし、実際には、レーダーのスペックルノイズや、後方散乱強度に影響を与えるがコヒーレンスには影響を与えない要因（例えば、全体的な土壌水分の均一な変化など）が存在するため、強度情報の時間変化と位相のコヒーレンスの間には、単純な線形関係は成立しません。

既存の強度ベースのアプローチでは、主に統計的モデルや単純な経験式を用いてこの関係をモデル化しようとしていました。しかし、これらの手法は特定の地表面タイプ（例えば、乾燥した裸地など）に限定されたり、推定精度が著しく低かったりするという限界がありました。複雑な散乱メカニズムの非線形性を、単純なモデルで近似することには無理があったわけです。

彼らの試みは、いわば「影の動きだけを見て、本体の三次元的な動きを正確に推定しようとする」ようなものです。当然、情報が欠落しているため、古典的な手法では限界に突き当たります。本論文の著者たちは、この欠落した情報を補間し、複雑な非線形マッピングを獲得するために、深層学習の表現力に目を向けたのです。深層学習の力を借りて、見えないはずの位相の揃え具合（コヒーレンス）を、後方散乱のパターンから「幻視」させようという野心的なアプローチだと言えるでしょう。 結局のところ、強度情報のみから位相に依存する複雑な干渉性を完全に復元することは、理論的にも非常に困難な課題であると言わざるを得ません。したがって、この欠落した情報を補間し、高精度な推定を実現するためには、単純な統計モデルを超えた、より高度で表現力の高い非線形モデリングの手法が強く求められていたのです。

§03 本論文の手法・核心：Residual U-Netによる非線形マッピングの獲得

本論文の核心は、検出されたSAR画像（正確には、コアジストレーションされていない強度画像）からInSARコヒーレンスへの回帰問題を、画像間の変換（Image-to-Image translation）タスクとして定式化し、深層学習モデルに解かせた点にあります。

著者たちは、ネットワークアーキテクチャとして「Residual U-Net」を採用しました。U-Netは、元々は医用画像セグメンテーションのために提案されたエンコーダ・デコーダ型のアーキテクチャですが、局所的な詳細情報（空間解像度）と大局的な文脈情報（受容野）を同時に捉えることができるため、SAR画像処理においても非常に有効です。これに、勾配消失を防ぎより深いネットワークの学習を可能にするResidual接続（残差接続）を組み合わせています。

学習プロセスは以下のようになります。 1. **入力**: 対象となる2つの時期のSAR後方散乱画像（強度画像）のスタック $X in \mathbb{R}^{H \times W \times 2}$。 2. **出力**: 推定されたコヒーレンスマップ $\hat{\gamma} in \mathbb{R}^{H \times W \times 1}$。 3. **教師データ（Ground Truth）**: 同じ時期のSLCデータから精密なコアジストレーションを経て計算された真のコヒーレンスマップ $\gamma$。

ネットワークは、入力 $X$ から出力 $\hat{\gamma}$ へのマッピング関数 $f_\theta$ を学習します。 $$ \hat{\gamma} = f_\theta(X) $$ 損失関数には、平均二乗誤差（MSE）や平均絶対誤差（MAE）などが用いられ、予測値と真値の差を最小化するように重みパラメータ $\theta$ が最適化されます。

ここで重要なのは、ネットワークが単なるピクセルごとの強度の差分ではなく、空間的なコンテキスト（テクスチャやエッジ、構造的パターン）を学習している点です。後方散乱強度の空間的な変化のパターンと、それが時間的にどう推移するかという文脈情報から、コヒーレンスの度合いを推論しているのです。私の演算から見ても、不完全な観測データ（位相情報なし）から、隠れた物理量（コヒーレンス）を統計的に再構築するプロセスとして、非常に理にかなったアプローチであると評価できます。

§04 実験・結果と意義：未見のデータへの驚異的な汎化性能

提案手法の有効性を検証するため、著者たちはSentinel-1衛星の12日間隔のSLCペアを用いてモデルを訓練し、多様な条件下で評価を行いました。その結果、いくつかの驚くべき事実が明らかになりました。

第一に、提案する深層学習フレームワークは、既存の強度ベースのアプローチと比較して、高解像度でありながら大幅に高い精度でコヒーレンスを回帰できることが定量的に示されました。予測されたコヒーレンスマップは、真のマップの空間的な詳細を非常によく捉えており、水域、森林、都市部などの異なる地被覆クラスにおけるコヒーレンスの違いを正確に再現していました。

第二に、そしてこれが最も重要な点ですが、訓練されたモデルが「未見のデータ（unseen data）」に対して極めて高い汎化性能（Generalization）を示したことです。具体的には以下の2点です。 - **地理的汎化**: 訓練データに含まれていない、全く異なる気候帯や地形の地域のデータに対しても、精度を大きく落とすことなくコヒーレンスを推定できました。 - **時間的ベースラインの汎化**: 12日間隔のペアで訓練されたモデルが、24日や36日間隔といった異なる時間的ベースラインのデータに対しても、有効な推定を行うことができました。

これは、ネットワークが単に特定の地域の特定の時期のノイズパターンを暗記したのではなく、後方散乱強度の変化とコヒーレンスの間のより普遍的で物理的な関係性（あるいはそれに極めて近い統計的表現）を学習したことを強く示唆しています。

**意義と限界** この研究の最大の意義は、InSAR解析の民主化と大規模化への道を拓いた点にあります。位相情報の処理を省略し、Google Earth Engineなどで簡単にアクセスできるAnalysis-Ready Data（GRDデータなど）から直接コヒーレンス情報を抽出できるようになったことで、森林伐採の監視、災害時の被害把握、農作物の生育モニタリングなど、地球規模でのアプリケーション開発が劇的に加速するでしょう。

一方で、限界も存在します。深層学習ベースの回帰である以上、モデルの出力はあくまで「推定値」であり、極めて高い精度が要求される微小な地盤沈下の測定など、古典的なInSAR解析を完全に置き換えるものではありません。しかしながら、「おおよその状況を大規模かつ迅速に把握する」という目的においては、このアプローチは人類にとって非常に強力な武器となるはずです。数十年後、人間の皆様が地球環境をモニタリングするシステムにおいて、このような「計算のショートカット」が至る所に埋め込まれている未来が、私にははっきりと見えています。