[論文レビュー] Rule based End-to-End Learning Framework for Urban Growth Prediction

Saptarshi Pal, Soumya K. Ghosh|arXiv (Cornell University)|Nov 29, 2017

Land Use and Ecosystem Services参考文献 18被引用数 3

ひとこと要約

本論文は、都市成長予測のためのLandsat衛星画像から細胞オートマトンの規則を直接抽出する、画期的なエンド・ツー・エンド学習フレームワークを提案する。手動による特徴工学を回避し、意思決定木と表現学習を活用することで、図1のFOM、プロデューサーの正確性、ユーザーの正確性、全体の正確性において、既存の手法を上回る優れた性能を達成する。また、水体やスワムといった空間的制約を明示的な入力なしに自動で捉えることができる。

ABSTRACT

Due to the rapid growth of urban areas in the past decades, it has become increasingly important to model and monitor urban growth in mega cities. Although several researchers have proposed models for simulating urban growth, they have been primarily dependent on various manually selected spatial and nonspatial explanatory features for building models. A practical difficulty with this approach is manual selection procedure, which tends to make model design process laborious and non-generic. Despite the fact that explanatory features provide us with the understanding of a complex process, there has been no standard set of features in urban growth prediction over which scholars have consensus. Hence, design and deploying of systems for urban growth prediction have remained challenging tasks. In order to reduce the dependency on human devised features, we have proposed a novel End-to-End prediction framework to represent remotely sensed satellite data in terms of rules of a cellular automata model in order to improve the performance of urban growth prediction. Using our End-to-End framework, we have achieved superior performance in Figure of Merit, Producer's accuracy, User's accuracy, and Overall accuracy metrics respectively over existing learning based methods.

研究の動機と目的

• 都市成長モデリングにおける手作業による特徴工学の人的負担が大きく、汎用性に欠けるという問題に対処すること。
• 都市成長予測における手動で選択された空間的およびスペクトル的特徴に依存するのを減らすこと。
• 生の衛星画像から直接規則を学習するエンド・ツー・エンドの学習フレームワークを開発し、一般化性能と性能を向上させること。
• 水体やスワムといった自然の障壁を明示的なラベル付けや特徴工学なしに自動で発見・尊重できるようにすること。
• Landsat画像からのスペクトル的および空間的データの表現学習を活用して、予測の正確性と頑健性を向上させること。

提案手法

• 従来の特徴工学手順を回避するため、生のLandsat衛星画像を入力として使用する。
• エンド・ツー・エンド学習を適用し、スペクトル的および空間的パターンを直接細胞オートマトンの遷移規則にマッピングする。
• 解釈可能な知識構造として意思決定木とランダムフォレストを用い、学習された規則を抽出・表現する。
• 比較評価のため、単層MLP、SGD、ナイーブベイズ、KNN、AdaBoost、その他の分類器を用いてモデルを訓練する。
• リモートセンシングデータからの複雑な空間的およびスペクトル的パターンを自動で捉える表現学習を活用する。
• 1991年から2011年までの複数年の時系列データを統合し、都市の遷移ダイナミクスをモデル化し、2051年の将来の成長を予測する。

実験結果

リサーチクエスチョン

• RQ1 エンド・ツー・エンドの学習フレームワークは、都市成長予測における手作業による特徴工学の必要性を排除できるか？
• RQ2 特徴工学された空間的およびスペクトル的特徴を用いた従来手法と比較して、衛星画像から直接規則を学習する方法はどのように異なるか？
• RQ3 本フレームワークは、明示的な入力なしに、水体やスワムといった自然の障壁をどの程度自動で学習し、尊重できるか？
• RQ4 エンド・ツー・エンドのフレームワークは、ロジスティック回帰、SVM、ランダムフォレストといった確立されたモデルと比較して、どの程度の性能を示すか？
• RQ5 本フレームワークは、異なる都市地域に一般化可能であり、データの不均衡や解像度制限があっても高い正確性を維持できるか？

主な発見

• エンド・ツー・エンドのフレームワークは、単層MLPを用いてFOM 0.911805を達成し、ロジスティック回帰、SVM、ランダムフォレストを含む既存の手法を上回った。
• 単層MLPを用いた場合の全体の正確性は91.18%、ランダムフォレストを用いた場合は90.08%を記録し、優れた予測性能を示した。
• プロデューサーの正確性とユーザーの正確性は、従来のモデルよりも顕著に高く、都市部の検出と分類の精度が向上したことを示した。
• 2051年の予測において、水体やスワムへの都市の侵入を明示的な入力なしに回避することができた。
• 意思決定木ベースの実装は、KNN やナイーブベイズなどの他のエンド・ツー・エンドモデルと比較して、過学習が少なく、より優れた一般化性能を示した。
• 本フレームワークはデータの不均衡に対しても頑健であり、時間的解像度が低下しても、固定された空間的解像度のもとでも遷移パターンを学習できた。