機械学習法を用いたSPOT5/HRGデータの土地被覆分類とその精度比較

摘要

Land cover mapping provides basic information for advanced science such as ecological management, biodiversity conservation, forest planning and so on. In remote sensing research, the process of creating an accurate land cover map is an important subject. Recently, there has been growing research interest in object-oriented image classification techniques. Object-oriented image classification consists of multi-dimensional features including object features, and thus requires multi-dimensional image classification approaches. For example, a linear model such as the maximum likelihood method of pixel-based classification cannot characterize the patterns or relations of multi-dimensional data. In multidimensional image classification, data mining and ensemble learning have been shown to increase accuracy and flexibility. This study examined the use of the object-oriented image classification by multiple machine learning algorithms for land-cover mapping. We applied four classifiers: Classification and regression tree(CART), Decision tree with Boosting, Decision tree with Bagging, Random Forest, and Support Vector Machine(SVM). The study area was Sado Island in Niigata Prefecture, Japan. Pan-sharpened SPOT/HRG imagery(June 2007)was used and classified into the following eight classes: broad-leaved deciduous forest, Japanese cedar, Japanese red pine, bamboo forest, paddy field, urban area, road, and bare land. We prepared four data sets with object and texture features. The number of features increases from data sets I through IV. As a result, CART was unsuitable for multi-dimensional classification. Random Forest, Decision tree with Boosting and SVM showed high classification accuracies. Furthermore, in the data set with the limited features, Decision tree with Boosting was an accurate classifier. Random Forest and SVM are effective for multi-dimensional image classification such as data sets II and III. Decision tree with Boosting is effective for image classification with limited features such as data set I.%近年，植生図作成においてオブジェクトベース画像分類を用いた研究事例が増えてきた.オブジェクトベース画像分類では，オブジェクトの基礎統計量や形状，テクスチャなど多くの特徴量を使用する事ができる.これにより，多次元の特徴空間を持つデータを分類する事が重要な課題となっている.これまで標準的に使用されてきた最尤法や近傍法では，多次元のデータから明らかになるパターンや関係性を特徴付けられないという指摘がある.この時，機械学習による分類が有効視されている.本論では，機械学習方法であるCART,Bagging,Boosting,Random Forest,SVMを用いた画像分類を試みた.本研究の対象地は新潟県佐渡巿である.2007年6月に取得されたSPOT5/HRGデータ(パンシヤープン画像)を使用した.分類クラスは広葉樹林，スギ林，アカマツ林，竹林，水田，巿街地，道路，裸地の8クラスとした.また，特徴量として，オブジェクトの基礎統計量や形状，テクスチャを含む4つのデータセットを用いた.得られた分類画像の精度を比較した結果，BoostingとRandom Forest, SVMにおいて高い精度が得られた.最も分類精度が低かった手法はCARTだった.異なるデータセットでの分類結果から，使用する特徴量が多次元の場合は，Random ForestとSVMが有効な手法となる.一方，使用する特徴量が少ない場合，Boostingの精度がRandom ForestとSVMに勝る.使用可能な特徴量の多さに応じて，どちらの機械学習法を採用するか決める必要がある.