衛星画像分類における機械学習アルゴリズムの使用

衛星画像の分類の基礎

衛星画像は、衛星画像の各ピクセルまたはオブジェクトに、森林、都市、水、農業などの土地のラベルを割り当てるリモートセンシングのコアタスクです。正確な分類は、環境モニタリング、都市の拡張分析、災害対応、農業管理をサポートしています。伝統的な分類は、ピクセルベースの統計手法で最大の可能性やマニュアルのフォトインタープリテーションに依存しています。これらの方法は、労働集中的、研究分野の専門家の知識を必要とし、およびSenteryは、特に衛星データと混合された速度を組み合わせて、または複合的なデータ転送することが多い[Felt]を生成します。

衛星画像は、視覚的、近赤外、短波赤外線、および熱的、複数のスペクトルバンドで記録されます。各々は、表面素材の異なる特性をキャプチャします。分類器は、空間のコンテキスト、大気の影響、季節的な変化を考慮しながら、これらのスペクトルの署名を悪用しなければなりません。機械学習アルゴリズムは、ラベル付きのトレーニングサンプルから直接差別的なパターンを学び、手動のしきい値や規則的な構築の必要性を減らす必要があります。この機能は、地元の食材を適応させるための機能を備えています。

衛星画像の分類のためのキー・マシン学習アルゴリズム

サポートベクトル機械

ベクトルマシン(SVM)は、高次元機能空間で最適なハイパープレーン分離クラスを見つける超視力学習モデルです。衛星画像では、機能領域は、しばしばスペクトルバンド値、ベゲテーションインデックス、またはテクスチャ対策で構成されています。SVMアルゴリズムは、決定境界に近いサンプルを抽出し、クラス間のマージンを最大化するためにそれらを使用します。カーネルのトリック(仮想関数、多項式、またはVMをターゲットとする)は、VMを分散させるための、SVM(SVM)とSVM(SVM)を、SVM(SVM)のパフォーマンスを、SVM(SVM)、およびSVM(SVM)を、SVM(SVM)、SVM)、SVM(SVM)、SVM(SVM)、SVM)、SVM(SVM)、SVM(SVM)、SVM(SVM)、SVM(SVM)、SVM(SVM(SVM)、SVM(SVM)、SVM(SVM)、SVM(SVM)、SVM)、SVM(SVM(SVM)、SVM(SVM)、SVM(SVM(SVM

ランダムフォレスト

Random Forestは、多くの決定木から構築されたアンサンブルメソッドで、それぞれがデータのブートストラップされたサブセットと、ランダムな機能のサブセットで訓練されています。分類中、各ツリーはクラスに対して投票し、大半の決定が取られます。この分散‐還元アプローチは、単一の決定木と比較してオーバーフィットを低減し、スペクトルバンドやベゲティングインデックスがどの部分を分離するかを解釈するのに役立つ組み込みの機能重要度スコアを提供します。Random Forestは、Randy Data-1をロードするような、およびデータが、その機能をロードするような、高いレベルのデータが、その機能に制限されています。

ディープニューラルネットワーク(ネットワーク)

条件付きニューラルネットワーク(CNN)は、特に空間的なコンテキストやテクスチャパターンが重要である場合に、衛星画像分類の最先端--アールになりました。 CNNsは、生のピクセル入力から階層的な機能を自動的に学習します。エッジ、形状、オブジェクト - 複数のコンボリューションとプールレイヤーを組み合わせます。転送学習、画像などの大規模な自然-画像データセットを使用して、リモートセンシングを正確に調整することができます。これらは、いくつかの衛星画像やビデオの構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、および画像の構成、

K-Nearest ネグバル

K‐Nearest Neighbors(KNN)は、K-Nearest Neighbors(KNN)は、K-Nearestのトレーニングサンプルの中で、ピクセルを分類する非比例型学習者です。Euclidean、Manhattan、Mahalanobisなどの距離測定メトリックは、近接するのに使われます。KNNは、簡単に実装でき、明示的なトレーニングフェーズを必要としず、クラス分布が明確でトレーニングデータがローカルで代表的です。それは、Duciridentialsの基本的な機能や複雑な機能が、Duciridentialの学習に役立ちます。

