読者です 読者をやめる 読者になる 読者になる

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。