[論文レビュー] Spatially Constrained Spectral Clustering Algorithms for Region Delineation

Shuai Yuan, Pang‐Ning Tan+3 more|arXiv (Cornell University)|May 21, 2019

Land Use and Ecosystem Services参考文献 49被引用数 4

ひとこと要約

本稿では、空間的連続性を組み込んだスペクトルクラスタリングフレームワーク、BSSC（Balanced Spatial Spectral Clustering）を提案する。この手法は、切断指数関数カーネルを用いて地形的特徴の類似性と空間的連続性を統合し、均一で連続的かつサイズがバランスの取れた領域を生成する。本手法は、グリーディーな再帰的バイセクション戦略を用いて階層的クラスタリングへ拡張され、特にマルチスケールの地域化タスクにおいて、均一性、連続性、領域サイズの均一性のバランスを取る点で、ベースラインの制約付きクラスタリング手法を凌駕する。

ABSTRACT

Regionalization is the task of dividing up a landscape into homogeneous patches with similar properties. Although this task has a wide range of applications, it has two notable challenges. First, it is assumed that the resulting regions are both homogeneous and spatially contiguous. Second, it is well-recognized that landscapes are hierarchical such that fine-scale regions are nested wholly within broader-scale regions. To address these two challenges, first, we develop a spatially constrained spectral clustering framework for region delineation that incorporates the tradeoff between region homogeneity and spatial contiguity. The framework uses a flexible, truncated exponential kernel to represent the spatial contiguity constraints, which is integrated with the landscape feature similarity matrix for region delineation. To address the second challenge, we extend the framework to create fine-scale regions that are nested within broader-scaled regions using a greedy, recursive bisection approach. We present a case study of a terrestrial ecology data set in the United States that compares the proposed framework with several baseline methods for regionalization. Experimental results suggest that the proposed framework for regionalization outperforms the baseline methods, especially in terms of balancing region contiguity and homogeneity, as well as creating regions of more similar size, which is often a desired trait of regions.

研究の動機と目的

• 景観地域化における空間的連続性と均一性を有する領域を生成する課題に対処すること。
• 通常のクラスタリング手法がしばしば非連続領域を生成するという限界を克服すること。
• 広域の領域内にネストされた細分化された領域を生成する階層的地域化フレームワークを構築すること。
• 地域の均一性、空間的連続性、領域サイズの均一性をバランスよく維持すること—これは生態的および管理的応用において重要な基準である。
• パラメータチューニングへの感受性を低減し、さまざまな空間的制約下での安定性を向上させること。

提案手法

• 空間的連続性制約をモデル化するために切断指数関数カーネルを用い、特徴類似度行列とハダマード積を介して統合する。
• 正規化カット目的関数を用いたスペクトルクラスタリングを適用し、同時に領域の均一性と連続性を最適化する。
• 非階層的BSSCを階層的フレームワーク（HSSC）に拡張するために、グリーディーな再帰的バイセクションアプローチを採用する。
• 空間的近傍サイズを制御する柔軟なパラメータδを導入し、スケーラブルで安定した地域化を可能にする。
• 異なるδ値におけるクラスタリングの安定性を評価するために調整ランダックス指数を用いる。
• 目的関数の最適化により、Ward法やシングルリンク法で見られるようなクラスタサイズの不均衡を内因的に回避する。

実験結果

リサーチクエスチョン

• RQ1 スペクトルクラスタリングフレームワークは、地域化において景観の均一性と空間的連続性を効果的にバランスさせることができるか？
• RQ2 提案されたBSSC手法は、既存の制約付きクラスタリング手法と比較して、領域サイズのバランスと連続性において優れているか？
• RQ3 再帰的バイセクション拡張（HSSC）は、非階層的クラスタリングの品質を保持しながら階層的地域化を可能にするか？
• RQ4 得られる領域は空間的制約パラメータδの変化に対してどれほど感受性を示すか？
• RQ5 提案手法は、さまざまな空間スケールにおいて安定的かつ一貫性のある地域化を生成できるか？

主な発見

• ミシガン州においてK=10のとき、BSSCは目的関数値13,458.13を達成し、HSSC（14,284.21）およびWard法を上回った。これは正規化カット最適化において優れた性能を示している。
• すべてのクラスタ数において、BSSCはWard法およびUPGMA法よりも高い空間的連続性（cメトリック）とより良いクラスタバランス（Cbalance）を達成した。
• BSSCの調整ランダックス指数（0.92）はWard法（0.66）を著しく上回っており、δ値の変化に伴う安定性が優れていることが示された。
• HSSCはBSSCに比べてわずかに優れたSSWおよびCbalanceを達成したが、PctML保存率がわずかに悪化しており、目的関数のトレードオフの可能性を示している。
• 空間的制約付きシングルリンク法は極めて不均衡な領域を生成し、最大領域サイズの手動チューニングが不可欠であった。これに対してBSSCは、内因的なサイズバイアスにより、このような調整を回避できた。
• δを1/41から4/41に増加させても、BSSCおよびHSSCは高い連続性と均一性を維持したが、Ward法は高δ値で連続性を維持できなかった。