National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets

本資料はSatAI.challengeのサーベイメンバーと共に作成したものです。
SatAI.challengeは、リモートセンシング技術にAIを適用した論文の調査や、より俯瞰した技術トレンドの調査や国際学会のメタサーベイを行う研究グループです。speakerdeckではSatAI.challenge内での勉強会で使用した資料をWeb上で共有しています。
https://x.com/sataichallenge

本研究では、農業センサスデータと圃場ポリゴン、さらに光学・SAR・地形のマルチモーダル衛星データを統合し、日本全国を対象とした高解像度の作付け分類図を構築する枠組みが紹介されています。従来、広域の作付け分類では、大量の教師データを効率的に整備することが難しく、また地域ごとの作物や季節性の違いを十分に反映した分類が課題でした。本手法では、農業集落単位で整備された2015年農業センサスと圃場ポリゴンを組み合わせ、各作物の面積割合に基づいて一定条件を満たす圃場を “Pure label” として抽出し、効率的に教師データを作成します。これに対し、Landsat-8、Sentinel-1、SRTM DSM から得られるマルチモーダル特徴量を入力し、Random Forest、LSTM、TempCNN、Transformer を比較した上で、精度と計算コストのバランスに優れた Random Forest を全国分類に採用しています。北海道での比較では、Random Forest が深層学習系手法に匹敵する性能を示し、地域ごとに重要となる特徴量も異なることが確認されました。最終的に、圃場ポリゴン単位で日本全国を9カテゴリに分類した作付けマップを作成し、既存の FROM-GLC より明確に良好で、JAXA HRLULC の水稲カテゴリとも整合的な結果が得られています。今後は、ALOS-2 や Sentinel-2 など新たなモダリティの追加や、より高品質な教師ラベルの整備によって、さらなる精度向上が期待されます。

