文献

J-GLOBAL ID：201802248313351744   整理番号：18A1073123

粗解像度衛星画像を用いた学習ベースのサブピクセル変化検出【JST・京大機械翻訳】

Learning-Based Sub-Pixel Change Detection Using Coarse Resolution Satellite Imagery

著者 (3件)： Xu Yong (Institute of Future Cities, The Chinese University of Hong Kong, Hong Kong, China) ,  Lin Lin (School of Mathematics and Statistics and Ministry of Education Key Lab of Intelligent Networks and Network Security, Xi’an Jiaotong University, Xi’an 710000, China) ,  Meng Deyu (School of Mathematics and Statistics and Ministry of Education Key Lab of Intelligent Networks and Network Security, Xi’an Jiaotong University, Xi’an 710000, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 9  号： 7  ページ： 709  発行年： 2017年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 中分解能撮像分光放射計(MODIS)データは,都市被覆変化や熱異常のような都市動力学を監視するのに有効で効率的であるが,MODISデータによって提供される空間分解能は500m(大部分の短いスペクトルバンド)であり,特に高速成長都市の粗ピクセル内の微妙な空間変動の検出が困難である。歴史的土地利用/被覆製品とより細かい分解能における衛星データが,より多くの空間的詳細によって都市動力学を反映するために価値があるならば,より細かい空間分解能画像ならびに以前の時間における土地被覆生成物は,粗い分解能衛星データの変化検出能力を改良するために本研究において活用した。提案したアプローチは2つの主要なステップを含む。最初に,以前の時間における粗くて細かい分解能衛星データの対を学習して,次に,粗い分解能衛星データからより細かい空間分解能によって合成衛星データを生み出すために適用した。第二に,土地被覆地図をより細かい空間分解能で作り,得られた合成衛星データと事前土地被覆地図で調整した。この手法を,広州研究地域からのMODISデータを用いて,より細かい分解能合成Landsat画像を生成するために試験した。次に,より細かい分解能Landsat様データを,より多くの空間的詳細による土地被覆変化を検出するために適用した。試験結果により,合成Landsatデータによる提案手法を用いた変化検出精度は,元のMODISデータまたは従来の空間的および時間的融合ベース手法を用いた結果よりもはるかに良好であることを示した。提案した手法は,多時間粗衛星データが利用可能な場合に,より空間的な詳細により,微妙な都市土地被覆の変化を検出するのに有益である。Copyright 2018 The Author(s). All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 空間分解能 ,  被覆 ,  土地利用 ,  土地被覆 ,  *衛星利用画像 ,  *画素 ,  LANDSAT ,  スペクトルバンド ,  都市
準シソーラス用語： 土地被覆変化 ,  衛星データ ,  MODIS ,  *変化検出 ,  *サブピクセル , 【Automatic Indexing@JST】

著者キーワード (6件)： 土地被覆の変化 ,  ダウンスケーリング ,  サブピクセル変化検出 ,  機械学習 ,  MODIS ,  ランドサット

分類 (3件)： リモートセンシング一般  (AD04000L) ,  測樹学  (FF01040T) ,  光学情報処理  (BD03060T)

引用文献 (33件)：

• Bruzzone, L.; Prieto, D.F. An adaptive semi-parametric and context-based approach to unsupervised change detection in multitemporal remote-sensing images. IEEE Trans. Image Process. 2002, 11, 452-466.
• Xu, Y.; Huang, B. Spatial and temporal classification of synthetic satellite imagery: Land cover mapping and accuracy validation. Geo-Spat. Inf. Sci. 2014, 17, 1-7.
• Singb, A. Digital change detection techniques using remotely sensed data. Int. J. Remote Sens. 1989, 10, 989-1003.
• Wang, Q.; Lin, J.; Yuan, Y. Salient band selection for hyperspectral image classification via manifold ranking. IEEE Trans. Neural Netw. Learn. Syst. 2016, 27, 1279-1289.
• Fung, T.; LeDrew, E. Application of principal components analysis to change detection. Photogramm. Eng. Remote Sens. 1988, 53, 1649-1658.

タイトルに関連する用語 (5件)： 解像度 ,  衛星画像 ,  学習 ,  サブピクセル ,  変化検出