文献

J-GLOBAL ID：202102290191570375   整理番号：21A2342253

アンサンブル機械学習法を用いたマングローブ種のマッピングのためのGF-2とRapidEye衛星データの結合【JST・京大機械翻訳】

Combining GF-2 and RapidEye satellite data for mapping mangrove species using ensemble machine-learning methods

著者 (6件)： Peng Liheng (Guangdong Key Laboratory for Urbanization and Geo-Simulation, Guangdong Provincial Engineering Research Center for Public Security and Disaster, School of Geography and Planning, Sun Yat-sen University, Guangzhou, Guangdong, China) ,  Liu Kai (Guangdong Key Laboratory for Urbanization and Geo-Simulation, Guangdong Provincial Engineering Research Center for Public Security and Disaster, School of Geography and Planning, Sun Yat-sen University, Guangzhou, Guangdong, China) ,  Cao Jingjing (Guangdong Key Laboratory for Urbanization and Geo-Simulation, Guangdong Provincial Engineering Research Center for Public Security and Disaster, School of Geography and Planning, Sun Yat-sen University, Guangzhou, Guangdong, China) ,  Zhu Yuanhui (Center of Geo-Informatics for Public Security, School of Geographic Sciences, Guangzhou University, Guangzhou, China) ,  Li Fengshou (Guangdong Key Laboratory for Urbanization and Geo-Simulation, Guangdong Provincial Engineering Research Center for Public Security and Disaster, School of Geography and Planning, Sun Yat-sen University, Guangzhou, Guangdong, China) ,  Liu Lin (Center of Geo-Informatics for Public Security, School of Geographic Sciences, Guangzhou University, Guangzhou, China)
資料名： International Journal of Remote Sensing  (International Journal of Remote Sensing)
巻： 41  号： 3  ページ： 813-838  発行年： 2020年 
JST資料番号： B0645B  ISSN： 0143-1161  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： マングローブ森林は沿岸生態系の持続可能な開発のための重要な構成であり,それらはしばしばマッピングされ,リモートセンシング手法で監視されている。衛星画像はマングローブ森林の分布と組成の詳細な研究を可能にし,従って生態系の管理と保全を容易にする。異なる空間およびスペクトル分解能を有する多重タイプの衛星画像の組合せは,サンプリング作業負荷を減らし,分類精度を増加させるので,マングローブ森林抽出およびマングローブ種識別に有用である。本研究では,2017年2月と2016年11月に取得した1.0m分解能のGaofen-2(GF-2)と5.0m解像度RapidEye-4(RE-4)衛星画像を,中国,ZhuhaiのQi’ao島のコミュニティと種レベルの両方でのマングローブマッピングのためのアンサンブル機械学習とオブジェクト指向法を用いて使用した。最初に,島上のマングローブを大規模にGF-2画像からセグメント化し,次にそれらをデジタル標高モデル(DEM)データと組み合わせて抽出した。第2に,GF-2画像は,GF-2とRE-4画像の両方からのオブジェクト指向特徴を各マングローブ種に対して抽出した微細スケールでさらに処理した。第3に,それは3つのアンサンブル機械学習法,すなわち適応ブースティング(AdaBoost),ランダムフォレスト(RF)および回転森林(RoF)を含むマングローブ種分類プロセスに従う。これらの3つの方法は,分類と回帰木(CART)をベース分類器として用いた。結果は,補助データ,DEMによってQi’ao島に関するマングローブ区域抽出の全体的正確さ(OA)が98.76%(カッパ係数(κ)=0.9289)を達成することを示した。GF-2とRE-4画像によって抽出された特徴はマングローブ種識別に有益であることが示された。RoF(OA=92.01%,κ=0.9016)を用いた場合,約8%のOAと約0.10のΔΨの最大改善を達成した。アンサンブル学習法はCARTの分類精度を著しく改善でき,バギングスキーム(RFとRoF)の使用は,適応ブースティング(AdaBoost)よりもマングローブ種を地図化するより良い方法として示される。さらに,RoFはマングローブ種分類において良好に機能したが,RFとはロバストではなく,その平均OAおよびΔΨはそれぞれ80.59%および0.7608であり,一方RoFは10倍交差検証においてそれぞれ77.45%および0.7214であった。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： セグメンテーション ,  多重化 ,  リモートセンシング ,  スペクトル分解 ,  *マングローブ ,  衛星利用画像 ,  ロバスト性 ,  *機械学習 ,  持続可能な開発 ,  数値地形モデル
準シソーラス用語： アンサンブル学習 ,  AdaBoost ,  ブースティング ,  回帰木 ,  ランダムフォレスト , 【Automatic Indexing@JST】

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)： アンサンブル ,  機械学習 ,  マングローブ ,  マッピング ,  衛星データ