Transcript

1. National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets 嶌田将貴 第２５回 SatAI.challenge勉強会
2. 目次 • 自己紹介スライド • 研究の1ページサマリ紹介 • 研究の背景（Introduction） • 手法について（Methodology） • 結果と考察（Results & Discussions） • 結論（Conclusion） Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 2
3. 発表者紹介 This image was generated by ChatGPT 3
4. 現所属：JAXA地球観測研究センター 研究テーマ ： • 農業・農地のリモートセンシング（特に広域の作付け分類図作成） • 太陽光発電（PV）の検出や、導入に伴う環境改変の定量化 • 最近は衛星以外のリモセンツール（ドローン等）にも関心 AIも含めて、リモセンデータからより効果的な価値創出を目指す 特徴量設計や、データセットの整備を通じてリモセン ×AIに貢献したい 嶌田将貴（シマダ　ショウキ） 自己紹介 手持ちセンサを使用したスペクト ル計測 4
5. 1ページサマリ This image was generated by ChatGPT 5
6. National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets • 作付け状況の把握は農業政策などにおいて重要なテーマの一つ • 農業センサスデータと圃場ポリゴンを使うことで、大量の教師データを効率的に取得 • センサスデータと圃場ポリゴンから作成した教師データとRandom Forestモデルの組み合わせにより、Sentinel-1と Landsatのマルチモーダルなデータから 高範囲（日本全国）作付けマップ構築に成功 農業センサスデータとマルチモーダル衛星データによる日本全国の作付けマップ 日本全域の 2015年作付けマップの構築 農業センサスデータ＆ 圃場ポリゴンの組み合わせで 作物教師データを作成 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 マルチモーダル衛星データ＋ 作物教師データ ＋機械学習モデル 6
7. 論文紹介 This image was generated by ChatGPT Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth 7
8. Introduction（作付け分類図とは） ◆ 作付け分類図（crop map） →土地利用土地被覆分類（Land-use and Land-cover, LULC）のうち農業に着目したもの →“いつ・どこに・なにが栽培されているか“を定量的に示す ◆ 既存の作付け分類図 →米国のCropland Data Layer (CDL)をはじめ、衛星データ解析が広く活用されている →日本の高解像度土地利用土地被覆分類図（HRLULC）にも水田カテゴリが存在 8 USDA National Agricultural Statistics Service Cropland Data Layer. 平山颯太, et al. "JAXA 高解像度土地利用土地被覆図日本域 21.(HRLULC-Japan v21. 11) の作成." 日本リモートセンシング学会誌 42.3 (2022): 199-216.
9. Introduction（作付け分類図作成の課題と研究背景） ◆ 作付け分類図作成の課題 →分類モデルを訓練するためのラベルが大量に必要 →ラベル収集には時間とコストがかかる 本研究では二つの課題に対して既存データセットの利活用と深層学習モ デルへhuman-in-the-loopを組み合わせることで、解決を目指す 農業センサスデータ＆圃場ポリゴン マルチモーダルな衛星データを特徴量に利用 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 9
10. Methodology（対象地域＆農業センサスについて） ◆ 分析対象エリア＆農業センサスの整備単位 →日本全国47都道府県の2015年時点（農業センサス整備年）の作付け状況を分析する →農業センサスは農業集落を単位として整備されている →9カテゴリ：水稲・小麦・じゃがいも・豆類・雑穀・工芸作物・野菜類・花き・その他 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 10 秋田県の例：（左から）県境、市区町村、農業集落
11. Methodology（農業センサスデータからの教師データ作成） 11 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 ◆ センサスデータと圃場ポリゴンを使った“Pure label”の算出 →センサスデータでは農業集落が最小の集計単位となる →センサスデータのデータを使い、各作物が農地に占める割合を計算 →作物ごとの閾値・条件を満たす場合にPure labelとみなす（ 一定のラベル誤りを許容） Pure label抽出条件の例 抽出条件を満たした農業集落 （＝範囲内の圃場ポリゴンは Pure wheatとみなされる） 例：北海道において、小麦が農 地の5割を超える集落内の圃場 ポリゴンはPure wheat
12. Methodology（分類に使われる特徴量データ） 12 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 ◆ マルチモーダルな衛星データの準備 →農業センサスデータの整備年が2015年：Sentinel-2利用不可 →光学（Landsat-8）、SAR（Sentinel-1）、地形（SRTM DSM）を準備 →光学＆SARデータについては地域ごとモザイク作成の期間を変えることで季節性を反映 地域ごとに異なるモザイク作成期間 T1（Apr＆May）の Landsat画像 T2（Jun＆Jul）の Landsat画像 T1（Apr＆May）の S1画像 季節性が確認できる
13. Methodology（作付け分類モデル） 13 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 ◆ 日本全国を分類する作付け分類モデルの構築 →“Pure label”を教師データとして、作付け分類（県ごと）を実施 →Random Forest (RF)、LSTM、Temp CNN、Transformerの４つのモデルを比較 ※最終的な全国の作付け分類は最もよいパフォーマンスのモデル一つで実施 作付け分類モデルの 訓練・比較 センサスデータと圃場ポリゴンから得 られた各作物の “Pure label”に よる教師データ作成
14. Results & Discussions ◆ 北海道の検証：Deep Learning系のアルゴリズ ムと比肩する精度がRFでも得られた →計算の重さなどを考慮して、全国マップは RFで実施 Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 14 北海道における複数モデルの比較結果 マルチモーダルな入力データが精度にもたらす影響 （北海道や東北など地域ごと）
15. Results & Discussions ◆ 県ごとのモデル構築が示す特徴量重要度の違い →Slopeが最も重要である県（例：北海道）や、SWIRが重要な県（例：徳島）など、地域ごとにかなり訓 練されたモデルの特徴は異なっている Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 15 Importance of input variables by mean decrease in impurity values (the scale is 1). (a) Hokkaido, (b) Akita, (c) Saitama, (d) Niigata, (e) Nara, (f) Shimane, (g) Tokushima, (h) Kumamoto. 北海道 秋田 埼玉 新潟 奈良 島根 徳島 熊本
16. Results & Discussions ◆ 訓練したモデルを適用し、日本全国の作付け分類図を作成 →圃場ポリゴン単位で9カテゴリの分類が可能となった Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 16 日本全国の作付け分類マップ 県ごとの分類精度指標まとめ
17. Results & Discussions ◆ 既存の作付けマップとの比較 →FROM GLCよりは明確に優れており、JAXA HRLULCの水稲カテゴリとも整合的。 ※FROM-GLC (Finer Resolution Observation and Monitoring of Global Land Cover) Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 17 本研究の成果となる 作付けマップ
18. Conclusions まとめ 研究の目的 農業センサスデータと圃場ポリゴンを使い、日本全国をカバーする作付け分類図を作成すること 研究の結果 I. 農業集落ごとの農業センサスデータをベースとして、9種類の作物の“Pure label”を得た II. 光学・SAR・地形のマルチモーダルな衛星データを入力として、RF・TempCNN・LSTM・Transformer等の 分類モデルを比較し、RFモデルが精度とコストのバランスに優れていた III. 日本全国を圃場ポリゴン単位で分類し、既存データと比べて改善＆整合性のある作付け分類図を得た 今後の課題 I. ALOS-2やSentinel-2などの新たなモダリティを加えて、精度の向上と時系列的なデータ抜けを軽減す ること II. 誤ラベルを含むセンサスデータに基づく教師データではなく、より高品質なラベルを使うこと Xia, Junshi, et al. “National high-resolution cropland classification of Japan with agricultural census information and multi-temporal multi-modality datasets.” International Journal of Applied Earth Observation and Geoinformation117 (2023): 103193.より抜粋 18
19. 個人的な所感 ①センサスデータを活用する方策は面白い →5年に一度ではあるが、網羅性の観点からはセンサスが最も優れたデータ。一定の誤差を許容した、“Pure label”の 考え方も興味深い（本当にPureではないが） ②誤ラベルへの対処方法の改善余地？ →論文を読んだ限りだと、誤ラベルの問題についてはデータ量の多さでカバーしている印象 →作物は類似したフェノロジーサイクルを持つので、似たフェノロジーサイクルの作物でまとめればPure labelの確度を 高められるのでは？（特にコメや小麦など生育時期が決まっている作物） ③精度だけでなく計算コストの観点 →精度でSOTAなモデルに匹敵する精度を出せるＲＦの安定感 →横矢先生のグループの以前の超高解像度LULCの研究でも、最後に採用されたのはU-netだった。広い範囲を早く・ それなりの精度で・計算コスト安く、となるとRFをはじめ実績のあるモデルが強い ④分類結果については改善の余地が大きそう →大局的な分類結果については、おおむね自分の認識とも整合性がある（特に水稲） →一方で、渥美半島（キャベツが多い）では殆どが花きになっている傾向があるなど、改善する余地がある 19