[論文レビュー] Urban morphology meets deep learning: Exploring urban forms in one million cities, town and villages across the planet

Vahid Moosavi|arXiv (Cornell University)|Sep 9, 2017

Land Use and Ecosystem Services参考文献 33被引用数 9

ひとこと要約

本稿では、100万以上の都市、町、村のストリートネットワーク画像から、畳み込み自己符号化器を用いた深層学習フレームワークを提案し、都市形態の密集的で階層的なベクトル表現を学習する。主な貢献は、空間的構造、密度、方向性に基づいて都市形態の類似性検索、クラスタリング、可視化を可能にするスケーラブルで教師なしのグローバル都市パターン発見手法の確立である。

ABSTRACT

Study of urban form is an important area of research in urban planning/design that contributes to our understanding of how cities function and evolve. However, classical approaches are based on very limited observations and inconsistent methods. As an alternative, availability of massive urban data collections such as Open Street Map from the one hand and the recent advancements in machine learning methods such as deep learning techniques on the other have opened up new possibilities to automatically investigate urban forms at the global scale. In this work for the first time, by collecting a large data set of street networks in more than one million cities, towns and villages all over the world, we trained a deep convolutional auto-encoder, that automatically learns the hierarchical structures of urban forms and represents them via dense and comparable vectors. We showed how the learned urban vectors could be used for different investigations. Using the learned urban vectors, one is able to easily find and compare similar urban forms all over the world, considering their overall spatial structure and other factors such as orientation, graphical structure, and density and partial deformations. Further cluster analysis reveals the distribution of the main patterns of urban forms all over the planet.

研究の動機と目的

• 従来の都市形態学的研究の限界に対処する。これらは小規模で定性的なサンプルに依存しており、再現性に欠ける。
• データ制限と一貫性の欠如による定量的都市形態分析におけるスケーラビリティと一貫性の問題を克服する。
• 大規模なオープン都市データ（OpenStreetMap）と深層学習を活用し、大規模で自動的かつ比較可能な都市形態分析を実現する。
• グローバル地理にわたる構造的・方向的・密度的類似性を捉える普遍的な都市形態表現を開発する。
• 学習された埋め込みを基盤として、グローバル都市形態検索エンジンと比較都市研究ツールを構築する。

提案手法

• 世界中の100万以上の都市的場所について、OpenStreetMapからストリートネットワーク画像を収集した。
• 都市形態の空間的構造と形態的特徴を保持するように、コンpactで密集的なベクトル表現を学習するため、深層畳み込み自己符号化器を訓練した。
• 学習されたベクトルを用いて、正規化ユークリッド距離による類似性計算を実施し、類似した都市形態を同定した。
• 自己組織化マップ（SOMs）を用いて、地球規模での都市形態のトポロジカルな分布を可視化し、クラスターや空間的パターンを明らかにした。
• 類似度閾値80％と2,000クラスタを用いてクラスタリング分析を実施し、支配的都市形態を同定した。
• 北米の都市形態に特化したSOMを訓練することで、移植性を検証し、主要メトロポリタン地域周辺の空間的発展パターンを明らかにした。

実験結果

リサーチクエスチョン

• RQ1 深層学習モデルは、グローバルスケールで意味的で比較可能な都市形態表現を自動的に学習できるか？
• RQ2 世界の異なる地域における都市形態の支配的パターンは何か？
• RQ3 構造的・方向的・密度的類似性に基づいて、都市形態はどのようにクラスタリングされるか？
• RQ4 学習された都市ベクトルは、多様なグローバル都市文脈においてスケーラブルな類似性検索と比較を可能にするか？
• RQ5 学習された表現は、特定地域における都市発展の空間的パターンをどの程度明らかにできるか？

主な発見

• 深層畳み込み自己符号化器は、グローバルな構造的および密度的類似性を捉える、階層的で密集的な都市形態表現を効果的に学習した。
• 類似度閾値80％と2,000クラスタを用いた自己組織化マップにより、支配的都市形態のリング状トポロジーが明らかになり、一意的で低頻度のパターンの長いテールが観察された。
• クラスタの分布は自然なリング構造を示しており、繰り返し現れる都市形態のコアセットが存在し、まれまたは極めて特異な形態が長いテールを形成していることが示された。
• SOM可視化における色分けノードは、類似した都市形態が集まっていることを確認しており、北米の地域発展トレンドを反映する空間的パターンが観察された。
• 学習されたベクトルは、部分的な変形や方向の違いがあっても、都市形態間の効果的な比較と検索を可能にした。
• フレームワークは移植性を示しており、地域特化SOM（例：北米）が主要メトロポリタン地域周辺の都市発展の意味のある空間的パターンを明らかにした。