砂丘草原におけるデジタルカメラ画像解析による植生調査手法開発の試み

Size: px

Start display at page:

Download "砂丘草原におけるデジタルカメラ画像解析による植生調査手法開発の試み"

かずまさたけはな
4 years ago
Views:

1 システム農学 (J. JASS), 30(1) : 9 ~ 18, 2014 研究論文砂丘草原におけるデジタルカメラ画像解析による植生調査手法開発の試み * 京都大学大学院情報学研究科上佳孝 * 京都大学大学院情報学研究科小山里奈要旨現在多く用いられている目視によって被度を記録する植生調査には調査結果が再現不能であることや客観的でないことなどの欠点がある本研究ではフィールドで撮影された地上写真を用いて再現可能定量的に調査できる植被率や被度の調査手法の開発を試みた 2012 年 8 月に鳥取砂丘において対象植物種の葉群及び裸地の RGB バンド画像及び近赤外線 (NIR) バンド画像を取得してサンプルデータとした取得したサンプルデータを教師データとテストデータに均等に分割した教師データに対してテクスチャ解析を適用しテクスチャ特徴量を変数として植被や種の判別を行うモデルを作成したモデルに利用する変数の選択に際しては相関の高い変数群を取り除いた後多項ロジスティック回帰を用いて植生の分類に有効な変数群を明らかにした選択した変数群を用いて線形判別分析によりモデルを作成したテストデータに対してモデルを適用しモデルの精度を植被と裸地の判別分類群 ( 綱 ) の判別種の判別について検討したまた RGB バンドを組み合わせたモデルと NIR バンド単独のモデルの精度の比較を行った植被と裸地の判別においては RGB モデルと NIR モデルがそれぞれ 96% 87% と高い正解率を示した NIR モデルにおいては裸地の再現率が 50% 以下と低かったが RGB モデルでは全ての項目の再現率が 80% 以上と高かった分類群 ( 綱 ) の判別においては RGB モデルと NIR モデルの正解率はそれぞれ 86% 74% と高かった NIR モデルでは単子葉類の再現率が 30% 以下と低かったのに対して RGB モデルでは全ての項目が 70% 以上と高い値であった種の判別においては RGB モデルの正解率が 55% NIR モデルが 39% と両モデルとも低い値を示した種によって再現率に 0%~95% と大きな差があり誤判別された種の多くは同じ分類群 ( 綱 ) に判別されたこれらの結果から本研究で開発された手法を用いた地上写真を対象とした分類群 ( 綱 ) の判別と植被率推定の可能性が示されたが種の判別を行う必要がある被度推定の実用化にはまだ改良が必要であることが示唆されたキーワード : 植生調査地上写真テクスチャ解析 1. はじめに陸上生態系の研究において植生のデータは最も基本的な情報の一つで被度や種構成個体数や個体のサイズなどに基づいて対象地の植生が記載される草原や低木が主な構成種となっている系においては個体数 ( 密度 ) や葉群構造植被率または系を構成する種による地表の占有割合である被度が指標とされることが多い調査対象のスケールによって被度の調査方法は異なるマクロスケールを調査する場合には調査地の一部を抽出し現地において植物の種構成やサイズを調査して調査地全体に外挿する方法が従来多く用いられてきたがリモートセンシング技術の発展に伴い * 京都府京都市左京区吉田本町 (Correspondence: linak@bre.soc.i.kyoto-uac.jp) 衛星画像や航空写真などの画像を解析した植生調査も多く行われるようになってきたリモートセンシングにおいては広範囲の画像を対象として裸地と各植物種の各バンドにおける反射率の差を利用する方法や (Katoh 2004) 画像において各植生の輝度の違いや規則的な模様の変化であるテクスチャを統計学的に解析分類するテクスチャ解析という方法が広く用いられている ( 加藤 2004) テクスチャ解析とは画像において濃淡の繰り返しなどのパターン ( テクスチャ ) を決められたウィンドウサイズ内における各ピクセルにおける輝度値の平均分散エントロピーなど様々な統計的特徴から計測しテクスチャ特徴量として解析していく手法であるリモートセンシング分野においては台湾南部の国立公園を対象に衛星画像から取得したテクスチャ特徴量を用いて植生を在来種外来種畑地に分類した研究や (Tsai et al. 2006) アメリカ合衆国南部のチワワ国立公園において衛星画像から取得した多種のバンドのテク

