高解像度衛星画像と LiDAR データの統合処理による森林被害検出 ○田口仁1，臼田裕一郎2，福井弘道3，古川邦明4 1 東京大学生産技術研究所防災科学技術研究所，3慶應義塾大学，4岐阜県森林科学研究所 2 E-mail: [email protected] 1 Abstract 本論文は，高解像度衛星画像と LiDAR データを用いて，枯損と倒木を検出する手法を開発することを目的ータは，DEMと樹冠形状を表すDSMを用いて，表面形状が凹となるギャップを抽出することで，倒木した箇所が特定できる[2]。しかし，ギャップが発生しない枯損を抽出することは困難である。とした。被害検出は，2 つのデータの特徴を生かし，統以上の検討を基に， 2 つのデータで検出可能な被害を合処理することで，枯損と倒木を分離して検出する方模式的に示したのが，Fig.1 である。そして，これらの法を開発した。説明変数は高解像度衛星画像の赤色バ短所と長所を重ね合わせたのが，Table.1 である。(1)高ンド，近赤外バンドを使用し，LiDAR データはギャッ解像度衛星画像と(2)LiDAR データを重ねあわせ，統合プ抽出結果を使用した。開発した手法は，岐阜県郡上処理(1+2)を行うことで，それぞれの短所を補い，枯損市に適用され，統合処理することの有効性が確認されと倒木の分離した検出が可能となる。た。結果 1 はじめに筆者らは既に，高解像度リモートセンシングデータ倒木枯損枯損である，高解像度衛星画像とLiDARデータを用いて，倒木被害の検出手法を開発している[1]。しかし，森林被害は倒木被害だけではない。病虫害による松枯れやナラ類の集団枯損など，枯損についても数多く発生し， (1) 高解像度衛星画像従来から問題となっている。森林被害の種類が異なる結果 DSM と，適用される対策や法律，保険も異なるため，異なる被害の形態である枯損と倒木の両方を分離して検出倒木枯損枯損する手法開発が必要である。そこで本研究では，高解像度衛星画像とLiDARデータを使用し，森林被害である枯損と倒木を分離して検出する手法の開発を行ったので報告する。 2 検出方法 2.1 被害検出のコンセプト 2 つの高解像度リモートセンシングには，枯損と倒木 DEM (2) LiDARデータ Fig.1 2 つのデータがそれぞれ検出可能な森林被害の模式図 Table.1 2 つのデータで検出可能なカテゴリを検出する際，それぞれ特徴がある。高解像度衛星画像の場合，枯損によって葉が赤色系の反射が強まること，倒木によって土壌等の反射特性から赤色系の反射が強まることで，森林被害の発生は把握可能だが，枯損と倒木の明確な分離は困難である。一方，LiDARデ枯損（1）高解像度衛星画像（2）LiDAR （1）と（2）の統合処理倒木無被害れる。 2.2 Multinomial Logit Model による被害検出以上のコンセプトを基本として，被害が明らかであ本手法では，カテゴリを無被害( i = 0 )，倒木被害る箇所から無被害を含むように教師データを選定し， ( i = 1 )，枯損被害( i = 2 )と設定する。また，説明変数質的なカテゴリへの分類手法である Multinomial としては，ギャップ抽出データ，高解像度衛星画像の Logit Model (以下，MLM)を適用することにした。そ赤色のバンドの輝度値，近赤外のバンドの輝度値を使して，MLM で構築した被害検出モデルを評価し，画像全体に適用する流れでとした。用するため， k =3 である。誤差項を表す( ε in )は，大 MLMは 3 群以上の分類に対応した離散選択モデル気の状態やセンサの状態など，データとして提供されであり，2 値化されたデータをダミー変数として取りるまでに観測不可能な様々な要因が，正規分布に近い込むことが可能である。また，観測誤差等の不確実性ガンベル分布によって，確率的に影響すると仮定する。を考慮し，カテゴリの選択が確率で表現されることか選定された教師データを基にMLMで推定されたモら，結果を直感的に理解できる方法である。リモートデルは，説明変数の有効性を評価するため，カテゴリセンシングデータへの適用については，実際に衛星画で説明変数項目ごとのWald統計量のカイ2乗値を求め，像に適用し，最尤法と同程度の精度があることが報告検定することで評価する。