[논문 리뷰] Mapping Informal Settlements in Developing Countries with Multi-resolution, Multi-spectral Data

Patrick Helber, Bradley Gram-Hansen외 5명|arXiv (Cornell University)|2018. 11. 30.

Remote-Sensing Image Classification참고 문헌 6인용 수 4

한 줄 요약

이 논문은 다중 해상도, 다중 파장의 위성 데이터를 사용하여 개발도상국의 비공식 주거지 지도를 작성하기 위한 두 가지 방법을 제안한다: 무료로 이용 가능한 저해상도(10m) 센티넬-2 위성 영상에서 훈련된 계산적으로 효율적인 캐논리컬 상관림(CCFS) 분류기와, 고비용의 초고해상도(30cm) 영상에서 훈련된 딥러닝 세그멘테이션 모델이다. 알려진 바로는, 이 연구는 오직 저해상도 위성 데이터만을 사용하여 비공식 주거지를 성공적으로 지ap핑한 최초의 연구이며, 노이즈가 많고 완전하지 않은 레이블에도 불구하고 다양한 글로벌 지역에 걸쳐 강력한 일반화 성능을 보였다.

ABSTRACT

Detecting and mapping informal settlements encompasses several of the United Nations sustainable development goals. This is because informal settlements are home to the most socially and economically vulnerable people on the planet. Thus, understanding where these settlements are is of paramount importance to both government and non-government organizations (NGOs), such as the United Nations Children's Fund (UNICEF), who can use this information to deliver effective social and economic aid. We propose two effective methods for detecting and mapping the locations of informal settlements. One uses only low-resolution (LR), freely available, Sentinel-2 multispectral satellite imagery with noisy annotations, whilst the other is a deep learning approach that uses only costly very-high-resolution (VHR) satellite imagery. To our knowledge, we are the first to map informal settlements successfully with low-resolution satellite imagery. We extensively evaluate and compare the proposed methods. Please find additional material at https://frontierdevelopmentlab.github.io/informal-settlements/.

연구 동기 및 목표

• 개발도상국의 비공식 주거지에 대한 정확하고 확장 가능한 지도 제작이 유엔 지속 가능한 개발 목표를 지원하기 위해 필수적이라는 문제를 해결하기 위해.
• 무료로 이용 가능한 저해상도(10m) 다중 스펙트럼 위성 영상만을 사용하여 비공식 주거지를 탐지하는 방법을 개발하기 위해.
• 초고해상도 영상에서 훈련된 고정확도·고비용 딥러닝 접근 방식(CNN)과 비교하여 저비용·계산 효율적인 방법(CCFS)의 성능 및 일반화 능력을 평가하기 위해.
• 저해상도 데이터의 스펙트럼 서명만으로도 복잡한 도시 환경에서조차 비공식 주거지의 효과적인 탐지가 가능하다는 것을 입증하기 위해.

제안 방법

• 캔디널 상관림(CCF)을 사용한 픽셀 단위 분류 모델은 10m 해상도의 센티넬-2 다중 스펙트럼 데이터(10개 밴드)를 기반으로 훈련되어, 각 픽셀이 비공식 주거지인지 환경인지 분류한다.
• CCF 모델은 각 클래스의 80% 데이터를 사용하여 훈련되며, n_trees = 10으로 설정하고, 입력 특징을 정규화(영점 평균, 단위 분산)하여 일반화 성능을 향상시킨다.
• 정밀 지도 제작을 위해, 초고해상도(30cm) 디지털글로브 영상에서 훈련된 최신 세분화 컨volution 신경망(CNN)을 사용하여 옥외 구조적 특징(예: 屋根 크기, 주거지 밀도 등)을 정밀하게 포착한다.
• 모델 평가에는 픽셀 정확도와 평균 교차점의 격리율(mIoU)을 사용하며, 각 클래스에서 무작위로 샘플링한 점들을 기반으로 별도의 훈련 및 테스트 세트를 구성한다.
• 일반화 능력을 시험하기 위해, 한 지역(예: 노스너비라 또는 메데illin)에서 모델을 훈련하고, 새로운 지역에서 평가함으로써 전이 학습 잠재력의 존재를 입증한다.
• 이 연구는 케냐, 남아프리카공화국, 나이지리아, 수단, 콜롬비아, 인도 6개국의 자료를 활용하며, 유엔아이씨피 및 기타 파artner의 지상 진술 레이블을 제공한다.

실험 결과

연구 질문

• RQ1 고해상도 데이터에 의존하지 않고 오직 저해상도(10m) 다중 스펙트럼 위성 영상만을 사용하여 비공식 주거지를 효과적으로 탐지할 수 있는가?
• RQ2 저해상도 데이터에서 훈련된 계산적으로 효율적인 CCF 모델의 성능과 초고해상도 영상에서 훈련된 딥러닝 CNN 모델의 성능는 어떻게 비교되는가?
• RQ3 한 지역에서 훈련된 모델이 지리적·기후적으로 다를 수 있는 새로운 지역의 비공식 주거지를 얼마나 잘 일반화하여 탐지할 수 있는가?
• RQ4 비공식 주거지 탐지의 저자료 환경에서 노이즈가 많고 완전하지 않은 레이블이 모델 성능에 어떤 영향을 미치는가?
• RQ5 구조적 세부 정보가 식별되지 않는 상황에서도 저해상도 데이터의 스펙트럼 서명만으로도 비공식 주거지의 핵심 특성을 포착할 수 있는가?

주요 결과

• 노스너비라에서 저해상도(10m) 센티넬-2 데이터로 훈련된 CCF 모델은 픽셀 정확도 69.4%와 mIoU 62.0%를 기록하여, 해상도가 낮음에도 불구하고 키베라에서 CNN을 초월하는 성능을 보였다.
• 키베라에서는 CCF 모델이 픽셀 정확도 69.0%와 mIoU 73.3%를 기록했고, CNN은 각각 78.2%와 65.5%를 기록하여, 스펙트럼 데이터만으로도 주거지의 구조적 특징을 효과적으로 포착할 수 있음을 보여주었다.
• 스펙트럼 서명이 주변 환경과 유사한 수단의 알제니나에서, CNN은 정확도 89.2%와 mIoU 76.3%를 기록하여, 복잡한 경우에서 초고해상도 특징의 우수성을 입증하였다.
• 노스너비라에서 훈련된 CCF 모델은 다른 지역으로의 일반화에 중간 정도의 성공을 거두었으며, 키베라에서는 정확도 69.4%, mIoU 62.0%를 기록했고, 메데illin에서는 정확도 55.0%, mIoU 54.4%를 기록하여 전이 학습 잠재력이 있음을 시사하였다.
• 지상 진술이 불완전한 지역(예: 남아프리카공화국, 나이지리아, 인도)에서는 CCF 모델이 중간 수준의 성능(예: 뭄바이에서 97.0% 정확도)을 유지하여 데이터 부족에 대한 강건성을 보였다.
• 이 연구는 오랜만에 오직 무료로 이용 가능한 저해상도 다중 스펙트럼 위성 데이터만을 사용하여 비공식 주거지를 신뢰성 있게 탐지할 수 있음을 입증하였으며, 확장 가능하고 저비용의 도시 모니터링을 위한 새로운 길을 열었다.