2 10 システム農学 (J. JASS), 30(1), 2014 スチャ特徴量と鳥類の多様性の相関を示した研究など (St-Louis et al. 2006; 2009) 様々な先行研究が存在するまたこの手法はリモートセンシングの他医療画像処理など様々な分野に適用されている一方フィールドで行われるミクロスケールの植生調査では植被率や被度の測定は主として調査者の目視により行われており調査手法の自動化特に画像解析技術の導入はあまり進んでいない草原や低木が主な構成種である系では面積や長さの基準となる枠や棒との比較から一定面積内の植物の被度や種類を目視で読み取る等の方法が採られるこのような方法には調査結果が再現不可能なこと広範囲を調査する際に調査時間が長くなってしまうことなどの欠点があるそれ以外にも目視による計測では調査者の熟練度によって結果に差が出てしまうことや被度を正確に測定することは難しく定量性におとるという欠点がある植物を対象としたミクロスケールの画像解析には画像からの種の分類を目的とした多くの先行研究が存在するがこれらの研究では個葉や花など植物の器官の形状に着目して分類を行っている (Wang et al. 2003, Hsu et al. 2011) また ios 用アプリケーションソフトウェアに葉の画像から植物の種名を調べる Leaf Snap や (Columbia University et al. 2011) 花の画像から種名を調べる花しらべなどがあるように (Knowledge System Inc. 2012) 画像解析の技術を一般の人々が利用できるものもあるしかしこれらは個葉や花を正面から撮影しその画像を解析しているため植生調査に用いられる画像のような個葉や花が様々な角度で現れる画像に対する適用性は低い本研究では地上写真に対してテクスチャ解析を適用して再現可能かつ定量的な被度や植被率の計測を行う新たな調査手法を開発することを試みた開発した手法について裸地と植被の判別分類群 ( 綱 : 単子葉類と双子葉類 ) の判別種の判別という3つの段階に分けそれぞれの段階における精度を調べた市が主体となって除草を行い鳥取砂丘の景観保全を行っている ( 鳥取砂丘景観保全調査研究会事務局 2007) 砂丘の東部は観光砂丘として利用されており一般的に鳥取砂丘と呼ばれるのはこの部分であるこの部分では春から夏にかけて草本の侵入が見られるが毎年定期的に除草が行われることで砂丘の景観が守られているしかし観光砂丘となっていない砂丘の西部では除草が行われていないため植物の侵入と定着が起こり草原化森林化が進行している砂丘西部は鳥取大学乾燥地研究センターに所属し砂地を利用した実験などにも用いられている本研究ではこの砂丘西部を調査対象地とする鳥取砂丘に生育する植物は約 20 種類あり優占する種としてはカワラヨモギ (Artemisia capillaris) やケカモノハシ (Ischaemum anthephoroides) などがある ( 山中ら 2000) また分布する植物の種は海岸からの距離により大きな違いがあり海岸から離れるほどアキグミ (Elaeagnus umbellate) などの低木が増える傾向がある本研究において対象とした植物は先行研究において鳥取砂丘に分布することが確認されている植物を基本とした ( 山中ら 2000) その中から取得した地上写真データ内に存在しない植物を除きかつ先行研究では記載されていないが取得データ内に存在した植物を加え表 1 に示す計 13 種の植物を対象とすることとした 2. 調査地調査地として鳥取県鳥取市鳥取砂丘の西部 ( 北緯東経 ) を選定した ( 図 1) 鳥取砂丘は鳥取市北部に広がる砂丘であり 1955 年に国の天然記念物にも指定されているしかし第二次世界大戦後に農地等の保護のために砂丘周辺に植栽された防風防砂林の影響もあり近年草原化が進行している ( 永松富永 2007) そのため現在は鳥取県と鳥取図 1 鳥取砂丘の概観 ( 枠内が調査地 ) 3. 方法図 2 に画像データ取得から手法の評価までの流れを示す以下にそれぞれの段階について詳述する

上佳孝ほか : 画像解析による草原植生調査手法 11 表 1 調査対象とした植物学名和名分類群葉の大きさ Artemisia capillaris 双子葉類葉は糸状に全裂カワラヨモギ Carex kobomugi コウボウムギ単子葉類長さ約 10-20cm 幅 1cm 程度 Calystegia soldanella 双子葉類長さ約 2-4cm ハマヒルガオ Elaeagnus

5cm 程度 Ischaemum anthephoroides ケカモノハシ単子葉類長さ約 3-4cm 幅 1cm 程度 Ixeris repens 双子葉類長さ約 3-5cm ハマニガナ Linaria japonica 双子葉類長さ約 2cm ウンラン Oenothera erythrosepala 双子葉類長さ約 5-6cm オオマツヨイグサ Oenothera laciniata

1 画像データの取得画像データとして対象とした 13 種の植物のいずれかが含まれる画像を取得した撮影は 1m 1m の正方形の枠内が全て含まれるように高度約 1.

