文献

J-GLOBAL ID：202102222755926899   整理番号：21A2454544

EOデータ上の地滑りのマッピング:深層学習モデル対伝統的機械学習モデルの性能【JST・京大機械翻訳】

Mapping Landslides on EO Data: Performance of Deep Learning Models vs. Traditional Machine Learning Models

著者 (3件)： Prakash Nikhil ,  Manconi Andrea ,  Loew Simon
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 3  ページ： 346  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： 自動化手法を用いたマッピング地滑りは挑戦的なタスクであり,それはまだ人間の努力を用いて行われている。今日,高分解能EOデータ製品のアベイラビリティは指数的に増加し,目標の一つは地滑りインベントリーの急速な発生のためにこのデータ源を利用することである。画素ベースおよびオブジェクトベース機械学習戦略のような従来の方法は,過去10年間,広く研究されている。さらに,CNN(畳込みニューラルネットワーク)の最近の進歩,一種の深層学習法は,画像から情報を抽出する際に広く成功し,他の従来の学習法より優れている。ここ数年,地滑りマッピングのためにCNNを適応させる試みがほんのわずかである。本研究では,特徴抽出のためのResNet34ブロックを用いて,EOデータからの地域規模での地滑りの意味論的セグメンテーションのための修正U-Netモデルを導入した。また,これを従来のピクセルベースおよびオブジェクトベース手法と比較した。実験は,アメリカ,オレゴンのポートランドの南部で選択した研究領域であるダグラス郡で行われ,SLIDOから抽出した地滑りインベントリー(オレゴンの全国ランドスリド情報データベース)は,グランドトルースとして考えられた。” (Oregon of Oregon)から抽出した。地滑りマッピングは,訓練データの非常に限られたアベイラビリティを有する不均衡な学習問題である。選択した訓練領域からサンプリングした拡張画像タイルを用いて,焦点Tversky損失とクロスエントロピー損失関数の組合せで,このネットワークを訓練した。深い学習法は,0.495のMCC(Matthews相関係数)スコアと0.72のPOD(検出可能性)を有する従来法よりも優れた性能を有することが観察された。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： 自動化 ,  *学習 ,  *学習モデル ,  セグメンテーション ,  ネットワーク ,  特徴抽出 ,  *地滑り ,  アベイラビリティ ,  画素 ,  リモートセンシング ,  在庫量 ,  *機械学習
準シソーラス用語： グランドトゥルース ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (12件)： 地滑り ,  地すべりマッピング ,  リモートセンシング ,  機械学習 ,  深層学習 ,  畳込みニューラルネットワーク(CNN) ,  レスネット ,  U-Net ,  ピクセルベース ,  オブジェクトベース ,  セマンティックセグメンテーション ,  ダイス係数

分類 (2件)： 人工知能  (JE08000Z) ,  医用画像処理  (JE04020T)

引用文献 (82件)：

• Cruden, D.M. A simple definition of a landslide. Bull. Eng. Geol. Environ. 1991, 43, 27-29.
• Turner, A.K. Social and environmental impacts of landslides. Innov. Infrastruct. Solut. 2018, 3, 70.
• Dilley, M.; Chen, R.S.; Deichmann, U.; Lerner-Lam, A.; Arnold, M.; Agwe, J.; Buys, P.; Kjekstad, O.; Lyon, B.; Yetman, G. Natural Disaster Hotspots: A Global Risk Analysis (English); World Bank: Washington, DC, USA, 2005; pp. 1-132.
• Froude, M.J.; Petley, D.N. Global fatal landslide occurrence from 2004 to 2016. Hazards Earth Syst. Sci. 2018, 18, 2161-2181.
• Cooper, A.H. The classification, recording, databasing and use of information about building damage caused by subsidence and landslides. Q. J. Eng. Geol. Hydrogeol. 2008, 41, 409-424.

タイトルに関連する用語 (5件)： 地滑り ,  マッピング ,  深層学習 ,  モデル ,  機械学習