リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

リケラボ 全国の大学リポジトリにある学位論文・教授論文を一括検索するならリケラボ論文検索大学・研究所にある論文を検索できる

大学・研究所にある論文を検索できる 「衛星リモートセンシングを用いた水稲作付圃場の広域マッピング手法の開発」の論文概要。リケラボ論文検索は、全国の大学リポジトリにある学位論文・教授論文を一括検索できる論文検索サービスです。
リケラボ

コピーが完了しました

URLをコピーしました

論文の公開元へ論文の公開元へ
書き出し

衛星リモートセンシングを用いた水稲作付圃場の広域マッピング手法の開発

井上 晋平 東北大学

2021.03.25

概要

【研究の背景】
　水稲作付圃場（以後、水田）は様々な恩恵を我々にもたらしている。米は日本を含めた多くの国々で主食として愛され、食料供給において極めて重要な役割を担っている[1]。また、一部の田園地域は、世界農業遺産システム（Globally Important Agricultural Heritage）に指定されており、生物多様性や景観、文化の価値が国際的に共有されている[2,3]。しかしながら、水田は我々が目指すべき持続可能な社会に対して、必ずしもポジティブな効果をもたらすわけではない。水田では米の生産の過程で大量の水が消費される[4]。さらに、人口増加に伴い増え続ける世界の食料需要に応えるため、森林を切り開いて耕作地に転換することで環境や生態系への負荷は年々大きくなっている[5,6]。また、水田は二酸化炭素に次いで地球温暖化への寄与が大きな温室効果ガスであるメタンの主要な人為排出源の一つである。気候変動に関する政府間パネルであるIntergovernmental Panel on Climate Change (IPCC)の第5次報告書では、グローバルスケールでの水田からのメタン排出量は33～40Tg(CH₄)/yrであり、人為起源全体のメタン排出量の約12%を占めている[7]。一方で、水田が多く分布する東アジア地域（中国、韓国、北朝鮮、台湾、香港・マカオ、モンゴル、日本）では人為起源全体のメタン排出量の約26%、日本では約45%を水田からのメタン排出量が占める[8]。このように、地域スケールや国スケールのメタン排出量は、水田の分布に大きく依存する。すなわち、人類の喫緊の課題である地球温暖化問題に対して、広域の水田を高精度にマッピングすることはメタン収支を正確に推定し、気候変動を予測する上で非常に重要である。勿論、フードセキュリティや水資源の問題に取り組む上でも、広域の水田分布を正確に把握することが極めて重要であるため、それぞれの用途に適した水田マップの開発が望まれる。
　広域の土地被覆を把握するには、衛星リモートセンシングが非常に適している。衛星リモートセンシングは人工衛星に搭載された光学センサーやレーダで取得されたデータを解析することで、地表面や大気の状態を間接的に観測する技術であり、様々な土地被覆の把握に活用されている。例えば、全球を対象とした土地被覆図であるMCD12Q1は、Moderate Resolution Imaging Spectroradiometer（MODIS）から取得されたマルチスペクトル画像を基に作成された[9]。また、同じく全球を対象にした穀物作付けマップであるGlobal Food Security-support Analysis Data Product(GFSAD1000)は、MODISやLandsat等の複数の衛星データを用いて作成された[10]。2010年代の初頭までは、衛星画像データは高価なものが多く、また、コンピューターの計算能力やストレージにも限りがあるため、広域を対象とした解析を高い空間解像度でおこなうことは困難であった。しかし、近年、LandsatやSentinel等、多様な衛星画像のオープンデータ化やクラウドコンピューティングの普及によって、データ収集やハードにかかるコストが低下し、大量の衛星画像データを比較的簡単に解析できる環境が整いつつある。これにより、高空間分解能でかつ高時間分解能での広域リモートセンシングが実現し、より精度の高い広域水田マッピングが可能になる。

