土地被覆地図

土地被覆地図は、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、森林や農業の監視に役立ちます。^{[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]このコスト効率の高いアプローチでは、画像の前処理と処理にいくつかの技術を採用し、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アプリケーションに従って、さまざまな空間スケールでの変化を検出します。

画像の前処理は通常、放射補正によって行われますが、画像処理では、土地被覆マップを作成するために、教師なしまたは教師ありの分類と植生指数の定量化を適用します。

教師あり分類とは、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、分類の精度を評価する分類システムです。

教師あり分類用にいくつかの機械学習アルゴリズムが開発されています。

• 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、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前提としています。^[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の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限に抑え、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トレーニングデータの適切なクラスターを選択し、予測子（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]} – 分類器がトレーニングポイントのクラスター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アプローチ。次元サブスペース作成のアプローチでは、トレーニングポイントに対して主成分分析を実行します。 ^{[8] [9]土地被覆分類エラーを最小限に抑え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)の2種類があります。^[11]
• 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はトレーニングサンプルを土地被覆クラスターのセットに分割する接続されたノードのセットを構成します。^[13]その利点は、高速で、小さなデータに対して構築および解釈が容易で、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す。特に大規模なデータセットの場合、過剰適合を引き起こす可能性があるという欠点があります。
• ファジークラスタリング(FZ)

教師なし分類は、ユーザーがシグネチャ ファイルやトレーニング データを適用しなくても、ソフトウェアによって単一のピクセルまたはピクセルのグループが自動的に分類される分類システムです。ただし、クラスタリング アルゴリズムを使用して類似のピクセルを 1 つのカテゴリにグループ化することにより、コンピューターが自動的に生成するクラスの数はユーザーが定義します。この分類システムは、フィールド観察や利用可能な土地被覆タイプに関する事前知識がないエリアで主に使用されます。

• 反復自己組織化データ分析技術 (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介してこれらを適用し、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]}

• 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ます。次のように計算されます。

${\displaystyle {\text{NVDI}}={({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}})}}$

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。高いNDVI値は密な植生被覆を表し、中程度のNDVI値はまばらな植生被覆を表し、低いNDVI値は植生のない地域（例えば、不毛地や裸地）に対応します。^[22]

• 強化植生指数（EVI）^[23] – 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）を加えた、赤色、近赤外線、青色のバンド間の比率として定義されます。^{[24] [25]}次のように計算されます。

${\displaystyle G\times {({\text{NIR}}-{\text{赤}}) \over ({\text{NIR}}+C_{1}\times {\text{赤}}-C_{2}\times {\text{青}}+L)}}$

通常、デフォルト値は L = 0.5、G = 2.5 です。

• 土壌調整植生指数（SAVI）^[26] – 土壌明度補正係数（L）による赤色光と近赤外線値の比として定義されます。次のように計算されます。

${\displaystyle {\text{SAVI}}=(1+L)\times {({\text{NIR}}-{\text{Red}}) \over ({\text{NIR}}+{\text{Red}}+L)}}$

• 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さまざまな影のパターンを評価し、密林と草地や裸地を簡単に区別します。^{[27] [28]}次のように計算されます。

${\displaystyle {\text{SI}}={\sqrt[{}]{(256-{\text{緑}})\times (256-{\text{赤}})}}}$

赤と緑の範囲はどちらも 0 から 256 です。

• 高度植生指数(AVI) – 森林被覆を草地や裸地と区別するために使用されます。次のように計算されます。

${\displaystyle {\text{AVI}}={\sqrt[{3}]{({\text{NIR}}+1)\times ({\text{256}}-{\text{Red}})\times ({\text{NIR}}-{\text{Red}})}}}$

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、青のバンドの比率として定義されます。裸地の量を測定し、森林密度が減少するにつれて増加します。^{[27] [28]}次のように計算されます。

${\displaystyle {\text{BSI}}={({\text{NIR}}+{\text{緑}})-{\text{赤}} \over ({\text{NIR}}+{\text{緑}})+{\text{赤}}}}$

• 正規化差分水分指数（NDWI）^{[30] –}短波赤外線（SWIR）を使用して、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ました。次のように計算されます。

${\displaystyle {\text{NDWI}}={{\text{NIR}}-{\text{SWIR}} \over {\text{NIR}}+{\text{SWIR}}}}$

• 正規化差分市街地指数（NDBI）^[31] – 衛星画像上の市街地を定量化するために開発された。次のように計算される。

${\displaystyle {\text{NDBI}}={{\text{SWIR}}-{\text{NIR}} \over {\text{SWIR}}+{\text{NIR}}}}$

• 土地被覆 – 地球の表面を覆う物質
• 植生指数

• OpenStreetMapの土地被覆に関するドキュメント