農学部×Linux

農学部で情報系の勉強をしている人の備忘録。

【論文メモ10】Statistical Modeling of Polarimetric SAR Data: A Survey and Challenges

* title : Statistical Modeling of Polarimetric SAR Data: A Survey and Challenges

* Atuhor : 

Remote Sensing | Free Full-Text | Statistical Modeling of Polarimetric SAR Data: A Survey and Challenges | HTML

 

! ざっくり

PolSARの解析として、確率密度関数で各偏波のスペックルを表現しようというレビュー。

大まかに3つの章にわけられ、順にガウス分布で表現できるスペックル、非ガウス分布で表現できるスペックルとその分布、そして混合モデルを用いたスペックルである。

 

! 感想

ガウス分布の式展開を追っていっただけで力尽きた。

 

第二変形ベッセル関数が出てきて盛り上がったが、そこまで全部理解できず。

 

確率密度関数と対象とする物体の物理過程との結びつきを調べるのは面白そう。

! 次に読みたい論文

【論文メモ5】Remote Sensing-Based Assessment of the 2005–2011 Bamboo Reproductive Event in the Arakan Mountain Range and Its Relation with Wildfires

タイトル:Remote Sensing-Based Assessment of the 2005–2011
Bamboo Reproductive Event in the Arakan Mountain
Range and Its Relation with Wildfires

著者:Francesco Fava et al.

雑誌:Remote Sens. 2017, 9, 85.

 

ざっくり:

竹の一斉開花は,各地で見れる.

この開花は齧歯類の大量発生を引き起こし,食物に影響を与える.

それに加え,一斉開花の影響の理解は土地管理や保全計画に必要である.

 

この論文では,竹の一斉開花の範囲と,野火への影響を検討する.

 

手法

フィールドサーベイを行った.続いてLandsat GEOCOVER mosaic 2000を用いて竹林の視覚的解釈をし,竹林の種類の潜在的マップを利用して竹林の分布を決定した.土地被覆クラスは竹林,熱帯常緑林,落葉林,畑とした.

 

進行中の繁殖イベントの指標として,11月と12月のNDVIの変則的な減少を利用した.

 

(1) 11月と12月のNDVI平均(NDVI_ND)を算出した.

(2) 2005年から始めて,i年のNDVI_NDと2000年からi年までのNDVI_NDの平均と標準偏差との間に有意な差があるかを,t検定を用いて行った.

 

検証にはLandsat TMの画像の視覚的解釈を用いた.

野火の把握にはMODISのMCD45A1(Burned Area)を用い,MCD14ML(Global Monthly Fire Location Product)を補助的に用いた.

 

結果:

MODISのNDVIによって作成された竹林図は,全期間で65%の竹林が開花したことを示した.この結果は,地域的な研究(齧歯類の大発生がメインだが,築位rんお開花の一般的報告も含む)と一致した.

北東部は竹林が分断されており,他の植生に影響を受け,検出を妨げられたと考えられる.

 

また野火との結果から,干ばつと燃焼面積には相関があり,枯死によって増加した燃料が大規模な野火の発生及び増殖の条件を作り出している.

 

感想:

齧歯類の大発生と竹林の関係は初耳で,興味を惹かれた.

 

次に読みたい論文:

炎の検出に関する論文:

・Ten years of global burned area products from spaceborne remote sensing—A review: Analysis of user needs and recommendations for future developments

・An active-fire based burned area mapping algorithm for the MODIS sensor

 

竹の一斉枯死に関する論文:

Bamboo-Dominated Forests of the Southwest Amazon: Detection, Spatial Extent, Life Cycle Length and Flowering Waves

【論文メモ4】Supervised Sub-Pixel Mapping for Change Detection from Remotely Sensed Images with Different Resolutions

タイトル:Supervised Sub-Pixel Mapping for Change Detection from Remotely Sensed Images with Different Resolutions

著者:Ke Wu et al.

雑誌:Remote Sens. 2017, 9, 284.

 

ざっくり:

土地被覆変化は通常低解像度の衛星画像を用いて行われる.

従来のやり方(分類後比較,変化ベクトル解析,環境モニタリングモデルなど)は「full-pixel level」の手法と考えれる.これは変化抽出がピクセルレベルで行われるためである.この問題として,ミックスピクセルを一つのクラスとして分類してしまう問題がある.

 

これを解決する方法として,Soft Classification(SC)がある.

しかしこれは変化比率を提供するだけで,ピクセル内で土地被覆変化したクラスの空間的分布に関するindicaitonはない.

そこでsub-pixel mapping(SPM)という技術を用いて,空間的分布を推定する.

 

この2つの考えに基づいて,サブピクセル土地被覆変化抽出(SLCCD)が開発された.

