[논문 리뷰] Mapping illegal waste dumping sites with neural-network classification of satellite imagery

M. R. Devesa, Antonio Vázquez Brust|arXiv (Cornell University)|2021. 10. 16.

Remote-Sensing Image Classification인용 수 6

한 줄 요약

이 논문은 10미터 해상도의 Sentinel-2 위성 영상과 함께, 브라질 푸에르토프라타나스 주의 불법 폐기물 투기 장소를 탐지하기 위해 가중치가 부여된 이진 교차 엔트로피 손실을 사용하는 U-Net 컨볼루션 신경망을 제안한다. 모델은 테스트 데이터에서 평균 교차 겹침(IoU) 0.675를 달성하여, 오픈소스 도구와 전이 학습을 활용한 대규모에서 효과적인 분할을 입증한다.

ABSTRACT

Public health and habitat quality are crucial goals of urban planning. In recent years, the severe social and environmental impact of illegal waste dumping sites has made them one of the most serious problems faced by cities in the Global South, in a context of scarce information available for decision making. To help identify the location of dumping sites and track their evolution over time we adopt a data-driven model from the machine learning domain, analyzing satellite images. This allows us to take advantage of the increasing availability of geo-spatial open-data, high-resolution satellite imagery, and open source tools to train machine learning algorithms with a small set of known waste dumping sites in Buenos Aires, and then predict the location of other sites over vast areas at high speed and low cost. This case study shows the results of a collaboration between Dymaxion Labs and Fundaci\\'on Bunge y Born to harness this technique in order to create a comprehensive map of potential locations of illegal waste dumping sites in the region.

연구 동기 및 목표

• 글로벌 남반구 도시 지역에서 불법 폐기물 투기 장소에 대한 신뢰할 수 있는 데이터 부족 문제를 해결한다.
• 위성 영상과 머신러닝을 활용해 확장 가능하고 저비용의 방법으로 불법 투기 장소를 탐지하고 지ap도를 작성한다.
• 희귀한 투기 장소 픽셀 탐지를 향상시키기 위해 클래스 불균형 문제를 해결하기 위해 가중치가 부여된 이진 교차 엔트로피를 적용한다.
• 자동화된 고해상도 분할을 통해 투기 장소의 변화를 신속하고 대규모로 모니터링할 수 있도록 한다.
• 지리공간적으로 정확한 폐기물 투기 위험 지도를 제공하여 도시 계획 및 공중보건 정책 지원에 기여한다.

제안 방법

• 정합 분할을 위해 4단계의 다운샘플링 및 4단계의 업샘플링 레이어를 갖춘 U-Net 아키텍처를 사용한다.
• RGB, NIR, SWIR 스펙트럼 대역을 포함한 1,917개의 레이블이 부여된 100×100 픽셀 영상으로 모델을 훈련한다.
• 클래스 불균형을 완화하기 위해 가중치가 부여된 이진 교차 엔트로피 손실을 적용하여 소수 클래스(투기 장소)에 더 높은 손실 가중치를 할당한다.
• 학습, 검증, 테스트 세트를 각각 70%, 10%, 20%로 분할하여 모델의 일반화 능력을 평가한다.
• 후처리 단계: 픽셀 수준의 확률 기반 임계값 설정 및 100 m² 이하의 객체 제거를 통해 잡음 감소를 시도한다.
• 고해상도 오픈 액세스 위성 영상에 대한 효율적 액세스 및 처리를 위해 Google Earth Engine을 활용한다.

실험 결과

연구 질문

• RQ1 작은 레이블이 부여된 투기 장소 데이터셋으로 훈련된 딥러닝 모델이 광범위한 도시 지역에서 유사한 장소를 정확하게 탐지할 수 있는가?
• RQ2 RGB만 사용하는 것과 비교해 다중 스펙트럼 대역(NIR, SWIR, NDSW)을 포함할 경우 탐지 성능이 어떻게 향상되는가?
• RQ3 매우 불균형한 투기 장소 데이터셋에서 가중치가 부여된 이진 교차 엔트로피가 모델 성능에 얼마나 기여하는가?
• RQ4 해상도와 영상 품질로 인해 작은 또는 저대비 투기 장소를 탐지하는 데 모델의 한계는 무엇인가?
• RQ5 이 방법론은 오픈소스 도구와 무료로 이용 가능한 위성 데이터를 사용해 재현 및 확장이 가능한가?

주요 결과

• 모델은 RGB-NIR-SWIR-NDSW 스펙트럼 대역을 사용할 경우 테스트 세트에서 평균 교차 겹침(IoU) 0.675를 달성했다.
• 최적의 구성은 RGB, NIR, SWIR, NDSW의 네 가지 스펙트럼 대역을 모두 사용하여 손실을 0.0458로 감소시키고, 부분 집합 대비 IoU를 향상시켰다.
• 모델은 18 에포크 이후 성능이 정체되었으며, 최종 손실은 0.0458, IoU는 0.675를 기록했다.
• 100 m² 이하의 작은 투기 장소는 10미터 해상도와 낮은 대비로 인해 자주 누락되었다.
• 가짜 양성 결과로는 투기 편석의 스펙트럼 특성과 유사한 작은 건축물 및 기타 지형 요소가 포함되었다.
• 일부 지역의 기상 조건으로 인해 흐린 날씨가 영향을 주어 이미지 가용성이 제한되었고, 이는 연구 지역 전반의 탐지 일관성에 영향을 주었다.