[論文レビュー] Automatic Roof Type Classification Through Machine Learning for Regional Wind Risk Assessment

Shuochuan Meng, Mohammad Hesam Soleimani‐Babakamali+1 more|arXiv (Cornell University)|May 27, 2023

Wind and Air Flow Studies被引用数 9

ひとこと要約

この論文は、CNNを用いて衛星画像から高解像度の屋根データを生成し、地域風リスク分析の欠損データを補完する自動的な屋根タイプ分類フレームワークを二つの米国研究地域で実現している。

ABSTRACT

Roof type is one of the most critical building characteristics for wind vulnerability modeling. It is also the most frequently missing building feature from publicly available databases. An automatic roof classification framework is developed herein to generate high-resolution roof-type data using machine learning. A Convolutional Neural Network (CNN) was trained to classify roof types using building-level satellite images. The model achieved an F1 score of 0.96 on predicting roof types for 1,000 test buildings. The CNN model was then used to predict roof types for 161,772 single-family houses in New Hanover County, NC, and Miami-Dade County, FL. The distribution of roof type in city and census tract scales was presented. A high variance was observed in the dominant roof type among census tracts. To improve the completeness of the roof-type data, imputation algorithms were developed to populate missing roof data due to low-quality images, using critical building attributes and neighborhood-level roof characteristics.

研究の動機と目的

• 風洞耐性を反映する5分類の屋根タイプシステムを定義する（5つの屋根タイプ：simple gable, simple cross-gable, complex cross-gable, simple hip, and cross-hipを含む）。
• CNNを用いたビルディングレベルの衛星画像から屋根タイプを分類する自動ワークフローを開発し、低品質画像を除去する。
• ビル属性と近隣の屋根特性を用いて欠損した屋根タイプデータを補完し、データセットの完全性を高める。
• ワークフローを2つの研究エリアに適用し、都市レベルおよび Census tractレベルの屋根タイプ分布を地域風リスク評価のために生成する。

提案手法

• 11,834件の建物レベルの屋根画像を含むベンチマーク衛星画像データセットを作成し、Unknownクラスを含む6クラスにラベリングする。
• データ拡張を用いてVGG-19 CNN（ImageNet）を屋根タイプ分類のためにファインチューニングし、訓練/検証分割を行い、97%の検証精度を達成する。
• 純粋な切妻/亜鉛／混合屋根を表す3つのテストデータセット（A、B、C）でモデルを評価し、クラス別の適合率、再現率、F1スコアを報告する。
• New Hanover County, NCおよびMiami-Dade County, FLの16万1772件の一戸建てをGoogle Mapsの衛星画像と訓練済みCNNを用いて分類する。
• 低品質画像（Unknownクラス）を特定して除去し、誤った屋根データを回避し、残りの予測を5つの屋根タイプにマッピングする。
• 建物属性と近隣の屋根情報を用いた80 mの近隣半径で欠損データを埋めるRandom ForestとSVMを用いた補完モデルを開発する。

Fig. 1: Proposed roof type classification workflow.

実験結果

リサーチクエスチョン

• RQ1 CNNを建物レベルの衛星画像で学習させると、風の脆弱性に関連する5つの屋根タイプを正確に分類できるか。
• RQ2 CNNは地理的条件や屋根の複雑さが異なる場合にどの程度まで良好に機能するか（混合屋根を含む）。
• RQ3 建物属性と近隣の文脈を用いた補完は、地域リスク分析のための欠損した屋根タイプデータをどの程度回復できるか。
• RQ4 研究エリア内で都市およびCensus tractスケールの屋根タイプの空間分布はどうなり、近隣ごとにどれだけばらつきがあるか。

主な発見

• CNN（VGG-19）は屋根タイプ分類タスクで全体の検証精度を97%達成。
• テストデータセットAおよびBは、それぞれ全体F1スコア0.96および0.95を示し、クラス別の適合率/再現率が高く、Unknownクラスは1.00/1.00。
• 研究エリアの建物のほぼ80%が有効な屋根タイプデータを取得（Unknowns 11–17%）、都市およびCensus tractレベルの分布を可能にする。
• 屋根タイプ分布は両エリアで切妻屋根が支配的で、Hip屋根はNew Hanover Countyの方がMiami-Dade Countyより普及しており、72%（NH）と63%（MD）が複雑屋根を有する。
• 補完モデルは屋根タイプ（gable/hip）の予測で0.89（NH）と0.72（MD）の検証精度を達成し、屋根の複雑さの予測では0.64–0.66、テストデータではRandom Forestが一般にSVMを上回る。
• 近隣の文脈は屋根タイプ予測の最も重要な特徴であり、次いで築年と建物面積。

Fig. 2: Location of study areas