【既存研究について】
　1999年のMODISを搭載したTerraの打ち上げ以降、MODISデータに限らず、多様な光学センサーと合成開口レーダ（Synthetic Aperture Radar: SAR）の画像データを用いた広域水田マッピングに関する研究がおこなわれてきた。2010年代初頭までの広域水田マッピングに関するほとんどの研究では、MODIS（空間分解能250m～1000m）等の空間分解能が低～中程度とされる衛星画像が使用されていた[11–18]。すでに、Landsatのように空間分解能が100m未満の衛星データが一般的になっていたものの、コンピューターの処理能力やストレージの問題から広域水田マッピングにはほとんど使用されていなかった。しかしながら、限られた衛星データ資源を最大限に活かしたマッピング手法がこの時代に開発された。例えば、マルチスペクトル画像の分光反射特性を基に算出される地表水指数（LSWI：Land Surface Water Index）と正規化植生指数（NDVI：Normalized Difference Vegetation Index）、拡張植生指数（EVI：Enhanced Vegetation Index）を使用して、高精度に水田の湛水状態を抽出する手法がXiaoらによって提案された[11–16]。また、MODISとAdvanced Spaceborne Thermal Emission and Reflection Radiometer（ASTER）の２種類のマルチスペクトル画像を使用し、水田の抽出精度を向上させる手法が竹内らによって提案された[17,18]。
　近年はクラウドコンピューティングの普及により、広域を対象とした大規模なリモートセンシング解析の多くがGoogle Earth Engine（GEE）等のクラウドプラットフォームでおこなわれている[19–21]。GEEはWeb APIサービスであり、プラットホーム上で大量の衛星画像データにアクセスでき、高性能なクラウドエンジンで解析をおこなった結果のみを自身のPCにダウンロードすることが可能である[22]。つまり、衛星画像データを収集する手間や保存するストレージ、計算に必要なハードのコスト等、広域リモートセンシング解析における多くの課題が解決し、より高い空間分解能での広域リモートセンシング解析がおこなわれるようになった。Dongらは、GEE上で1000枚以上のLandsat 8のマルチスペクトル画像を解析することで、北東アジア地域における空間分解能30mの水田マップを作成した[19]。この水田マップの解像度は、MODIS等の低空間分解能衛星画像を使用して開発された従来の水田マップ（空間分解能数百ｍ～数km）よりもはるかに高く、広域水田マッピングの新時代の到来を確信させるものであった。
　しかしながら、依然として、現在までに開発された広域水田マップはごく僅かである。その理由の一つとして、イネの栽培時期は多くの地域で雨季と重なっており、可視光～近赤外波長域を観測するマルチスペクトル画像を用いた場合、雲の影響を強く受けることがあげられる。この問題を解決するために、天候に関係なく地表面の情報を取得できるSAR画像を使用した水田マッピング手法も提案されている。マルチスペクトル画像が太陽光の地表面での反射を観測したデータであるのに対し、SAR画像は雲を透過するレーダを衛星から射出し、その地表面でからの反射を観測したデータであるため、天候に関係なくデータ取得が可能である。最近では特に、2014年に一号機が打ち上げられたSentinel-1衛星のSAR画像が注目されている。Sentinel-1のSAR画像は無償で提供されており、GEEのプラットホームからアクセス可能なため、コスト面と扱いやすさに優れている。さらに、空間分解能が最大5mとオープンソースのSARデータの中では極めて高い。現在は回帰日数が12日の2機体制で運用されているため、時間分解能にも優れている。Sentinel-1 SARの時系列データを用いた水田マッピングは、世界の様々な地域で研究されてきた[21,23–32]（参考）。
　例えば、Claussらは、北アメリカ、ヨーロッパ、アジアに位置する6地域の水田において、Sentinel-1のVH偏波後方散乱係数の時系列データから水田の抽出をおこなった[28]。Claussらの研究では、Sentinel-1のVH偏波後方散乱係数が栽培初期の湛水により減少し、その後、イネの生長によって増加する特徴に注目し、湛水期間中の極小値と成熟期の極大値に閾値を設けることで、高い精度での水田抽出を実現した。しかしながら、これらの研究のほとんどが、市町村又は都道府県スケール程の比較的狭い領域でおこなわれており、広域水田マッピングへのSentinel-1 SAR時系列データの有効性は十分に議論されていない。一方で、Torbickらは、ミャンマー全域を対象にSentinel-1とPALSAR-2、Landsat 8の3種類の衛星画像データを用いて、それぞれの組み合わせでの水田マッピング精度を評価した[23]。その結果、3種類すべてのデータを使用したときに最も分類精度が高くなり、Sentinel-1又はPALSAR-2のSAR画像のみでは、マルチスペクトル画像を使用した場合と比較して、分類精度が低下することがわかった。これは、SAR画像の後方散乱係数が分光反射特性により地物の判別をおこなうマルチスペクトル画像よりも、植生や湛水状態の判別精度が低いためだと考えられる。つまり、Sentinel-1 SARの時系列データのみで広域水田マッピングをおこなう際、水田抽出精度の向上は克服すべき課題であると言える。Torbickらの他にも、Sentinel-1 SARの時系列データとマルチスペクトル画像の2種類の画像データを用いた水田マッピング手法はいくつか提案されてきた[21,24]。しかしながら、これらの手法はマルチスペクトル画像の雲の被覆によるデータ欠損がないことを前提としたアルゴリズムであるため、対象領域が広くなるにつれて、データ欠損によりマッピング精度が低下するリスクが大きくなる。そのため、栽培期間が雨季に重なる地域での広域水田マッピングには適さないと考えられる。一方で、全天候でデータ取得が可能なSentinel-1 SARの特徴を損なわず、広域の水田マッピング精度を高めることのできる手法を開発することで、より高精度な広域水田マップが実現すると考えられる。

