[論文レビュー] From Satellite Imagery to Disaster Insights

Jigar Doshi, Saikat Basu+1 more|arXiv (Cornell University)|Dec 17, 2018

Remote-Sensing Image Classification参考文献 11被引用数 49

ひとこと要約

本論文は Disaster Impact Index (DII) を導入し、事前学習済み CNN のセグメンテーションが災害前後の衛星画像で検出する道路や建物などの人為的特徴の変化を測定することで災害影響を定量化し、ハリケーンと火災の各ケースで地上実測データとの強い相関を示す。

ABSTRACT

The use of satellite imagery has become increasingly popular for disaster monitoring and response. After a disaster, it is important to prioritize rescue operations, disaster response and coordinate relief efforts. These have to be carried out in a fast and efficient manner since resources are often limited in disaster-affected areas and it's extremely important to identify the areas of maximum damage. However, most of the existing disaster mapping efforts are manual which is time-consuming and often leads to erroneous results. In order to address these issues, we propose a framework for change detection using Convolutional Neural Networks (CNN) on satellite images which can then be thresholded and clustered together into grids to find areas which have been most severely affected by a disaster. We also present a novel metric called Disaster Impact Index (DII) and use it to quantify the impact of two natural disasters - the Hurricane Harvey flood and the Santa Rosa fire. Our framework achieves a top F1 score of 81.2% on the gridded flood dataset and 83.5% on the gridded fire dataset.

研究の動機と目的

• 衛星画像から迅速でスケーラブルな災害マッピングを動機づけ、救助・支援活動を導く。
• 季節や照明変動に不変な地域規模の高レベルな人為的特徴を用いて変化を検出する。
• 損傷検出のために特別にCNNを学習させることなく、事前学習済みの道路/建物モデルを用いることでスケーラブルな方法を開発する。
• 定量的な Disaster Impact Index (DII) を導入し、変化を実行可能なグリッドに集約して対応優先度を決定する。

提案手法

• 事前学習済みのセマンティックセグメンテーションモデル（Residual Inception Skip network）を用いて災害前後の画像から道路と建物を抽出する。
• 前処理後のセグメンテーションマスク間でピクセル単位の変化マスクを算出し、ノイズを減らすために膨張とノイズ除去を適用する。
• 領域を n×n グリッドに分割する（実験では256×256）ことで、グリッド間の正規化変化需要として Disaster Impact Index (DII) を算出する（式は本文に記載）。
• τ = 0.01 の閾値で DII を閾値処理して最大影響 regions を特定し、これらの領域をクラスター化して救援活動を導く。
• Spacenet および DeepGlobe のデータセットを組み合わせて学習し、Hurricane Harvey の洪水データと Santa Rosa 火災データをピクセル単位およびグリッド単位の地上真実で検証する。

実験結果

リサーチクエスチョン

• RQ1 訓練済み CNN が検出する高レベルの人為的特徴の変化は、損傷検出専用の検出器を訓練せずして災害影響を示すことができるのか。
• RQ2 提案された Disaster Impact Index (DII) は、異なる災害タイプや解像度にわたって実際の災害影響エリアと相関するのか。
• RQ3 手法は特徴タイプおよび多様な衛星画像データセットに対してスケール可能で一般化可能か。

主な発見

• DIIを用いた道路の変化予測は Harvey 洪水のグリッドデータでF1 = 81.2%、IoU = 68.3% を達成。
• DIIを用いた道路の変化予測は Santa Rosa 火災のグリッド建物データでF1 = 83.5%、 IoU = 71.7% を達成。
• 道路と建物のピクセル単位の変化予測は、DIIベースのグリッド評価と比較してF1やIoUが低く、集計の価値を示す。
• DIIを介して予測された災害エリアと地上実測の災害影響エリアには、洪水と火災の両ケースで正の相関がある。