[논문 리뷰] A Probabilistic Approach for Predicting Landslides by Learning a Self-Aligned Deep Convolutional Model.

Ainaz Hajimoradlou, Gioachino Roberti외 1명|arXiv (Cornell University)|2019. 11. 12.

Landslides and related hazards참고 문헌 4인용 수 1

한 줄 요약

이 논문은 다중 소스 지공간 특징을 사용하여 산사태 위험도를 예측하기 위해 국소적 지형 기울기와 필터를 정렬하는 데에 학습하는 딥러닝 모델인 국소적으로 정렬된 컨볼루션 신경망(LACNN)을 제안한다. 상향 방향을 사전 지식으로 통합함으로써, 표준화된 지리공간 기반 데이터셋에서 기준 모델 대비 예측 정확도를 2–7% 향상시키고, 로그우도(log-likelihood)를 2–15% 향상시킨다.

ABSTRACT

Landslides, movement of soil and rock under the influence of gravity, are common phenomena that cause significant human and economic losses every year. Experts use heterogeneous features such as slope, elevation, land cover, lithology, rock age, and rock family to predict landslides. To work with such features, we adapted convolutional neural networks to consider relative spatial information for the prediction task. Traditional filters in these networks either have a fixed orientation or are rotationally invariant. Intuitively, the filters should orient uphill, but there is not enough data to learn the concept of uphill; instead, it can be provided as prior knowledge. We propose a model called Locally Aligned Convolutional Neural Network, LACNN, that follows the ground surface at multiple scales to predict possible landslide occurrence for a single point. To validate our method, we created a standardized dataset of georeferenced images consisting of the heterogeneous features as inputs, and compared our method to several baselines, including linear regression, a neural network, and a convolutional network, using log-likelihood error and Receiver Operating Characteristic curves on the test set. Our model achieves 2-7% improvement in terms of accuracy and 2-15% boost in terms of log likelihood compared to the other proposed baselines.

연구 동기 및 목표

• 기울기, 고도, 지형 이용, 암석성질 등의 이질적인 지공간 특징을 사용하여 산사태를 예측하는 데 도전하는 것.
• 기존의 컨볼루션 신경망보다 지형 데이터의 공간적 관계를 더 효과적으로 모델링함으로써 산사태 예측을 향상시키는 것.
• 데이터로부터 직접 학습하기 어려운 '상향' 방향 개념을 사전 지식으로 통합하는 것.
• 다중 척도에서 국소적인 지면 표면 방향에 적응하는 딥러닝 모델을 개발하여 점별 산사태 위험 평가를 수행하는 것.
• 로그우도 및 ROC 곡선 메트릭을 사용하여 표준 기준 모델과의 성능을 검증하는 것.

제안 방법

• 기본적으로 고정되거나 회전 불변인 필터가 아닌 국소적 지형 기울기와 정렬된 필터를 학습하는 컨볼루션 신경망(CNN)의 변종인 국소적으로 정렬된 컨볼루션 신경망(LACNN)을 제안한다.
• 데이터로부터 직접 학습하기 어려운 상향 방향의 사전 지식을 활용해 필터의 방향을 안내함으로써, 이 개념을 직접 학습하기에 충분한 데이터가 부족한 문제를 보완한다.
• 기울기, 고도, 지형 이용 등 이질적인 특징으로 구성된 지리공간 기반 입력 이미지를 다중 채널 공간 데이터로 처리한다.
• 산사태 발생과 관련된 국소적 지형 형태를 포착하기 위해 다중 척도 특징 추출을 적용한다.
• 감독 학습을 통해 각 공간 점에서의 산사태 발생 확률을 예측하기 위해 모델을 종단 간(end-to-end)으로 훈련시킨다.
• 표준화된 테스트 세트에서 로그우도 오차와 AUC-ROC를 사용하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 국소적 지형 기울기와 정렬된 필터를 가진 딥러닝 모델이 기존의 표준 CNN 대비 산사태 예측 정확도를 향상시킬 수 있는가?
• RQ2 상향 방향에 대한 사전 지식을 통합할 경우 산사태 위험도 지ap 맵핑에서 모델 성능에 어떤 영향을 미치는가?
• RQ3 로그우도 및 AUC-ROC 측면에서 LACNN은 선형 회귀 및 표준 신경망과 같은 전통적 방법보다 어느 정도 뛰어나게 성능을 발휘하는가?
• RQ4 다중 척도의 국소적 정렬이 산사태 발생 가능 지역 탐지에 향상 효과를 미치는가?
• RQ5 자기 정렬 컨볼루션 모델은 다양한 지공간 특징에 대해 효과적으로 일반화될 수 있는가?

주요 결과

• LACNN는 선형 회귀, 표준 신경망, 기존의 컨볼루션 네트워크를 포함한 기준 모델 대비 2–7%의 예측 정확도 향상을 기록한다.
• 모델은 로그우도 성능을 2–15% 향상시켜 보다 캘리브레이션된 확률 예측을 가능하게 한다.
• 상향 방향을 사전 지식으로 통합함으로써 모델의 일반화 능력과 공간적 추론 능력이 크게 향상된다.
• LACNN는 로그우도 및 AUC-ROC 메트릭 모두에서 모든 기준 모델을 능가하며, 강력한 내재성과 예측 능력을 입증한다.
• 표준화된 지리공간 기반 데이터셋은 다양한 모델 간의 신뢰할 수 있는 벤치마킹과 결과 재현 가능성을 보장한다.
• 다중 척도의 국소적 정렬은 산사태 발생과 관련된 미세한 지형 특징을 포착하는 데 기여한다.