文献

J-GLOBAL ID：202202237691965326   整理番号：22A0907355

機械学習アルゴリズムを用いた土地被覆/土地利用研究における地球観測センサの評価と比較【JST・京大機械翻訳】

Evaluation and comparison of the earth observing sensors in land cover/land use studies using machine learning algorithms

著者 (5件)： Prasad Pankaj (Geological Oceanography Division, CSIR- National Institute of Oceanography, Dona Paula 403004, Goa, India) ,  Prasad Pankaj (School of Earth, Ocean and Atmospheric Sciences, Goa University, Taleigao 403001, Goa, India) ,  Loveson Victor Joseph (Geological Oceanography Division, CSIR- National Institute of Oceanography, Dona Paula 403004, Goa, India) ,  Chandra Priyankar (Department of Geography, Institute of Science, Banaras Hindu University, Varanasi 221005, Uttar Pradesh, India) ,  Kotha Mahender (School of Earth, Ocean and Atmospheric Sciences, Goa University, Taleigao 403001, Goa, India)
資料名： Ecological Informatics  (Ecological Informatics)
巻： 68  ページ： Null  発行年： 2022年 
JST資料番号： W3323A  ISSN： 1574-9541  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 土地被覆/土地利用(LCLU)の急速な変換は地球環境変化の強い指標である。地図を通してLCLUをモニターするために,重要なデータセットとロバスト技術が必要である。従って,現在の研究の第一の目的は,ランダムフォレスト(RF),ロジットブースト(LB),確率的勾配ブースティング(SGB),人工ニューラルネットワーク(ANN),およびK最近傍(KNN)モデルを適用するLCLUマッピングのためのLandsat-8(L-8),Sentinel-2(S-2),Sentinel-1(S-1),Sentinel-1とSentinel-2(S-1-2),LISS III(L-3),およびLISS IV(L-4)を含むいくつかの顕著な衛星センサの効率を評価し比較することである。この目的のために,6つのLCLUクラスのそれぞれのための300のサンプルを,野外調査と高分解能Cartosat-3画像に基づいて選択した。分類精度(PA),ユーザ精度(UA),全体精度(OA)およびカッパ係数を,適用したモデルの混乱行列から計算した。この結果は,S-1-2データセットの統合から,S-2,L-8,L-3,L-4,およびS-1によって,最も高い精度が導かれることを示した。他方,LBモデルはすべてのデータセットに対して他のモデルと比較して最も一貫性があり,効率的である。変数の重要性に関して,SWIRバンドは,最も重大な要因であり,一方,青色バンドは,最も重要でない変数であった。センサのこの比較評価から,衛星データセットの組み合わせと共に高い空間とスペクトル分解能が,地域規模マッピングにおける高い空間分解能だけよりもより良い精度を得るために必要であることが分かった。本研究は,LCLU分類に対するLBモデルの適用と共に,S1-2データの組み合わせの使用を強く支持する。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： 評価 ,  *観測 ,  *土地利用 ,  ニューラルネットワーク ,  リモートセンシング ,  スペクトル分解 ,  計算機アルゴリズム ,  指標 ,  高分解能 ,  カオス ,  ロバスト性 ,  *土地被覆 ,  *機械学習 ,  *学習アルゴリズム
準シソーラス用語： ブースティング ,  ランダムフォレスト ,  比較評価 ,  *地球観測 , 【Automatic Indexing@JST】

著者キーワード (5件)： 土地被覆/土地利用 ,  マッピング ,  湿地 ,  リモートセンシング ,  機械学習

分類 (2件)： リモートセンシング一般  (AD04000L) ,  光学情報処理  (BD03060T)

タイトルに関連する用語 (7件)： 機械学習 ,  アルゴリズム ,  土地被覆 ,  土地利用 ,  研究 ,  地球観測 ,  評価