[論文レビュー] Spatial sensitivity analysis for urban land use prediction with physics-constrained conditional generative adversarial networks

Adrian Albert, Jasleen Kaur+2 more|arXiv (Cornell University)|Jul 22, 2019

Urban Design and Spatial Analysis参考文献 12被引用数 7

ひとこと要約

本稿では、地域社会経済データに依存せずに、グローバルなリモートセンシングデータのみを用いて都市土地利用の変化を予測する、物理的制約を施した条件付きGANフレームワークを提案する。このモデルは、バックプロパゲーションを用いて空間勾配を計算し、都市領域において人口や経済的代理指標の変化が15 km以上にわたって伝播することを明らかにする。

ABSTRACT

Accurately forecasting urban development and its environmental and climate impacts critically depends on realistic models of the spatial structure of the built environment, and of its dependence on key factors such as population and economic development. Scenario simulation and sensitivity analysis, i.e., predicting how changes in underlying factors at a given location affect urbanization outcomes at other locations, is currently not achievable at a large scale with traditional urban growth models, which are either too simplistic, or depend on detailed locally-collected socioeconomic data that is not available in most places. Here we develop a framework to estimate, purely from globally-available remote-sensing data and without parametric assumptions, the spatial sensitivity of the ( extit{static}) rate of change of urban sprawl to key macroeconomic development indicators. We formulate this spatial regression problem as an image-to-image translation task using conditional generative adversarial networks (GANs), where the gradients necessary for comparative static analysis are provided by the backpropagation algorithm used to train the model. This framework allows to naturally incorporate physical constraints, e.g., the inability to build over water bodies. To validate the spatial structure of model-generated built environment distributions, we use spatial statistics commonly used in urban form analysis. We apply our method to a novel dataset comprising of layers on the built environment, nightlighs measurements (a proxy for economic development and energy use), and population density for the world's most populous 15,000 cities.

研究の動機と目的

• 地域社会経済データが不足する状況下でも、都市の拡大を予測できるスケーラブルでデータ駆動型の都市モデリングツールの不足を解消すること。
• マクロ経済要因の変化が都市開発に与える空間的影響を評価できる、比較静的分析が可能な機械学習フレームワークの開発。
• 都市形態生成プロセスに自然に物理的制約（例：水域上への建設不可）を統合すること。
• フラクタル次元や建物密度といったドメイン固有の空間統計を用いて、モデルが生成する都市形態の妥当性を検証すること。
• 特に発展途上国のようなデータが乏しい地域において、グローバルスケールの都市シミュレーションを可能にし、シナリオプランニングを支援すること。

提案手法

• 人口密度マップとナイトライト輝度マップを条件として用いる条件付きGANを用いて、都市土地利用予測を画像対画像変換タスクとして定式化する。
• 物理的制約（例：水域）をGANの損失関数に統合し、制限区域における非現実的開発を防ぐ。
• トレーニング中にバックプロパゲーションを用いて、入力要因（人口密度および輝度）に対する建物面積の空間勾配を暗黙的に計算し、感受性分析を可能にする。
• DLRの建物領域、LandScanの人口密度、NASAのナイトライトデータを含む、約15,000都市をカバーする新規グローバルデータセットを用いてモデルをトレーニングする。
• フラクタル次元や建物面積密度といった都市科学で一般的な空間統計を用いて、生成された都市パターンの妥当性を検証する。
• グローバルなメトロポリタン地域において、勾配の大きさとその伝播距離を計算することで、空間的感受性分析を実施する。

実験結果

リサーチクエスチョン

• RQ1 リモートセンシングデータのみでトレーニングされた深層生成モデルが、パrametric仮定や地域データに依存せずに、グローバルスケールで現実的な都市土地利用パターンを生成できるか？
• RQ2 水域など物理的制約を、都市形態予測のための深層生成モデルに自然に統合する方法は何か？
• RQ3 人口密度や経済的代理指標（ナイトライト）の変化が、空間的に遠く離れた地域の都市開発にどの程度影響を及えるか？
• RQ4 都市システムにおいて、マクロ経済要因に対する感受性がどの空間範囲にわたって伝播するか？
• RQ5 真のラベルがなくても、GANベースの都市モデリングフレームワークから勾配に基づく感受性分析を有効に抽出できるか？

主な発見

• モデルは、フラクタル次元や建物密度といった実世界の空間統計と一致する現実的な都市土地利用パターンを効果的に生成した。
• 空間的感受性分析により、人口密度や輝度（経済活動の代理指標）の単位変化が、都市地域において15 kmを超える距離にわたりその影響を伝播することが明らかになった。
• 局所的領域を越えて感受性が拡散する「勾配のオーバーフロー」は、定量的に測定可能であり、15 kmを超えて平均勾配の大きさがピーク値の1%未満に低下するなど、無視できない影響を示した。
• 本フレームワークにより、世界中の約3,000の主要メトロポリタン地域において大規模かつ非パラメトリックな感受性分析が可能となり、勾配伝播パターンに地域差が存在することが明らかになった。
• バックプロパゲーションを用いて空間勾配を抽出することで、空間的依存関係を明示的にパラメトリックにモデル化する必要なく、都市モデリングにおける比較静的分析をスケーラブルかつ微分可能な方法で実現した。
• GANの不透明性にもかかわらず、ドメイン関連の空間指標を用いた妥当性検証により、データ駆動型都市シミュレーションのプロトタイプとしての有効性が立証された。