2020 Fiscal Year Annual Research Report
Artificial intelligence techniques utilized for nationwide mapping and prediction modeling of spatio-temporal changes in plant communities
| Project/Area Number |
19H04320
|
|---|
| Research Institution | Tokyo University of Information Sciences |
|---|
Principal Investigator |
原 慶太郎 東京情報大学, 総合情報学部, 教授 (20208648)
|
|---|
| Co-Investigator(Kenkyū-buntansha) |
富田 瑞樹 東京情報大学, 総合情報学部, 教授 (00397093)
藤原 道郎 兵庫県立大学, 緑環境景観マネジメント研究科, 教授 (80250158)
|
|---|
| Project Period (FY) |
2019-04-01 – 2022-03-31
|
| Keywords | 植生変化 / 植生図化 / AI / 植生分布モデル / リモートセンシング |
|---|
| Outline of Annual Research Achievements |
将来の気候変動下における植生分布の予測モデルを開発するためには、基盤情報となる現況の植生分布を正確に把握することが不可欠である。本年度は、現況の植生分布を正確に表現するため、衛星リモートセンシング技術と深層学習技術を用いた植生分布モデルの開発を進めた。モデルの構築には、分類型となる植生の区分単位を明確化する必要がある。これまで、植生分布モデル構築に向けた植生の区分単位には、気候による区分、植物社会学による区分、相観に基づく区分が用いられてきた。衛星リモートセンシング分野における植生分布モデルの区分単位は、相観に基づく区分が頻繁に用いられている。それに対して本研究では、相観区分と優占種（属レベル）を組み合わせた新たな区分として群落優占種（属）-相観型（Dominant Genus -Physiognomy type：DG-P型）を定義した。たとえば、落葉広葉樹林帯の主要構成種であるブナやイヌブナなどブナ属（Fagus）の分布を示すために、DG-P型を用いることで、落葉広葉樹林-ブナ属（Fagus-DBF）、コナラやミズナラなどコナラ属（Quercus）の分布を示すために、落葉広葉樹林-コナラ属（Quercus-DBF）と低木林-コナラ属（Quercus-Shrub）などに区分することが可能となる。この新たな植生の区分単位であるDG-P型を用いることによって、従来の植生分布モデルの高度化と、将来の分布予測への適用が可能になる。
本年度は、東北地方を対象にしたDG-P型による植生分類モデルを開発した。2018年から2020年に亘るSentinel-2/MSIデータを収集・整備した。加えて、現地調査と空中写真から正確なグランドトゥルースデータを整備し、Sentinel-2/MSIデータと合わせて深層学習によりモデル化することで、DG-P型による植生分類モデルを構築することができた。
|
| Current Status of Research Progress |
Current Status of Research Progress
3: Progress in research has been slightly delayed.
Reason
コロナ禍の影響により計画した現地調査の時期や内容に制限が生じ、予定していた春期から夏期の調査が実施できず、グランドトゥルースデータの整備には、想定していたよりも遅れと多くの時間を要した。
2020年度の研究では、衛星データを収集し、深層学習による植生解析を実施した。本年度は、Sentinel-2/MSIデータを解析に供した。Sentinel-2/MSIは、2機同時運用により優れた時間分解能を持つ衛星である。本研究における植生分布モデルの開発に際しても、植生の季節性を解析に組み入れる上で有効なデータであることが考えられる。衛星データは、2018年から2020年に亘るデータを収集した。その後、前処理（雲除去、ラジオメトリック補正・幾何補正、モザイク処理、コンポジット処理）の実施および、バンド情報をもとにした植生分類に係わる指数値を算出した。前処理を自動化には、昨年度までに整備を進めたPython言語ベースのプログラムを用いた。グラウンドトゥルースデータの整備では、現地調査および、Google Earthの複数時期の空中写真を用いて目視判読し、植生型ごとにポリゴンデータを作成した。GPUによる汎用計算（GPGPU）による深層学習や機械学習の実行環境は、前年度に続いて整備を進めた。これらのデータや解析システムを用いて、東北地方全域を対象にした植生分布モデルの開発を実施した。
本年度の研究は、コロナ禍の影響によりやや遅れているが、次年度以降の研究実施に向けたデータセットおよび解析環境を整備することができた
|
| Strategy for Future Research Activity |
2021年度は、日本全国規模を対象としたDG-P型による植生分布モデルを開発する。その後、気候変動下における複数の将来シナリオを想定した植生変化予測モデル構築を進める。具体的な実施手順は以下の通りである。
(1) 日本全国規模を対象とした植生分布に関するモデル構築：植生分布（応答データ）として、環境省の1/2.5万植生図データおよび筆者らのグループで整備したデータを用いる。この応答データに対する特徴量には、複数年に亘る衛星データに加え、それらの衛星データから算出する植生に関する指数を用いて、深層ニューラルネットワークによるモデル化を実施する。この段階の解析で用いる植生区分クラスはDG-P型とする。
(2) 現況の植生分布と気候状況との関係解析：(1)により構築した植生分布モデルから日本全国規模の植生分布の現況を表す植生図を作成する。この植生図と現況の気候条件との関係を解析することで、現在時点におけるそれぞれのDG-P型による植生型の分布適地の気象条件を明らかにする。
(3) 将来の植生分布の予測解析：(1)および(2)で得られた現況の植生分布モデル、DG-P型による植生型ごとの分布適地に加え、将来の気候予測データを解析に組み入れることで、将来の気候変動下における植生変化予測モデルを構築する。具体的には、NASA Earth Exchangeが提供するGDDP（Global Daily Downscaled Projections）を収集・整備し植生分布モデルに組み入れ、(1)および(2)によって得られた現況の植生分布モデルに、GDPPを気候条件に組み入れた予測を実施することで、将来におけるDG-P型による植生型の分布適地を予測する。
|
