土地被覆地図

土地被覆図は、地球上の土地利用と被覆パターンに関する重要な情報を提供するツールです。政策立案、都市計画、森林・農業モニタリングに役立ちます。[1] [2]

変化の検出を含む土地被覆パターンの体系的なマッピングは、多くの場合、次の 2 つの主なアプローチに従います。

  • 現地調査
  • リモートセンシング衛星画像処理。[3]この費用対効果の高いアプローチでは、画像の前処理と処理に複数の技術を採用し、土地被覆パターンを正確にマッピングします。これらの技術は、一連の機械学習シミュレーションと統計的アプリケーションを用いて、様々な空間スケールにおける変化を検出します。

画像の前処理は通常、放射補正によって行われ、画像処理では、土地被覆図を作成するために、教師なしまたは教師あり分類と植生指数の定量化が適用されます。その後、土地被覆図の品質と信頼性は、分類された土地被覆データと現地調査や高解像度画像などの参照情報を比較する精度 評価によって評価されるのが一般的です。

教師あり分類

教師あり分類は、ユーザーがさまざまな土地利用および土地被覆(LULC) クラスを表す一連のランダムに生成されたトレーニング データセットまたはスペクトル シグネチャを構築し、これらのデータセットを機械学習モデルに適用して LULC パターンを予測および空間的に分類し、分類精度を評価する分類システムです。

アルゴリズム

教師あり分類用の機械学習アルゴリズムがいくつか開発されています。

  • 最大尤度分類（MLC）[4] – このアプローチは、最大尤度を持つ画像ピクセルが特定のLULCタイプに対応する確率を推定することにより、重複するシグネチャを分類します。また、このアプローチはトレーニングデータセットの平均行列と共分散行列に依存し、画像ピクセルの統計的有意性を仮定します。[4]
  • 最小距離（MD）[4] – 土地被覆を分類するために画像ピクセル間の決定境界を定義する教師あり分類の形式。[4]決定境界は、クラスピクセル間の平均距離を計算し、生成されたトレーニングデータセットの標準偏差を使用して平行六面体ボックスを生成することによって形成されます。
  • マハラノビス距離[5] –ユークリッド距離アルゴリズムを使用して、一連のトレーニングデータセットから土地被覆クラスを割り当てる分類システム。 [5]
  • スペクトルアングラーマッパー（SAM）[6] –角度測定を使用して2つのスペクトル間の関係を決定するスペクトル画像分類アプローチ。2つのスペクトルをq次元空間内のベクトルとして扱い、q次元はバンドの数を表します。[6]
  • 判別分析(DA) – 分類アルゴリズムが密接に関連する画像ピクセルのグループをクラスに分割し、クラス内の分散を最小化し、最大尤度判別規則に従ってクラス間の分散を最大化する分類システム。
  • 遺伝的アルゴリズム[7] – 遺伝的原理を適用して適切な訓練データのクラスターを選択し、予測変数（衛星画像バンド）の影響下でそれらを分類する分類システム。[7]
  • サブスペース[8] [9] – 分類器が訓練点群から選択された各土地被覆クラスの低次元サブスペースを作成する分類手法。次元サブスペース作成手法では、訓練点に対して主成分分析を実行する。 [8] [9]土地被覆分類の誤差を最小化するためのサブスペースアルゴリズムには、クラス特徴情報圧縮（CLAFIC）[10]と平均学習サブスペース法（ALSM）[11]の2種類がある。
  • 平行六面体分類[12] – 各画像バンド内の各土地被覆クラスに値の範囲を割り当て、各土地被覆クラスのピクセルが分類器のトレーニング用に選択される境界ボックスを作成する特徴空間分類器。 [12]
  • マルチパーセプトロン人工ニューラルネットワーク（MP-ANN）[13] [14] – 分類器が一連のニューラルネットワークまたはノードを使用して、トレーニングサンプルのバックプロパゲーションに基づいて土地被覆を分類する分類システム。
  • サポートベクターマシン（SVM）[15] – 分類器がサポートベクターを使用して、2つ以上の土地被覆クラスを分離する最適な決定境界を取得する分類アプローチ。
  • ランダムフォレスト（RF）[16] – 分類器がブートストラップを使用して、衛星画像バンドの数に基づいてトレーニングデータセットを分類する複数の決定木を作成するアプローチ。 [16]
  • K近傍法アルゴリズム（ k -NN） [15] – このアプローチは、トレーニングデータセットからk個の最も近いサンプルを抽出し、これらのサンプル間の距離に基づいて土地被覆を分類します。
  • 決定木（DT）[13] – RFと同様に、DTは訓練サンプルを土地被覆クラスターの集合に分割する接続されたノードの集合で構成される。[13]その利点は、高速で、小規模なデータに対して構築と解釈が容易であり、背景情報や重要でない情報を除外するのに優れていることである。欠点は、特に大規模なデータセットでは過剰適合を引き起こす可能性があることである。
  • ファジークラスタリング（FZ）