3 上佳孝ほか : 画像解析による草原植生調査手法 11 表 1 調査対象とした植物学名和名分類群葉の大きさ Artemisia capillaris 双子葉類葉は糸状に全裂カワラヨモギ Carex kobomugi コウボウムギ単子葉類長さ約 10-20cm 幅 1cm 程度 Calystegia soldanella 双子葉類長さ約 2-4cm ハマヒルガオ Elaeagnus umbellate アキグミ双子葉類 ( 低木 ) 長さ約 4-8cm Fimbristylis sericea ビロードテンツキ単子葉類長さ約 5cm 幅 0.5cm 程度 Ischaemum anthephoroides ケカモノハシ単子葉類長さ約 3-4cm 幅 1cm 程度 Ixeris repens 双子葉類長さ約 3-5cm ハマニガナ Linaria japonica 双子葉類長さ約 2cm ウンラン Oenothera erythrosepala 双子葉類長さ約 5-6cm オオマツヨイグサ Oenothera laciniata 双子葉類長さ約 3-6cm コマツヨイグサ Vitex rotundifolia ハマゴウ双子葉類 ( 低木 ) 長さ約 3-5cm Wedelia prostrate 双子葉類長さ約 1-3cm ネコノシタ Zoysia macrostachya オニシバ単子葉類長さ約 2-3cm 幅 0.5cm 以下 3.1 画像データの取得画像データとして対象とした 13 種の植物のいずれかが含まれる画像を取得した撮影は 1m 1m の正方形の枠内が全て含まれるように高度約 1.5m から行い幾何補正をなるべく小さくするように直上から撮影した撮影は市販のデジタルカメラ (Canon IXY 200F) を用い RGB バンドの画像および近赤外線 ( 以後 NIR とする ) バンド画像を取得した RGB バンドの画像は通常撮影のカラー画像を Matlab(ver. 7.6, Mathworks 社製 ) を用いて 3 バンドに分けた一般的なデジタルカメラは赤外線遮断フィルタにより赤外領域を遮断し受光可能範囲を可視光領域の nm に設定されているものが多いが設定されている受光感度範囲によっては可視光除去フィルタを取りつけて露光時間を長くすることによって近赤外線撮影が可能である ( 鷺野谷 2008; 2012 和田 2009) 本研究では NIR バンド画像として 760nm 以下の波長を遮断するフィルタ (IR-76, 富士フィルム社製 ) をカメラのレンズ前に装着して撮影し 3 バンド分の輝度値の平均を利用した 3.2 画像の幾何補正解像度調整フィールドで取得した写真は手でカメラを保持して撮影しているため完全に直上からの画像を取得できていない場合が多かったそのため実際には正方形の枠がデータ内では台形あるいは不等辺四角形となっているそこで解析を行う前に画像内の枠を正方形に補正した補正作業には Matlab(ver. 7.6, Mathworks 社製 ) の Image Processing Toolbox ( ver. 6.1, Mathworks 社製 ) を使用した枠の幾何補正を行った後にデータサイズの調整を行った全てのデータの解像度を2mmとし 1 辺 1mの枠がピクセル数では1 辺 500 ピクセルとなるようにした ( 図 3 参照 ) 図 3 幾何補正の例 ( 左が補正前右が補正後 ) 図 2 手法確立までの流れの概要 3.3 種毎のサンプルデータの取得画像から対象植物種の葉群を抽出してサンプルとした被度や植被率として算出されるのは主に葉による地表の被覆であるためである各種の葉群に加え裸地のサンプルとして砂地およびリターを含めたためサンプルは計 15 種となったサンプル自体の分散も調べるためサンプルは各種について10 10ピクセル (2 2cm) のグリッドとし各種について3-5 個体から計 40 サンプルを取得したただしビロードテンツキハマニガナコマツヨイグサの3 種は取得画像データ数が十分