【研究の目的】
　水田からのメタン排出量の推定に資する水田マップの作成を目的に、Sentinel-1 SARの時系列データにSentinel-2のマルチスペクトル画像を補助的に活用する新しい手法を開発した[33]。Sentinel-2のマルチスペクトル画像は可視光～近赤外波長域を空間分解能最大5mの多バンドで観測することで、地物特有の分光反射特性を利用し、高い精度で植生や湛水状態の抽出が可能である。本研究では、新しく開発した手法について詳しく解説した上で、日本及び朝鮮半島での水田マップを作成する。作成した水田マップを用いて、検証圃場での精度評価や既存の水田マップ、統計値との比較検証をおこなうことで本手法の広域水田マッピングにおける有効性を議論する。
　まず、第二章では新しく開発した水田マッピング手法[33]について詳しく解説する。さらに、2018年の日本全域の水田マップを作成し、従来の手法や既存の水田マップと比較検証することで、本手法の広域水田マッピングへの有効性を検証する。第三章では、第二章で紹介した手法を用いて、新たに日本全域の2017年～2019年までの三年分の水田マップを作成し、異なる期間での本手法の有効性を検証する。第四章では、朝鮮半島にテストエリアを拡大し、2018年の水田マップ作成を通して、日本以外の地域での本手法の有効性を検証する。

論文の公開元へ

この論文で使われている画像

関連論文

関連論文をもっと見る

参考文献

1. Elert, E. Rice by the numbers: A good grain. Nature 2014, 514, S50–S51.

2. Kiritani, K. Integrated Biodiversity Management in Paddy Fields: Shift of Paradigm From IPM Toward IBM. Integr. Pest Manag. Rev. 2000, 5, 175–183.

3. Lu, J.; Li, X. Review of rice–fish-farming systems in China — One of the Globally Important Ingenious Agricultural Heritage Systems (GIAHS). Aquaculture 2006, 260, 106–113.

4. Bouman, B.A.M.; Humphreys, E.; Tuong, T.P.; Barker, R. Rice and Water. In Advances in Agronomy; Sparks, D.L., Ed.; Academic Press, 2007; Vol. 92, 187–237.

5. Malhi, Y.; Roberts, J.T.; Betts, R.A.; Killeen, T.J.; Li, W.; Nobre, C.A. Climate Change, Deforestation, and the Fate of the Amazon. Science 2008, 319, 169–172.

6. Shukla, J.; Nobre, C.; Sellers, P. Amazon Deforestation and Climate Change. Science 1990, 247, 1322–1325.

7. Stocker, T.F.; Qin, D.; Plattner, G.K.; Tignor, M.; Allen, S.K.; Boschung, J.; Nauels, A.; Xia, Y.; Bex, V.; Midgley, P.M. Contribution of working group I to the fifth assessment report of the intergovernmental panel on climate change. Clim. Change 2013.

