[論文レビュー] LULC classification methodology based on simple Convolutional Neural Network to map complex urban forms at finer scale: Evidence from Mumbai

Deepank Verma, Arnab Jana|arXiv (Cornell University)|Sep 21, 2019

Remote-Sensing Image Classification参考文献 79被引用数 17

ひとこと要約

本研究では、ムンバイの10m解像度における都市および自然の14クラスの土地利用・土地被覆（LULC）分類を目的として、10バンドのセントネル-2B画像を用いたシンプルな畳み込みニューラルネットワーク（CNN）モデルを提案する。82%の全体精度と0.81のカッパ統計量を達成し、ランダムフォレストやSVMといった従来のモデルを上回る性能を示した。この手法により、都市計画や環境監視の分野で、複雑な都市形態の高解像度マッピングが可能となった。

ABSTRACT

The satellite imagery classification task is fundamental to spatial knowledge discovery. Several image classification methods are used to create standardized Land use and Land cover (LULC) maps, which facilitate research on spatial and ecological processes and human activities. Local Climate Zones (LCZ) classification maps are an example of standardized maps which have been widely used to demarcate the homogeneity in built and natural character in the cities. The LCZ classification scheme is primarily focused on urban climate-related research, in which 17 climate zones are mapped in a city area with the 100-150m spatial resolution. Each zone exhibits physical properties related to urban form and functions essential for thermal behavior studies. Extending this widely adopted approach to create LULC maps at finer resolution using the LCZ mapping scheme would benefit the allied domains of urban planning, transportation, and water resources management. This study proposes a novel solution to generate classification maps with a 10-band Sentinel-2B dataset and Convolutional Neural Networks (CNN) at the 10m spatial resolution. The classification benefits from CNNs property to preserve local structures in the image datasets. The proposed CNN model outperforms traditional machine learning models such as Artificial Neural Network, Random Forests, and Support Vector Machines. The overall accuracy and kappa statistic of the CNN model trained on 14 urban and natural classes are 82 percent and 0.81, respectively. The study also discusses the utility of the model for specialized remote sensing tasks such as change detection, identification of slum settlements, and mapping pervious/impervious layers in urban settlements with higher accuracy.

研究の動機と目的

• 深層学習を用いて、複雑な都市地域における高解像度LULC分類手法を開発すること。
• 都市気候および環境分析の向上を目的として、ローカル気候ゾーン（LCZ）分類スキームをより細かい空間スケール（10m）に拡張すること。
• 多様な都市および自然の土地被覆タイプを分類する際、シンプルなCNNが従来の機械学習モデルと比較してどのように性能を発揮するかを評価すること。
• スラム地域の特定や不透水表面マッピングといった、特殊なリモートセンシングタスクへのモデルの有効性を実証すること。
• 正確で細かいスケールのLULCマップを提供することで、都市計画、水資源管理、輸送研究を支援すること。

提案手法

• 分類タスクの入力として、10m空間解像度を有する10バンドのセントネル-2B衛星画像を用いる。
• 画像データ内の局所的空間構造を保持するように、シンプルな畳み込みニューラルネットワーク（CNN）を設計し、特徴抽出を強化する。
• 都市、建物、植生、水、裸地などの14クラスのラベル付き土地被覆クラスを対象に、モデルを学習させる。
• モデルの訓練と評価には、全体精度とコーエンのカッパ統計量といった標準指標を用いる。
• 性能のベンチマークとして、従来のモデル（アーティフィシャルニューラルネットワーク、ランダムフォレスト、サポートベクターマシン）を比較対象とする。
• 変化検出、スラム地域の同定、透水性／不透水性表面マッピングといった、特殊なタスクへの応用も実施する。

実験結果

リサーチクエスチョン

• RQ1 ムンバイのような複雑な都市環境において、シンプルなCNNモデルが細かいスケールのLULC分類で高い精度を達成できるか？
• RQ2 10m解像度において、CNNベースのアプローチが従来の機械学習モデルと比較して、分類精度と頑健性の面でどのように差をつけるか？
• RQ3 提案手法が、スラム地域の特定や不透水表面マッピングといった特殊なリモートセンシング応用をどの程度支援できるか？
• RQ4 深層学習を用いることで、LCZ分類フレームワークをより細かい空間スケールに効果的に拡張できるか？
• RQ5 データが乏しい都市地域において、セントネル-2BデータとCNNの組み合わせが、都市形態マッピングにどのような可能性を秘めているか？

主な発見

• 提案されたCNNモデルは、10m解像度で14クラスの土地被覆を分類する際、全体精度82%、カッパ統計量0.81を達成した。
• CNNは、ランダムフォレスト、サポートベクターマシン、アーティフィシャルニューラルネットワークといった従来の機械学習モデルを著しく上回った。
• モデルは、スラム集落や透水性／不透水性表面層といった、微細な都市特徴の同定において優れた能力を示した。
• CNNによる局所的空間構造の保持が、多様性の高い都市地域における分類の正確性向上に寄与した。
• 本手法により、都市計画、水資源管理、輸送研究を支援する高解像度の都市形態マッピングが可能となった。
• 結果から、深層学習とマルチスペクトル衛星データを用いたLCZフレームワークのより細かいスケールへの拡張が実現可能であることが裏付けられた。