文献

J-GLOBAL ID：201802276238088848   整理番号：18A0028880

アラル海流域における活性農地の分類のための特徴抽出と機械学習【Powered by NICT】

Feature extraction and machine learning for the classification of active cropland in the Aral Sea Basin

著者 (5件)： Dimov Dimo (Department of Remote Sensing, Institute of Geography and Geology, University of Wuerzburg) ,  Low Fabian (MapTailor Geospatial Consulting GbR, Bonn, Germany) ,  Ibrakhimov Mirzahayot (Khorezm Rural Advisory Support Service, Urgench, Uzbekistan) ,  Sarah-Schonbrodt-Stitt (Department of Remote Sensing, Institute of Geography and Geology, University of Wuerzburg) ,  Conrad Christopher (Department of Remote Sensing, Institute of Geography and Geology, University of Wuerzburg)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IGARSS  ページ： 1804-1807  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： アラル海流域(ASB)の灌漑ゾーンのような大面積にわたって農業モニタリングは高時間分解能と大きな幅によるリモートセンシング画像を必要とする。MODISかあるいは来るべきSentinel 3のような衛星センサはこれらの要求に適している。活性農地被覆の明確な識別は他の土地被覆タイプの混合画素効果による低空間分解能画像を用いた不可能である。本論文では,ランドサット8データを利用し,3年連続(2014-2016)のためのASBにおける活性農地の導出を提出した。各観測年ではそれぞれのシーズンに40Landsatシーン二成長季節(春と夏)から構成される,合計240のLandsatシーンであった。リモート農業地域のための適切な現場データが不足しているため,画像セグメンテーションとk-平均クラスタリングに基づく特徴抽出法を適用した画像分類を含むための機械学習アルゴリズムに転送される農業場の試料を明らかにすることである。簡単なMarkov論理は,観察年を事前分布値を導入するのに使用した。結果を明確に示し,それは活動中の耕作地の抽出は,時系列データの必要性,雲と取得日不規則性により制限されているなしに可能であることを示した。モデル移行性試験は,隣接または非隣接シーンからの訓練データセットを用いた未知データに機械学習推論を評価した。各季節の活性農地の抽出も土地利用強度と作物回転パターンの評価のような二次情報を得た。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： クラスタ化 ,  *機械学習 ,  *農地 ,  土地利用 ,  農業 ,  LANDSAT ,  画像 ,  空間分解能 ,  *特徴抽出 ,  *流域 ,  土地被覆
準シソーラス用語： 時系列データ ,  MODIS ,  リモートセンシング画像 ,  *Aral海 , 【Automatic Indexing@JST】

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 (7件)： アラル海 ,  流域 ,  活性 ,  農地 ,  分類 ,  特徴抽出 ,  機械学習