沿岸砂丘植生マッピングにおける精度の向上：個々の植物レベルでの超高解像度階層分類

空間解像度が10 cmを超える超高解像度（UHR）画像の分類は、低解像度の画像とは異なる機会と課題を提供します。特に、沿岸環境における植物種のマッピングなどのシナリオでは、類似した植生反応や小さな植物サイズによって追加の困難が生じます。本研究では、多光帯光学センサーを搭載した無人航空機（UAS）からのデータを用いて、単一の植物レベルでのUHR植生被覆分類モデルを開発することで、これらの問題に対処しました。このモデルは、イタリアのサン・ロッソーレ地域公園においてテストされ、3つのパイロットエリアがトレーニング-テスト-検証サイトとして定義されました。提案されたソリューションは、物体ベースの画像分析（OBIA）とランダムフォレストに基づく階層的な二層の詳細機械学習モデルで構成されています。このモデルは、スペクトル特性や指数、標高、テクスチャを考慮し、研究地域内で12種の植物と2つのサービスクラス（破片と砂）を分類できます。トレーニングとテストは、特定のフェノロジー期間中に収集されたUAS飛行データと、937の草本および低木サンプルを提供した現場の植生調査から得られた正確なフィールドデータを利用して実施されました。モデルの性能は、エラーマトリックスと50回の層化交差検証法に基づいて評価され、全体的な精度（OA）は0.76、標準偏差は0.08を達成しました。この評価は、放射計測および標高に加えてテクスチャ情報の重要な役割を強調しました。最後に、このモデルは未見のデータセットに対してテストされ、その転送可能性（OAは0.62に等しい）を証明しました。議論では、さらなる改善が必要な側面や今後の研究に関する主張が強調されていますが、この階層分類モデルの初版は、沿岸砂丘生態系のマッピングとモニタリングにおけるポテンシャルを示しており、エコロジカルおよび生物地形学的ダイナミクスを理解し、最終的にはモデル化するためのデータを提供しています。