Sentinel-2画像の自動ラベリングによる極地海氷分類のための平行ワークフロー

極地海氷の進退パターンの観察は、地球温暖化の重要な指標として機能しています。本研究は、Sentinel-2 (S2) 画像を用いて、極地海氷を厚さ/雪被覆、若い/薄い、または開水として分類するための堅牢で効果的かつスケーラブルなシステムを開発することを目的としています。S2衛星は地球表面の高解像度画像を積極的にキャプチャしているため、多くの画像を分類する必要があります。主要な障害の一つは、真の値として機能するラベル付きのS2トレーニングデータ（画像）が存在しないことです。私たちは、慎重に決定された色の閾値を使用してS2画像をセグメンテーションし、自動的にラベリングするためのスケーラブルで正確な方法を示します。私たちはPySparkを使用して平行ワークフローを適用し、薄い雲と影でフィルタリングされた色ベースのセグメンテーションに基づいて、S2画像の自動ラベリングで9倍のデータ読み込みと16倍のマップ-リデュースの速度向上を達成します。このプロセスから生成された自動ラベルデータは、その後、U-Net機械学習モデルのトレーニングに利用され、良好な分類精度が得られます。U-Net分類モデルのトレーニングは計算負荷が高く時間がかかるため、Horovodフレームワークを使用してDGXクラスター上で8つのGPUにわたってU-Netモデルのトレーニングを分散させ、精度に影響を与えることなく7.21倍の速度向上を実現します。南極のロス海地域を例として使用すると、S2画像から薄い雲と影がフィルタリングされた場合、自動ラベルデータでトレーニングされたU-Netモデルは自動ラベル付きトレーニングデータセットに対して98.97%の分類精度を達成します。