著者紹介

内容

目次

■第1章　解析環境の構築 1-1 解析環境を構築する 1-1-1 ローカルに解析環境を作成する 1-1-2 Tellusに解析環境を作成する 1-1-3 Gooble Colabを用いた基本操作 1-2 アカウント登録について 1-2-1 Tellus 1-2-2 Landsat 1-2-3 MODIS 1-2-4 Sentinel ・column　データサイエンティストの役割1　「衛星データを利用した研究例」 ・column　データサイエンティストの役割2　「衛星データを用いた学習方法についての紹介」 ・column　データサイエンティストの役割3　「目に見えない波長の情報の見える化」 ■第2章　衛星データの基礎 2-1 衛星データの基礎 2-1-1 衛星データの種類 2-1-2 光学衛星が観測しているデータの種類 2-1-3 波長帯の組み合わせでわかること 2-1-4 水域の視認性を上げる 2-1-5 複数バンドを組み合わせた演算 2-1-6 利用する衛星データ 2-2 衛星データ解析の概要 2-2-1 衛星データ解析の流れ 2-2-2 衛星データの前処理までの流れ 2-2-3 解析からサービス提供までの流れ 2-2-4 ラスターデータとは？ 2-2-5 ベクターデータとは？ 2-2-6 さまざまな解析手法 ・column　データサイエンティストの役割4「航空輸送産業×宇宙領域の可能性」 ■第3章　衛星データ解析準備 3-1 衛星データを取得する 3-1-1 Sentinel-2について 3-1-2 Sentinel衛星シリーズとは 3-1-3 Copernicus Open Access Hubからの直接ダウンロード 3-1-4 APIでSentinel-2の画像を取得する1 3-1-5 APIでSentinel-2の画像を取得する2 3-1-6 対象領域の画像を表示する 3-1-7 SpatioTemporal Asset Catalog（STAC）を利用する 3-2 衛星データと地上データを組み合わせる準備 3-2-1 GeoPandasのインストール 3-2-2 GeoPandasの基本 3-2-3 座標系とは 3-3 GDALを使った衛星データ処理 3-3-1 Landsat 8の観測データ加工方法 3-3-2 データ加工方法の背景 3-3-3 画像の切り出し 3-3-4 カラー合成 3-3-5 パンシャープン画像の作成 3-3-6 フォーマットの変換 ・column　データサイエンティストの役割5　「衛星データで経済発展を測る」 ■第4章　衛星データ解析手法別演習［解析編］ 4-1 バンド演算について 4-1-1 リモートセンシングにおける波長の基礎知識 4-2 森林分野における衛星データ利用事例 4-2-1 森林の状態変化の視覚化 4-2-2 森林の状態変化の可視化 4-3 プランテーション林に開発された道路を抽出 4-3-1 道路を検出するさまざまな方法 4-4 農業分野における衛星データ利用事例 4-4-1 米の収量推定に挑む 4-4-2 水田域におけるEVIの集計 4-4-3 日射量とEVIの比較 4-4-4 水稲収量の予測 4-5 浜辺の侵食の様子を確認する 4-5-1 海岸線抽出のための前処理作業 4-5-2 クラスタリングを行う ・column　データサイエンティストの役割6　「衛星データを利用した途上国支援」 ■第5章　衛星データ解析手法別演習［教師あり機械学習編］ 5-1 線形回帰（回帰） 5-1-1 この章で学習すること 5-1-2 線形回帰とは？ 5-1-3 線形回帰の理論的背景 5-1-4 最小二乗法とは 5-1-5 実際にやってみよう 5-1-7 線形回帰の実行 5-2 サポートベクターマシン 5-2-1 サポートベクターマシンの理論的背景 5-2-2 SVMとは？ 5-2-3 SVMのアルゴリズム 5-2-4 カーネルトリックについて 5-2-5 データの準備 5-2-6 サポートベクターマシンの実行 5-2-7 推定結果の比較 5-3 教師データの作成法 5-3-1 QGISを用いた点データの作成方法 5-3-2 QGISを用いたラベル付け ・column　データサイエンティストの役割7　「宇宙から観るアフリカの姿」 ・column　データサイエンティストの役割8 「自分が心地よく暮らせる場所をデータで見つけて行ってみる」 ■第6章　衛星データ解析 手法別演習［分類編］ 6-1 scikit-learnの活用と教師あり／なし学習 6-1-1 scikit-learnを使った学習データの準備 6-1-2 サポートベクターマシンを実際にやってみよう 6-2 決定木 6-2-1 決定木とは？ 6-2-2 決定木の理論的背景 6-2-3 実際にやってみよう（モデルの選択と学習） 6-3 ロジスティック回帰（分類） 6-3-1 ロジスティック回帰とは 6-3-2 ロジスティック回帰の理論的背景 6-4 ニューラルネットワーク 6-4-1 ニューラルネットワークとは？ 6-4-2 ニューラルネットワークの理論的背景 6-4-3 実際にやってみよう（モデルの選択と学習） 6-5 ランダムフォレスト（分類） 6-5-1 ランダムフォレストとは？ 6-5-2 ランダムフォレストの理論的背景 6-5-3 実際にやってみよう 6-6 ナイーブベイズ 6-6-1 ナイーブベイズとは? 6-6-2 ナイーブベイズの理論的背景 6-6-3 実際にやってみよう（モデルの選択と学習） 6-7 k近傍法 6-7-1 k近傍法とは？ 6-7-2 k近傍法の理論的背景 6-7-3 実際にやってみよう（モデルの選択と学習） 6-8 scikit-learnを使った教師なし学習 6-8-1 k平均法 6-8-2 k平均法の理論的背景 6-8-3 実際にやってみよう（モデルの選択と学習） ・column　データサイエンティストの役割9　「離れた現地とのデータ連携」 ■付 録 A-1 CNN A-1-1 深層学習とは U-Netとは A-1-2 実際にやってみよう -2 その他の教師なし学習 A-2-1 階層クラスタリング A-2-2 階層クラスタリングとは何か A-2-3 階層クラスタリングの理論的背景 A-2-4 実際にやってみよう ・column　データサイエンティストの役割10　「衛星データで精密農業の実現」