[論文レビュー] An Urban Water Extraction Method Combining Deep Learning and Google Earth Engine

Y. D. Wang, Zhiwei Li+3 more|arXiv (Cornell University)|Dec 23, 2019

Flood Risk Assessment and Management参考文献 52被引用数 6

ひとこと要約

本稿では、マルチスケール畳み込みニューラルネットワーク（MSCNN）とGoogle Earth Engine（GEE）を統合することで、Landsat画像から都市部の水体を抽出する、オフライン学習とオンライン予測（OTOP）フレームワークを提案する。MSCNNをオフラインで学習し、GEE上でデプロイすることで、リアルタイム推論が可能となり、平均F1スコア0.930、IoU 0.869という高い精度を達成した。これは、中国の複数の都市において、MNDWIやランダムフォレストモデルを上回った。

ABSTRACT

Urban water is important for the urban ecosystem. Accurate and efficient detection of urban water with remote sensing data is of great significance for urban management and planning. In this paper, we proposed a new method to combine Google Earth Engine (GEE) with multiscale convolutional neural network (MSCNN) to extract urban water from Landsat images, which is summarized as offline training and online prediction (OTOP). That is, the training of MSCNN was completed offline, and the process of urban water extraction was implemented on GEE with the trained parameters of MSCNN. The OTOP can give full play to the respective advantages of GEE and CNN, and make the use of deep learning method on GEE more flexible. It can process available satellite images with high performance without data download and storage, and the overall performance of urban water extraction is also higher than that of the modified normalized difference water index (MNDWI) and random forest. The mean kappa, F1-score and intersection over union (IoU) of urban water extraction with the OTOP in Changchun, Wuhan, Kunming and Guangzhou reached 0.924, 0.930 and 0.869, respectively. The results of the extended validation in the other major cities of China also show that the OTOP is robust and can be used to extract different types of urban water, which benefits from the structural design and training of the MSCNN. Therefore, the OTOP is especially suitable for the study of large-scale and long-term urban water change detection in the background of urbanization.

研究の動機と目的

• 急速に都市化が進む地域における、リモートセンシングを用いた正確でスケーラブルな都市部水体検出の課題に取り組む。
• MNDWIなどの伝統的インデックスや、ランダムフォレストのような機械学習モデルが、複雑な都市部水体特徴を扱う際の限界を克服する。
• ローカルなデータ保存や計算リソースの負荷を必要とせず、効率的で大規模かつ長期にわたる都市部水体の変化検出を可能にする。
• 深層学習とクラウドベースの地理情報処理プラットフォームの強みを活かし、抽出精度と運用の柔軟性を向上させる。

提案手法

• Landsat画像からのラベル付き都市部水体サンプルを用いて、マルチスケール畳み込みニューラルネットワーク（MSCNN）をオフラインで学習する。
• 学習済みのMSCNNモデルをGoogle Earth Engine（GEE）内にデプロイし、クラウドに保存された衛星データに対するオンライン推論を実行する。
• GEEの並列処理機能とグローバルなデータアクセスを活用し、大規模なデータセットをダウンロード・保存せずにリアルタイムでの水体抽出を実現する。
• 複数の都市のLandsat画像に学習済みMSCNNを適用し、ピクセル単位の分類を用いて都市部の水体を特定する。
• 2段階のパイプラインを実装する：まずローカルリソースを用いたオフラインモデル学習、次にGEEの計算インfraストラクチャを用いたオンライン予測。
• 都市表面（不透水表面や影など）と水体を効果的に区別できるように、マルチスケールの空間特徴を捉えるためにMSCNNアーキテクチャを最適化する。

実験結果

リサーチクエスチョン

• RQ1 オフラインで学習された深層学習モデルが、Google Earth Engine上で効果的にリアルタイムの都市部水体抽出にデプロイ可能か？
• RQ2 提案されたOTOP手法の性能は、MNDWIなどの伝統的インデックスやランダムフォレストのようなアンサンブルモデルと比べて、都市部水体検出においてどのように異なるか？
• RQ3 都市部環境の多様性、水体の種類や土地被覆状況の違いに関わらず、OTOPフレームワークはどの程度の耐性を示すか？
• RQ4 本手法は、ローカルなデータ保存やハイエンドコンピューティングリソースを必要とせずに、大規模かつ長期にわたる都市部水体動態のモニタリングを可能にするか？

主な発見

• OTOP手法は、長春、武漢、昆明、広州という中国の大都市4か所において、平均F1スコア0.930、交差率（IoU）0.869を達成した。
• 平均かば係数は0.924に達し、予測された水マスクと参照マスクとの間に強い一致を示した。
• 全体的な精度と耐性の観点から、修正済み正規化差分水インデックス（MNDWI）およびランダムフォレストモデルを上回った。
• 中国その他の主要都市における延長検証により、本手法の汎用性と、多様な都市部水体および環境条件に対する耐性が確認された。
• MSCNNとGEEの統合により、データのダウンロードやローカルストレージを必要とせず、高性能な推論が可能になった。これは、計算の障壁を顕著に低減した。
• MSCNNの構造的設計に加え、オフライン学習のおかげで、複数のスケールでの有効な特徴学習が可能となり、複雑な都市部水体の検出が向上した。