4 12 システム農学 (J. JASS), 30(1), 2014 でなかったため各 20サンプルとし 15 種から計 540のサンプルデータを取得したこのサンプルを各種のサンプル数が均等になるように教師データ ( 計 270サンプル ) とテストデータ ( 計 270サンプル ) に分割したサンプル取得には Matlab ( ver. 7.6, Mathworks 社製 ) の Image Processing Toolbox (ver. 6.1, Mathworks 社製 ) を使用した 3.4 テクスチャ解析各植物種の教師データについてテクスチャ特徴量を算出した一次特徴量としてレンジ標準偏差エントロピー二次特徴量として同時生起行列 (Gray Level Co-occurrence Matrix 以下 GLCM とする ) のコントラストエネルギー均一性 (Homogeneity) の計 6 種類を取得した一次特徴量とは指定ウィンドウサイズ内のピクセル輝度値から得られる尤度歪度標準偏差レンジなどの統計量であり計算量が少ないという利点があるが空間的パターンを無視している一方二次特徴量とは 2 つのピクセル間の輝度値の関係を考慮した特徴量であり本研究で用いる GLCM はある一定距離にあるピクセル間で組み合わせのピクセル値の頻度を表す正方行列である GLCM ではある程度の空間的パターンは考慮されているしかし欠点としては計算量が大きく算出に時間がかかることが挙げられる GLCM によって求められる特徴量は先行研究では 14 種挙げられているが (Haralick et al. 1973) 本研究ではコントラストエネルギー均一性の 3 種を利用することとしの 4 つの方向の GLCM を計算した各植物の教師データに対しエントロピーを除く5つの特徴量は 3 3ピクセル ( cm) のウィンドウサイズで計算したエントロピーは9 9ピクセル ( cm) で計算を行った計算にはMatlab(ver. 7.6) の Image Processing Toolbox(ver. 6.1) を使用したその後教師データの種間比較を行うためテクスチャ解析後の教師データ画像の各グリッドの平均と標準偏差を求めたまたテクスチャ解析を行う前の原画像のグリッドの平均とs.d.( 標準偏差 ; 以降各特徴量のグリッドの標準偏差をs.d. テクスチャ解析の一次特徴量である標準偏差を標準偏差 ( 一次 ) とする ) も種判別に有効な指標となる可能性があるそのためテクスチャ解析を行うと同時に原画像の平均とs.d. を求めたその結果教師データの分類を行う際に用いる変数は NIR 画像ではテクスチャ特徴量 6 種及び原画像のそれぞれについての平均と標準偏差となり計 14 変数となった RGB 画像では 14 変数が RGB の 3 バンドにあるため計 42 変数となった ( 表 2 参照 ) 3.5 相関が高い変数の除去本研究ではモデル作成に当たって全ての変数を使用せずモデル内で同様の働きをすると考えられる複数の変数に関しては一つの変数のみを使用することとしたそのため予め各変数間の相関を調べ相関が高い組み合わせのうち一方を除いた後線形判別分析による種判別において最適な変数群の選択を行ったモデルに用いる変数群を選ぶ際にはなるべく計算量が少ない変数を選ぶこととした本研究で用いた変数では原画像一次特徴量二次特徴量の順に計算量が少ないまた二次特徴量と一次特徴量の計算量の差に比べ二次特徴量内や一次特徴量内での変数量の差は小さいため同次元での計算量の差は考慮しなかった RGBバンドの画像の場合には変数を削除する際にできるだけRとGとBのそれぞれのバンドが持つ変数の数が均等になるようにした以上の基準に基づき Pearson 相関係数が0.9 以上もしくは-0.9 以下である変数が無くなるまで変数の除去を行った解析には統計解析ソフトR(ver ) を使用した 3.6 多項ロジスティック回帰相関のある変数を除いた後に多項ロジスティック回帰により判別に最適な変数群を求めた多項ロジスティック回帰とは目的変数が3つ以上の名義変数である場合に用いられる一般化線形モデルの1つである本研究では最適なモデルを作るために用いられる説明変数を選択する際にまず定数項のみによる多項ロジスティック回帰を行い次に変数増減法を用いて最適なモデルとなる変数の組み合わせを調べたこの時モデル選択の基準としてはAIC(Akaike Information Criterion) を用いた解析には統計解析ソフトR(ver ) を用いた植被と裸地の判別分類群 ( 綱 ) の判別種の判別という段階のそれぞれについて最適な変数の組み合わせを求めた 3.7 線形判別分析の適用とモデルの評価線形判別分析とは目的変数として複数の名義変数がある時に目的変数の群間の分散を最大にし群内の分散を最少にする線形判別関数を求めることで判別を行う方法である評価する際にはまず前項までで求めた最適な変数群を用いて判別関数を作成したその後テストデータに対し求めた判別関数による線形判別分析による判別を