8. Ito, A.; Tohjima, Y.; Saito, T.; Umezawa, T.; Hajima, T.; Hirata, R.; Saito, M.; Terao, Y. Methane budget of East Asia, 1990–2015: A bottom-up evaluation. Sci. Total Environ. 2019, 676, 40–52.

9. LP DAAC - MCD12Q1 Available online: https://lpdaac.usgs.gov/products/ mcd12q1v006/ (accessed on Dec 11, 2020).

10. Thenkabail, P.S.; Knox, J.W.; Ozdogan, M.; Gumma, M.K.; Congalton, R.G.; Wu, Z.T.; Milesi, C.; Finkral, A.; Marshall, M.; Mariotto, I.; et al. Assessing future risks to agricultural productivity, water resources and food security: how can remote sensing help? PEampRS Photogramm. Eng. Amp Remote Sens. 2012, 78, 773–782.

11. Xiao, X.; Boles, S.; Liu, J.; Zhuang, D.; Frolking, S.; Li, C.; Salas, W.; Moore, B. Mapping paddy rice agriculture in southern China using multi-temporal MODIS images. Remote Sens. Environ. 2005, 95, 480–492.

12. Xiao, X.; Boles, S.; Frolking, S.; Li, C.; Babu, J.Y.; Salas, W.; Moore, B. Mapping paddy rice agriculture in South and Southeast Asia using multi-temporal MODIS images. Remote Sens. Environ. 2006, 100, 95–113.

13. Clauss, K.; Yan, H.; Kuenzer, C. Mapping Paddy Rice in China in 2002, 2005, 2010 and 2014 with MODIS Time Series. Remote Sens. 2016, 8, 434.

14. Ozdogan, M.; Gutman, G. A new methodology to map irrigated areas using multi- temporal MODIS and ancillary data: An application example in the continental US. Remote Sens. Environ. 2008, 112, 3520–3537.

15. Sun, H.; Huang, J.; Huete, A.R.; Peng, D.; Zhang, F. Mapping paddy rice with multi- date moderate-resolution imaging spectroradiometer (MODIS) data in China. J. Zhejiang Univ.-Sci. A 2009, 10, 1509–1522.

16. Zhang, G.; Xiao, X.; Biradar, C.M.; Dong, J.; Qin, Y.; Menarguez, M.A.; Zhou, Y.; Zhang, Y.; Jin, C.; Wang, J.; et al. Spatiotemporal patterns of paddy rice croplands in China and India from 2000 to 2015. Sci. Total Environ. 2017, 579, 82–92.

17. Takeuchi, W.; Yasuoka, Y. Mapping of fractional coverage of paddy fields over East Asia using MODIS data. J. Jpn. Soc. Photogramm. Remote Sens. 2004, 43, 20–33.

18. Takeuchi, W.; Yasuoka, Y. 11 Subpixel Mapping of Rice Paddy Fields over Asia Using MODIS Time Series. Remote Sens. Glob. Crop. Food Secur. 2009, 281.

19. Dong, J.; Xiao, X.; Menarguez, M.A.; Zhang, G.; Qin, Y.; Thau, D.; Biradar, C.; Moore, B. Mapping paddy rice planting area in northeastern Asia with Landsat 8 images, phenology-based algorithm and Google Earth Engine. Remote Sens. Environ. 2016, 185, 142–154.

20. Xiong, J.; Thenkabail, P.S.; Gumma, M.K.; Teluguntla, P.; Poehnelt, J.; Congalton, R.G.; Yadav, K.; Thau, D. Automated cropland mapping of continental Africa using Google Earth Engine cloud computing. ISPRS J. Photogramm. Remote Sens. 2017, 126, 225–244.

21. Zhang, X.; Wu, B.; Ponce-Campos, G.E.; Zhang, M.; Chang, S.; Tian, F. Mapping up- to-Date Paddy Rice Extent at 10 M Resolution in China through the Integration of Optical and Synthetic Aperture Radar Images. Remote Sens. 2018, 10, 1200.

22. Gorelick, N.; Hancher, M.; Dixon, M.; Ilyushchenko, S.; Thau, D.; Moore, R. Google Earth Engine: Planetary-scale geospatial analysis for everyone. Remote Sens. Environ. 2017, 202, 18–27.