教師なし分類

教師なし分類とは、ユーザーがシグネチャファイルやトレーニングデータを適用することなく、ソフトウェアが単一または複数のピクセルのグループを自動的に分類する分類システムです。ただし、クラスタリングアルゴリズムを用いて類似のピクセルを単一のカテゴリにグループ化することで、コンピュータが自動的に生成するクラスの数をユーザーが指定します。この分類システムは、主に現地観測や利用可能な土地被覆タイプに関する事前知識がない地域で使用されます。

アルゴリズム

  • 反復自己組織化データ分析手法 (ISODATA) - このアプローチでは、分類器が多数の密接に関連する画像ピクセルを自動的にクラスターにグループ化し、平均クラスターを計算して、一連の繰り返し反復に基づいて土地被覆を分類します。
  • K平均法クラスタリング[17] – コンピュータが衛星画像からk個の土地被覆特徴を自動的に抽出し、抽出された特徴の計算された平均に基づいて画像全体を分類する手法

植生指標の分類

植生指数分類は、定義された統計アルゴリズムを通じて 2 つ以上のスペクトル バンドを組み合わせ、植生被覆の空間特性を反映する システムです。

これらの指標のほとんどは、衛星画像の赤色バンドと近赤外線（NIR）バンドの関係を利用して植生特性を生成します。いくつかの植生指標が開発されており、科学者はリモートセンシングを通じてこれらを適用し、森林被覆と土地利用パターンを効果的に分類しています。

これらのスペクトル指標は、2つ以上のバンドを使用して地形の表面反射率を正確に取得し、分類精度を向上させます。[18] [19]

植生指数

  • 正規化植生指数（NDVI）[20] [21] – 衛星画像の赤色バンドと近赤外線（NIR）バンドの比率として定義される。以下のように計算される。
NVDI ＝ （ 近赤外線 − 赤 ） （ 近赤外線 + 赤 ） {\displaystyle {\text{NVDI}}={({\text{NIR}}-{\text{赤色}}) \over ({\text{NIR}}+{\text{赤色}})}}
この指数は植生の緑度を測るもので、値の範囲は-1から1です。NDVI値が高いほど植生が密集していることを表し、NDVI値が中程度であれば植生がまばらであることを表し、NDVI値が低いほど植生のない地域（例えば、不毛地帯や裸地）を表します。[22]
  • 強化植生指数（EVI）[23] – 赤、近赤外線、青の3つのバンドの比率として定義され、ゲイン係数（G）、土壌明度補正係数（L）、大気エアロゾル補正係数（C）が適用されます。[24] [25]次のように計算されます。
G × （ 近赤外線 − 赤 ） （ 近赤外線 + C 1 × 赤 − C 2 × 青 + L ） {\displaystyle G\times {({\text{NIR}}-{\text{赤}}) \over ({\text{NIR}}+C_{1}\times {\text{赤}}-C_{2}\times {\text{青}}+L)}}
通常、デフォルト値は L = 0.5、G = 2.5 です。
  • 土壌補正植生指数（SAVI）[26] – 土壌明度補正係数（L）を用いた赤色光と近赤外線（NIR）値の比として定義される。計算式は以下の通りである。
サヴィ ＝ （ 1 + L ） × （ 近赤外線 − 赤 ） （ 近赤外線 + 赤 + L ） {\displaystyle {\text{SAVI}}=(1+L)\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}}+L)}}
  • 樹冠影指数（SI） – 衛星画像の赤と緑の帯の平方根として定義されます。樹齢、構造、構成に基づいて森林樹冠の異なる影のパターンを評価し、密林と草地や裸地を容易に区別することができます。[27] [28]計算式：
SI = ( 256 − Green ) × ( 256 − Red ) {\displaystyle {\text{SI}}={\sqrt[{}]{(256-{\text{Green}})\times (256-{\text{Red}})}}}
赤と緑の範囲はどちらも 0 から 256 です。
  • 高度植生指数（AVI） – 森林被覆面積を草地および裸地面積と区別するために使用されます。計算式は以下のとおりです。
AVI = ( NIR + 1 ) × ( 256 − Red ) × ( NIR − Red ) 3 {\displaystyle {\text{AVI}}={\sqrt[{3}]{({\text{NIR}}+1)\times ({\text{256}}-{\text{Red}})\times ({\text{NIR}}-{\text{Red}})}}}
ここで、赤の範囲は 0 から 256 です。
  • 裸地指数（BSI）[29] [27] – 衛星画像のNIR、赤色、青色のバンドの比率として定義される。裸地の量を測定するもので、森林密度の低下とともに増加する。[27] [28]以下のように計算される。
BSI = ( NIR + Green ) − Red ( NIR + Green ) + Red {\displaystyle {\text{BSI}}={({\text{NIR}}+{\text{Green}})-{\text{Red}} \over ({\text{NIR}}+{\text{Green}})+{\text{Red}}}}
  • 正規化差分水分指数（NDWI）[30] –短波赤外線（SWIR）を用いて、植物やその他の地球システムの特徴の水分含有量を定量化するために開発された。以下のように計算される。
NDWI = NIR − SWIR NIR + SWIR {\displaystyle {\text{NDWI}}={{\text{NIR}}-{\text{SWIR}} \over {\text{NIR}}+{\text{SWIR}}}}
  • 正規化差分市街地指数（NDBI）[31] – 衛星画像における市街地を定量化するために開発された指標。以下のように計算される。
NDBI = SWIR − NIR SWIR + NIR {\displaystyle {\text{NDBI}}={{\text{SWIR}}-{\text{NIR}} \over {\text{SWIR}}+{\text{NIR}}}}