5 上佳孝ほか : 画像解析による草原植生調査手法 13 行った判別に際しては裸地と植被の判別分類群 ( 綱 ) の判別種の判別という 3 段階を設定しそれぞれの段階におけるモデルの精度を算出した 4. 結果と考察 4.1 相関係数の結果を基準とした変数の選択相関の高い変数の関係を除いた結果 RGB バンドの画像では変数が 42 個から 19 個に減少し NIR バンドの画像では 14 個から 7 個に減少した ( 表 2) 表 2 多項ロジスティック回帰に用いられた変数群テクスチャ特徴量 RGB R G B NIR 原画像平均 s.d. 一次レンジ平均 s.d. 標準偏差平均 s.d. エントロピー平均 s.d. 二次コントラスト平均 s.d. エネルギー平均 s.d. 均一性平均 s.d. は選択された変数を示す相互に相関の高い変数から 1 変数を選択して使用した RGB バンドの画像において相関の高い関係に着目すると異なるバンドの同じ変数が相関の高い関係にあることが多いことがわかった同じ変数で R と G と B の 3 バンドが全て独立だったのはエントロピーの s.d. エネルギーの平均と均一性の s.d. という 3 変数のみであり他の変数は必ず 1 つか 2 つの異なるバンドの同じ変数と高い相関を示した教師データ画像の輝度そのものを示す原画像の平均では R と G の相関が 0.9 以上であったが B は他 2 バンドと有意な相関が見られなかったまた原画像の s.d. レンジの平均および s.d. 標準偏差 ( 一次 ) の平均および s.d. の 5 つの変数では異なるバンドの同じ変数間で高い相関があった以上より RGB バンドの画像の変数に関してバンド間の差が小さいことがわかった RGB バンドで残った変数の個数は R が 6 個 G が 6 個 B が 7 個であった NIR バンドの画像においてはレンジと標準偏差 ( 一次 ) の相関がデータの平均および s.d. のいずれについても非常に高かったテクスチャ特徴量において標準偏差 ( 一次 ) はウィンドウ内で輝度が平均値から離れたピクセルが多いときに値が高くなりレンジは物体の輪郭を取り出す性質があるそのため植物では葉が細かく分かれている場合や葉に鋸歯がある場合などには輪郭が細かくなるため標準偏差 ( 一次 ) とレンジが似通った値を持つと考えられるまたエントロピーの s.d. は他の変数との相関の値が非常に低かった RGB バンドにおいて存在したエントロピーが他の変数と独立である傾向は NIR バンドにも同様に見られた 4.2 多項ロジスティック回帰による最適モデル植被と裸地の判別において RGB バンドでは 5 個 NIR バンドでは 4 個の変数が用いられた ( 表 3) 分類群 ( 綱 ) の判別では RGB バンドでは 7 個 NIR バンドでは 2 個の変数が用いられた種の判別では RGB バンドで 7 個 NIR バンドでは 3 個の変数が用いられた全てのモデルにおいて原画像を用いた変数が多く用いられ二次特徴量はあまり用いられなかったこれは相関が高い変数を除く際に計算量が少ない原画像の変数が優先的に残されたからであると考えられる表 3 各段階で求められた最適変数群テクスチャ特徴量 RGB R G B NIR 原画像平均 1,2,3 1,2,3 1,2,3 s.d. 1,2,3 3 一次レンジ平均 1,2,3 s.d. 3 標準偏差平均 s.d. エントロピー平均 2 1,3 s.d. * * * 2 二次コントラスト平均 2,3 1,3 s.d. エネルギー平均 * * 2 1 s.d. * 1 均一性平均 * s.d. * * * * 1: 裸地と植被の判別に用いられた変数 2: 分類群 ( 綱 ) の判別に用いられた変数 3: 種の判別に用いられた変数 *: どの判別にも用いられなかった変数 4.3 線形判別分析による各段階のモデルの精度前項で求めた各段階における植物の判別に最適な変数群を用いて各段階のモデルの精度を求めたまず植被と裸地の判別の段階では正解率 ( 正しく判

