複雑な高解像度の衛星画像や航空画像を完全に理解するためには、広範囲に関連するコンテクストに対する空間的な推論が必要となることが多い。人間の物体認識システムは、長距離に関連するコンテクストを用いてシーン内の物体を理解することが可能である。例えば、人間が樹冠によって区切られた道路の一部が見える航空画像を見た場合、樹木によって道路が実際には断片的に分断されていると結論付けることはほとんどなく、近隣の樹木の樹冠が道路を覆っていると考えるだろう。しかし、現代の機械学習モデルにおける長距離コンテクスト理解に関する研究は限られている。本研究では、地空間機械学習モデルの空間的な長距離コンテクスト理解を評価するための道路セグメンテーションベンチマークデータセット「チェサピーク・ロードス・スペーシャル・コンテクスト（RSC）」を提案し、一般的に使用されるセマンティックセグメンテーションモデルがこのタスクで失敗することを示す。例えば、背景から道路をセグメントするために訓練されたU-Netは、非遮蔽道路に対して84%のリコール率を達成した一方で、同じ方法で訓練されたにもかかわらず樹冠によって覆われた道路では63.5%のリコール率しか達成できなかった。さらに、決定に関連するコンテクスト（本研究の場合、非遮蔽道路）が距離によってどのように変化するかに応じてモデルの性能がどのように変化するか分析した。今後の研究を促進するために、実験再現用のコードと画像およびマスクのデータセットを公開している -- https://github.com/isaaccorley/ChesapeakeRSC。