[論文レビュー] An Open-Source Tool for Mapping War Destruction at Scale in Ukraine using Sentinel-1 Time Series

Olivier Dietrich|arXiv (Cornell University)|Jun 4, 2024

Environmental and Biological Research in Conflict ZonesEnvironmental Science被引用数 3

ひとこと要約

本論文は、Sentinel-1 SAR時系列データと機械学習を用いて、ウクライナにおける戦争による建物破壊をオープンソースでスケーラブルにマッピングする手法を提示する。戦前・戦後期間のバックプロージョン特徴量を用いてランダムフォレスト分類器を学習し、その後、オープンな建物ポリゴンを用いて後処理することで、建物レベルの損傷確率を推定し、Google Earth Engineを活用して高空間分解能かつ動的インフェレンスを実現した。

ABSTRACT

Access to detailed war impact assessments is crucial for humanitarian organizations to assist affected populations effectively. However, maintaining a comprehensive understanding of the situation on the ground is challenging, especially in widespread and prolonged conflicts. Here we present a scalable method for estimating building damage resulting from armed conflicts. By training a machine learning model on Synthetic Aperture Radar image time series, we generate probabilistic damage estimates at the building level, leveraging existing damage assessments and open building footprints. To allow large-scale inference and ensure accessibility, we tie our method to run on Google Earth Engine. Users can adjust confidence intervals to suit their needs, enabling rapid and flexible assessments of war-related damage across large areas. We provide two publicly accessible dashboards: a Ukraine Damage Explorer to dynamically view our precomputed estimates, and a Rapid Damage Mapping Tool to run our method and generate custom maps.

研究の動機と目的

• 大規模地理的領域における戦争による建物被害を推定するスケーラブルで移行可能な手法の開発。
• 手作業による高分解能光学画像分析の限界を克服し、紛争地域における自動的でコスト効率が良く、継続的なモニタリングを可能にする。
• 合成開口レーダー（SAR）データを活用し、天候を問わず昼夜を問わず、紛争による構造的変化をモニタリングする。
• Overture Mapsの建物ポリゴンなどのオープンデータソースを統合し、ピクセルレベルの損傷確率を建物レベルの影響推定に変換する。
• 人道的支援機関が大規模に紛争影響を迅速に評価できる、アクセス可能でカスタマイズ可能なツールを提供する。

提案手法

• 本手法は、Sentinel-1 SAR時系列データを用い、各時系列を固定された戦前基準期間と、インヴェージョン後の複数の可変評価期間に分割する。
• 各セグメントについて、各ポーラリゼーションバンドあたり7つの統計的特徴量（最小値、最大値、平均値、中央値、標準偏差、尖度、歪度）が抽出され、ピクセルごとに4N次元の特徴量ベクトルが形成される。
• Google Earth Engineで学習されたランダムフォレスト分類器が、基準期間と評価期間の間でピクセル単位の損傷確率スコアを計算する。
• GEEの並列計算を活用してスケールアップされたインフェレンスが実行され、12の時系列期間にわたる全国規模の損傷確率マップが生成される。
• 後処理では、重複率に基づく重み付き平均を用いて、建物ポリゴン内でのピクセルレベルの確率を集約し、各建物の損傷可能性を割り当てる。
• 最終的な建物レベルの損傷状態は、最初の2年間（T5–T12）の最大損傷確率を戦前レベル（T1–T4）と比較したしきい値ルールに基づいて決定される。

Figure 1: Percentage of buildings likely damaged within the first two years of the war, aggregated by hromadas . The predictions were thresholded at 0.64, and only buildings larger than 50 m 2 were considered.

実験結果

リサーチクエスチョン

• RQ1 SAR時系列データと機械学習を用いることで、大規模紛争地域における戦争による建物破壊の正確でスケーラブルかつコスト効率の良いマッピングが可能か？
• RQ2 SARバックプロージョンの変化から導かれるピクセルレベルの損傷確率を、どのように効果的に建物レベルの影響評価に変換できるか？
• RQ3 オープンデータとGoogle Earth Engineのようなクラウドベースの地理情報処理プラットフォームは、高価な高分解能光学画像に依存せずに、リアルタイムで大規模な紛争モニタリングをどの程度支援できるか？
• RQ4 本手法は、ウクライナの多様な都市部および農村部の紛争影響地域における季節的変動や空間の不均一性に対して、どの程度のロバストネスを示すか？
• RQ5 人道的支援機関の異なる運用ニーズに対応できるように、モデルの信頼区間を調整可能か？

主な発見

• モデルは、4つの高品質アノテーション済みAOI（マリウポリ、北西部キエフ、ルビジフネ、ヴォルノバカ）で学習され、全UNOSATラベルの75.0%と全バックプロージョン時系列の82.6%をカバーした。
• 最終的な損傷確率マップは全国を10m解像度でカバーし、1枚あたり88,867 × 201,284ピクセル、ファイルサイズは17.88GBである。
• 建物レベルの損傷推定は、ポリゴン境界内でのピクセル確率を重み付き平均で集約することで実行され、破壊の正確な局所化が可能になった。
• 建物を「おそらく損傷」と分類するためのしきい値0.64が適用され、その結果、ハロマダ単位の「おそらく損傷の建物の割合」を示すマップが作成された。
• 本手法は、東部および南部ウクライナに集中する破壊の空間的パターンを効果的に同定した。これは、既知の紛争ダイナミクスと整合的であった。
• 本アプローチにより、2つの公開ダッシュボード（ウクライナ損傷エクスプローラーおよび迅速損傷マッピングツール）を通じて、動的かつカスタマイズ可能な損傷マッピングが可能になった。

Figure 2: Building damage estimate for Chernihiv (standard confidence threshold 0.64), aggregated over the first two years of conflict. For clarity, we only present the damage heatmap in the main figure, while three zoomed insets show building-level predictions. Red dots represent UNOSAT annotations