[논문 리뷰] Spatial sensitivity analysis for urban land use prediction with physics-constrained conditional generative adversarial networks

Adrian Albert, Jasleen Kaur외 2명|arXiv (Cornell University)|2019. 07. 22.

Urban Design and Spatial Analysis참고 문헌 12인용 수 7

한 줄 요약

이 논문은 오직 글로벌 원격 감지 데이터만을 사용하여 도시 토지 이용 변화를 예측하기 위해 물리적 제약 조건을 통합한 조건부 GAN 프레임워크를 제안한다. 이는 지역 사회경제적 데이터에 의존하지 않고 대규모 공간 민감도 분석을 가능하게 한다. 모델은 현실적인 도시 형태 분포를 생성하고, 역전파를 통해 공간 기울기를 계산하여, 인구 또는 경제 지표의 변화가 도시 지역에서 15 km 이상 전파됨을 드러낸다.

ABSTRACT

Accurately forecasting urban development and its environmental and climate impacts critically depends on realistic models of the spatial structure of the built environment, and of its dependence on key factors such as population and economic development. Scenario simulation and sensitivity analysis, i.e., predicting how changes in underlying factors at a given location affect urbanization outcomes at other locations, is currently not achievable at a large scale with traditional urban growth models, which are either too simplistic, or depend on detailed locally-collected socioeconomic data that is not available in most places. Here we develop a framework to estimate, purely from globally-available remote-sensing data and without parametric assumptions, the spatial sensitivity of the ( extit{static}) rate of change of urban sprawl to key macroeconomic development indicators. We formulate this spatial regression problem as an image-to-image translation task using conditional generative adversarial networks (GANs), where the gradients necessary for comparative static analysis are provided by the backpropagation algorithm used to train the model. This framework allows to naturally incorporate physical constraints, e.g., the inability to build over water bodies. To validate the spatial structure of model-generated built environment distributions, we use spatial statistics commonly used in urban form analysis. We apply our method to a novel dataset comprising of layers on the built environment, nightlighs measurements (a proxy for economic development and energy use), and population density for the world's most populous 15,000 cities.

연구 동기 및 목표

• 희소한 지역 사회경제적 데이터에 의존하지 않고 도시 확장 현상을 예측할 수 있는 확장 가능한 데이터 기반 도시 모델링 도구의 부족을 해결한다.
• macroeconomic 요인의 변화가 도시 개발에 미치는 영향을 공간적으로 평가할 수 있는 비교 정적 분석을 수행할 수 있는 기계학습 프레임워크를 개발한다.
• 물리적 제약 조건(예: 수면 위에 건축 금지)을 생성 모델링 과정에 자연스럽게 통합한다.
• 프랙탈 차원 및 건축 밀도와 같은 도메인 전문 공간 통계를 사용하여 모델이 생성한 도시 형태를 검증한다.
• 특히 개발도상국과 같은 데이터가 부족한 지역에서의 시나리오 계획을 위한 글로벌 스케일 도시 시뮬레이션을 가능하게 한다.

제안 방법

• 입력으로 인구 밀도 및 야간조명 밝기 지ap을 조건으로 사용하여 조건부 GAN을 활용해 이미지 간 번역 작업으로 도시 토지 이용 예측 문제를 수립한다.
• 물리적 제약 조건(예: 수역)을 GAN 손실 함수에 통합하여 금지 지역에서의 비현실적인 도시 개발을 방지한다.
• 학습 중 역전파를 사용하여 건축 밀도에 대한 입력 요인(인구 밀도 및 밝기)에 대한 공간 기울기를 암묵적으로 계산함으로써 민감도 분석을 가능하게 한다.
• DLR에서 제공하는 건축 밀도, LandScan에서 제공하는 인구 밀도, NASA에서 제공하는 야간조명 데이터를 포함하는 새로운 글로벌 데이터셋을 사용하여 약 15,000개의 도시를 커버하는 모델을 훈련한다.
• 도시 과학에서 흔히 사용되는 공간 통계, 예를 들어 프랙탈 차원과 건축 밀도 밀도를 사용하여 생성된 도시 패턴을 검증한다.
• 글로벌 메트로폴리탄 지역 전역에서 기울기 크기와 그 전파 거리를 계산하여 공간 민감도 분 析을 수행한다.

실험 결과

연구 질문

• RQ1 원격 감지 데이터만으로 훈련된 딥 생성 모델이 매개변수 가정 없이 지역 데이터 없이도 글로벌 스케일에서 현실적인 도시 토지 이용 패턴을 생성할 수 있는가?
• RQ2 수역과 같은 물리적 제약 조건을 도시 형태 예측을 위한 딥 생성 모델에 자연스럽게 통합하는 방법은 무엇인가?
• RQ3 인구 밀도 또는 경제 지표(야간조명)의 변화가 공간적으로 떨어진 지역에 얼마나 영향을 미치는가?
• RQ4 도시 시스템에서 매크로경제적 요인에 대한 민감도가 어떤 공간 범위까지 전파되는가?
• RQ5 기본 지도가 없는 조건에서 GAN 기반 도시 모델링 프레임워크로부터 기울기 기반 민감도 분석을 효과적으로 추출할 수 있는가?

주요 결과

• 모델은 프랙탈 차원 및 건축 밀도와 같은 실제 세계의 공간 통계와 일치하는 현실적인 도시 토지 이용 패턴을 성공적으로 생성한다.
• 공간 민감도 분석 결과, 인구 밀도 또는 밝기(경제 활동의 지표)의 단위 변화가 도시 지역에서 15 km 이상의 거리까지 영향을 전파하는 것으로 나타났다.
• 민감도의 전이(gradient spillover)—입력 변화에 대한 민감도가 즉각적인 지역을 초월해 확장되는 현상—는 정량적으로 측정 가능하며, 15 km를 초과해 평균 기울기 크기가 피크 값의 1% 이하로 감소함에 따라 무시할 수 없는 정도이다.
• 이 프레임워크는 글로벌 스케일에서 약 3,000개의 주요 메트로폴리탄 지역에 걸쳐 비모수적 민감도 분석을 가능하게 하여 지역 간 기울기 전파 패턴의 차이를 드러냈다.
• 공간적 의존성에 대한 명시적 매개변수 모델링 없이도 역전파를 통해 공간 기울기를 추출함으로써 비교 정적 분석을 위한 확장 가능한, 미분 가능한 방법을 제공한다.
• GAN의 투명성 부족에도 불구하고, 도메인 관련 공간 지표를 통해 모델 출력이 검증되었으며, 데이터 기반 도시 시뮬레이션의 개념 증명을 확립하였다.