参照

参考文献

  1. ^ Wessels, Konrad J.; Reyers, Belinda; van Jaarsveld, Albert S.; Rutherford, Mike C. (2003年4月). 「南アフリカ北東部における土地利用と生物多様性保全の潜在的紛争地域の特定」 . Agriculture, Ecosystems & Environment . 95 (1): 157– 178. Bibcode :2003AgEE...95..157W. doi :10.1016/s0167-8809(02)00102-0. ISSN  0167-8809.
  2. ^ Gebhardt, Steffen; Wehrmann, Thilo; Ruiz, Miguel; Maeda, Pedro; Bishop, Jesse; Schramm, Matthias; Kopeinig, Rene; Cartus, Oliver; Kellndorfer, Josef; Ressl, Rainer; Santos, Lucio (2014-04-30). 「MAD-MEX: メキシコREDD-MRVプログラムのための全Landsatデータを用いた自動壁面土地被覆モニタリング」.リモートセンシング. 6 (5): 3923– 3943.書誌コード:2014RemS....6.3923G. doi : 10.3390/rs6053923 . ISSN  2072-4292.
  3. ^ Cracknell, Matthew J.; Reading, Anya M. (2014年2月). 「リモートセンシングデータを用いた地質図作成：5つの機械学習アルゴリズムの比較、トレーニングデータの空間分布の変動に対する応答、そして明示的な空間情報の利用」Computers & Geosciences . 63 : 22–33 . Bibcode :2014CG.....63...22C. doi : 10.1016/j.cageo.2013.10.008 . ISSN  0098-3004.
  4. ^ abcd Press、Forex。「衛星画像のための教師あり画像分類法の分析」。 {{cite journal}}:ジャーナルを引用するには|journal=（ヘルプ）が必要です
  5. ^ ab Khan, Umair; Minallah, Nasru; Junaid, Ahmad; Gul, Kashaf; Ahmad, Nasir (2015年12月). 「パキスタンにおける林業識別のための平行六面体とマハラノビス距離に基づく分類」. 2015 International Conference on Emerging Technologies (ICET) . IEEE . pp.  1– 6. doi :10.1109/icet.2015.7389199. ISBN 978-1-5090-2013-3. S2CID  38668604。
  6. ^ ab Kruse, FA; Lefkoff, AB; Boardman, JW; Heidebrecht, KB; Shapiro, AT; Barloon, PJ; Goetz, AFH (1993). 「スペクトル画像処理システム（SIPS） - イメージング分光計データのインタラクティブな可視化と解析」 AIP会議論文集283 . AIP: 192– 201. Bibcode :1993AIPC..283..192K. doi :10.1063/1.44433.
  7. ^ ab Maulik、ウジワル;サンガミトラ州バンジョパディヤイ（2000 年 9 月）。「遺伝的アルゴリズムに基づくクラスタリング技術」。パターン認識。33 (9): 1455–1465。書誌コード:2000PatRe..33.1455M。土井：10.1016/s0031-3203(99)00137-5。ISSN  0031-3203。
  8. ^ ab Sun, Weiwei; Ma, Jun; Yang, Gang; Du, Bo; Zhang, Liangpei (2017年6月). 「ハイパースペクトル画像におけるエンドメンバー抽出のためのパラメータサブスペースクラスタリング制約を備えたポアソン非負値行列因子分解法」 . ISPRS Journal of Photogrammetry and Remote Sensing . 128 : 27– 39. Bibcode :2017JPRS..128...27S. doi :10.1016/j.isprsjprs.2017.03.004. ISSN  0924-2716.
  9. ^ ab Sun, Weiwei; Du, Bo; Xiong, Shaolong (2017-05-01). 「Landsat画像の低アルベド分率を用いた都市環境におけるサブピクセル単位の地表水被覆率の定量化」.リモートセンシング. 9 (5): 428. Bibcode :2017RemS....9..428S. doi : 10.3390/rs9050428 . ISSN  2072-4292.
  10. ^ Gülmezoğlu, M. Bilginer; Dzhafarov, Vakıf; Edizkan, Rifat; Barkana, Atalay (2007年4月). 「共通ベクトルアプローチと十分なデータがある場合の他の部分空間法との比較」 . Computer Speech & Language . 21 (2): 266– 281. doi :10.1016/j.csl.2006.06.002. ISSN  0885-2308.
