文献

J-GLOBAL ID：201802247451855333   整理番号：18A0794830

時系列Landsatデータと機械学習法を用いた圃場レベルの作物型の高性能で季節内の分類システム【JST・京大機械翻訳】

A high-performance and in-season classification system of field-level crop types using time-series Landsat data and a machine learning approach

著者 (10件)： Cai Yaping (CyberGIS Center for Advanced Digital and Spatial Studies, Department of Geography and Geographical Information Sciences, University of Illinois at Urbana-Champaign, Urbana, IL, United States) ,  Cai Yaping (National Center for Supercomputing Center, University of Illinois at Urbana Champaign, Urbana, IL, United States) ,  Guan Kaiyu (National Center for Supercomputing Center, University of Illinois at Urbana Champaign, Urbana, IL, United States) ,  Guan Kaiyu (Department of Natural Resources and Environmental Sciences, University of Illinois at Urbana Champaign, Urbana, IL, United States) ,  Peng Jian (Department of Computer Science, University of Illinois at Urbana Champaign, Urbana, IL, United States) ,  Wang Shaowen (CyberGIS Center for Advanced Digital and Spatial Studies, Department of Geography and Geographical Information Sciences, University of Illinois at Urbana-Champaign, Urbana, IL, United States) ,  Wang Shaowen (National Center for Supercomputing Center, University of Illinois at Urbana Champaign, Urbana, IL, United States) ,  Seifert Christopher (Department of Earth System Science, Stanford University, Stanford, CA, United States) ,  Wardlow Brian (Center for Advanced Land Management Technologies, School of Natural Resources, University of Nebraska-Lincoln, United States) ,  Li Zhan (School for the Environment, University of Massachusetts Boston, Boston, MA, United States)
資料名： Remote Sensing of Environment  (Remote Sensing of Environment)
巻： 210  ページ： 35-47  発行年： 2018年 
JST資料番号： C0252B  ISSN： 0034-4257  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： リモートセンシングデータに基づく作物タイプの正確でタイムリーな空間分類は,科学的および実用的目的の両方にとって重要である。空間的に明示的な作物型情報は,作物保険,土地賃ren,供給チェーンロジスティックス,および金融市場予測のような様々なモニタリングおよび意思決定応用のための作物地域の推定に使用できる。しかしながら,米国コーンベルト(トウモロコシとダイズにより支配される景観)に対する公的に利用可能な空間的に明示的な季節内作物分類情報は存在しない。その代わりに,研究者と意思決定者は,収穫後4~6か月まで待たなければならない。crop型分類に関する最先端の研究は,スペクトルと時系列情報を一緒に結合するために,単一静的画像のスペクトル特徴のみに依存することからシフトした。Landsatデータはフィールドレベルの作物分類のための望ましい空間分解能を有するが,Landsatデータに基づく時間的生物季節学情報を抽出する能力は,低い時間的再訪問頻度と必然的な雲汚染のために課題となっている。この挑戦に取り組み,正確で費用対効果が高く,季節内の作物分類を作り出すために,本研究では,USDAのCommon Land Unit(クラブ)を用いて,分類プロセスの知的でスケーラブルな計算のために,Deepニューラルネットワーク(DNN)と高性能コンピューティングに基づく機械学習モデルを利用して,雲汚染問題を大きく克服した。実験は,作物型分類のために機械学習モデルを訓練するために最も役に立つ情報を評価するために設計された。そして,タイムリーな作物型情報を引き出すために,様々な空間的および時間的因子が作物分類性能にどのように影響を及ぼすかを評価した。すべての実験を中央Ilイに位置するChampaign郡上で行い,2000年から2015年にわたる6つの光学スペクトル帯を含む合計1322のLandsat多重時間シーンを用いた。計算実験は,研究領域における時間的生物情報と均等に分布した空間訓練サンプルの包含が分類性能を改善することを示した。短波赤外バンドは,トウモロコシとダイズを分類するために広く使用されている可視および近赤外バンドよりも著しく優れた性能を示した。USDAの作物データ層(CDL)と比較して,本研究は2000年から2015年までのChampaign郡におけるすべてのCLU圃場を通してトウモロコシとダイズを分類するための96%の相対的に高いオーバーオールAccuracy(すなわち全圃場の数によって分割された分類圃場の数)を見出した。さらに,著者らのアプローチは,トウモロコシとダイズを分類するために,同時年の7月後半までに95%のオーバーオールAccuracyを達成した。本論文で提示した方法論は,米国コーンベルトのような大規模な地理的規模までスケールアップできる,圃場レベルの作物タイプの正確で,費用対効果が高く,季節内分類のために有望であることを示唆した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： リモートセンシング ,  ニューラルネットワーク ,  近赤外線 ,  *農作物 ,  ダイズ ,  意思決定 ,  画像 ,  アメリカ合衆国 ,  多重化 ,  空間分解能 ,  ロジスティックス ,  *機械学習
準シソーラス用語： 費用対効果 ,  コーンベルト ,  サプライチェーン , 【Automatic Indexing@JST】

著者キーワード (5件)： 作物型分類 ,  機械学習 ,  リモートセンシング ,  フェノロジー ,  ディープニューラルネットワーク(DNN)

分類 (1件)： リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (8件)： 時系列 ,  LANDSAT ,  機械学習 ,  圃場 ,  作物 ,  高性能 ,  季節 ,  分類