Uncertainty-aware Bayesian machine learning modelling of land cover classification

要約

土地のカバー分類には、リモートセンシング画像を介した土地の種類を決定する土地カバーマップの生産が含まれます。
近年、このような分類は機械学習分類モデルによって実行されており、大量の入力トレーニングデータを使用してピクセルあたりの土地被覆に関する非常に正確な予測を提供できます。
ただし、このようなモデルは現在、入力測定の不確実性を考慮していません。これは、計測におけるトレーサビリティに不可欠です。
この作業では、入力測定の不確実性を考慮に入れるために生成モデリングを使用したベイズ分類フレームワークを提案します。
ベイジアン二次判別分析の特定のケースを取り、2020年と2021年にコペルニクスセンチネル2の土地被覆データセットに適用します。モデルのパフォーマンスを、ランダムフォレストやニューラルネットワークなどの土地カバーマップで使用するより一般的な分類モデルに対してベンチマークします。
このようなベイジアンモデルは、より解釈可能であるという意味で、入力測定の不確実性を明示的にモデル化し、異なる年とサイズのデータ​​セット全体でクラス確率出力の予測パフォーマンスを維持しながら、計算上効率を上げているという意味で、より信頼できるものであることがわかります。

要約(オリジナル)

Land cover classification involves the production of land cover maps, which determine the type of land through remote sensing imagery. Over recent years, such classification is being performed by machine learning classification models, which can give highly accurate predictions on land cover per pixel using large quantities of input training data. However, such models do not currently take account of input measurement uncertainty, which is vital for traceability in metrology. In this work we propose a Bayesian classification framework using generative modelling to take account of input measurement uncertainty. We take the specific case of Bayesian quadratic discriminant analysis, and apply it to land cover datasets from Copernicus Sentinel-2 in 2020 and 2021. We benchmark the performance of the model against more popular classification models used in land cover maps such as random forests and neural networks. We find that such Bayesian models are more trustworthy, in the sense that they are more interpretable, explicitly model the input measurement uncertainty, and maintain predictive performance of class probability outputs across datasets of different years and sizes, whilst also being computationally efficient.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google