6 14 システム農学 (J. JASS), 30(1), 2014 別されたサンプル数 / 全サンプル数 ) は RGB モデルが 96%(259/270; 表 4) NIR モデルが 87%(235/270; 表 5) とどちらも高かったしかし RGB モデルでは全ての項目が 80% 以上であったのに対し NIR モデルでは裸地の再現率 ( ある 1 クラスにおいて正しく判別されたサンプル数 / そのクラスの全サンプル数 ) が 45%(18/40) 精度 ( ある 1 クラスにおいて正しく判別されたサンプル数 / そのクラスに判別されたサンプル数 ) が 58%(18/31) と低い値であり裸地の判別ができないことがわかった NIR モデルで裸地の判別ができない理由として裸地は砂地とリターによって構成されておりリターが植被に誤判別されているのではないかと考えられるリターは形状としては単子葉類と似通った形状をしていることが多く形状の差が小さいため誤判別が起きると考えられるそこで NIR モデルにおいて砂地リターおよび植被の 3 種で判別を行ったところ 75%(15/20) のリターが植被に誤判別されていることが確認された以上の結果から RGB モデルを用いることで裸地と植被の判別は可能であり植被率の推定が可能であることがわかった表 4 RGB バンド画像を用いた場合の植被と裸地の判別精度判別結果再現率 (%) 裸地植被合計裸地植被合計精度 (%) 正解率 :95.9% カッパ統計量:0.85 表 5 NIR バンド画像を用いた場合の植被と裸地の判別精度判別結果再現率 (%) 裸地植被合計裸地植被合計精度 (%) 正解率 :87.0% カッパ統計量 :0.43 分類群 ( 綱 ) の判別を行った場合の正解率は RGB モデルで 86%(231/270; 表 6) NIR モデルで 74% (199/270; 表 7) であった RGB モデルでは全ての項目が 70% 以上であったのに対し NIR モデルでは単子葉類の再現率が 29%(15/70) や裸地の精度が 60% (33/55) となるなど双子葉類以外の項目で低い値となった RGB モデルにおいて単子葉類と双子葉類の判別が可能であったのは葉の形状差が大きいため 2 2cm のグリッドも十分に判別可能であったからであると考えられる表 6 RGB バンド画像を用いた場合の分類群 ( 綱 ) の判裸地別精度判別結果合計双子葉類単子葉類再現率 (%) 裸地双子葉類単子葉類合計精度 (%) 正解率 :85.6% カッパ統計量 :0.75 表 7 NIR バンド画像を用いた場合の分類群 ( 綱 ) の判裸地別精度判別結果合計双子葉類単子葉類再現率 (%) 裸地双子葉類単子葉類合計精度 (%) 正解率 :73.7% カッパ統計量 :0.51 種の判別段階の正解率は RGB モデルでは 55% (148/270; 表 8) であり NIR モデルでは 39%(106/270; 表 9) であった植被率の判別に比較してどちらも低い精度となったがこの段階においても RGB モデルの方が高い精度を示したそこで RGB モデルにおいて各種の再現率を調べたところ最も高い種であるケカモノハシは 95%(19/20) であったのに対し最も低い種であるビロードテンツキは 0%(0/10) であったまた再現率が低い種についてどの種に誤判別された場合が多いか調べたところ同じ分類群 ( 綱 ) に判別される場合が多いことがわかったこの結果は分類群の判別の精度が高かったことと一致する種の判別段階における正解率が低い理由として本研究において対象とした種は葉幅が約 0.5cm 葉長が約 5cm 程度のビロードテンツキのような葉サイズの小さい種から葉幅が約 2-3cm 葉長が約 4-8cm 程度のアキグミのような葉サイズの大きい種までさまざまであったことが考えられるそのため 2 2cm のグリッドサイズでは種の様々な形状を一つのグリッド内に収めきれず誤判別がおきた可能性があるテクスチャ特徴量算出に用いているウィ

7 上佳孝ほか : 画像解析による草原植生調査手法 15 表 8 RGB バンド画像を用いた場合の種の判別精度判別結果 A.c C.k C.s E.u F.s I.a I.r L.j O.e O.l V.r W.p Z.m Li Sa 合計再現率 (%) A.c C.k C.s E.u F.s I.a I.r L.j O.e O.l V.r W.p Z.m Li Sa 合計精度 (%) NA 正解率 :55.2% カッパ統計量 :0.51 植物の略称はそれぞれ A.c: カワラヨモギ C.k: コウボウムギ C.s: ハマヒルガオ E.u: アキグミ F.s: ビロードテンツキ I.a: ケカモノハシ I.r: ハマニガナ L.j: ウンラン O.e: オオマツヨイグサ O.l: コマツヨイグサ V.r: ハマゴウ W.p: ネコノシタ Z.m: オニシバ Li: リター Sa: 砂表 9 NIR バンド画像を用いた場合の種の判別精度判別結果 A.c C.k C.s E.u F.s I.a I.r L.j O.e O.l V.r W.p Z.m Li Sa 合計再現率 (%) A.c C.k C.s E.u F.s I.a I.r L.j O.e O.l V.r W.p Z.m Li Sa 合計精度 (%) NA 12 NA 正解率 :39.3% カッパ統計量 0.35 植物の略称は表 8 に同じ

