[論文レビュー] On monitoring development using high resolution satellite images.

P. Suraj, Ankesh Gupta+3 more|arXiv (Cornell University)|Dec 6, 2017

Impact of Light on Environment and Health被引用数 5

ひとこと要約

本論文は、畳み込みニューラルネットワークを用いて、高解像度の昼間の衛星画像から社会経済的および開発指標を直接回帰する深層学習フレームワークを提案する。従来の夜間光に基づく代理指標よりも優れた性能を達成し、回帰出力の急激な不連続性を通じて、地域の開発状況の正確なモニタリングおよび政策による空間的異常の検出を可能にする。

ABSTRACT

We develop a machine learning based tool for accurate prediction of development and socio-economic indicators from high resolution day-time satellite imagery. The indicators that we use are derived from the Census 2011 [The Ministry of Home Affairs, Government of India, 2011] and the NFHS-4 [The Ministry of Health and Family Welfare, Government of India, 2016] survey data. We use a deep convolutional neural network to build a model for regression of asset indicators from satellite images. We show that the direct regression of asset indicators gives superior R2 scores compared to that of transfer learning through night light data, which is a popular proxy for economic development used world wide. We also use the asset prediction model for accurate transfer learning of other socio-economic and health indicators which are not intuitively related to observable features in satellite images, or are not always well correlated with each other. The tool can be extended to monitor the progress of development of a region over time, and to flag potential anomalies because of dissimilar outcomes due to different policy interventions in a geographic region by detecting sharp spatial discontinuities in the regression output.

研究の動機と目的

• 高解像度の昼間の衛星画像から直接社会経済的および開発指標を予測する機械学習ツールの開発を目的とする。
• 経済開発を測定するための従来の方法、特に夜間光に基づく代理指標よりも予測精度を向上させることを目的とする。
• 衛星画像に直接観察できない社会経済的および健康指標に対しても、転移学習を可能にする。
• 衛星から導出された予測を用いて、時間経過に伴う地域の開発進捗をモニタリングすることを目的とする。
• 回帰出力の急激な不連続性を分析し、隣接する地域における政策の影響の差が原因で生じる空間的異常を特定することを目的とする。

提案手法

• 高解像度の昼間の衛星画像から資産指標を直接回帰するための深層畳み込みニューラルネットワーク（CNN）を訓練する。
• 訓練および検証のための真値として、Census 2011およびNFHS-4の調査データを用いる。
• 夜間光データなどの中間的代理指標を回避し、画像特徴と社会経済的指標を直接結びつける。
• 訓練済みの資産予測モデルを活用して、衛星画像に明確に現れない指標についても、正確な転移学習を実現する。
• 回帰出力における空間的不連続性を分析し、政策の違いによって生じる異常な開発結果を示す地域を特定する。
• R²スコアを用いて、夜間光データを介した転移学習と比較してモデルの性能を評価する。

実験結果

リサーチクエスチョン

• RQ1 高解像度の衛星画像を直接学習対象として用いる深層CNNモデルは、夜間光データを代理指標として用いる場合と比較して、社会経済的指標の予測においてより高いR²スコアを達成できるか？
• RQ2 訓練済みの資産予測モデルは、衛星画像に直接的に関連しないと見なされる健康および社会経済的指標について、どの程度正確な転移学習を可能にするか？
• RQ3 モデルは、隣接する地域における政策の影響の差が原因で生じる開発結果の空間的不連続性を検出できるか？
• RQ4 昼間の衛星画像からの直接回帰は、夜間光に基づくモデリングなどの既存手法と比較して、予測精度においてどのように異なるか？

主な発見

• 高解像度の衛星画像から資産指標を直接回帰することで、夜間光データを介した転移学習よりも顕著に高いR²スコアが得られた。
• 本モデルは、衛星画像の観察可能な特徴と直感的に相関しない社会経済的および健康指標に対しても、効果的な転移学習を実現した。
• 本モデルは、回帰出力における急激な空間的不連続性を検出でき、隣接する地域における政策介入の差が原因で生じる異常な開発結果を示す可能性がある。
• 深層学習を用いた昼間の衛星画像の利用は、従来の夜間光に基づく代理指標を上回り、開発指標のモニタリングにおいて優れた性能を示した。