  11. ^ Laaksonen, Jorma; Oja, Erkki (1996), Malsburg, Christoph; Seelen, Werner; Vorbrüggen, Jan C.; Sendhoff, Bernhard (編)、「手書き数字分類における部分空間次元選択と平均学習部分空間法」、Artificial Neural Networks — ICANN 96、vol. 1112、ベルリン、ハイデルベルク：Springer Berlin Heidelberg、pp.  227– 232、doi :10.1007/3-540-61510-5_41、ISBN 978-3-540-61510-1、 2021年4月13日取得{{citation}}: CS1 maint: work parameter with ISBN (link)
  12. ^ ab Mei Xiang; Chih-Cheng Hung; Minh Pham; Bor-Chen Kuo; Coleman, T. (2005). 「遺伝的アルゴリズムを用いた平行六面体マルチスペクトル画像分類器」. Proceedings. 2005 IEEE International Geoscience and Remote Sensing Symposium, 2005. IGARSS '05 . Vol. 1. ソウル、韓国: IEEE . pp.  482– 485. doi :10.1109/IGARSS.2005.1526216. ISBN 978-0-7803-9050-8. S2CID  37014767。
  13. ^ abc Beucher, A.; Møller, AB; Greve, MH (2019年10月). 「デンマークにおける土壌排水区分の予測のための人工ニューラルネットワークと決定木分類」 . Geoderma . 352 : 351– 359. Bibcode :2019Geode.352..351B. doi :10.1016/j.geoderma.2017.11.004. ISSN  0016-7061. S2CID  134063283.
  14. ^ シルバ、レオナルド・ペレイラ e;ザビエル、アナ・ポーラ・カンポス。ダ・シルバ、リシャール・マルケス。サントス、セルソ・アウグスト・ギマランイス（2020年3月）。 「ブラジル北東部の半乾燥河川流域における人工ニューラルネットワークに基づく土地被覆変化のモデル化」。地球規模の生態学と保全。21 e00811。Bibcode :2020GEcoC..2100811S。土井：10.1016/j.gecco.2019.e00811。ISSN  2351-9894。
  15. ^ ab Lo, CP; Choi, Jinmu (2004年7月). 「Landsat 7 Enhanced Thematic Mapper Plus (ETM+) 画像を用いた都市の土地利用／被覆マッピングへのハイブリッドアプローチ」 . International Journal of Remote Sensing . 25 (14): 2687– 2700. Bibcode :2004IJRS...25.2687L. doi :10.1080/01431160310001618428. ISSN  0143-1161. S2CID  129129271.
  16. ^ ab Mellor, Andrew; Haywood, Andrew; Stone, Christine; Jones, Simon (2013-06-04). 「大面積硬葉樹林分類における運用環境におけるランダムフォレストの性能」.リモートセンシング. 5 (6): 2838– 2856. Bibcode :2013RemS....5.2838M. doi : 10.3390/rs5062838 . ISSN  2072-4292.
  17. ^ Abbas, A.; Minalla, N.; Ahmad, N.; Abid, S.; Khan, M. リモートセンシングを用いた土地被覆分類のためのK平均法とISODATAクラスタリングアルゴリズム．Sindh Univ. Res. J. SURJ (Sci. Ser.) 2016, 48, 315–318
  18. ^ Tso, Brandt; Mather, Paul M. (2001). リモートセンシングデータの分類法. アビンドン, イギリス: Taylor & Francis . doi :10.4324/9780203303566. ISBN 978-0-203-35581-7。
  19. ^ Shaban, MA; Dikshit, O. (2001年1月). 「テクスチャ特徴量を用いた都市部における分類の改善：ウッタル・プラデーシュ州ラクナウ市の事例研究」 . International Journal of Remote Sensing . 22 (4): 565– 593. Bibcode :2001IJRS...22..565D. doi :10.1080/01431160050505865. ISSN  0143-1161. S2CID  128572668.
