[논문 리뷰] Mapping the world population one building at a time

Tobias Tiecke, Xianming Liu외 9명|arXiv (Cornell University)|2017. 12. 15.

Impact of Light on Environment and Health인용 수 16

한 줄 요약

이 논문은 위성 영상에서 개별 건물을 식별하기 위해 딥러닝을 사용하는 글로벌 고해상도 인구 지ap 방법을 제시한다. 건물 탐지와 인구 조사 데이터를 융합하여 30m 해상도의 인구 추정치를 생성한다. 이 방법은 건물 식별에서 정밀도 95%와 재현율 91%를 달성하며, 인구 추정 오차를 약 2배로 줄여 농촌 인구 분석을 대규모로 정확하게 수행할 수 있게 한다.

ABSTRACT

High resolution datasets of population density which accurately map sparsely-distributed human populations do not exist at a global scale. Typically, population data is obtained using censuses and statistical modeling. More recently, methods using remotely-sensed data have emerged, capable of effectively identifying urbanized areas. Obtaining high accuracy in estimation of population distribution in rural areas remains a very challenging task due to the simultaneous requirements of sufficient sensitivity and resolution to detect very sparse populations through remote sensing as well as reliable performance at a global scale. Here, we present a computer vision method based on machine learning to create population maps from satellite imagery at a global scale, with a spatial sensitivity corresponding to individual buildings and suitable for global deployment. By combining this settlement data with census data, we create population maps with ~30 meter resolution for 18 countries. We validate our method, and find that the building identification has an average precision and recall of 0.95 and 0.91, respectively and that the population estimates have a standard error of a factor ~2 or less. Based on our data, we analyze 29 percent of the world population, and show that 99 percent lives within 36 km of the nearest urban cluster. The resulting high-resolution population datasets have applications in infrastructure planning, vaccination campaign planning, disaster response efforts and risk analysis such as high accuracy flood risk analysis.

연구 동기 및 목표

• 기존의 인구 조사와 기존의 원격 감지 접근 방식의 한계를 극복하고, 확장 가능하고 글로벌한 고해상도 인구 지도 제작 방법을 개발한다.
• 고해상도 위성 영상으로 흩어진 농촌 인구를 정확하게 탐지하는 과제를 해결한다. 이는 높은 공간 감도와 글로벌 확장성 요구 조건을 수반한다.
• 고해상도 위성 데이터 기반 딥러닝을 활용해 국가에 관계없이 빠르고 정확한 건물 탐지 모델을 구축한다.
• 건물 탐지 결과와 인구 조사 데이터를 융합하여 18개국에 대해 1x1 아크초 해상도(적도 기준 약 30m)의 세밀한 인구 밀도 지도를 생성한다.
• 정확하고 세밀한 인구 분포 데이터를 제공함으로써 인프라 계획, 재난 대응 및 위험 분석 분야의 응용을 향상시킨다.

제안 방법

• 컴퓨터 비전 파이프라인은 고해상도 위성 영상에서 건물을 탐지하기 위해 컨volutional 신경망(CNN)을 사용하며, 글로벌하게 다양하고 이진 레이블이 부여된 데이터로 모델을 훈련시킨다.
• 이 방법은 처리 이전에 이미지 품질을 향상시키기 위해 노이즈 제거 네트워크를 적용하여 위성 데이터의 고주파 노이즈를 감소시킨다.
• 경계 탐지 기법을 통해 후보 건물 영역을 식별하고, 이를 64x64 픽셀 패치로 처리하여 맞춤형 SegNet 아키텍처를 사용해 분류한다.
• 약한 지도 학습 방식의 FeedbackNet을 사용해 픽셀 수준의 세분화를 수행하여 건물 외곽선의 정확도를 향상시킨다. 이는 형태와 경계 정확도를 개선한다.
• 두 개의 독립된 모델인 SegNet(분류)와 FeedbackNet(세분화)를 연결하여 가짜 양성 결과를 줄이고 탐지 신뢰도를 향상시킨다.
• 국가별로 인구 조사 데이터를 탐지된 건물에 비례 배분하여 1x1 아크초 해상도(~적도 기준 약 30m)에서 인구 추정치를 생성함으로써 글로벌 배포가 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝 모델은 고해상도 위성 영상에서 충분한 정확도와 글로벌 확장성을 확보하여 세밀한 인구 지도 제작이 가능한가?
• RQ2 다양한 글로벌 지형, 기후 및 영상 품질 조건에서 건물 탐지 성능은 어떻게 변할까?
• RQ3 어느 정도까지 건물 외곽선이 농촌 및 희박하게 거주하는 지역에서 인구 분포와 주거지의 대체 지표로 기능할 수 있는가?
• RQ4 30m 해상도에서 건물 수준의 데이터와 국가 인구 조사 통계를 융합하여 유도된 인구 추정치의 정확도는 어느 정도인가?
• RQ5 글로벌 농촌 인구는 도시 집합지역과 얼마나 가까이 위치해 있으며, 이는 인프라 및 서비스 계획에 어떤 영향을 미치는가?

주요 결과

• 건물 탐지 모델은 평균 정밀도 0.95와 재현율 0.91를 달성하여 위성 영상에서 인공 구조물을 높은 정확도로 식별함을 보여준다.
• 인구 추정 오차는 약 2배 이내로 제한되어 글로벌 응용에 있어 강력한 신뢰성을 입증한다.
• 이 방법은 농촌 거주지를 매우 민감하게 탐지하여 18개국에서 세계 인구의 29%를 이전까지는 달성하지 못한 공간 해상도로 포괄한다.
• 연구 대상 인구의 99%는 가장 가까운 도시 집합지역으로부터 36km 이내에 위치해 있어 농촌 인구가 도시 중심지와 강한 공간적 유사성을 보임을 시사한다.
• 고해상도 주거지 레이어(HRSL)는 GUF 및 GHSL과 같은 기존 글로벌 데이터셋보다 농촌 및 희박하게 거주하는 지역을 더 잘 포착한다.
• CPU 클러스터를 사용해 약 24시간 내에 0.5백만 km²의 위성 영상 처리가 가능하여 글로벌 배포에 있어 확장성을 입증한다.