文献

J-GLOBAL ID：202202234480740676   整理番号：22A0097155

ビッグおよびオープンデータ時代における土地被覆分類:マッピング結果を改善するための局所実装および訓練データ選択の最適化【JST・京大機械翻訳】

Land cover classification in an era of big and open data: Optimizing localized implementation and training data selection to improve mapping outcomes

著者 (4件)： Hermosilla Txomin (Canadian Forest Service (Pacific Forestry Centre), Natural Resources Canada, 506 West Burnside Road, Victoria, British Columbia V8Z 1M5, Canada) ,  Wulder Michael A. (Canadian Forest Service (Pacific Forestry Centre), Natural Resources Canada, 506 West Burnside Road, Victoria, British Columbia V8Z 1M5, Canada) ,  White Joanne C. (Canadian Forest Service (Pacific Forestry Centre), Natural Resources Canada, 506 West Burnside Road, Victoria, British Columbia V8Z 1M5, Canada) ,  Coops Nicholas C. (Integrated Remote Sensing Studio, Department of Forest Resources Management, University of British Columbia, 2424 Main Mall, Vancouver, BC V6T 1Z4, Canada)
資料名： Remote Sensing of Environment  (Remote Sensing of Environment)
巻： 268  ページ： Null  発行年： 2022年 
JST資料番号： C0252B  ISSN： 0034-4257  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： リモートセンシングデータからの土地被覆は,科学活動を支援するためのコア情報の提供と同様に,多くの運用マッピングと報告プログラムの基本である。土地被覆マップを生成する能力は,画像への自由とオープンアクセス,ならびに貯蔵と計算電力の増加から利益を得た。土地被覆地図の精度は,用いた較正(または訓練)データ,分類モデルに含まれる予測子と補助データ,および分類の実装,他の因子(例えば,分類アルゴリズム,土地被覆不均一性)に直接リンクした。キャリブレーションデータを改良するための様々な手段は,マッピングの前に訓練データをさらに精密化するために独立したデータセットを用いることを含むことができる。機会は,既存の土地被覆製品(静的および時系列)からの可能な較正データセットのプロフュージョンと,航空機搭載および衛星搭載ライダー観測からの観測による森林インベントリーマップからも生じる。本研究では,カナダの650Mha森林生態系について,キャリブレーションデータを精密化し,新しい予測子を統合し,分類器実行を最適化するためのアプローチを探った。著者らは,森林垂直構造,統合新規空間(距離対計量)モデル予測子の尺度を用いて較正データを精密化し,訓練データ選択とモデル構築を最適化するための地域化手法を実装し,土地被覆条件における地域変動のキャリブレーションデータと捕捉の地域関連性を確実にした。訓練データの追加ベッティングは,訓練プールから44.7%の誤りサンプル(例えば,垂直構造のない樹木植生)の除去を含むことを見出した。国家的に,短命水体までの距離は土地被覆の重要な予測子であり,一方,永久水域への距離の重要性は地域ベースで変化した。モデル実装の地域化により,分類モデルが局所関連記述子を用いて,一般化された国家モデル(70.3%±2.5%)と比較して,分類結果の改善(全精度:77.9%±1.4%)をもたらすことを確認した。ここで提示した方法論的開発は,他の土地被覆プロジェクト,モニタリングプログラム,およびリモートセンシングデータソースに携帯可能である。土地被覆マッピングのためのリモートセンシングデータのアベイラビリティの増加,およびモデル開発(相補的空間データ層へのキャリブレーションデータから)の援助のための非画像データは,土地被覆マッピング手順を改善し,さらに自動化するための新しい機会を提供する。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *最適化 ,  LIDAR ,  自動化 ,  電力 ,  アベイラビリティ ,  *土地被覆
準シソーラス用語： *訓練データ ,  予測子 ,  分類アルゴリズム ,  航空機搭載 ,  *土地被覆分類 ,  リモートセンシングデータ ,  分類モデル ,  地域化 ,  *オープンデータ , 【Automatic Indexing@JST】

著者キーワード (7件)： 土地被覆 ,  分類 ,  機械学習 ,  土地被覆変化 ,  Landsat ,  ライダー ,  ICESat-2

分類 (1件)： リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (6件)： オープンデータ ,  土地被覆分類 ,  マッピング ,  実装 ,  訓練データ ,  最適化