[논문 리뷰] Developing High Quality Training Samples for Deep Learning Based Local Climate Zone Classification in Korea

Minho Kim, Doyoung Jeong외 2명|arXiv (Cornell University)|2020. 11. 03.

Urban Heat Island Mitigation인용 수 4

한 줄 요약

이 연구는 한국 주요 도시를 대상으로 Sentinel-2 영상, NDVI 및 EAIS의 건물 데이터를 활용해 고품질의 맞춤형 국지기후구역(LCZ) 학습 샘플을 개발하고, 다중 척도 합성곱 신경망(MSCNN)을 적용하여 총 분류 정확도 83.88%를 달성함으로써, 전반적인 랜덤 포레스트 및 글로벌 So2Sat 데이터셋에서의 전이학습보다 뛰어난 성능을 보임.

ABSTRACT

Two out of three people will be living in urban areas by 2050, as projected by the United Nations, emphasizing the need for sustainable urban development and monitoring. Common urban footprint data provide high-resolution city extents but lack essential information on the distribution, pattern, and characteristics. The Local Climate Zone (LCZ) offers an efficient and standardized framework that can delineate the internal structure and characteristics of urban areas. Global-scale LCZ mapping has been explored, but are limited by low accuracy, variable labeling quality, or domain adaptation challenges. Instead, this study developed a custom LCZ data to map key Korean cities using a multi-scale convolutional neural network. Results demonstrated that using a novel, custom LCZ data with deep learning can generate more accurate LCZ map results compared to conventional community-based LCZ mapping with machine learning as well as transfer learning of the global So2Sat dataset.

연구 동기 및 목표

• 글로벌 LCZ 매핑에서의 정확도 저하 및 일반화 능력 부족 문제를 해결하고자 하며, 특히 한국과 같은 지역 도시 환경에 초점을 맞춤.
• 다중원천 위성 및 지리정보시스템(GIS) 데이터를 활용해 한국 주요 도시를 대상으로 고품질의 지역 특화 LCZ 학습 데이터셋을 개발하고자 함.
• 딥러닝 기반 LCZ 분류에서 커뮤니티 기반 또는 글로벌 데이터셋(예: So2Sat)에서의 전이학습과 비교해 맞춤형 학습 데이터의 효과성을 평가하고자 함.
• 정제된 학습 샘플을 기반으로 다중 척도 합성곱 신경망(MSCNN)을 활용해 한국 내 LCZ 매핑 정확도를 향상시키고자 함.
• 데이터 기반 고해상도 방법을 활용해 한국 전역 규모의 LCZ 매핑 기반을 마련하고자 함.

제안 방법

• Sentinel-2 모자이크에서 32×32 픽셀 이미지 패치를 생성하고, 자연 지피를 위한 NDVI와 건물 밀도 데이터(MBI)를 활용해 LCZ 레이블링을 안내함.
• 대표적 지점에 중심점을 배치하고 Google 어스 및 스트리트 뷰를 활용해 정확성과 완전성을 확보하기 위해 검증된 LCZ 레이블을 생성함.
• 3, 5, 7 픽셀 크기의 커널을 가진 세 개의 병렬 합성곱층을 포함한 다중 척도 합성곱 신경망(MSCNN)을 적용해 다중 척도 공간 특징을 추출함.
• 학습 샘플의 클래스 불균형 문제를 완화하기 위해 데이터 증강 및 클래스 재가중 기법을 적용함.
• Adam 옵timizer를 사용해 MSCNN를 학습시키며 배치 크기 96, 초기 학습률 0.002로 설정하고 15 에포크 후 조기 종료를 적용함.
• So2Sat 데이터셋을 활용한 전이학습을 수행하기 위해 ResNet 백본을 고정하고, 미세조정을 위한 두 개의 새로운 완전 연결층을 추가함.

실험 결과

연구 질문

• RQ1 한국 전용 고품질 LCZ 학습 샘플이 커뮤니티 기반 또는 글로벌 전이학습 접근법에 비해 분류 정확도를 크게 향상시킬 수 있는가?
• RQ2 다중 척도 컨볼루션 네트워크(MSCNN)는 전통적인 랜덤 포레스트 모델에 비해 이질적인 도시 LCZ를 분류하는 데 얼마나 효과적인가?
• RQ3 지역적 특성과 계절 패턴의 차이가 있는 한국 도시 환경에 대해 So2Sat 글로벌 데이터셋에서의 전이학습이 얼마나 잘 일반화되는가?
• RQ4 각 클래스별 F1 스코어는 어떻게 변동하며, 어떤 클래스는 고도화된 딥러닝 모델에도 불구하고 여전히 도전적인가?
• RQ5 건물 높이 및 GIS 데이터의 통합은 복잡한 도시 지역에서 LCZ 레이블링 및 분류 정확도를 향상시킬 수 있는가?

주요 결과

• 맞춤형 한국 LCZ 데이터로 학습된 MSCNN 모델은 총 정확도 83.88%를 기록했으며, 이는 랜덤 포레스트 모델(74.27%)과 So2Sat 전이학습(54.42%)보다 유의미하게 높음.
• MSCNN 모델의 캄파 스타티스틱은 64.99%에 도달해 우수한 일치도를 보였으며, RF의 41.00% 및 So2Sat의 48.60%에 비해 뚜렷한 우월성을 보임.
• MSCNN는 특히 고밀도 도시 및 근교 지역에서 건물 지배 LCZ(예: LCZ 1 및 LCZ 4) 분류에서 뛰어난 성능을 보임.
• So2Sat 전이학습 접근법은 자연 지피 클래스(예: LCZ 2, 3, 5, 6)에서 어려움을 겪었으며, 식생 패atters의 계절적 및 지역적 차이로 인한 혼동이 원인으로 보임.
• LCZ 2 대 LCZ 3 및 LCZ 5 대 LCZ 6 간의 클래스별 F1 스코어가 50% 이하로 관측되어 유사한 도시 및 식생 지역을 구분하는 데 지속적인 과제가 있음.
• 본 연구는 한국 지역 규모의 LCZ 매핑에서 글로벌 전이학습보다 지역 특화 고품질 학습 데이터가 훨씬 효과적임을 확인함.