異なる解像度を持つ多時期画像によるSLCCD(SLCCD_DR)は,高解像度の情報を用いていくらか成功してきた.

しかし

(1)全てのモデルが高解像度画像の利点を得きれていない点

(2)候補ピクセル?(candidate pixel)を分解する際に,構成物質(endmember)の組み合わせの変化を無視する点

(3)高解像度画像が低解像度画像より前に取られるという仮定.

の3つの点が制限である.

 

これらの制限を克服するために,誤差逆伝播ニュラールネットワークに基づく

SLCCD_DRを提案する.

 

低解像度画像:

まず初めにエンドメンバーを決める.そのためにN-finderアルゴリズムを使用する.

次にLiner Mixutre Modelを用いて,エンドメンバーの比率を求める.

 

高解像度画像:

SVMを用いて分類する.次に分類した画像を低解像度化し,エンドメンバーの比率を求める.そして並行して,誤差逆伝播ニューラルネットで位置関係を学習する(入力:エンドメンバーの比率,出力:SVMで分類した画像).

 

最終ステージ:

(高解像度画像から求めたエンドメンバー比 - 低解像度画像から求めたエンドメンバー比)

 を入力として,訓練済みの誤差逆伝播ニューラルネットで変化マップを作成する.

 

 実験は(1)HR:LandSat TM (30 m),LR:Landsat (HRを空間平均)(2)HR:Landsat, LR:MODIS の二種類行った.

 

(1)ではHNNとBPNN_SPM,BPNN_DRがよさ気という結果.またこの中でもBPNN_DRが最も精度が良かったという.

 

(2)も(1)と同じ感じ。

 

感想:

また結果でSVMを用いて土地被覆図を作成しているが,トレーニングデータの各クラスの比率と総数が書かれていなかった.これは土地被覆図の精度自体は特に重要視していないためだろうか.しかし再現実験を行うためには,その情報は欲しいところ.

見たところ5.1では商用衛星・商用ソフトを用いていないようなので,作成した土地被覆図と学習済みネットワーク・プログラムを公開してくれればありがたいのだがなあ.

どうもまだリモセンの分野では,データの再利用がイマイチ遅れている気がする.

 

さらにニューラルネットワークでは画像全体で学習させたようだが,ナンセンスな気もする.

 

全体的に非専門家には読みづらい論文であった.

 

次に読みたい論文:

A Quantitative and Comparative Analysis of Different Implementations of N-FINDR: A Fast Endmember Extraction Algorithm ... endmemberの決定に用いている。

Archインストールメモ

# 2017/04/01 更新

# USBからのインストール

loadkeys jp106 # 日本語キーに

cgdisk /dev/sda
New, enter, 512M, ef00, boot
New, enter, 30G, enter, /
New, enter, enter, enter, /home
Write, yes, Quit

mkfs.vfat -v -F 32 /dev/sda1
mkfs.ext4 /dev/sda2
mkfs.ext4 /dev/sda3

mount /dev/sda2 /mnt
mkdir /mnt/home
mount /dev/sda3 /mnt/home
mkdir /mnt/boot
mount /dev/sda1 /mnt/boot

vi /etc/pacman.d/mirrorlist #jaistを先頭に

pacstrap -i /mnt base base-devel # enter, enter, y
genfstab -U /mnt >> /mnt/etc/fstab
arch-chroot /mnt

ln -sf /usr/share/zoneinfo/Asia/Tokyo /etc/localtime

hwclock --systohc --utc

vi /etc/locale.gen #en_US.UTF UTF-8とja_JP.UTF UTF-8のコメントを外す
locale-gen
echo LANG=en_US.UTF-8 > /etc/locale.conf
echo KEYMAP=jp106 > /etc/vconsole.conf
echo jk > /etc/hostname
vi /etc/hosts # 127.0.1.1 jk.localdomain jk ←一行追加

systemctl enable dhcpcd.service # dhcp

passwd # rootのパスワードの変更
useradd -m -g users -G wheel -s /bin/bash hoge
passwd hoge # ユーザーのパスワードの変更

pacman -S grub dosfstools efibootmgr
grub-install --target=x86_64-efi --efi-directory=/boot --bootloader-id=arch_grub --recheck
mkdir /boot/EFI/boot
cp /boot/EFI/arch_grub/grubx64.efi /boot/EFI/boot/bootx64.efi
grub-mkconfig -o /boot/grub/grub.cfg
pacman -S wireless_tools wpa_supplicant wpa_actiond dialog
exit
umount -R /mnt

/dev/sda1, boot, 200MB

/dev/sda2, /, 30GB

/dev/sda3, /home, 208.3GB 

 

ここからは個別の設定を行う。

# sudoの設定

visudo # wheelグループのコメントアウトを削除

 

