Remote sensing framework for geological mapping via stacked autoencoders and clustering

要約

リモートセンシングによる地質マッピングのための教師あり機械学習手法には、次元削減やクラスタリングなどの教師なし学習で対処できる正確にラベル付けされたトレーニング データの不足による限界があります。
次元削減手法は、地質図の精度を向上させる上で重要な役割を果たす可能性があります。
従来の次元削減手法は非線形データの処理に苦労する可能性がありますが、オートエンコーダなどの教師なし深層学習モデルは非線形関係をモデル化できます。
スタック型オートエンコーダーは、リモート センシング データに役立つ階層データ表現をキャプチャするための複数の相互接続されたレイヤーを備えています。
この研究では、次元削減のためのスタック型オートエンコーダと地質単位のマッピングのための K 平均法クラスタリングを使用して、リモート センシング データを処理するための教師なし機械学習ベースのフレームワークを紹介します。
Landsat 8、ASTER、Sentinel-2 データセットを使用して、オーストラリアのニューサウスウェールズ州西部のムタウィンジ地域の地質図作成のフレームワークを評価します。
また、主成分分析を使用したスタック型オートエンコーダーと標準オートエンコーダーも比較します。
私たちの結果は、このフレームワークが正確で解釈可能な地質図を生成し、岩石単位を効率的に識別することを明らかにしました。
スタック型オートエンコーダーの精度は、リモート センシング データ タイプに応じて 86.6 % ～ 90 % の範囲であり、対応するオートエンコーダーよりも優れていることがわかります。
また、生成された地図は調査地域の以前の地質学的知識と一致しており、地質構造についての新たな洞察を提供していることもわかりました。

要約(オリジナル)

Supervised machine learning methods for geological mapping via remote sensing face limitations due to the scarcity of accurately labelled training data that can be addressed by unsupervised learning, such as dimensionality reduction and clustering. Dimensionality reduction methods have the potential to play a crucial role in improving the accuracy of geological maps. Although conventional dimensionality reduction methods may struggle with nonlinear data, unsupervised deep learning models such as autoencoders can model non-linear relationships. Stacked autoencoders feature multiple interconnected layers to capture hierarchical data representations useful for remote sensing data. This study presents an unsupervised machine learning-based framework for processing remote sensing data using stacked autoencoders for dimensionality reduction and k-means clustering for mapping geological units. We use Landsat 8, ASTER, and Sentinel-2 datasets to evaluate the framework for geological mapping of the Mutawintji region in Western New South Wales, Australia. We also compare stacked autoencoders with principal component analysis and canonical autoencoders. Our results reveal that the framework produces accurate and interpretable geological maps, efficiently discriminating rock units. We find that the accuracy of stacked autoencoders ranges from 86.6 % to 90 %, depending on the remote sensing data type, which is superior to their counterparts. We also find that the generated maps align with prior geological knowledge of the study area while providing novel insights into geological structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google