また，疑似決定係数R2で当されており，適用可能であることが示されている[3]。てはまりを評価する。そして，教師データ自身の検出 MLM では，観測データからカテゴリごとに効用 (U )が求められ，最大効用のカテゴリへ選択されると仮定する。従って，リモートセンシングデータから各精度を求める。 3 適用結果画素でカテゴリごとの効用が計算され，ロジット変換対象地は岐阜県郡上市美並町の森林とした(Fig.2)。によって選択確率が 1 から 0 の間で求められ，最大確この地域では，マツ枯れによる枯損や冠雪害による倒率のカテゴリへ選択される。被説明変数のカテゴリ i 木被害が発生している。使用する高解像度衛星画像は，を，画素 n におけるカテゴリ i の効用(U in )は，以下に 2003 年 5 月下旬撮影のIKONOSマルチスペクトル画示す式(1)で求められる。像(解像度 4m)のバンド 3(赤)とバンド 4(近赤外)である。 U in = β1 x1in + β 2 x2in + L + β k xkin + ε in (1) k は説明変数の数を表しており，x1in L xkin は観測データである。 β 1 L β k は効用を求めるために推定されまた，LiDARデータは 2004 年春季取得のデータを使用し，既往研究[2]を基に，倒木域を表すギャップを抽出し，最近隣法で 4mの解像度で林サンプリングを行った。なお，対象地は林小班のポリゴンを用いて森林域のみを抽出し，分析を行った。るパラメータで，教師データを利用して最尤推定法によって求められる。また，式(1)は，観測データで表現 IKONOS image Japan 可能な確定項(Vin )と，確率的に変動する誤差項( ε in )に分けることができる。この確定項(Vin )は，観測データとパラメータを乗じた項の和である。誤差項( ε in )は観測不可能な要因を表しており，正規分布に近いガンベル分布になると仮定する。そして，画素 n におけるカテゴリ i への選択確率 Pin は効用の確定項から，式(2) によって求められる。 Pin = eV0 n eVin + eV1n + L + eVin ● Study area Gifu Prefecture 0 450 900 1,800 Meters Fig.2 研究対象地と使用する IKONOS データ (2) それぞれの画素は，カテゴリごとに求められる効用から確率 Pin を求め，最も確率の高いカテゴリへ選択さはじめに，教師データの選定を行う。明らかに枯損と倒木であることが判読できる箇所を，それぞれ無被害を含むように選定した。今回は 2004 年 8 月に撮影された空中写真を参照し，枯損，倒木，無被害の判定を布が影響されているためである。行った。教師データ選択結果 Table.2 パラメータ推定結果切片 Band 3 Band 4 ギャップ枯損 -68.303 303.070 -31.103 -4.346 (Wald統計量) (384.7※) (442.8※) (361.4※) (15.41※) -32.915 2.355 倒木 -49.514 240.399 (Wald統計量) (155.2※) (223.9※) 倒木 (238.3※) (48.8※) ※ 0.01% significance level Table.3 教師データ内での精度検証選択結果枯損倒木無被害合計的中率枯損 283 1 94 378 74.8% 倒木 36 132 48 216 61.1% 54 13 2595 2662 97.5% 373 146 2737 3256 教師データ無被害合計選定した教師データから推定したパラメータを枯損 Fig.3 教師データと選択結果の比較 Table.2 に示す。各パラメータの正負の符号は常識的だった。また，Wald 統計量のカイ 2 乗値は全ての項目で 0.01%水準の有意であった。決定係数は 0.812 で高い適合率であった。次に，選択結果と教師データのクロス集計表をTable.3に示す。的中率は70%前後だった。的中しない画素は被害と無被害の境界部がほとんどで，中心部は確実に的中していた。