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。
作物マップは農業モニタリングと食品管理にとって重要であり,発展途上国におけるコールドサプライチェーンインフラストラクチャの設定のようなドメイン特異的応用をさらに支援できる。自由に利用可能な衛星画像と組み合わせた機械学習(ML)モデルは,費用対効果が高く空間分解能の高い作物地図を作成するのに利用できる。しかし,教師つき学習のための地上真実データへのアクセスは,特に作物タイプマップの欠如や信頼できる農地地図をしばしばもたらす,小保持や断片化地理のような因子により発展途上国において特に困難である。本研究の関心領域は,インドのHimachal Pradeshにあり,Kullu,Shimla,Mandi地区の10メートル分解能でオープンアクセスバイナリ農地地図を作成することを目的としている。この目的のために,Sentinel-2衛星画像時系列に依存するMLパイプラインを開発した。2つのピクセルベースの教師付き分類器,サポートベクトルマシン(SVM)およびランダムフォレスト(RF)を検討し,それを二値農地マッピングのためにピクセル時系列を分類するために使用した。訓練,検証および試験に用いたグランドトルースデータを,野外調査基準点と非常に高い解像度(VHR)画像の視覚解釈の組み合わせから手動で注釈した。局所空間自己相関を説明し,全ロバスト性と低計算コストによりRFモデルを選択するために,空間交差検証によりモデルを訓練し,検証した。各地区の保持試験セットにおける精度,再現,精度,およびF1スコアを計算することによって,画素レベルで選択したモデルの一般化能力をテストし,87%のRF(最良モデル)の平均精度を達成した。このモデルを用いて,Himachal Pradeshの3地区,すなわち14,600km ̄2にわたる農地地図を作成し,既存の公共地図の分解能と品質を改善した。【JST・京大機械翻訳】