Sentinel、Landsat、ドローン画像を対象とした、前処理、サンプル作成、分類、精度評価のフロー。
研究期間、雲量、空間解像度、センサーに応じて、Sentinel-2、Landsat、その他の画像を選びます。
分類の前に、画像の撮影時期が地上サンプルの時期と合っているか確認してください。
大気補正、雲マスク、投影変換、研究地域の切り抜き、バンドの組み合わせを行います。
複数シーンの画像では、系統的な差が生じないよう処理手順を統一してください。
現地調査、目視判読、既存の土地利用図をもとに分類サンプルを作成します。
サンプルは各クラス内のばらつきをカバーし、学習サンプルと検証サンプルは分けておく必要があります。
ランダムフォレスト、SVM、その他の機械学習手法で画像を分類します。
最初の分類モデルとしては、ランダムフォレストが比較的安定していることが多いです。
混同行列、全体精度、Kappa や F1 スコアを計算し、混同しやすいクラスを確認します。
論文では全体精度だけでなく、クラスごとの精度も報告してください。
分類結果にパッチフィルタリング、色の設定、凡例の整理を行い、最終的な主題図を出力します。
分類の色は常識に沿ったものにしましょう。例えば、水域は青、植生は緑、建設用地は赤／灰色です。