23. Torbick, N.; Chowdhury, D.; Salas, W.; Qi, J. Monitoring Rice Agriculture across Myanmar Using Time Series Sentinel-1 Assisted by Landsat-8 and PALSAR-2. Remote Sens. 2017, 9, 119.

24. Onojeghuo, A.O.; Blackburn, G.A.; Wang, Q.; Atkinson, P.M.; Kindred, D.; Miao, Y. Mapping paddy rice fields by applying machine learning algorithms to multi-temporal Sentinel-1A and Landsat data. Int. J. Remote Sens. 2018, 39, 1042–1067.

25. Minh, H.V.T.; Avtar, R.; Mohan, G.; Misra, P.; Kurasaki, M. Monitoring and Mapping of Rice Cropping Pattern in Flooding Area in the Vietnamese Mekong Delta Using Sentinel-1A Data: A Case of An Giang Province. ISPRS Int. J. Geo-Inf. 2019, 8, 211.

26. Tian, H.; Wu, M.; Wang, L.; Niu, Z. Mapping Early, Middle and Late Rice Extent Using Sentinel-1A and Landsat-8 Data in the Poyang Lake Plain, China. Sensors 2018, 18, 185.

27. Nguyen, D.B.; Gruber, A.; Wagner, W. Mapping rice extent and cropping scheme in the Mekong Delta using Sentinel-1A data. Remote Sens. Lett. 2016, 7, 1209–1218.

28. Clauss, K.; Ottinger, M.; Kuenzer, C. Mapping rice areas with Sentinel-1 time series and superpixel segmentation. Int. J. Remote Sens. 2018, 39, 1399–1420.

29. Bazzi, H.; Baghdadi, N.; El Hajj, M.; Zribi, M.; Minh, D.H.T.; Ndikumana, E.; Courault, D.; Belhouchette, H. Mapping Paddy Rice Using Sentinel-1 SAR Time Series in Camargue, France. Remote Sens. 2019, 11, 887.

30. Mandal, D.; Kumar, V.; Bhattacharya, A.; Rao, Y.S.; Siqueira, P.; Bera, S. Sen4Rice: A Processing Chain for Differentiating Early and Late Transplanted Rice Using Time- Series Sentinel-1 SAR Data With Google Earth Engine. IEEE Geosci. Remote Sens. Lett. 2018, 15, 1947–1951.

31. Singha, M.; Dong, J.; Zhang, G.; Xiao, X. High resolution paddy rice maps in cloud- prone Bangladesh and Northeast India using Sentinel-1 data. Sci. Data 2019, 6, 1–10.

32. Mansaray, L.R.; Huang, W.; Zhang, D.; Huang, J.; Li, J. Mapping Rice Fields in Urban Shanghai, Southeast China, Using Sentinel-1A and Landsat 8 Datasets. Remote Sens. 2017, 9, 257.

33. Inoue, S.; Ito, A.; Yonezawa, C. Mapping Paddy Fields in Japan by Using a Sentinel-1 SAR Time Series Supplemented by Sentinel-2 Images on Google Earth Engine. Remote Sens. 2020, 12, 1622.

34. E-Stat Available online: https://www.e-stat.go.jp/stat-search/?page=1 (accessed on Dec 11, 2020). (in Japanese)

35. Okinawa General Bureau Available online: http://www.ogb.go.jp/ (accessed on Dec 11, 2020). (in Japanese)

36. MAFF Available online: https://www.maff.go.jp/j/study/suito_sakugara/ (accessed on Dec 11, 2020). (in Japanese)

37. ESA Available online: https://earth.esa.int/web/guest/home (accessed on Dec 11, 2020).

38. Li, X.; Zhang, C.; Li, W. Building block level urban land-use information retrieval based on Google Street View images. GIScience Remote Sens. 2017, 54, 819–835.

39. Berland, A.; Lange, D.A. Google Street View shows promise for virtual street tree surveys. Urban For. Urban Green. 2017, 21, 11–15.

40. Oda, K.; Rupprecht, C.D.D.; Tsuchiya, K.; McGreevy, S.R. Urban Agriculture as a Sustainability Transition Strategy for Shrinking Cities? Land Use Change Trajectory as an Obstacle in Kyoto City, Japan. Sustainability 2018, 10, 1048.

