文献

J-GLOBAL ID：202002231094323524   整理番号：20A2440005

Sentinel-2河川シーンの完全ファジィ分類のためのUAVベース訓練【JST・京大機械翻訳】

UAV-based training for fully fuzzy classification of Sentinel-2 fluvial scenes

著者 (10件)： Carbonneau P. E. (Department of Geography, Durham University, Durham, UK) ,  Belletti B. (Department of Electronics, Information and Bioengineering, Polytechnic University of Milan, Milan, Italy) ,  Belletti B. (CNRS UMR5600-EVS, University of Lyon, Lyon, France) ,  Micotti M. (Department of Electronics, Information and Bioengineering, Polytechnic University of Milan, Milan, Italy) ,  Lastoria B. (Water Protection Department, Istituto Superiore per la Protezione e la Ricerca Ambientale (ISPRA), Rome, Italy) ,  Casaioli M. (Water Protection Department, Istituto Superiore per la Protezione e la Ricerca Ambientale (ISPRA), Rome, Italy) ,  Mariani S. (Water Protection Department, Istituto Superiore per la Protezione e la Ricerca Ambientale (ISPRA), Rome, Italy) ,  Marchetti G. (Department of Electronics, Information and Bioengineering, Polytechnic University of Milan, Milan, Italy) ,  Marchetti G. (Faculty of Science and Technology, Free University of Bozen-Bolzano, Bolzano, Italy) ,  Bizzi S. (Department of Geosciences, University of Padova, Padova, Italy)
資料名： Earth Surface Processes and Landforms  (Earth Surface Processes and Landforms)
巻： 45  号： 13  ページ： 3120-3140  発行年： 2020年 
JST資料番号： A0153A  ISSN： 0197-9337  CODEN： ESPLDB  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： 全球河川面積の推定76%は30m以上の幅のチャネルによって占められる。10mの分解能を有するSentinel-2画像は,国家および地球規模の河川回廊の構成に関する情報を供給できた。サブピクセル組成を推論するファジィ分類モデルは,空間分解能10mで画像化された小チャネル幅を補償するためにさらに使用できる。このアプローチに対する主要な課題は,画像放射輝度値から土地被覆型情報を予測できる機械学習モデルで利用できる適切な訓練データの取得である。本論文では,大規模調査が可能なファジィ分類手法を開発するために,無人航空機(UAV)とSentinel-2画像を組み合わせた方法を示した。本アプローチは,すべてのバンドが10mの空間分解能に超分解されるSentinel-2データのファジィ分類モデルを訓練するために使用できる高分解能クラス情報を導出するために,超空間UAV画像を使用する。5.25km2の面積をカバーする多重時間UAVデータセットを用いた。新しい畳み込みニューラルネットワーク(CNN)分類器を用いて,著者らは,水,植生および乾燥堆積物のクラスに分割される河川回廊におけるSentinel-2ピクセルに対するサブピクセルメンバーシップを予測する。著者らのCNNモデルは,-5%から+3%の中央値誤差と10%から20%の平均絶対誤差でファジィクラスメンバーシップを予測することができる。また,このCNNファジィ予測子を用いて,95.5%から99.9%までの精度を持つクリスプクラスを予測できることを示した。最後に,著者らは,局所的UAVデータで訓練されたファジィCNNモデルが,より長いチャネル範囲に適用され,新しい植生成長を検出することができるかを示すために用例を使用する。したがって,自由に利用できる衛星データの現場検証ツールとしてのUAVsの新しい使用は,地域と地域の河川研究の間のスケールギャップを埋めることができると主張する。Copyright 2020 Wiley Publishing Japan K.K. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *河川 ,  画素 ,  多重化 ,  無人機 ,  廊下 ,  超空間 ,  高分解能 ,  放射輝度 ,  曖昧さ ,  乾性沈降 ,  土地被覆 ,  機械学習
準シソーラス用語： 訓練データ ,  予測子 ,  サブピクセル , 【Automatic Indexing@JST】

著者キーワード (6件)： 機械学習 ,  UAV ,  ファジィ教師付き分類 ,  Sentinel-2 ,  超分解能 ,  河川環境

分類 (2件)： リモートセンシング一般  (AD04000L) ,  光学情報処理  (BD03060T)

タイトルに関連する用語 (5件)： 河川 ,  シーン ,  ファジィ分類 ,  UAV ,  訓練