[論文レビュー] Integrating Remote Sensing, GIS and Prediction Models to Monitor the Deforestation and Erosion in Peten Reserve, Guatemala

Roberto Bruno, Marco Follador+3 more|ArXiv.org|Apr 2, 2009

Remote Sensing in Agriculture参考文献 5被引用数 7

ひとこと要約

本研究では、限られた空間データを用いてグアテマラのペテン国立保護区における森林減少および土壌侵食を評価するために、リモートセンシング（SpotおよびLandsat TM）、GIS、予測モデリングを統合した。マルチスペクトル画像解析、環境インデックス（NDVI、水分ストレス）、および複数の予測モデル（マルコフ連鎖、セルオートマトン、ニューラルネットワーク）を組み合わせることで、道路やパイプラインへの近接性といった主な要因を特定し、将来の森林減少リスクをより高い精度で予測することに成功した。

ABSTRACT

This contribution provides a strategy for studying and modelling the deforestation and soil deterioration in the natural forest reserve of Peten, Guatemala, using a poor spatial database. A Multispectral Image Processing of Spot and TM Landsat data permits to understand the behaviour of the past land cover dynamics; a multi-temporal analysis of Normalized Difference Vegetation and Hydric Stress index, most informative RGB (according to statistical criteria) and Principal Components, points out the importance and the direction of environmental impacts. We gain from the Remote Sensing images new environmental criteria (distance from roads, oil pipe-line, DEM, etc.) which influence the spatial allocation of predicted land cover probabilities. We are comparing the results of different prospective approaches (Markov Chains, Multi Criteria Evaluation and Cellular Automata; Neural Networks) analysing the residues for improving the final model of future deforestation risk.

研究の動機と目的

• 限られた空間データを用いて、グアテマラのペテン国立保護区における土地被覆の動態と環境劣化を評価すること。
• 道路や石油パイプラインへの近接性といった、森林減少および土壌侵食に影響を与える主な環境的要因を特定すること。
• 複数の予測技術を用いて、将来の森林減少リスクを予測する強固な予測モデルを開発すること。
• マルコフ連鎖、多基準評価、セルオートマトン、ニューラルネットワークの結果を比較・検証することで、モデルの精度を向上させること。
• 統合されたリモートセンシングおよびGISツールを用いて、保護活動や政策立案に役立つ空間的に明示的なリスクマップを生成すること。

提案手法

• SpotおよびLandsat TM衛星データのマルチスペクトル画像処理を実施し、歴史的な土地被覆の変化を分析する。
• NDVIおよび水分ストレスインデックスの時系列分析を実施し、植生および水分ストレスのパターンを特定する。
• リモートセンシングおよびGISレイヤーから、空間的環境基準（例：道路・パイプラインからの距離、DEM）を抽出し、モデルの入力に反映する。
• 3つの予測モデリング手法（マルコフ連鎖、多基準評価、ニューラルネットワークで補正を施したセルオートマトン）を実装する。
• 統計的基準を用いて、モデル学習に最も情報量の多いRGBの組み合わせおよび主成分を選択する。
• 残差の分析を通じてモデル出力を検証・最適化し、最も優れた性能を示す予測フレームワークを選定する。

実験結果

リサーチクエスチョン

• RQ1 分析期間におけるペテン国立保護区の森林減少および土壌侵食の主な空間的・時間的パターンは何か？
• RQ2 道路、石油パイプライン、地形的特徴への近接性は、森林減少の空間的分布にどのように影響を与えるか？
• RQ3 マルコフ連鎖、多基準評価、セルオートマトン、ニューラルネットワークのうち、どの予測モデリング手法が最も高い森林減少リスク予測精度を達成するか？
• RQ4 リモートセンシングおよびGISデータは、空間データベースの品質が低い状況において、環境監視をどの程度補完できるか？
• RQ5 植生および水分ストレスインデックスは、土地劣化の早期警戒信号を特定するためにどの程度寄与するか？

主な発見

• SpotおよびLandsat TMデータのマルチスペクトル画像処理により、ペテン国立保護区における歴史的な土地被覆の動態および劣化傾向が明確に特定された。
• NDVIおよび水分ストレスインデックスは、時間経過に伴う環境ストレスおよび植生喪失を検出するうえで、極めて有用な情報源であった。
• 道路および石油パイプラインへの近接性が、森林減少リスクの主要な予測要因として浮き彫りになった。これは、予測された土地被覆変化の空間的配分に影響を与えた。
• 環境基準（例：DEM、インfraストラクチャーからの距離）の統合により、予測モデルの空間的精度が向上した。
• 検証されたモデルの中で、ニューラルネットワークおよび残差分析を施したセルオートマトンが、最も高い予測性能と最小の誤差率を示した。
• 統計的検証と複数モデルの比較を組み合わせることで、最終的なモデルは森林減少リスクの予測精度を大幅に向上させた。