抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
衛星画像時系列を用いた連続土地被覆変化に対する既存の努力は,熱帯と北半球の森林生態系に集中している。森林伐採後に起こる反射率の顕著な違いは土地被覆変化を相対精度で検出できる。低生産性,草原や灌木地のような擾乱傾向植生の変化を検出するのに,自然動態が生息地損失と区別するのが難しいという,より少ない進展がなされてきた。Renosterveldは,南アフリカにおける超多様化,決定的絶滅危惧灌木地生態系であり,小で高度に断片化したパッチに残存するその元の範囲の5~10%未満であった。ニューラルネットワークを用いた衛星画像時系列の直接分類は,その発生数日以内にRenosterveldの変換を正確に検出でき,訓練されたモデルは操作連続監視に適していることを示した。2016年と2021年の間の正確に日付した植生変化事象のデータセットを,毎日,高解像度のPlanet研究室衛星データから得た。次に,このデータセットを用いて,1D畳み込みニューラルネットワークと変圧器を訓練し,評価し,Sentinel2衛星データの植生活動の多変量時系列における土地被覆変化事象を連続的に検出した。最良のモデルは,ピクセルレベルで土地被覆変化事象の89%を正確に同定し,0.93のfスコアを達成し,傾向分析に基づく森林生態系のために設計された方法を使用して達成された0.52のfスコアの79%の改善を達成した。モデルを運用利用に展開し,10日ごとに生息場所損失の最新の検出を創出した。複雑な自然動態を有する生態系における生息場所損失の連続モニタリングに対する教師つきアプローチに大きな可能性がある。重要な制限ステップは,機械学習分類器を訓練する土地被覆変化事象の正確な日付データセットの開発である。【JST・京大機械翻訳】
