[논문 리뷰] Rule based End-to-End Learning Framework for Urban Growth Prediction

Saptarshi Pal, Soumya K. Ghosh|arXiv (Cornell University)|2017. 11. 29.

Land Use and Ecosystem Services참고 문헌 18인용 수 3

한 줄 요약

이 논문은 수동적 특성 공학을 회피하고 랜드세트 위성 영상에서 직접 세포자동기 규칙을 추출하는 새로운 엔드 투 엔드 학습 프레임워크를 제안한다. 决정 트리와 표현 학습을 활용하여, 수동적 특성 공학 없이도 수자원과 습지와 같은 공간 제약 조건을 자동으로 포착하면서도 우수한 성능을 달성한다. Figure of Merit, Producer’s 및 User’s 정확도, 전체 정확도에서 기존 방법들을 능가한다.

ABSTRACT

Due to the rapid growth of urban areas in the past decades, it has become increasingly important to model and monitor urban growth in mega cities. Although several researchers have proposed models for simulating urban growth, they have been primarily dependent on various manually selected spatial and nonspatial explanatory features for building models. A practical difficulty with this approach is manual selection procedure, which tends to make model design process laborious and non-generic. Despite the fact that explanatory features provide us with the understanding of a complex process, there has been no standard set of features in urban growth prediction over which scholars have consensus. Hence, design and deploying of systems for urban growth prediction have remained challenging tasks. In order to reduce the dependency on human devised features, we have proposed a novel End-to-End prediction framework to represent remotely sensed satellite data in terms of rules of a cellular automata model in order to improve the performance of urban growth prediction. Using our End-to-End framework, we have achieved superior performance in Figure of Merit, Producer's accuracy, User's accuracy, and Overall accuracy metrics respectively over existing learning based methods.

연구 동기 및 목표

• 도시 성장 모델링에서 수작업 특성 공학의 노동 집약적이고 일반화되지 않은 성격을 해결하기 위해.
• 도시 성장 예측에서 수작업으로 선택된 공간 및 스펙트럼 특성에 대한 의존도를 줄이기 위해.
• 원시 위성 영상에서 직접 규칙을 학습하는 엔드 투 엔드 학습 프레임워크를 개발하여 일반화 능력과 성능을 향상시키기 위해.
• 수동 레이블링이나 특성 공학 없이도 자연 장애물(예: 수자원, 습지)을 자동으로 탐지하고 존중할 수 있도록 하기 위해.
• 랜드세트 영상의 스펙트럼 및 공간 데이터를 기반으로 표현 학습을 활용해 정확도와 강인성을 향상시키기 위해.

제안 방법

• 伝통적 특성 공학 단계를 회피하기 위해 원시 랜드세트 위성 영상을 입력으로 사용한다.
• 스펙트럼 및 공간 패턴을 직접 세포자동기 전이 규칙으로 매핑하기 위해 엔드 투 엔드 학습을 적용한다.
• 학습된 규칙을 추출하고 표현하기 위해 해석 가능한 지식 구조로 결정 트리와 랜덤 포레스트를 활용한다.
• 비교 평가를 위해 단일 층의 MLP, SGD, 나이브 베이즈, KNN, AdaBoost 및 기타 분류기로 모델을 훈련한다.
• 원격 감지 데이터에서 복잡한 공간 및 스펙트럼 패턴을 자동으로 포착하기 위해 표현 학습을 활용한다.
• 1991–2011년에 걸친 시간적 데이터를 통합하여 도시 전이 역학을 모델링하고 2051년의 향후 성장을 예측한다.

실험 결과

연구 질문

• RQ1 엔드 투 엔드 학습 프레임워크는 도시 성장 예측에서 수작업 특성 공학이 필요 없도록 할 수 있는가?
• RQ2 공학된 공간 및 스펙트럼 특성을 사용하는 전통적 방법과 비교해, 위성 영상에서 직접 규칙을 학습하는 방식은 어떤가?
• RQ3 수작업 입력 없이도 이 프레임워크는 자연 장애물(예: 수자원, 습지)을 얼마나 잘 자동으로 학습하고 존중할 수 있는가?
• RQ4 기존의 로지스틱 회귀, SVM, 랜덤 포레스트와 비교해 엔드 투 엔드 프레임워크의 성능은 어떠한가?
• RQ5 이 프레임워크는 다양한 도시 지역으로 일반화될 수 있으며, 데이터 불균형과 해상도 제약 조건에도 불구하고 높은 정확도를 유지할 수 있는가?

주요 결과

• 엔드 투 엔드 프레임워크는 단일 층의 MLP를 사용해 Figure of Merit (FoM) 0.911805를 달성했으며, 로지스틱 회귀, SVM, 랜덤 포레스트를 포함한 기존 방법들을 능가했다.
• 단일 층의 MLP를 사용해 전체 정확도 91.18%를 기록했고, 랜덤 포레스트를 사용해 90.08%를 달성하여 뛰어난 예측 성능를 입증했다.
• 프로듀서 정확도와 유저 정확도가 기존 모델보다 유의미하게 높아, 건물 지구의 탐지 및 분류 능력이 향상됨을 시사한다.
• 수작업 입력 없이도 2051년 예측에서 수자원과 습지로의 도시 확장 방지를 성공적으로 구현했다.
• 결정 트리 기반 구현은 KNN 및 나이브 베이즈와 같은 다른 엔드 투 엔드 모델 대비 과적합이 최소화되고 일반화 능력이 뛰어나다.
• 데이터 불균형에 강인하며, 시간 해상도가 낮아지거나 고정된 공간 해상도 조건에서도 전이 패턴을 학습할 수 있었다.