季節作物の分類は、洪水、雲の被覆、作付けカレンダーの変動が影響する地域における農業モニタリングに不可欠である[1,2]。近年の作物マッピング研究では、空間的文脈と時間的なフェノロジーを併用することで深層学習による分類が改善されることが示されている[3,4]。しかし、熱帯の季節システムにおいて1次元、2次元、3次元畳み込みニューラルネットワーク（CNN）アーキテクチャの比較挙動は十分に調べられていない[5]。本研究は、タイのチャチン川流域において、季節的な土地被覆および作物分類のために1次元、2次元、3次元CNNモデルを評価する。マルチ時期のSentinel-1およびSentinel-2データを用い、光学的植生指数とレーダ後方散乱特徴を、涼季・熱季・雨季の各季節に対応する季節データキューブへ集約した。雲に起因する欠測を抑えるため、時間補間と平滑化を適用した。モデルは季節間で比較され、入力タイムステップと特徴バンドが分類性能に与える影響を増分実験で評価した。結果は、単一の普遍的に優位なモデルではなく、アーキテクチャ依存の季節的挙動を示す。1次元CNNは十分な時間-スペクトル情報に強く依存し、2次元CNNは空間的に整合した作物パターンの恩恵を受け、3次元CNNは季節条件にまたがるより完全な時空間表現を提供する。さらに、日年内の成長段階特徴を組み込んだ改良型3次元CNNにより、フェノロジーの正規化をより詳細に検討する。ただし、ラベルの信頼性と作付け日の不確実性は依然として制約要因である。本研究の知見は、季節作物マッピングにおけるCNNの次元性を重要な設計選択として位置づけ、気候の影響を受けた農業地域における今後のCNN-RNNやトランスフォーマーベースの手法に向けた基準データを提供する。
https://doi.org/10.20944/preprints202609.0168.v1