[논문 리뷰] On monitoring development using high resolution satellite images.

P. Suraj, Ankesh Gupta외 3명|arXiv (Cornell University)|2017. 12. 06.

Impact of Light on Environment and Health인용 수 5

한 줄 요약

이 논문은 심층 신경망을 사용하여 고해상도 주간 위성 영상에서 사회경제적 및 개발 지표를 직접 회귀 분석하는 딥러닝 프레임워크를 제안한다. 기존의 야간 조명 기반 대체 지표에 비해 뛰어난 성능을 발휘하며, 회귀 출력의 급격한 불연속성 덕분에 지역 개발 모니터링과 정책 유도 공간 이질성 탐지가 가능하다.

ABSTRACT

We develop a machine learning based tool for accurate prediction of development and socio-economic indicators from high resolution day-time satellite imagery. The indicators that we use are derived from the Census 2011 [The Ministry of Home Affairs, Government of India, 2011] and the NFHS-4 [The Ministry of Health and Family Welfare, Government of India, 2016] survey data. We use a deep convolutional neural network to build a model for regression of asset indicators from satellite images. We show that the direct regression of asset indicators gives superior R2 scores compared to that of transfer learning through night light data, which is a popular proxy for economic development used world wide. We also use the asset prediction model for accurate transfer learning of other socio-economic and health indicators which are not intuitively related to observable features in satellite images, or are not always well correlated with each other. The tool can be extended to monitor the progress of development of a region over time, and to flag potential anomalies because of dissimilar outcomes due to different policy interventions in a geographic region by detecting sharp spatial discontinuities in the regression output.

연구 동기 및 목표

• 고해상도 주간 위성 영상에서 직접 사회경제적 및 개발 지표를 예측할 수 있는 기계학습 도구를 개발한다.
• 경제 개발 측정에 있어 기존 방법, 특히 야간 조명 기반 대체 지표에 비해 정확도를 향상시킨다.
• 위성 영상에서 직접 관측되지 않는 사회경제적 및 건강 지표에 대해 전이 학습을 가능하게 한다.
• 위성 유도 예측을 통해 시간에 따른 지역 개발 진전을 모니터링한다.
• 회귀 출력의 급격한 불연속성을 분석하여, 인접 지역 간 정책 영향의 차이로 인한 이질적 개발 결과를 탐지한다.

제안 방법

• 고해상도 주간 위성 영상에서 자산 지표를 직접 회귀 분석하는 데 목적이 있는 심층 컨volution 신경망(CNN)을 학습한다.
• 모델은 학습 및 검증을 위해 2011년 인구 조사 및 NFHS-4 설문 조사 데이터를 참조 지표로 사용한다.
• 야간 조명 데이터와 같은 중간 대체 지표를 생략하고, 영상 특징과 사회경제 지표 간 직접적인 연결을 구축한다.
• 기존 자산 예측 모델을 활용하여, 위성 영상에서 명백하게 관측되지 않는 지표에 대해 전이 학습을 수행한다.
• 회귀 출력의 공간적 불연속성을 분석하여, 정책 차이로 인한 이질적 개발 결과가 나타나는 지역을 식별한다.
• 야간 조명 데이터 기반 전이 학습과의 성능 비교를 위해 R² 점수를 사용하여 모델을 평가한다.

실험 결과

연구 질문

• RQ1 고해상도 위성 영상에서 직접 학습한 딥 CNN 모델이 야간 조명 데이터를 대체 지표로 사용하는 경우보다 사회경제 지표 예측에서 더 높은 R² 점수를 달성할 수 있는가?
• RQ2 기존 자산 예측 모델을 활용할 경우, 위성 영상에서 직접적으로 관측되지 않는 건강 및 사회경제 지표에 대해 얼마나 정확한 전이 학습이 가능한가?
• RQ3 모델은 이웃 지역 간 정책 영향의 차이로 인한 이질적 개발 결과를 나타내는 공간적 불연속성을 탐지할 수 있는가?
• RQ4 직접 주간 위성 영상에서 회귀 분석하는 방법이, 기존의 야간 조명 기반 모델링과 비교해 예측 정확도 측면에서 어떻게 성능을 발휘하는가?

주요 결과

• 고해상도 위성 영상에서 자산 지표를 직접 회귀 분석할 경우, 야간 조명 데이터 기반 전이 학습보다 유의미하게 높은 R² 점수를 기록한다.
• 모델은 위성 영상에서 명백하게 관측되지 않는 사회경제적 및 건강 지표에 대해서도 성공적으로 전이 학습을 가능하게 한다.
• 모델은 회귀 출력의 급격한 공간적 불연속성을 탐지할 수 있으며, 이는 이웃 지역 간 정책 차이로 인한 이질적 결과를 시사할 수 있다.
• 딥러닝 기반의 주간 위성 영상 사용이 기존의 야간 조명 기반 대체 지표보다 개발 지표 모니터링에 더 뛰어난 성능을 발휘한다.