41. Agricultural Polygon by MAFF Available online: https://www.maff.go.jp/j/tokei/ porigon/hudeporidl.html (accessed on Dec 11, 2020). (in Japanese)

42. JAXA ALOS projects Available online: https://www.eorc.jaxa.jp/ALOS/lulc/ lulc_jindex.htm (accessed on Dec 11, 2020). (in Japanese)

43. Sentinel-1 Algorithms Available online: https://developers.google.com/earth-engine/ guides/sentinel1 (accessed on Dec 11, 2020).

44. Sentinel-2 MSI Available online: https://developers.google.com/earth-engine/ datasets/catalog/COPERNICUS_S2_SR (accessed on Dec 11, 2020).

45. Hansen, M.C.; Potapov, P.V.; Moore, R.; Hancher, M.; Turubanova, S.A.; Tyukavina, A.; Thau, D.; Stehman, S.V.; Goetz, S.J.; Loveland, T.R.; et al. High-Resolution Global Maps of 21st-Century Forest Cover Change. Science 2013, 342, 850–853.

46. Chandrasekar, K.; Sai, M.V.R.S.; Roy, P.S.; Dwevedi, R.S. Land Surface Water Index (LSWI) response to rainfall and NDVI using the MODIS Vegetation Index product. Int. J. Remote Sens. 2010, 31, 3987–4005.

47. Carlson, T.N.; Ripley, D.A. On the relation between NDVI, fractional vegetation cover, and leaf area index. Remote Sens. Environ. 1997, 62, 241–252.

48. Huete, A.; Didan, K.; Miura, T.; Rodriguez, E.P.; Gao, X.; Ferreira, L.G. Overview of the radiometric and biophysical performance of the MODIS vegetation indices. Remote Sens. Environ. 2002, 83, 195–213.

49. Jin, C.; Xiao, X.; Dong, J.; Qin, Y.; Wang, Z. Mapping paddy rice distribution using multi-temporal Landsat imagery in the Sanjiang Plain, northeast China. Front. Earth Sci. 2016, 10, 49–62.

50. Story, M.; Congalton, R.G. Accuracy assessment: a user’s perspective. Photogramm. Eng. Remote Sens. 1986, 52, 397–399.

51. MAFF Available online: https://www.maff.go.jp/j/wpaper/w_maff/h22_h/trend/ part1/chap2/c7_01_05.html (accessed on Dec 11, 2020). (in Japanese)

52. Otsuka, K. et al. 「寒冷地における水田水管理の特性」. Journal of the Agricultural Engineering Society, 1984, 52.11: 977-983, a1. (in Japanese)

53. FAOSTAT Available online: http://www.fao.org/faostat/en/#data/QC (accessed on Dec 11, 2020).

54. Statistics Korea Available online: http://kostat.go.kr/portal/korea/index.action (accessed on Dec 11, 2020).

55. Food and Agriculture Organization of the United Nations Available online: http://www.fao.org/home/en/ (accessed on Dec 11, 2020).

56. Monfreda, C.; Ramankutty, N.; Foley, J.A. Farming the planet: 2. Geographic distribution of crop areas, yields, physiological types, and net primary production in the year 2000. Glob. Biogeochem. Cycles 2008, 22, 1.

57. Zhang, G.; Xiao, X.; Dong, J.; Kou, W.; Jin, C.; Qin, Y.; Zhou, Y.; Wang, J.; Menarguez, M.A.; Biradar, C. Mapping paddy rice planting areas through time series analysis of MODIS land surface temperature and vegetation index data. ISPRS J. Photogramm. Remote Sens. 2015, 106, 157–171.

58. Zhang, G.; Xiao, X.; Dong, J.; Xin, F.; Zhang, Y.; Qin, Y.; Doughty, R.B.; Moore, B. Fingerprint of rice paddies in spatial–temporal dynamics of atmospheric methane concentration in monsoon Asia. Nat. Commun. 2020, 11, 554.

参考文献をもっと見る

全国の大学の
卒論・修論・学位論文
を
一発検索！

この論文の関連論文を見る