# yaourtの導入

vi /etc/pacman.conf

[archlinuxfr]
SigLevel = Never
Server = http://repo.archlinux.fr/$arch

pacman --sync --refresh yaourt

 

# デスクトップ環境の設定

yaourt -S mate mate-extra

yaourt -S lightdm-gtk-greeter lightdm-devel

sudo systemctl enable lightdm.service 

yaourt -S xorg xterm xorg-xinit

 

# フォントのインストール

yaourt -S ttc-ricty

 

# 日本語入力の設定

yaourt -S fcitx fcitx-mozc fcitx-configtool fcitx-im

vim .xprofile

export GTK_IM_MODULE=fcitx
export QT_IM_MODULE=fcitx
export XMODIFIERS=@im=fcitx

システム→設定→その他→設定→Fcitx設定

 

# ロケールの設定

sudo vim /etc/locale.conf
LANG="ja_JP.UTF-8"

 

# キーボードの設定

jp106になっているのに、mateでは反映されないので

 システム→設定→ハードウェア→キーボード

日本を追加する。

参考:

matoken.org

 

# 必要なソフトのインストール

yaourt -S vim git zsh guake tmux neovim xclip

sudo pip2 install neovim

sudo pip3 install neovim # Pythonサポートを有効

 

yaourt -S libreoffice-fresh chromium texlive-langjapanese

yaourt -S qgis grass gdal

# color setting

git clone https://gist.github.com/w0ng/3278077

mv 3278077/.Xresources-hybrid .Xresources && rm -rf 3278077/

xrdb ~/.Xresources

 

 

# Network周りの設定

yaourt -S network-manager-applet networkmanager openssh

sudo systemctl enable NetworkManager.service

 

# Python周りの設定

yaourt -S python-pip python2-pip

sudo pip3 install numpy scipy pandas matplotlib pandas jupyter

sudo pip3 install jupyter_contrib_nbextensions

jupyter contrib nbextension install --user

$ mkdir -p $(jupyter --data-dir)/nbextensions

$ cd $(jupyter --data-dir)/nbextensions

$ git clone https://github.com/lambdalisue/jupyter-vim-binding vim_binding

$ jupyter nbextension enable vim_binding/vim_binding

 

# Ruby周り

yaourt -S ruby

gem update

gem install jekyll 

cd /usr/bin && sudo ln -s ~/.gem/ruby/2.4.0/gems/jekyll-3.4.3/exe/jekyll jekyll  

 

yaourt -S kolourpaint gimp dropbox caja-dropbox mendeleydesktop poppler-data

# for go

yaourt -S go gocode

UEFIGRUB

 

 ロックの設定

 

システム→設定→ルック&フィール→スクリーンセーバー

参考:

https://wiki.archlinuxjp.org/index.php/%E3%82%A4%E3%83%B3%E3%82%B9%E3%83%88%E3%83%BC%E3%83%AB%E3%82%AC%E3%82%A4%E3%83%89

https://wiki.archlinuxjp.org/index.php/GRUB

archlinux-blogger.blogspot.jp

qiita.com

 

 

【論文メモ3】Reproducibility and Practical Adoption of GEOBIA with Open-Source Software in Docker Containers.

タイトル:Reproducibility and Practical Adoption of GEOBIA with Open-Source Software in Docker Containers.

著者:Christian Knoth et al.

雑誌:remote sens. 2017,9, 290

 

ざっくり:

GEOBIA(Geographic Object-Based Image Analysis)をOSや環境に依存しないように行おうというもの.

(1)異なるパッケージのソフトとバージョンの変更に対応するために,(2)複雑な解析を非専門家が行えるように,Dockerを使用した.

 

解析対象地域はスーダンで,この画像もオープンアクセス.

 

解析はOTBでPCA・セグメンテーション(Watershed)を施し,QGISでオブジェクト統計量(エッジ強度の平均)を計算.

シェープや大きさの特徴量はSAGA GISで計算.

クラスタリングなどの処理はPython

 

その後はDockerの説明が続く。

https://hub.docker.com/r/nuest/qgis-model/

 ここにそのイメージがあるらしい.

 

 感想:

筆者は「reproducibility(再現性)」と「customizability(カスタマイズ性)」にこだわっており、Githubによるスクリプトの共有だけではなく、環境そのものの構築まで再現できるようなスクリプトが必要だということがわかった。

 

また論文中に出てきた「InterIMAGE」というセグメンテーションのツールは初耳であった。もちろんOSSなので、今度いじってみたい。

 

ただSection2.4でInterIMAGEが出てきたあたりで,前後との関連がよくわからなくなった.

 

次に読みたい論文:

Knowledge-based interpretation of remote sensing data with the InterImage system: Major characteristics and recent developments. 