  20. ^ Pettorelli, Nathalie; Vik, Jon Olav; Mysterud, Atle; Gaillard, Jean-Michel; Tucker, Compton J.; Stenseth, Nils Chr. (2005年9月). 「衛星データに基づくNDVIを用いた環境変化に対する生態学的反応の評価」 . Trends in Ecology & Evolution . 20 (9): 503– 510. doi :10.1016/j.tree.2005.05.011. ISSN  0169-5347. PMID  16701427.
  21. ^ Pettorelli, Nathalie; Gaillard, Jean-Michel; Mysterud, Atle; Duncan, Patrick; Chr. Stenseth, Nils; Delorme, Daniel; Van Laere, Guy; Toïgo, Carole; Klein, Francois (2006年3月). 「植物生産性のプロキシ（NDVI）を用いた動物の生産性向上のための重要時期の特定：ノロジカの事例」. Oikos . 112 (3): 565– 572. Bibcode :2006Oikos.112..565P. doi : 10.1111/j.0030-1299.2006.14447.x . ISSN  0030-1299.
  22. ^ Wegmann M, Leutner B, Dech S (2016) 生態学者のためのリモートセンシングとGIS：オープンソースソフトウェアの活用. Pelagic Publishing, エクセター, イギリス
  23. ^ Jiang, Z.; Huete, A.; Didan, K.; Miura, T. (2008-10-15). 「青色バンドを使用しない2バンド拡張植生指数の開発」 .環境リモートセンシング. 112 (10): 3833– 3845. Bibcode :2008RSEnv.112.3833J. doi :10.1016/j.rse.2008.06.006. ISSN  0034-4257.
  24. ^ Hui Qing Liu; Huete, A. (1995年3月). 「キャノピー背景と大気ノイズを最小化するためのNDVIのフィードバックベースの修正」 . IEEE Transactions on Geoscience and Remote Sensing . 33 (2). IEEE : 457– 465. doi :10.1109/36.377946. ISSN  0196-2892. S2CID  28380065.
  25. ^ Xue, Jinru; Su, Baofeng (2017-05-23). 「重要なリモートセンシング植生指標：開発と応用のレビュー」. Journal of Sensors . 2017 : 1–17 . doi : 10.1155/2017/1353691 .
  26. ^ Huete, AR (1988年8月). 「土壌調整植生指数（SAVI）」 .環境リモートセンシング. 25 (3): 295– 309. Bibcode :1988RSEnv..25..295H. doi :10.1016/0034-4257(88)90106-x. ISSN  0034-4257.
  27. ^ abc Rikimaru, R.; Roy, ​​P.S.; Miyatake, S. (2002). 「熱帯林被覆密度マッピング」.熱帯生態学. 43 : 39–47 .
  28. ^ ab Baynes, Jack (2004年1月). 「LandsatデータとFCD Mapperソフトウェアを用いた、高度に変動する景観における森林の樹冠密度の評価」 .オーストラリア林業. 67 (4): 247– 253. Bibcode :2004AuFor..67..247B. doi :10.1080/00049158.2004.10674942. ISSN  0004-9158. S2CID  84900545.
  29. ^ 力丸明生, 1999. FCDマッピングモデルとセミエキスパートシステムの概念. FCDマッパーユーザーズガイド. 国際熱帯木材機関および日本海外林業コンサルタンツ協会. 90頁.
  30. ^ Gao, Bo-cai (1996年12月). 「NDWI—宇宙からの植生液水リモートセンシングのための正規化差分水指標」 .環境リモートセンシング. 58 (3): 257– 266. Bibcode :1996RSEnv..58..257G. doi :10.1016/s0034-4257(96)00067-3. ISSN  0034-4257.
  31. ^ Zha, Y.; Gao, J.; Ni, S. (2003年1月). 「TM画像からの都市部自動マッピングにおける正規化差分構築指数の利用」 . International Journal of Remote Sensing . 24 (3): 583– 594. Bibcode :2003IJRS...24..583Z. doi :10.1080/01431160304987. ISSN  0143-1161. S2CID  129599221.
Retrieved from "https://en.wikipedia.org/w/index.php?title=Land_cover_maps&oldid=1307956132"