Neuroevolution-based Classifiers for Deforestation Detection in Tropical Forests

要約

熱帯林は、動植物にとって地球上の多くの種の本拠地であり、数十億トンの二酸化炭素排出量を保持し、雲と雨の形成を促進し、無数の先住民族の本拠地であることに加えて、地球規模の生態系における重要な役割を示唆しています。
残念なことに、森林伐採や劣化により、毎年何百万ヘクタールもの熱帯林が失われています。
その事実を軽減するために、犯罪者の防止と処罰のための公共政策に加えて、監視と森林破壊検出プログラムが使用されています。
これらの監視/検出プログラムは、通常、リモート センシング画像、画像処理技術、機械学習方法、および専門家の写真解釈を使用して、森林被覆の変化の可能性を分析、特定、および定量化します。
いくつかのプロジェクトでは、最近の森林伐採地域を効率的に特定するためのさまざまな計算アプローチ、ツール、およびモデルが提案されており、熱帯林における森林伐採モニタリング プログラムが改善されています。
この意味で、この論文は、熱帯林の森林伐採検出タスクにおける神経進化技術 (NEAT) に基づくパターン分類子の使用を提案します。
さらに、e-NEAT と呼ばれる新しいフレームワークが作成され、分類モデルを学習するための非常に削減され限定されたトレーニング セットを使用して、ターゲット アプリケーションのバランスのとれた精度測定のために $90\%$ を超える分類結果が達成されました。
これらの結果は、このホワイト ペーパーで比較した最適なベースライン アンサンブル メソッドよりも $6.2\%$ の相対ゲインを示しています。

要約(オリジナル)

Tropical forests represent the home of many species on the planet for flora and fauna, retaining billions of tons of carbon footprint, promoting clouds and rain formation, implying a crucial role in the global ecosystem, besides representing the home to countless indigenous peoples. Unfortunately, millions of hectares of tropical forests are lost every year due to deforestation or degradation. To mitigate that fact, monitoring and deforestation detection programs are in use, in addition to public policies for the prevention and punishment of criminals. These monitoring/detection programs generally use remote sensing images, image processing techniques, machine learning methods, and expert photointerpretation to analyze, identify and quantify possible changes in forest cover. Several projects have proposed different computational approaches, tools, and models to efficiently identify recent deforestation areas, improving deforestation monitoring programs in tropical forests. In this sense, this paper proposes the use of pattern classifiers based on neuroevolution technique (NEAT) in tropical forest deforestation detection tasks. Furthermore, a novel framework called e-NEAT has been created and achieved classification results above $90\%$ for balanced accuracy measure in the target application using an extremely reduced and limited training set for learning the classification models. These results represent a relative gain of $6.2\%$ over the best baseline ensemble method compared in this paper

arxiv情報

提供元, 利用サービス

arxiv.jp, Google