[論文レビュー] Developing High Quality Training Samples for Deep Learning Based Local Climate Zone Classification in Korea

Minho Kim, Doyoung Jeong+2 more|arXiv (Cornell University)|Nov 3, 2020

Urban Heat Island Mitigation被引用数 4

ひとこと要約

本研究では、Sentinel-2画像、NDVI、およびEAISの建物データを用いて、主な韓国都市向けに高品質でカスタム化された局所気候圏（LCZ）のトレーニングサンプルを開発し、マルチスケール畳み込みニューラルネットワーク（MSCNN）を適用することで、全体分類精度が83.88％に達した。これは、ランダムフォレストやグローバルSo2Satデータセットからの転移学習を上回る顕著な性能向上を示している。

ABSTRACT

Two out of three people will be living in urban areas by 2050, as projected by the United Nations, emphasizing the need for sustainable urban development and monitoring. Common urban footprint data provide high-resolution city extents but lack essential information on the distribution, pattern, and characteristics. The Local Climate Zone (LCZ) offers an efficient and standardized framework that can delineate the internal structure and characteristics of urban areas. Global-scale LCZ mapping has been explored, but are limited by low accuracy, variable labeling quality, or domain adaptation challenges. Instead, this study developed a custom LCZ data to map key Korean cities using a multi-scale convolutional neural network. Results demonstrated that using a novel, custom LCZ data with deep learning can generate more accurate LCZ map results compared to conventional community-based LCZ mapping with machine learning as well as transfer learning of the global So2Sat dataset.

研究の動機と目的

• グローバルなLCZマッピングにおける低精度および一般化性能の欠如を是正すること、特に韓国のような地域的都市的文脈において。
• 複数のリモートセンシングおよびGISデータを統合して、主な韓国都市向けに高品質で地域特化型のLCZトレーニングデータセットを開発すること。
• So2Satのようなグローバルデータセットからの転移学習と比較して、カスタムトレーニングデータの有効性を、深層学習ベースのLCZ分類において評価すること。
• 洗練されたトレーニングサンプルを活用してマルチスケール畳み込みニューラルネットワーク（MSCNN）を用いることで、韓国におけるLCZマッピングの正確性を向上させること。
• データ駆動型で高解像度な手法を用いて、韓国における全国規模のLCZマッピングの基盤を構築すること。

提案手法

• Sentinel-2モザイク画像から32×32ピクセルの画像パッチを構築し、自然被覆の指標としてNDVI、建物被覆の指標としてMBIデータを用いてLCZラベル付けを支援した。
• 代表的な地点に重心を配置してLCZラベルを生成し、Google Earthおよびストリートビューを用いて正確性と完全性を検証した。
• 3つの並列畳み込み層（3、5、7ピクセルのカーネル）を備えたマルチスケール畳み込みニューラルネットワーク（MSCNN）を採用し、マルチスケールの空間的特徴を抽出した。
• トレーニングサンプルにおけるクラスの不均衡を緩和するために、データ拡張とクラス再重み付けを適用した。
• Adam最適化手法、バッチサイズ96、初期学習率0.002、15エポック後に早期停止を適用してMSCNNを訓練した。
• ResNetバックボーンを凍結し、微調整用に2つの新しい全結合層を追加することで、So2Satデータセットからの転移学習を実施した。

実験結果

リサーチクエスチョン

• RQ1 韓国向けにカスタム化され、高品質なLCZトレーニングサンプルを用いることで、コミュニティベースやグローバルな転移学習手法と比較して分類精度が顕著に向上するか？
• RQ2 マルチスケールCNN（MSCNN）は、従来のランダムフォレストモデルと比較して、多様な都市的LCZを分類する際にどの程度の性能を示すか？
• RQ3 土地被覆や季節的パターンの地域差を考慮すると、So2Satグローバルデータセットからの転移学習は韓国都市環境にどの程度一般化可能か？
• RQ4 クラスごとのF1スコアはLCZタイプによってどのように変動するか？また、高度な深層学習モデルを用いても依然として困難なクラスは何か？
• RQ5 建物高さとGISデータの統合は、複雑な都市地域におけるLCZラベリングおよび分類の精度を向上させることができるか？

主な発見

• カスタム韓国LCZデータでトレーニングされたMSCNNモデルは、全体精度83.88％を達成した。これは、ランダムフォレストモデル（74.27％）およびSo2Sat転移学習（54.42％）を顕著に上回る結果であった。
• MSCNNモデルのカッパ統計は64.99％に達し、偶然を超えた著しい一致を示した。これに対してRFは41.00％、So2Satは48.60％であった。
• MSCNNは、特に密集した都市部および準都市部において、建物被覆LCZ（例：LCZ 1およびLCZ 4）の分類において優れた性能を示した。
• So2Sat転移学習アプローチは、自然被覆クラス（例：LCZ 2、3、5、6）で困難を示し、季節的および地域的差異に起因する、おそらくは葉の状態の違いによる混同が顕著に見られた。
• LCZ 2 vs. 3およびLCZ 5 vs. 6のクラス間で、F1スコアが50％未満にとどまった。これは、類似した都市的および植生被覆地域を区別するという継続的な課題を示している。
• 本研究では、地域特化型で高品質なトレーニングデータが、韓国におけるローカルスケールのLCZマッピングにおいて、グローバルな転移学習を上回ることが確認された。