文献

J-GLOBAL ID：202202215448594862   整理番号：22A0630130

衛星リモートセンシング,土壌サンプリングおよび機械学習を統合する土壌塩分予測の全球Meta解析【JST・京大機械翻訳】

A Global Meta-Analysis of Soil Salinity Prediction Integrating Satellite Remote Sensing, Soil Sampling, and Machine Learning

著者 (9件)： Shi Haiyang (State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Beijing, China) ,  Hellwich Olaf (Department of Computer Vision and Remote Sensing, Technische Universitaet Berlin, Berlin, Germany) ,  Luo Geping (State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Beijing, China) ,  Chen Chunbo (Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Beijing, China) ,  He Huili (State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Beijing, China) ,  Ochege Friday Uchenna (Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Beijing, China) ,  Van de Voorde Tim (Department of Geography, Ghent University, Ghent, Belgium) ,  Kurban Alishir (Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Beijing, China) ,  Maeyer Philippe de (College of Resources and Environment, University of Chinese Academy of Sciences, Beijing, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.4505815.1-15  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 研究者間の興味が増しているにもかかわらず,土壌塩分の衛星ベースの予測は,非常に不確実である。以前の研究で報告された予測精度の改善は,通常,単一領域に限定される。in situ土壌サンプリングと機械学習と組み合わせた地域衛星ベース土壌塩分予測のメタ分析を行った。R2と二乗平均平方根誤差(RMSE)に基づいて,モデル精度に対する様々な特徴の影響を評価し,マルチ特徴の共同因果効果を評価するためにBayesネットワークを確立した。塩分,気候タイプ(乾燥地域と0.74のR2),土壌テクスチャ(乾燥地域における0.64のR2,その他)の塩分,気候タイプ(R2は,砂質地域と0.57のR2),およびサンプリング日と衛星データ取得日の間隔(他の15日と0.65の条件の下で0.53のR2)を含む,土壌サンプリングスキームと調査地域の特性において,大部分の有意差が見いだされた。。また,その平均と変動(土壌サンプルセットに対する平均R2)は,塩分の気候タイプ(R2,乾燥地で0.64,その他で0.74),土壌テクスチャ(R2は0.66),そして,サンプリング日と衛星データ取得日(その他で0.57)の間隔と,サンプリング日と衛星データ取得日の間隔(R2は0.53であった。一般的に,異なる衛星データの使用は,Sentinel-2がLandsat(R2=0.66)よりも良い(R2=0.72)性能のモデル性能に限られた効果しか及ぼさなかった。各試料のサブサンプルのサンプリングは,サブサンプル数よりも衛星データを横切るサブピクセルスケール空間不均一性に焦点を当てるべきである。異なる植生条件下で異なる衛星データに対して適切な植生と塩分指数を選択することも必要である。アルゴリズムの中で,ランダムフォレスト(R2=0.70)とサポートベクトルマシン(R2=0.71)が最良であった。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 不確実性 ,  *試料採取 ,  精度 ,  気候 ,  *塩分 ,  *リモートセンシング ,  サンプルの大きさ ,  計算機アルゴリズム ,  モデル ,  平均値 ,  土壌テクスチャ ,  乾燥地帯 ,  *機械学習 ,  サポートベクトルマシン
準シソーラス用語： サブピクセル ,  予測精度 ,  ランダムフォレスト ,  *衛星リモートセンシング , 【Automatic Indexing@JST】

分類 (5件)： 土壌汚染  (FB04100T) ,  土壌物理  (FB04030R) ,  土壌化学  (FB04040C) ,  リモートセンシング一般  (AD04000L) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (9件)： 衛星リモートセンシング ,  土壌 ,  サンプリング ,  機械学習 ,  統合 ,  土壌塩分 ,  予測 ,  球 ,  解析