伝統方法の学習機械の利点

[]複雑な風景の高精度:[伝統的な方法は、ガウスの分布や線形分離可能性を想定し、機械学習アルゴリズムは、非線形、現実世界の衛星画像で共通する多変性関係をキャプチャします。例えば、ランダムフォレストとCNNは、ベンチマークデータセットで90%を超える全体的な精度を定期的に生成し、10〜20ポイントで最大尤度分類器を抜く。
[]機能工学の自動化:[ディープラーニングモデルは、空間とスペクトル機能のエンドツーエンドを学び、手作業のインデックスやテクスチャフィルタを設計するために必要な手動の努力を減らします。これにより、非専門家の障壁が低下し、高品質のマップが生成されます。
[] 大量のデータ量に対する拡張性:[ マシン学習パイプラインは、分散コンピューティングフレームワークを使用して、並行して衛星データのテラバイトを処理することができます。このスケーラビリティは、高空間分解能で、グローバルランドカバー製品を生成するために不可欠です。
[適応性と継続的な改善:[モデルが新しいフィールド調査データが利用可能になり、分類マップの継続的な更新を可能にします。アクティブ学習戦略は、注釈のための最も有益なサンプルを選択することによって、ラベル作成の努力を削減します。

課題と限界

データの要件とラベル付けコスト

監視された機械学習モデルは、正確にラベル付けされたトレーニングデータの大きなボリュームを必要とします。衛星画像では、地上の真実データは、通常、フィールド調査、高画質画像、または既存の土地のカバーマップから来ています。多様な地理地域や現象学的段階のラベルが高価で時間がかかります。弱く監視され、自己監視学習アプローチは、このボトルネックを緩和するために開発されていますが、彼らはアクティブな研究フロンティアを維持しています。

計算上の要求

特に、高解像多スペクトルタイルのトレーニングのための強力なGPUと大きなメモリを要求する、ディープニューラルネットワーク。 Google Earth EngineやAmazon SageMakerなどのクラウドベースのサービスは、スケーラブルな計算を提供しますが、大規模なプロジェクトではコストが相当する可能性があります。モデルの圧縮、剪定、および軽量アーキテクチャ(例えば、MobileNet)は、エッジデバイスや衛星プラットフォーム上の展開のための計算要件を減らすために新興しています。

過度と一般化

マシン学習モデルは、特にデータセットが小さくても不均衡なとき、データを訓練するために過度にすることができます。正規化技術(ドロップアウト、重量のデカ、早期停止)とクロスバリデーションの助け、しかし、異なる土地のカバー特性で訓練されたモデルを別の領域に転送することは、多くの場合、性能を劣化させます。ドメイン適応方法とマルチソースのトレーニングは、空間と気道領域の全体化を改善するために研究のアクティブな領域です。

モデル解釈性

ディープニューラルネットワークのような複雑なモデルは、特定のピクセルがシュルブランドの代わりに、言う、森林として分類された理由を理解することは困難である「ブラックボックス」として動作しています。説明ツール(例えば、SHAP、LIME、Grad-CAM)は、スペクトルバンドまたは空間パターンが分類決定を駆動するかどうかを識別するためにリモートセンシングのために適応されています。これは、モデルの推論が透明でなければなりません規制または科学的アプリケーションのために特に重要です。

未来の方向と新興トレンド

ディープラーニングと衛星画像の分類の統合は急速に進化し続けています。注意メカニズムとトランスアーキテクチャ - 自然言語処理のために開発され、衛星画像の長距離空間依存性をキャプチャし、特定のセグメンテーションタスクでCNNを出力する適応しています。セルフ・ガイダンス学習の事前学習モデルを非ラベル化した画像処理で、いくつかのラベル、誤って注釈のニーズを削減することを可能にします。さらに、仮想化(AR)の仮想化とクラウド構造の統合(AR)をクラウド化し、仮想化するための最適化)を最適化します。

コンテンツ

機械学習アルゴリズムは、大規模なデータストリームを処理することができる自動化された高精度なプロセスに、手動、統計的な演習から衛星画像の分類を変換しました。ベクトルマシン、ランダムフォレスト、ディープニューラルネットワーク、およびK-Nearest Neighborsのようなより簡単な方法をサポートし、さまざまなアプリケーションのための特定の強みを提供し、ディープラーニングは、フロンティアをリードしています。データのラベル作成、計算コスト、解釈、および自己監視型モデルの積極的な研究にもかかわらず、これらの検証、持続可能な開発のための重要な分析、および持続可能な開発のための持続可能な開発のための重要な分析、および持続可能な開発のための持続可能な開発のための重要な分析、および持続可能な開発のための持続可能な開発のためのソリューションを提供します。