衛星データ X 機械学習

Transcript

1. 自己紹介 養王田 一尚 （よおだ かずひさ） Tellusのエンジニア 兼 宙畑のライター 主に「ゼロからのTellusの使い方」シリーズを執筆

2. 衛星データ X 機械学習

3. Pythonを書いた経験がある

4. 機械学習やったことある

5. お仕事で機械学習を使っている

6. せっかく取得したタイルが 雲ばかりで地上が見えない

7. 雲の有無でタイルを分類する clear cloudy

8. 事前準備1 AVNIR-2のTile画像を取得しよう コードは後日Slackで共有いたします

9. 搭載衛星データ ALOS (AVNIR-2) 光学 10m 4band

10. 範囲を緯度経度で指定 トークンを設定（マイページで確認） Jupyter LabでAVNIR-2のシーン情報を取得しよう

11. rspId, productIdは画像を呼び出す際に必要 OS上でも「メタデータ詳細」で確認することができる

12. バンド選択 トークンを設定 Jupyter LabでAVNIR-2のタイル画像を取得しよう 地図タイルの座標

13. ズーム率 タイル枚数 座標サンプル タイル座標(x, y) タイルの左上の経度緯度 0 １ (0, 0)

    => (-180, 85.0511) 1 4 (0, 1) => (-180, 0) (1, 0) => (0, 85.0511) (1, 1) => (0, 0) 2 16 (0, 1) => (-180, 66.5133) (0, 2) => (-180, 0) (0, 3) => (-180, -66.5133) (2, 1) => (0, 66.5133) ... 12 16777216 (3638, 1613) => (139.7461, 35.3890) Webメルカトル地図を256×256ピクセルの正方形に切 り分けたものです。 座標(x, y)とズーム率(z)により指定します。 タイル地図とは

14. 指定した緯度経度を含むタイル座標を返す 緯度経度からタイル座標を求める

15. 指定したシーンからタイル画像が切り出される

16. 事前準備2 教師データを作ろう

17. 1. 大量にタイルを取得する。 今回は約3000枚用意 2.「晴れ」「曇り」「判別が難しい」の3種類に画像を人の目で(！)分類する。 今回は晴れが600枚、曇が1000枚でした。 3. 分類した「晴れ」と「曇り」の画像を 「学習用」「訓練時検証用」「評価用」に分ける。 dataset ┣

    train (学習用) ┃ ┣ clear ┃ ┗ cloudy ┃ ┣ validation (訓練時検証用) ┃ ┣ clear ┃ ┗ cloudy ┃ ┗ test (評価用) ┣ clear ┗ cloudy clear cloudy ng

18. TensorFlow(+Keras)で機械学習

19. モデルの作成 畳み込みニューラルネットワーク 画像サイズ

20. WARNINGが出ますが問題ありません。 層の数や次元の数は試行錯誤のしどころ 畳み込みニューラルネットワークについてもっと勉強したい人には 以下の記事がおすすめ https://kenyu-life.com/2019/03/07/convolutional_neural_network/ https://www.analyticsvidhya.com/blog/2016/04/deep-learning-computer- vision-introduction-convolution-neural-networks/

21. 学習データの読込み 回転や拡大縮小によりデータを水増し 2 classes以外の結果が出た場合、不要なディレクトリが含まれている可能性があります。 詳しくはKerasのチュートリアルを参照 https://keras.io/ja/

22. 学習実行 モデル一時保存 1回あたりの試行回数と繰り返し回数 いざ実行

23. 約6時間かかりました

24. 正解率85％！ 結果 繰り返し回数は半分の 10回程度でよかったかも

25. 評価用データでも約88％の正解率を達成！

26. 晴れ判定（0.5未満）

27. 曇り判定（0.5以上）

28. 薄曇りも正しく判定

29. 雪があっても正しく判定

30. やや自信なし？

31. たまに誤判定も?

32. 雲の有無でタイルを分類する clear cloudy 8割を超える精度で達成！ パラメータを試行錯誤して目指せ9割超え

33. 衛星データであそぼう 本日のコードはSlackで後日共有します