文献

J-GLOBAL ID：201902234879772509   整理番号：19A1958715

MODIS陸面温度の空間ダウンスケーリングにおける機械学習アルゴリズムの評価【JST・京大機械翻訳】

Evaluation of Machine Learning Algorithms in Spatial Downscaling of MODIS Land Surface Temperature

著者 (5件)： Li Wan (State Key Laboratory of Resources and Environment Information System, Chinese Academy of Sciences, Institute of Geographic Science and Nature Resources Research, Beijing, China) ,  Ni Li (Key Laboratory of Digital Earth Science, Chinese Academy of Sciences, Institute of Remote Sensing and Digital Earth, Beijing, China) ,  Li Zhao-Liang (Key Laboratory of Agri-Informatics, Ministry of Agriculture Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Duan Si-Bo (Key Laboratory of Agri-Informatics, Ministry of Agriculture/Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences, Beijing, China) ,  Wu Hua (State Key Laboratory of Resources and Environment Information System, Chinese Academy of Sciences, Institute of Geographic Science and Nature Resources Research, Beijing, China)
資料名： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing  (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
巻： 12  号： 7  ページ： 2299-2307  発行年： 2019年 
JST資料番号： W2259A  ISSN： 1939-1404  CODEN： IJSTHZ  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： 地表面温度(LST)は,地表生物物理学的プロセスの最も重要な環境パラメータの1つとして記述されている。一般的に,リモートセンシングされたLST製品は,高い時間的および高い空間分解能の間のトレードオフをもたらす。従って,多くのダウンスケーリングアルゴリズムがこの問題に対処するために提案されている。最近,人工ニューラルネットワーク(ANNs),サポートベクトルマシン(SVM),およびランダムフォレスト(RF)などを含む機械学習アルゴリズムによるダウンスケーリングは,高速演算と高い計算精度でより多くの認識を得た。本論文では,990から90mまでの中分解能画像分光放射計のLST積をダウンスケールするための機械学習アルゴリズムの比較を行い,ダウンスケーリング結果を,先進衛星搭載熱放射と反射放射計の再サンプリングLST積により検証した。この結果を,北京市の2つの代表的な地域から得られた画像を用いて,古典的なアルゴリズム-熱シャープニングアルゴリズム(TsHARP)と比較した。結果は以下を示す。1)すべての機械学習アルゴリズムはTsHARPより高い精度を生成する。2)都市区域に関するTsHARPの性能は,正規化した相違植生指数によって不浸透性表面の弱い表示のため,地方より満足でなかった。しかし,機械学習アルゴリズムは,両方の2つの区域に関して望ましい結果を得た。ANNとRFモデルは,良い結果を得た。しかし,土地表面に関する平滑化効果があった。また,3)機械学習アルゴリズムは,長い空間時間的シーケンスから訓練データ内の任意の領域に対してLSTをダウンスケールできる普遍的なフレームワークを達成するのに有望である。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ニューラルネットワーク ,  高速度 ,  都市 ,  リモートセンシング ,  空間分解能 ,  分光放射計 ,  正規化 ,  パラメータ ,  地表面 ,  *学習アルゴリズム ,  サポートベクトルマシン ,  *アルゴリズム ,  画像
準シソーラス用語： *ダウンスケーリング ,  *MODIS , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  気象学一般  (DC05010D)

タイトルに関連する用語 (6件)： MODIS ,  陸面温度 ,  ダウンスケーリング ,  機械学習 ,  アルゴリズム ,  評価