非線形分離に基づくリモートセンシングデータの時系列変化・データ置換画素の補正

基于非线性分离的遥感数据时间序列变化校正及数据替换像素

• 批准号: 06750575
• 负责人: 辻子 裕二
• 金额: $ 0.58万
• 依托单位: Fukui National College of Technology
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Encouragement of Young Scientists (A)
• 财政年份: 1994
• 资助国家: 日本
• 起止时间: 1994 至 无数据
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/grant/KAKENHI-PROJECT-06750575/
• 关键词: リモートセンシング; 人工衛星; ランドサットTM; ニューラルネットワーク; 土地被覆分類; 非線形

ニューラルネットワークは線形分離が困難なデータのクラス分類に対して有効であることが認識されているが、クラス分類の対象となる画素の中で各クラスに対応する画素の分布密度に大きな差があるときには特徴空間でのクラス分布の重なりの影響が大きくなる。このような場合には、単一のニューラルネットワークの分類では、十分なユニットを用意し十分な学習を与えなければ、ほぼ等しい特徴ベクトルを有する画素群を正確に区別することは困難となる。逆に、十分なユニット数の確保およに学習を許せば、未知画素の特徴ベクトルに対する汎用性(汎化能力)が劣る原因となる。こういった背景から、各クラスの抽出に適したニューラルネットワークを並列して分類判定を行い、これらを統合することで精度の向上と統計的な安定性を確保できる多段のニューラルネットワークを考案し、各クラスの画素の分布密度に大きな差がある衛星画像のクラス分類精度の向上を図る方法について検討し、単一のニューラルネットワークに対してより有効であることを確認した。さらに、多段ニューラルネットワークを領域や時系列変化に対応するモデルに拡張し解析をすすめ、1地点・1時刻の多段ニューラルネットワーク解析に対して、多地点・多時刻環境の特徴を抽出する多段ニューラルネットワークの有用性を確認した。さらに、上記解析を従来より用いられている最尤法やファジ-推論による解析と比較・検討し、提唱する解析法の有用性を確認した。

神经网络被认为对于难以线性分离的数据进行分类是有效的，但在类别分类的目标像素中，每个类别对应的像素的分布密度存在很大差异，有时会受到特征中重叠类别分布的影响。空间变大。在这种情况下，在使用单个神经网络的分类中，除非准备足够的单元并且提供足够的学习，否则将难以准确地区分具有大致相同特征向量的像素组。另一方面，如果保证足够数量的单元并允许学习，则对于未知像素的特征向量的通用性（泛化能力）将会很差。在此背景下，我们设计了一种多级神经网络，通过运行适合并行提取每个类别并做出分类决策的神经网络，可以提高准确性并确保统计稳定性，并通过整合它们来研究一种提高分类准确性的方法。对每个类别中像素分布密度存在较大差异的卫星图像进行了研究，并证实对于单个神经网络来说更有效。此外，我们将多级神经网络扩展到对应面积和时间序列变化的模型并进行分析。与单点一次的多级神经网络分析相反，我们将使用多级神经网络我们证实了提取多点、多时间环境特征的阶段神经网络的有用性。此外，我们将上述分析与使用最大似然法和模糊推理的常规分析进行了比较和检验，并证实了所提出的分析方法的有用性。