文献

J-GLOBAL ID：202102210719855608   整理番号：21A2454142

超高空間分解能衛星画像と機械学習法を用いた混合落葉樹林における樹種分類【JST・京大機械翻訳】

Tree Species Classification in Mixed Deciduous Forests Using Very High Spatial Resolution Satellite Imagery and Machine Learning Methods

著者 (3件)： Deur Martina (Institute for spatial planning of Sibenik-Knin County, Vladimira Nazora 1/IV, 22000 Sibenik, Croatia) ,  Gasparovic Mateo (Chair of Photogrammetry and Remote Sensing, Faculty of Geodesy, University of Zagreb, 10000 Zagreb, Croatia) ,  Balenovic Ivan (Division for Forest Management and Forestry Economics, Croatian Forest Research Institute, Trnjanska cesta 35, HR-10000 Zagreb, Croatia)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 23  ページ： 3926  発行年： 2020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： 樹木種組成に関する空間的明示的情報は森林管理と保全部門の両方にとって重要である。機械学習アルゴリズムと組み合わせて,非常に高解像度の衛星画像は,労働集約的で時間のかかるフィールドベースの調査の必要性を低減するための効果的な解決策を提供するかもしれない。本研究では,中央クロアチアの低地,混合落葉樹林における3つの主な樹木種(Quercus robur L.,Carpinus betulus L.およびAlnus glutinosa(L.)Geartn.)の分類のためのマルチスペクトルWorldView-3(WV-3)衛星画像の使用の可能性を評価した。画素ベースの教師つき分類は,ランダムフォレスト(RF)とサポートベクトルマシン(SVM)の2つの機械学習アルゴリズムを用いて行った。さらに,樹種分類におけるWV-3画像からのグレイレベル共起行列(GLCM)テクスチャ特徴の寄与を評価した。主成分分析により,GLCM分散が最も重要なテクスチャ特徴であることを確認した。373の視覚的に解釈された参照多角形のうち,237を訓練多角形として用い,136を検証多角形として使用した。検証結果は,WV-3スペクトル特性とRF分類手法のみに基づく樹木種分類に対して比較的高い総合精度(85%)を示した。予想されたように,スペクトルおよびテクスチャ特徴の組み合わせによって分類精度の改善を達成した。GLCM分散の追加使用により,RFおよびSVM分類手法に対して,総合精度は,それぞれ10%および7%改善した。Copyright 2021 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： スペクトル ,  画素 ,  *落葉樹林 ,  *衛星利用画像 ,  主成分分析 ,  高分解能 ,  ハンノキ属 ,  *機械学習 ,  学習アルゴリズム ,  サポートベクトルマシン
準シソーラス用語： 共起行列 ,  森林管理 ,  ランダムフォレスト ,  テクスチャ特徴 ,  同時生起行列 , 【Automatic Indexing@JST】

著者キーワード (6件)： 画素ベースの教師付き分類 ,  ランダムフォレスト ,  サポートベクトルマシン ,  グレイレベル共起行列(GLCM) ,  主成分分析(PCA) ,  WorldView-3

分類 (2件)： リモートセンシング一般  (AD04000L) ,  写真測量,空中写真  (RC02040D)

引用文献 (70件)：

• Gering, L.R.; May, D.M.; Teuber, K.B. The use of aerial photographs and angle-gauge sampling of tree crown diameters for forest inventories. In Proceedings of the State-Of-The-Art Methodology of Forest Inventory, Syracuse, NY, USA, 30 July-5 August 1989; pp. 286-289.
• Balenović, I.; Milas, A.S.; Marjanović, H. A Comparison of Stand-Level Volume Estimates from Image-Based Canopy Height Models of Different Spatial Resolutions. Remote Sens. 2017, 9, 205.
• McRoberts, R.E.; Cohen, W.B.; Næsset, E.; Stehman, S.V.; Tomppo, E.O. Using remotely sensed data to construct and assess forest attribute maps and related spatial products. Scand. J. For. Res. 2010, 25, 340-367.
• Lechner, A.M.; Foody, G.M.; Doreen, S.; Boyd, D.S. Applications in Remote Sensing to Forest Ecology and Management. One Earth 2020, 2, 405-412.
• Fassnacht, F.E.; Latifi, H.; Sterenczak, K.; Modzelewska, A.; Lefsky, M.; Waser, L.T.; Straub, C.; Ghosh, A. Review of studies on tree species classification from remotely sensed data. Remote Sens. Environ. 2016, 186, 64-87.

タイトルに関連する用語 (6件)： 高空間分解能 ,  衛星画像 ,  機械学習 ,  落葉樹林 ,  樹種 ,  分類