[論文レビュー] Probabilistic graphical model based approach for water mapping using GaoFen-2 (GF-2) high resolution imagery and Landsat 8 time series

Luyan Ji, Jie Wang+2 more|arXiv (Cornell University)|Dec 22, 2016

Flood Risk Assessment and Management参考文献 29被引用数 4

ひとこと要約

本稿では、高分解能マルチスプライス（MS）およびパンクロミック（PAN）画像（Gaofen-2, GF-2）とLandsat 8の時系列データを統合する確率的グラフィカルモデル（PGM）を提案し、水体マッピングの正確性を向上させることを目的としている。短波赤外（SWIR）帯域におけるスペクトル差異と物体サイズの事前知識を活用することで、PGMは水体と影、低反射率表面を効果的に区別でき、SVM、しきい値処理、水体インデックス手法を含む比較手法の中で最高の全体的正確性を達成した。

ABSTRACT

The objective of this paper is to evaluate the potential of Gaofen-2 (GF-2) high resolution multispectral sensor (MS) and panchromatic (PAN) imagery on water mapping. Difficulties of water mapping on high resolution data includes: 1) misclassification between water and shadows or other low-reflectance ground objects, which is mostly caused by the spectral similarity within the given band range; 2) small water bodies with size smaller than the spatial resolution of MS image. To solve the confusion between water and low-reflectance objects, the Landsat 8 time series with two shortwave infrared (SWIR) bands is added because water has extremely strong absorption in SWIR. In order to integrate the three multi-sensor, multi-resolution data sets, the probabilistic graphical model (PGM) is utilized here with conditional probability distribution defined mainly based on the size of each object. For comparison, results from the SVM classifier on the PCA fused and MS data, thresholding method on the PAN image, and water index method on the Landsat data are computed. The confusion matrices are calculated for all the methods. The results demonstrate that the PGM method can achieve the best performance with the highest overall accuracy. Moreover, small rivers can also be extracted by adding weight on the PAN result in PGM. Finally, the post-classification procedure is applied on the PGM result to further exclude misclassification in shadow and water-land boundary regions. Accordingly, the producer's, user's and overall accuracy are all increased, indicating the effectiveness of our method.

研究の動機と目的

• 高分解能画像を用いた水体マッピングにおける課題、特に水体と低反射率物体（例：影）との誤分類を解決すること。
• マルチスプライス（MS）センサーの空間分解能の下限に達する小さな水体の検出を向上させること。
• GF-2のMS/PANとLandsat 8の時系列データを含む複数ソース・複数解像度のデータ統合により、分類性能を向上させること。
• 確率的グラフィカルモデル（PGM）がスペクトル的・空間的・時間的情報を統合して水体マッピングに有効であるかを評価すること。
• 後処理による分類の精練を通じて、影領域および水体-陸上境界領域における誤検出（ファルスポジティブ）を低減すること。

提案手法

• PGMフレームワークは、物体サイズとスペクトル的特性に基づく条件付き確率分布をモデル化し、GF-2のMS、GF-2のPAN、Landsat 8の時系列画像データを統合する。
• Landsat 8の2つの短波赤外（SWIR）帯域を活用し、水体がSWIRで強く吸収する特性を活かして、低反射率表面との混同を低減する。
• PGMではPAN由来の特徴量に高い重みを付与することで、小さな川や細い水体の検出を強化する。
• PGM出力の後処理として、影領域および水体-陸上境界領域における誤分類ピクセルを特定的に修正する手順を適用する。
• 空間的事前知識とスペクトル signatures を用いて、複数のセンサーからの観測データに基づき、ピクセルが水体である確率をモデル化する。
• 比較手法には、PCA融合GF-2データに対するSVM、PANデータに対するしきい値処理、Landsat 8データに対する水体インデックス手法が含まれる。

実験結果

リサーチクエスチョン

• RQ1 GF-2の高分解能データとLandsat 8の時系列データの統合は、単一センサー手法に比べて水体マッピングの正確性を向上させることができるか？
• RQ2 スペクトル的および空間的事前知識を用いて、確率的グラフィカルモデル（PGM）は、影などの低反射率物体と水体の混同をどの程度効果的に解消できるか？
• RQ3 PGMフレームワークにおいて、より高い空間分解能を持つPANデータを統合することで、小さな水体の検出がどの程度向上するか？
• RQ4 後処理による分類の精錬は、水体-陸上境界領域および影領域におけるプロデューサー正確性とユーザー正確性を顕著に向上させるか？
• RQ5 従来の手法（SVM、しきい値処理、水体インデックス技術）と比較して、PGMアプローチの相対的性能はいかがなっているか？

主な発見

• PGMベースの手法は、SVM、しきい値処理、水体インデックス手法を含む全比較手法の中で最高の全体的正確性を達成した。
• Landsat 8のSWIR帯域の導入により、影やその他の低反射率表面が水体と誤認される誤りが顕著に低減された。
• PGMにおけるPANデータへの重み付けにより、MSオンリーメソッドで見逃されていた小さな川や細い水体の検出が向上した。
• 後処理による分類の精錬により、プロデューサー正確性とユーザー正確性の両方が向上し、境界領域および影関連の誤りを是正する有効性が示された。
• 混同行列の結果、全テスト地域においてPGM手法が最小の省略誤差（omission error）と誤検出誤差（commission error）を示した。
• 本手法は、スペクトル的・空間的・時間的情報を効果的に統合し、各センサーの強みを活かして、堅牢で高精度な水体マップを生成できた。