[論文レビュー] Enhanced Archaeological Predictive Modelling in Space Archaeology

Li Chen, Carey E. Priebe+4 more|arXiv (Cornell University)|Jan 13, 2013

Archaeological Research and Protection参考文献 10被引用数 4

ひとこと要約

本論文は、マルチスペクトルおよび地形的リモートセンシングデータを活用して、サイト検出の正確性を向上させ、誤って否定する割合を低減する機械学習ベースの考古学的予測モデルであるAPM_{enhanced}を紹介する。バンド変換、PCAによる特徴抽出、LDAまたは(k,l)-NNを用いた分類を統合することで、従来のAPMと比較して優れた性能を達成し、特に誤って否定する割合が低い状況でも優れた結果を示す。特にWorldView-2と勾配データからの36バンド差分比を用いた場合が最適である。

ABSTRACT

Identifying and preserving archaeological sites before they are destroyed is a very important issue. In this paper, we develop a greatly improved archaeological predictive model $APM_{enhanced}$ that predicts where archaeological sites will be found. This approach is applied to remotely-sensed multispectral bands and a single topographical band obtained from advanced remote sensing technologies such as satellites and Airborne Laser Scanning (ALS). Our $APM_{enhanced}$ is composed of band transformation, image analysis, feature extraction and classification. We evaluate our methodology on the sensor bands over Ft.Irwin, CA, USA. A nested bi-loop cross-validation and receiver operating characteristics curves are used to assess the performance of our algorithm. We first validate our method on the east swath of Ft.Irwin and then test on a separate dataset from the west swath of Ft.Irwin. A convex combination of two methodologies: $APM_{conventional}$, which has been used among archaeologists for many years, and our $APM_{enhanced}$, is demonstrated to yield superior classification performance compared to either alone at low false negative rates. We compare the performance of our methodology on different band combinations, chosen based on the archaeological importance for these sensor bands. We also compare the two types of $APM$s in the aspects of input data, output values, practicality and transferability.

研究の動機と目的

• 高精度で誤って否定の割合が低い考古学的予測モデルを、高度なリモートセンシングデータを用いて開発すること。
• 現地収集された環境要因に依存する従来のAPMには低移植性という限界があるため、それを克服すること。
• 高次元のマルチスペクトルおよび地形的バンドに対する統計的学習により、予測性能を向上させること。
• APM_{conventional}とAPM_{enhanced}の間で、入力データ、出力精度、実用性、移植性のトレードオフを評価すること。
• 低誤って否定率におけるAPM_{conventional}とAPM_{enhanced}の凸結合が分類性能で優れていることを示すこと。

提案手法

• APM_{enhanced}は、衛星およびALSデータから得られるマルチスペクトルバンド（例：WorldView-2、KTT）と、1つの地形的バンド（勾配）を処理する。
• バンド変換を適用してバンド差分比（BDR）を生成し、36バンド差分比（勾配 + 8バンドのWorldView-2）が最適であると特定された。
• 主成分分析（PCA）により次元削減を行い、最小誤差率または95％の分散閾値に基づいて最適な成分数を選定した。
• 分類はLDAおよび(k,l)-最近傍法を用い、性能評価にはネストドバイループ交差検証とROC曲線を用いた。
• 全体の分類精度を向上させるために、APM_{conventional}とAPM_{enhanced}の凸結合を用いた。
• モデルはフォート・アイルウィンの東部スワップで学習させ、西部スワップでテストすることで、空間的領域にわたる一般化を確保した。

実験結果

リサーチクエスチョン

• RQ1 機械学習ベースのAPMは、従来のAPMと比較して分類精度を向上させ、誤って否定の割合を低減できるか。
• RQ2 マルチスペクトルおよび地形的バンドのどの組み合わせが、考古学的サイト検出において最高の予測性能をもたらすか。
• RQ3 バンド差分比の次元が、モデルの正確性およびノイズ感受性にどのように影響するか。
• RQ4 APM_{conventional}とAPM_{enhanced}を組み合わせることで、特に低誤って否定率における予測性能がどの程度向上するか。
• RQ5 入力データ、出力精度、実用性、移植性の観点から、APM_{enhanced}はAPM_{conventional}と比べてどのように異なるか。

主な発見

• 勾配と8バンドのWorldView-2を含む36バンド差分比が、分類精度が最も高く、15、66、78バンド差分比の構成を上回った。
• APM_{enhanced}は、特に重要なしきい値領域において、APM_{conventional}と比較して誤差率が低く、誤って否定の割合も顕著に低減された。
• (k,l)-最近傍法分類器はLDAよりもPCA誤差が低かったが、バイアス-バリアンスのトレードオフのため、LDAが全体的な予測性能が優れていた。
• APM_{conventional}とAPM_{enhanced}の凸結合は、単独のモデルよりも優れた分類性能を示し、特に低誤って否定率において顕著であった。
• APM_{enhanced}は高い移植性を示し、フォート・アイルウィンの東部で学習したモデルが西部スワップで良好に一般化された。
• 連続確率スコアに基づくモデルの出力により、APM_{conventional}の離散的出力とは異なり、誤って否定の割合をより細かく制御できる。