お知らせ: 2025 年 4 月 15 日より前に Earth Engine の使用を登録したすべての非商用プロジェクトは、Earth Engine へのアクセスを維持するために非商用目的での利用資格を確認する必要があります。

このページは Cloud Translation API によって翻訳されました。

Earth Engine の ML

機械学習 API

機械学習（ML）は、地球観測データを分析するための強力な手法です。Earth Engine には、使いやすい API を使用して一般的なシナリオの ML モデルを構築して使用できる機能が組み込まれています。

一般的な ML タスクは、衛星画像のピクセルを 2 つ以上のカテゴリに分類することです。このアプローチは、土地利用と土地被覆のマッピングやその他の一般的なアプリケーションに役立ちます。

教師あり分類: 土地を分類する ML 手法の 1 つに、グラウンドトゥルースの例を使用して、クラスを区別するようにモデルをトレーニングする方法があります。Earth Engine の組み込みの教師あり分類子は、このプロセスをサポートしています。
教師なし分類: 教師なし分類では、トレーニングアルゴリズムに真値の例は提供されません。代わりに、アルゴリズムは利用可能なデータを固有の差異に基づいてクラスタに分割します。Earth Engine の教師なし分類器は、グラウンドトゥルースデータが存在しない場合、最終的なクラス数がわからない場合、迅速なテストを実施する場合に特に役立ちます。
回帰: 分類モデルは各入力を個別のクラスに分類しようとしますが、回帰モデルは各入力の連続変数を予測しようとします。たとえば、回帰モデルは水質、森林被覆率、雲量、収穫量を予測できます。詳細については、ee.Reducers の線形回帰セクションをご覧ください。

Earth Engine 外部でのトレーニングと予測

ディープラーニングとニューラルネットワークは、衛星画像などの複雑なデータに有効な ML 手法です。Earth Engine の Machine Learning API では、ディープラーニングもニューラルネットワークもサポートされていません。これらのメリットを活かすには、TensorFlow や PyTorch などのフレームワークを使用して、Earth Engine の外部でモデルをトレーニングする必要があります。

古典的な機械学習用の scikit-learn や、勾配ブースティングディシジョンツリー用の XGBoost などのフレームワークに精通している場合は、Earth Engine の外部でトレーニングすることもできます。

最後に、データセットが非常に大きく、以下の制限を超える場合は、Earth Engine の外部でモデルをトレーニングすることをおすすめします。

トレーニング用に Earth Engine からデータをエクスポートする

TFRecord データ形式は、TensorFlow でのトレーニング用に最適化されています。機械学習の例のページには、TFRecord を使用してモデルをトレーニングする方法を示す TensorFlow ワークフローがいくつか含まれています。
また、Google Cloud Dataflow でホストされている Apache Beam を使用してデータをダウンロードし、TensorFlow を使用して Vertex AI でトレーニングする方法の例については、土地被覆分類チュートリアルをご覧ください。Colab ノートブックに沿って操作してください。

Earth Engine の外部のモデルから予測を取得する

Earth Engine の外部でモデルをトレーニングする場合は、そのモデルから予測を取得する方法がいくつかあります。

Earth Engine の ee.Model パッケージを使用すると、Earth Engine のデータと Google の Vertex AI でホストされているトレーニング済みモデルを使用して予測を行うことができます。Vertex AI でカスタムトレーニングモデルをホストし、ee.Model.fromVertexAi を使用して Earth Engine で直接推論を実行できます。詳細については、画像予測ガイドまたはテーブル予測ガイドをご覧ください。
また、土地被覆分類チュートリアルでは、Cloud Functions などのクラウドサービスを使用して予測を行う方法について説明しています。

Earth Engine 以外でモデルをトレーニングするその他の理由

慣れや好みに加えて、Earth Engine の Machine Learning API でサポートされていないモデルアーキテクチャ（畳み込みニューラルネットワークなど）を使用する場合、Vertex AI の機能をさらに使用する場合、または Earth Engine の Machine Learning API でスケーリングの制限が発生する場合は、Earth Engine の外部でモデルをトレーニングすることをおすすめします。

トレーニングセットの制限

通常、ee.Classifier または ee.Clusterer を使用したトレーニングは、最大 100 MB のデータセットで効果的です。おおまかな目安として、32 ビット（浮動小数点数）の精度を想定すると、次の条件を満たすトレーニングデータセットに対応できます（ここで、n はサンプル数、b はバンド数です）。

nb ≤ (100 * 2 ²⁰) / 4

たとえば、100 バンドを使用してトレーニングする場合、トレーニングに使用するサンプル数は 200,000 未満にする必要があります。

推論の上限

Earth Engine は 256x256 の画像タイルを処理するため、画像に対する推論リクエストのバンド数は 400 未満にする必要があります（ここでも、画像の 32 ビット精度を前提としています）。

分類子を複数回再トレーニングして、各トレーニング実行のデータセットを制限内に収めることができます。

      var trainings = ee.List.sequence(0, 3).map(function(cover) {
          return image.addBands(landcover.eq(cover).stratifiedSample(…)
      })

      var classifier = ee.Classifier.smileCart()
          .train(trainings.get(0), "cover")
          .train(trainings.get(1), "cover")
          .train(trainings.get(2), "cover")
          .train(trainings.get(3), "cover")

モデルサイズの制限

また、モデル自体は 100 MB 未満である必要があります。多くの分類子は、複雑さ、つまりサイズを制限するように構成できます。次に例を示します。

      var classifier = ee.Classifier.smileRandomForest({
          numberOfTrees: 10,
          minLeafPopulation: 10,
          maxNodes: 10000
      })