8 16 システム農学 (J. JASS), 30(1), 2014 ンドウサイズも cm あるいは cm であるため種の判別を行うには小さすぎる可能性があるそのためグリッドサイズやテクスチャ解析のウィンドウサイズを変更することでより高い精度の種の判別が期待できる 4.4 手法の汎用性に関する検討本研究の調査地では低木草本が優占しており植物間における高さの差が小さいため 3 次元データを取り扱わなかったしかし種判別を行った際に草丈の低い植物が高い植物に誤判別されることやその逆の場合も存在したそのため画像を取得する際に草丈のデータも同時に取得し種判別における説明変数に用いることで種判別の精度が向上する可能性があると考えられるまた本研究では画像を高度約 1.5m から取得しているため草丈の高い植物を正確に撮影することができず長草型の植生には適用できないと考えられるしかし 5m や 10m などより高い位置から撮影することで草丈の高い植物を正確に撮影することが可能となり本研究における手法を長草型の植生にも適用できる可能性があるまた本研究で開発した手法を実際の植生調査画像に適用する際に予想される問題点としては地表にできた植物の影の影響が考えられる本研究でモデルの作成と評価に用いられた画像データには影が含まれていなかったため影が含まれていた場合の判別精度は不明であるモデル作成時に影を追加することや植生指標を用いるなどしモデルの精度を検証する必要がある 5. おわりに本研究ではフィールドで撮影された画像を用いて目視によらず植生を調査する手法の開発をテクスチャ解析の適用によって試みた RGB の 3 バンドを組み合わせて解析する方法と NIR バンドを用いて解析する方法を植被と裸地の判別分類群 ( 綱 ) の判別種の判別という 3 段階で比較を行った結果全ての段階において RGB モデルのほうが優れた精度を示した RGB モデルを用いた場合植被と裸地の判別及び分類群 ( 綱 ) の判別は正解率が 85% 以上と非常に高い精度で分類が可能であり植被率の推定が可能であることが分かったしかし種の判別においては正解率が 55% と低く被度の推定は実用レベルに達していないと言えるこれはグリッドサイズやテクスチャウィンドウサイズを調整することで改善する可能性がある謝辞鳥取大学の山中典和教授には鳥取砂丘における調査において様々なご尽力をいただいたまた京都大学の守屋和幸教授酒井徹朗教授には分析手法について有益な助言を数多くいただいたここに記して謝意を表する引用文献 Columbia University, University of Maryland, and Smithonian Institution, 2011, LeafSnap ver. 1.05, In- 29?mt=8. Haralick, R. M., Shamugam, K., and Dinstein, I., 1973, Textural Features for Image Classification. IEEE Transsactions on Systems, Man and Cybernetics, Vol. SMC-3, pp Hsu, T. H., Lee, C. H., and Chen L. H., 2011, An interactive flower image recognition system. Multimedia Tools and Applications, Vol. 53, pp 加藤正人, 2004, 主成分分析テクスチャ解析, 森林のリモートセンシング- 基礎から応用まで-, 日本林業調査会, 東京, pp Katoh, M., 2004, Classifying tree species in a northern mixed forest using high-resolution IKONOS data. Journal of Forest Research, Vol. 9, No. 1, pp Knowledge System Inc, 2012, 花しらべ花認識 / 花検索 ver. 2.01, In- huashirabe-hua-ren-shi-hua/id ?mt=8. 永松大富永彩恵, 2007, 鳥取砂丘の植生と植生管理の試み, 鳥取砂丘景観保全協議会編 : 山陰海岸国立公園鳥取砂丘景観保全調査報告書, 鳥取砂丘景観保全協議会, 鳥取, pp 鷺野谷秀夫, 2008, デジタルカメラによる赤外線撮影, 筑波大学技術報告, No. 28, pp 鷺野谷秀夫, 2012, 紫外領域から赤外領域の写真撮影について, 筑波大学技術報告, No. 32, pp St-Louis, V., Pidgeon, A. M., Radeloff, V. C., Hawbaker, T. J., and Clayton, M. K., 2006, High-resolution image texture as a predictor of bird species richness. Remote Sensing of Environment, Vol. 105, pp St-Louis, V., Pidgeon, A. M, Clayton, M. K., Locke, B.

