文献

J-GLOBAL ID：202002232349090355   整理番号：20A0530894

動的全球土地被覆マッピングに向けた訓練サンプルの移動【JST・京大機械翻訳】

The migration of training samples towards dynamic global land cover mapping

著者 (9件)： Huang Huabing (School of Geospatial Engineering and Science, Sun Yat-Sen University, Guangzhou 510275, China) ,  Huang Huabing (State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China) ,  Huang Huabing (Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519082, China) ,  Wang Jie (State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China) ,  Wang Jie (Ministry of Education Key Laboratory for Earth System Modeling, Department of Earth System Science, Tsinghua University, Beijing 100084, China) ,  Liu Caixia (State Key Laboratory of Remote Sensing Science, Institute of Remote Sensing and Digital Earth, Chinese Academy of Sciences, Beijing 100101, China) ,  Liang Lu (Department of Geography and the Environment, University of North Texas, 1155 Union Circle, Denton, TX 76203, USA) ,  Li Congcong (Department of Environmental Science, Policy and Management, University of California, Berkeley, CA 94720-3114, USA) ,  Gong Peng (Ministry of Education Key Laboratory for Earth System Modeling, Department of Earth System Science, Tsinghua University, Beijing 100084, China)
資料名： ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing)  (ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing))
巻： 161  ページ： 27-36  発行年： 2020年 
JST資料番号： H0048A  ISSN： 0924-2716  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 高品質訓練サンプルは,グローバル土地被覆マッピングのために不可欠である。伝統的に,訓練サンプルは,フィールド作業または高分解能Google地球画像に基づく手動解釈によって収集される。訓練サンプル収集の困難さのために,規則的グローバル土地被覆マッピングはまだ挑戦的である。本研究では,2015年に最初の全季節サンプルセットに基づく自動訓練サンプル移動法を開発し,Google地球エンジンクラウドベースプラットフォームにおける全ての利用可能なアーカイブ5TM画像を開発した。参照スペクトルと画像スペクトルの間のスペクトル類似性とスペクトル距離を測定することによって,著者らは2010年,2005年,2000年,1995年,および1990年における訓練サンプル画素の変化状態を検出して同定した。全体として,170,925(66%),118586(64%),1112,092(67%),154,931(63%),147267(60%)の各訓練サンプルピクセルが,各5年周期にわたって変化しないことが分かった。最初の4つの期間の変化なしの移動訓練サンプル画素の検出(ユーザの)精度は,CCI-LC(気候変動イニシアティブ土地被覆)地図と比較することによって,それぞれ99.25%,97.65%,95.03%および92.98%であった。分類実験は,移動訓練サンプルが,同じ数の訓練サンプルを用いた2015年の分類結果と比較して,2010年において71.42%の類似の分類精度を得ることができることを示した。本研究は,動的グローバル土地被覆マッピング努力のための訓練サンプルの欠如の問題を解決するための潜在的解決策を提供した。Copyright 2020 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： スペクトル ,  地球 ,  高分解能 ,  気候変動 ,  画素 ,  *土地被覆 ,  類似性
準シソーラス用語： クラウドコンピューティング ,  分類精度 ,  Google ,  高品質 , 【Automatic Indexing@JST】

著者キーワード (4件)： 訓練サンプル ,  変化検出 ,  クラウドコンピューティング ,  分類

分類 (1件)： 写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (5件)： 球 ,  土地被覆 ,  マッピング ,  訓練 ,  サンプル