本文中でInterIMAGEが出てきた時に引用されていた論文。

【論文メモ2】Evaluation and Bias Removal of Multilook Effect on Entropy/Alpha/Anisotropy in Polarimetric SAR Decomposition

タイトル:Evaluation and Bias Removal of Multilook Effect on Entropy/Alpha/Anisotropy in Polarimetric SAR Decomposition

著者:Jong-Sen Lee et al.

雑誌:IEEE TRANSACTIONS ON GEOSCIENCE AND REMOTE SENSING, Vol 46, No.10, October 2008.

 

ざっくり:

一様な地域のアンサンブル平均(空間平均?)では、エントロピーは過小評価され、アニソトロピーは過大評価されると言われている。

ルック数が増えるとコヒーレンス行列<T>のランク数(dim Im<T>)が上がるため、エントロピーは増加し、アニソトロピーは減少していく。

平均化アルファ角は固有値と、固有ベクトルに関するαの両方に依存するので、ルック数が増えると増加も減少もしうる。

 

この論文では都市、森林、荒い地表を対象に、モンテカルロシミュレーションコヒーレンス行列を評価した。

 

 【前半、シミュレーションの結果】

固有値

λ1は森林ではルック数を上げると減少していったが、都市と地表面では変化がなかった。都市ではλ1とλ2、λ2とλ3の差が大きかった。

 

エントロピー

49ルック以上でその増加は緩やかになった。

これはLopez-Martinez et al.が提案する81ルックより小さく、49ルックで十分とのこと。

ただしこのシミュレーションでは独立したサンプル(ピクセルのサンプル?)の平均なので、実用では81ルックとっておけば安全とのこと。

スペックルノイズの低減には5x5(25ルック)取ることを推奨している。

 

アニソトロピー:

やはり過剰検出。どのエリアもルック数を上げるにつれ、減少。

森林部での減少の速度は他の2つに比べて非常に遅いので、バイアス問題はもっとも重要。169ルックでもまだ過剰。

Lopez-Martinez et al.は121ルックは欲しいとのこと。

地表面と都市では81ルックで十分。

 

平均アルファ角:

ルック数によって増えたり減ったり。

25ルックを推奨、バイアス除去はアプリケーションによっては必要ない。

 

【後半、バイアス除去】

 

エントロピーのバイアス除去:

バイアスを測るために、エントロピー比Rを導入。

Rは ルック数を上げると線形的に減少。さらにレーダープラットホームと周波数とも独立に、同時に線形の関係にある。

 

アニソトロピーのバイアス除去:

森林・都市・地表面ともに区分線形関数で表すしかなかった。

試験的な結果は7x7で十分であった。

 

平均化エントロピーのバイアス除去:

バイアスの影響を受けるのは地表面のみ。

5x5か7x7で十分。

 

感想:

バイアス除去は慎重にやらないと痛い目にあうということがわかった。

ただ各種フィルタ演算とマルチルックの組み合わせをどうやればいいかまでは分からなかった。

 

次に読む論文:

1,An Entropy Based Classification Scheme for Land Applications of Poarimetric SAR. :Cloude-Pottier分解の原著論文。アルファ角とエントロピーがなぜ

実験的事実と整合しているのかが知りたい。

 

2,Inversion of srface parameters from polarimetic SAR.

地表面のでこぼこさの評価にアニソトロピーを使っているらしい。

 

3, Estimation of the Equivalent Number of Looks in Polarimetric Synthetic Aperture Radar Imagery

ENLに関する論文。

 

 

【論文メモ1】Individual Tree-Crown Delineation and Treetop Detection in High-Spatial-Resolution Aerial Imagery

論文を読まなすぎて流石にマズイと思い始めたので、やる気を高めるためにレビューしていきます。

 

タイトル:Individual Tree-Crown Delineation and Treetop Detection in High-Spatial-Resolution Aerial Imagery

著者:Le Wang et al.

雑誌:Photogrammetric Engineering & Remote Sensing. Vol.70, No.3, March 2004, pp.351-357.

 

ざっくり:

木をセグメントを用いてカウントする。使用した画像は高解像度(0.6 m)のマルチスペクトルバンドの航空写真。

マルチスペクトル→PCA→1バンド→画像平滑化→エッジ検出→オブジェクト検出(第一段階)→オブジェクト検出(第二段階、Watersehd)→樹冠検出の流れ。

 

この論文の面白い所は、セグメンテーションに必要なマーカー生成を二通りで行い、それを組み合わせて行う点。

マーカー生成はLocal non-maximum suppression(3x3の窓で極大値検出)とLocal maximum on morphologically ransformed distance(外側のオブジェクトとの等値線から極大値生成)のふた通り。

 

検証は目視がメイン。