なお，倒木域に隣接する画素で枯損と判定された画素があったが，これは現地調査や空中写真の判読から，画素内に倒木域があり，IKONOS 画像で赤色の反射が含まれるものの，ギャップ抽出結果がリサンプリングされた影響でギャップと判定されなかったため，枯損と誤判別された画素であることが分かった。ピュアな画素を確実に検出するため，このように倒木に隣接し枯損と判別された画素は無被害にすることにした。教師データと選択結果をプロットして比較した図を Fig.3 に示す。被害と無被害の境界部で十分に判別できていない画素はある Fig.4 全域に適用した検出結果が，中心部はほぼ検出されていることが確認できる。次に，検出された結果を詳細に見ていくことにする。以上の考察から，Table.2 のパラメータと，倒木域に Fig.5 の箇所は，LiDAR データでのギャップ抽出結果隣接する枯損画素を無被害とする方法を被害検出モデ (左)によると，円で囲んだ箇所は倒木として検出されてルとして，対象地全体へ適用することにした。全域へいるが，空中写真によると樹高の低い箇所であった。適用した結果を Fig.4 に示す。各所に被害が分布してしかし，IKONOS 画像では樹木の反射特性であるため，いる。主として倒木被害は谷沿いに発生し，枯損は尾統合処理した結果，倒木として検出されていないこと根沿いに発生していた。これは地形によって樹種の分が確認できる。県郡上市の森林域に適用した結果，枯損と倒木が分離されて検出されていることが確認でき，統合処理の有効性が確認された。今後は，有効性を定量的に明らかにするため，精度検証を行なう予定である。また，他の統計モデルへの適用や，他のリモートセンシングデータへの適用可能性についても検討を行っていきたい Fig.5 ギャップ抽出結果(左)と本手法による検出結果(右)の比較と考えている。次に Fig.6 の箇所は，中心部は倒木が発生しており，謝辞周辺は枯損が散在している。Fig.6 左には IKONOS 画像のみで枯損と倒木を検出した結果を示したが，倒木本研究は，慶應義塾大学 SFC 研究所ジオインフォマ域に枯損と倒木が混在してしまっている。また，周囲ティクスラボと岐阜県森林科学研究所との共同研究には枯損であるものの，倒木として検出された画素が「高解像度リモートセンシングと森林 GIS による森林多く見られた。しかし，ギャップ抽出結果(右)で統合処管理システムの開発」の一環として行われたものであ理を行うことで，検出結果(中)は枯損と倒木が明確に分る。離されていることが確認できる。このように，2 つのデータを統合処理することで，参考文献誤検出を防ぎ，明確に倒木と枯損が分離されて検出されていることが確認された。 [1] 田口仁, 臼田裕一郎, 福井弘道, 古川邦明, 2006. 高解像度光学センサ衛星画像と LiDAR データを組み合わせた森林域の冠雪害検出手法の開発, 写真測量とリモートセンシング, 45(1), pp.17-24. [2] 田口仁, 臼田裕一郎, 福井弘道, 2005. LiDAR による冠雪害検出-小特集(LIDAR による森林計測)-, 写真測量とリモートセンシング, 44(6), pp.22-25. [3] Seto, K.C., and Kaufmann, R.K, 2005. Using logit models to classify land cover and land-cover change from Landsat Thematic Mapper, Int. J. Remote Sensing, 26(3), pp.563-577. Fig.6 IKONOS のみでの検出(左)と本手法による検出結果(中)の比較しかし，元から間伐が適度になされていて，それぞれの木に距離がある疎な林分では，被害として誤検出される場合があった。また，ギャップ面積が小さい画素では，枯損として誤検出の発生する場合があった。また，伐採された箇所は，被害として検知される場合も見られた。このような誤検出は，リモートセンシングデータだけでは除去することは困難なため，各自治体が整備しつつある森林 GIS を活用し，施業履歴と組み合わせた上で，除去していく必要がある。 3. おわりに本研究では，森林被害である枯損と倒木について， LiDAR データと高解像度衛星画像を統合処理することで，分離して検出する手法を開発した。また，岐阜