9 上佳孝ほか : 画像解析による草原植生調査手法 17 A., Bash, D., and Radeloff, V.C., 2009, Satellite image texture and a vegetation index predict avian biodiversity in the Chihuahuan Desert of New Mexico. Ecography, Vol. 32, pp 鳥取砂丘景観保全調査研究会事務局, 2007, 鳥取砂丘の除草方法, 鳥取砂丘景観保全協議会編 : 山陰海岸国立公園鳥取砂丘景観保全調査報告書, 鳥取砂丘景観保全協議会, 鳥取, pp Tsai, F. and Chou, M. J., 2006, Texture augmented analysis of high resolution satellite imagery in detecting invasive plant species. Journal of Chinese Institute of Engeneers, Vol. 29, No. 4, pp 和田智, 2009, デジタルカメラを利用した教材開発のための基礎資料, 独協大学情報センター情報科学研究, No. 27, pp Wang, Z., Chi, Z., and Feng, D., 2003, Shape based leaf image retrieval. Vision, Image and Signal Processing, IEEE Proceedings, Vol. 150, No. 1, pp 山中典和今田美佐子玉井重信, 2000, 砂の移動がコウボウムギ (Carex kobomugi Ohwi) の埋土種子集団の形成と実生の動態に与える影響, 日本砂丘学会誌, Vol. 47, No. 1, pp

10 18 システム農学 (J. JASS), 30(1), 2014 Contributed paper Vegetation Survey using Images obtained during Field Sampling with Digital Cameras Yoshitaka KAMI* and Lina KOYAMA* Graduate School of Informatics, Kyoto University* (Received 16 November 2012; in final form 30 November 2013) Summary Current vegetation surveys are mainly conducted through the visual observation of coverage and species. This method has the disadvantage that it is not quantitative or reproducible. The aim of this study was to develop an objective method to survey vegetation using ground images obtained in the field. The data used in this paper were obtained in August 2012 at the Tottori Sand Dunes. The data were divided into training data and test data. First, we selected training data from our dataset and applied texture analysis. Then, classification models were obtained by using the texture characters as variables. Variables used in the models were selected as follows: 1) variables highly correlated with other variables were excluded based on the Pearson product-moment correlation coefficient, 2) multinomial logistic regression analysis was conducted to obtain the best combination of variables for classification, and 3) the accuracy of the models was estimated by linear discriminant analysis using the best combination of variables. Estimation was performed based on three categories: plant and soil classification, class classification (i.e., distinction between monocotyledon and dicotyledon) and species classification. A comparison of the RGB combined model and the NIR single model was also conducted. In the plant and soil classification, the accuracy of the RGB model and the NIR model were 96% and 87%, respectively. While the soil recall rate of the NIR model was low (lower than 50%), the RGB model showed high rates in all categories. In the class classification, the accuracy of the RGB model and the NIR model were 86% and 74%, respectively. Although the NIR model showed low rates in some categories (i.e., the recall rate of monocotyledons was 28%), the RGB model showed a high rate in all categories (higher than 70%), which was similar to the plant and soil classification. In the species classification, both the RGB model and the NIR model showed low accuracy (RGB: 55%, NIR: 39%). The accuracy differed largely among species (0-95%) and many of the misclassifications occurred within the same class. These results demonstrate the potential of coverage estimation and plant classification using this method. Key Words: Ground Photo, Texture Analysis, Vegetation Survey * Yoshida Honmachi, Sakyo-ku, Kyoto , Japan (Correspondence: linak@bre.soc.i.kyoto-u.ac.jp)

Ⅱ 方法と対象 1. 所得段階別保険料に関する情報の収集 ~3 1, 分析手法

Ⅱ 方法と対象 1. 所得段階別保険料に関する情報の収集 ~3 1, 分析手法 67 論文要旨 : 1507 キーワード : Ⅰ 緒言 65 2014 89 5 2 3 5 6 2 5 6 3 4 3 4 2006 2015 9 9 68 2018. 3 2015 Ⅱ 方法と対象 1. 所得段階別保険料に関する情報の収集 6 2015 7 2016 2 ~3 1,507 2. 分析手法 69 3 3 3 A B C 3 A 4 1 1 2 2 2014 2014 2014 5