[논문 리뷰] LULC classification methodology based on simple Convolutional Neural Network to map complex urban forms at finer scale: Evidence from Mumbai

Deepank Verma, Arnab Jana|arXiv (Cornell University)|2019. 09. 21.

Remote-Sensing Image Classification참고 문헌 79인용 수 17

한 줄 요약

이 연구는 무난한 컨볼루션 신경망(CNN) 모델을 사용하여 무역 10개의 파장대를 갖는 10m 해상도의 Sentinel-2B 위성 영상을 활용해 무역 14개의 도시 및 자연 클래스에서 10m 해상도로 땅 사용 및 땅 덮개(LULC)를 분류하는 것을 제안한다. 전체 정확도는 82%이며 코HEN의 카파 통계치는 0.81을 기록하였다. 이 방법은 전통적인 모델인 랜덤 포레스트 및 서포트 벡터 머신(SVM)을 능가하며, 도시 계획 및 환경 모니터링을 위한 복잡한 도시 형태의 고해상도 지ap도 제작을 가능하게 한다.

ABSTRACT

The satellite imagery classification task is fundamental to spatial knowledge discovery. Several image classification methods are used to create standardized Land use and Land cover (LULC) maps, which facilitate research on spatial and ecological processes and human activities. Local Climate Zones (LCZ) classification maps are an example of standardized maps which have been widely used to demarcate the homogeneity in built and natural character in the cities. The LCZ classification scheme is primarily focused on urban climate-related research, in which 17 climate zones are mapped in a city area with the 100-150m spatial resolution. Each zone exhibits physical properties related to urban form and functions essential for thermal behavior studies. Extending this widely adopted approach to create LULC maps at finer resolution using the LCZ mapping scheme would benefit the allied domains of urban planning, transportation, and water resources management. This study proposes a novel solution to generate classification maps with a 10-band Sentinel-2B dataset and Convolutional Neural Networks (CNN) at the 10m spatial resolution. The classification benefits from CNNs property to preserve local structures in the image datasets. The proposed CNN model outperforms traditional machine learning models such as Artificial Neural Network, Random Forests, and Support Vector Machines. The overall accuracy and kappa statistic of the CNN model trained on 14 urban and natural classes are 82 percent and 0.81, respectively. The study also discusses the utility of the model for specialized remote sensing tasks such as change detection, identification of slum settlements, and mapping pervious/impervious layers in urban settlements with higher accuracy.

연구 동기 및 목표

• 딥 러닝을 활용하여 복잡한 도시 지역에서 고해상도 LULC 분류 방법을 개발하는 것.
• 지역 기후 구역(LCZ) 분류 체계를 더 세밀한 공간 해상도(10m)로 확장하여 도시 기후 및 환경 분석의 정밀도를 향상시키는 것.
• 다양한 도시 및 자연 지형 유형을 분류하는 데서 단순한 CNN 모델이 전통적인 기계 학습 모델에 비해 성능을 어떻게 평가하는지 평가하는 것.
• 슬럼 지역 탐지 및 불透수 표면 지도 작성과 같은 특수 원격 감지 작업에 모델의 유용성을 입증하는 것.
• 정확하고 세밀한 해상도의 LULC 지도를 통해 도시 계획, 수자원 관리 및 교통 연구를 지원하는 것.

제안 방법

• 분류 작업의 입력으로 10m 공간 해상도를 갖는 10밴드의 Sentinel-2B 위성 영상 자료를 사용한다.
• 이미지 자료 내 국소적 공간적 구조를 유지함으로써 특징 추출 능력을 향상시키기 위해 단순한 컨볼루션 신경망(CNN)을 설계한다.
• 도시, 건축물, 식생, 수역, 노천 토양 유형을 포함한 총 14개의 레이블이 부여된 지형 유형에 대해 CNN을 훈련시킨다.
• 모델 훈련 및 평가에 표준 지표인 전체 정확도와 코HEN의 카파 통계치를 사용한다.
• 성능 평가를 위해 전통적 모델인 인공 신경망, 랜덤 포레스트, 서포트 벡터 머신을 기준으로 비교한다.
• 변화 탐지, 슬럼 지역 식별, 투과성/불투과성 표면 지도 작성과 같은 특수 작업에 모델를 추가로 적용한다.

실험 결과

연구 질문

• RQ1 무역과 같은 복잡한 도시 환경에서 단순한 CNN 모델이 미세한 해상도의 LULC를 분류하는 데 높은 정확도를 달성할 수 있는가?
• RQ2 10m 해상도에서 CNN 기반 접근법이 전통적인 기계 학습 모델에 비해 분류 정확도와 내성에 있어 어떻게 비교되는가?
• RQ3 제안된 방법이 슬럼 지역 탐지 및 불투과성 표면 지도 작성과 같은 특수 원격 감지 응용 분야에서 어느 정도 지원할 수 있는가?
• RQ4 딥 러닝을 활용하여 LULC 분류 프레임워크를 더 세밀한 공간 해상도로 효과적으로 확장할 수 있는가?
• RQ5 데이터 부족 지역의 도시 영역 지도 제작에 대해 Sentinel-2B 자료와 CNN의 조합이 어떤 잠재력을 지닐 수 있는가?

주요 결과

• 제안된 CNN 모델은 10m 해상도에서 14개의 지형 유형을 분류할 때 전체 정확도 82%와 카파 통계치 0.81을 달성하였다.
• CNN은 랜덤 포레스트, 서포트 벡터 머신, 인공 신경망을 포함한 전통적 기계 학습 모델보다 뚜렷하게 뛰어난 성능을 보였다.
• 모델는 슬럼 주거지역 및 투과성/불투과성 표면 층과 같은 미세한 도시 특징을 식별하는 데 강력한 능력을 보였다.
• CNN이 국소적 공간적 구조를 유지함으로써 이질적인 도시 지역에서 분류 정밀도가 향상되었다.
• 이 방법은 도시 계획, 수자원 관리 및 교통 연구를 지원하는 고해상도 도시 형태 지도 제작을 가능하게 한다.
• 결과는 딥 러닝과 다중 스펙트럼 위성 자료를 활용하여 LCZ 프레임워크를 더 세밀한 해상도로 확장하는 것이 실현 가능하다는 것을 입증한다.