Sampling Strategies based on Wisdom of Crowds for Amazon Deforestation Detection

要約

熱帯林は地球生態系において重要な役割を果たしているため、熱帯林の保全は社会的および生態学的に非常に重要です。
しかし、進行中の森林破壊と劣化は毎年数百万ヘクタールに影響を及ぼしており、効果的な森林監視を確保するには政府または民間の取り組みが必要です。
2019 年 4 月、政府や非営利団体の専門家が森林破壊を監視する取り組みを支援する補足データを提供することを目的として、ForestEyes (FE) と呼ばれる市民科学および機械学習モデルに基づくプロジェクトが開始されました。
最近の研究では、FE プロジェクトのボランティア/市民科学者にラベルを付けることが、機械学習モデルの調整に役立つことが示されています。
この意味で、私たちは FE プロジェクトを採用して、群衆の知恵に基づいてさまざまなサンプリング戦略を作成し、トレーニング セットから最適なサンプルを選択して、SVM 手法を学習し、森林破壊検出タスクでより良い分類結果を取得します。
私たちの実験では、ユーザー エントロピー増加に基づく戦略が、ランダム サンプリング戦略と比較して森林破壊検出タスクにおいて最良の分類結果を達成し、SVM 手法の収束時間を短縮したことを示すことができました。

要約(オリジナル)

Conserving tropical forests is highly relevant socially and ecologically because of their critical role in the global ecosystem. However, the ongoing deforestation and degradation affect millions of hectares each year, necessitating government or private initiatives to ensure effective forest monitoring. In April 2019, a project based on Citizen Science and Machine Learning models called ForestEyes (FE) was launched with the aim of providing supplementary data to assist experts from government and non-profit organizations in their deforestation monitoring efforts. Recent research has shown that labeling FE project volunteers/citizen scientists helps tailor machine learning models. In this sense, we adopt the FE project to create different sampling strategies based on the wisdom of crowds to select the most suitable samples from the training set to learn an SVM technique and obtain better classification results in deforestation detection tasks. In our experiments, we can show that our strategy based on user entropy-increasing achieved the best classification results in the deforestation detection task when compared with the random sampling strategies, as well as, reducing the convergence time of the SVM technique.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google