[論文レビュー] Deep Recurrent Neural Networks for mapping winter vegetation quality coverage via multi-temporal SAR Sentinel-1

Dinh Ho Tong Minh, Dino Ienco+5 more|arXiv (Cornell University)|Aug 11, 2017

Remote Sensing in Agriculture参考文献 7被引用数 16

ひとこと要約

本研究では、フランス・ラロシェル地域における冬期の植生品質被覆をマッピングするために、マルチタイムスパンのセントネル-1 SARデータを用いた深層再帰的ニューラルネットワーク（RNN）手法を提案する。VVおよびVHポラリゼーション時系列における時間的依存性をモデル化するために、長短記憶（LSTM）およびゲート付き再帰ユニット（GRU）ネットワークを活用し、従来の分類器を著しく上回る性能を達成した。GRUを用いた場合のF-measureは99.05%、LSTMを用いた場合のF-measureは98.83%を記録し、低品質および非常に低品質被覆を含む、複雑な時間的パターンを効果的に区別できることが示された。

ABSTRACT

Mapping winter vegetation quality coverage is a challenge problem of remote sensing. This is due to the cloud coverage in winter period, leading to use radar rather than optical images. The objective of this paper is to provide a better understanding of the capabilities of radar Sentinel-1 and deep learning concerning about mapping winter vegetation quality coverage. The analysis presented in this paper is carried out on multi-temporal Sentinel-1 data over the site of La Rochelle, France, during the campaign in December 2016. This dataset were processed in order to produce an intensity radar data stack from October 2016 to February 2017. Two deep Recurrent Neural Network (RNN) based classifier methods were employed. We found that the results of RNNs clearly outperformed the classical machine learning approaches (Support Vector Machine and Random Forest). This study confirms that the time series radar Sentinel-1 and RNNs could be exploited for winter vegetation quality cover mapping.

研究の動機と目的

• 高雲被覆地域における冬期の植生品質被覆マッピングの課題に対処すること。光学センサーの使用が制限される状況を想定している。
• 特に再帰的ニューラルネットワーク（RNN）を用いた深層学習が、マルチタイムスパンSARデータにおける時間的依存性を効果的に活用できるかどうかを評価すること。
• SVMおよびランダムフォレストといった古典的手法と比較して、RNNベースのモデル（LSTMおよびGRU）が、5つの冬期植生品質クラスを分類するタスクで果たす性能を評価すること。
• 特に時間的プロファイルが重複したり曖昧だったりするクラスに対して、セントネル-1 SAR時系列における時間的相関が分類精度に与える影響を評価すること。

提案手法

• VVおよびVHのデュアルポラリゼーションで、2016年10月から2017年2月までの13回のセントネル-1マルチタイムスパンSARデータを用いた。リカバリサイクルは12日間である。
• 前処理にはコアジグレーション、放射計測キャリブレーション、および5ルック強度推定を実施し、スペックルノイズを低減しながら空間分解能を保持した。
• 時間的フィルタリングを適用して、空間的詳細を損なわずに放射計測分解能を向上させ、時系列データにおける信号対ノイズ比を向上させた。
• 時間的ダイナミクスをモデル化し、5つのクラスに分類する目的で、時系列強度データ上でLSTMおよびGRUの2つの深層学習アーキテクチャをエンドツーエンドで学習した。
• モデルの汎化性能を評価するために5分割交差検証戦略を採用し、F-measure、正解率、カッパ統計量を指標に評価した。
• 誤分類のパターンを評価するために、混同行列およびクラスごとのF-measure分析を実施した。特に、低品質（Low）および非常に低品質（Very Low）クラス、および裸地（Bare soil）クラスとの誤分類に注目した。

実験結果

リサーチクエスチョン

• RQ1 深層再帰的ニューラルネットワークは、マルチタイムスパンのセントネル-1 SAR時系列における時間的依存性を、冬期の植生品質分類に有効にモデル化できるか？
• RQ2 この分類タスクにおいて、RNNベースのモデル（LSTMおよびGRU）は、SVMおよびランダムフォレストといった古典的手法に比べて、どの程度優れた性能を示すか？
• RQ3 なぜ従来の分類器は、低品質（Low）と非常に低品質（Very Low）の植生品質クラスを区別しにくいのか？RNNはこの制限を克服できるか？
• RQ4 SAR時系列における時間的相関は、特に時間的プロファイルが重複したり曖昧だったりするクラスの分類精度をどの程度向上させるか？

主な発見

• GRUベースのRNNが最高のF-measure（99.05%）を達成し、次いでLSTMが98.83%を記録した。両者ともSVM（91.22%）およびランダムフォレスト（91.77%）を著しく上回った。
• RNNモデルは、低品質および非常に低品質クラスを含む、全5クラスにわたり一貫した性能を示した。これら2クラスは、従来の手法では頻繁に誤分類されていた。
• SVMおよびランダムフォレストは、高品質（クラス4）では最も高い正答率を示したが、低品質（クラス2）では最も低い正答率を示し、曖昧な時間的プロファイルに対する一般化能力の低さが明らかになった。
• すべてのモデルで、低品質（2）と裸地（5）クラスとの誤分類が頻発したが、RNNは古典的手法よりもこの誤りを低減した。
• 混同行列の分析から、RNNは時間的プロファイルが類似した低品質と非常に低品質クラスを、逐次的依存性をモデル化できる能力により、より効果的に区別できていることが明らかになった。
• 本研究は、RNNがSAR時系列分類に適していることを確認した。これは、標準的な分類器が無視する時間的相関を明示的に活用できるためである。