[论文解读] Automatic Roof Type Classification Through Machine Learning for Regional Wind Risk Assessment

Shuochuan Meng, Mohammad Hesam Soleimani‐Babakamali+1 more|arXiv (Cornell University)|May 27, 2023

Wind and Air Flow Studies被引用 9

一句话总结

本文开发了一个基于 CNN 的自动屋顶类型分类框架，利用卫星图像生成高分辨率屋顶数据，并进行填充缺失数据以用于在两个美国研究区的区域风风险分析。

ABSTRACT

Roof type is one of the most critical building characteristics for wind vulnerability modeling. It is also the most frequently missing building feature from publicly available databases. An automatic roof classification framework is developed herein to generate high-resolution roof-type data using machine learning. A Convolutional Neural Network (CNN) was trained to classify roof types using building-level satellite images. The model achieved an F1 score of 0.96 on predicting roof types for 1,000 test buildings. The CNN model was then used to predict roof types for 161,772 single-family houses in New Hanover County, NC, and Miami-Dade County, FL. The distribution of roof type in city and census tract scales was presented. A high variance was observed in the dominant roof type among census tracts. To improve the completeness of the roof-type data, imputation algorithms were developed to populate missing roof data due to low-quality images, using critical building attributes and neighborhood-level roof characteristics.

研究动机与目标

• 定义一个五类屋顶类型系统以反映抗风性能（五种屋顶类型包括简单山墙、简单交叉山墙、复杂交叉山墙、简单檐口以及交错檐口）。
• 开发一个自动工作流，利用 CNN 从建筑层级的卫星图像中分类屋顶类型并去除低质量图像。
• 使用建筑属性和邻域屋顶特征来填充缺失的屋顶类型数据，以提高数据集的完整性。
• 将该工作流应用于两个研究区，以生成用于区域风风险评估的城市级和 census tract 级别的屋顶类型分布。

提出的方法

• 创建一个包含 11,834 个建筑级屋顶图像的基准卫星图像数据集，标注为六个类别（包含一个未知类别）。
• 对用于屋顶类型分类的 VGG-19 CNN（ImageNet）进行微调，结合数据增强并进行训练/验证划分；达到 97% 的验证准确率。
• 在三个测试数据集（A、B、C）上评估模型，代表纯山墙/檐、未知和混合屋顶；报告每类的精确率、召回率和 F1 分数。
• 使用 Google Maps 卫星图像和训练好的 CNN 对 New Hanover County, NC 和 Miami-Dade County, FL 的 161,772 户独立住宅进行分类。
• 识别并移除低质量图像（未知类别），以避免产生错误的屋顶数据，并将剩余预测映射到五种屋顶类型。
• 开发使用建筑属性和邻近信息（80 m 邻域半径）的随机森林和 SVM 填充模型以填补缺失数据。

Fig. 1: Proposed roof type classification workflow.

实验结果

研究问题

• RQ1 CNN 在建筑层级的卫星图像上是否能准确分类与风蚀相关的五类屋顶类型？
• RQ2 CNN 在不同地理区域和屋顶复杂性（包括混合屋顶）下的表现如何？
• RQ3 利用建筑属性和邻域上下文的填充在多大程度上可以恢复用于区域风险分析的缺失屋顶类型数据？
• RQ4 在研究区的城市和 census tract 尺度上，屋顶类型的空间分布如何，邻域之间的变动有多大？

主要发现

• CNN（VGG-19）在屋顶类型分类任务上实现了总体验证准确率为 97%。
• 测试数据集 A 和 B 的总体 F1 分数分别为 0.96 和 0.95，具有较高的每类精确度/召回率，未知类别的精确度/召回率为 1.00/1.00。
• 研究区中约 80% 的建筑获得了有效的屋顶类型数据（未知数占比 11–17%），实现城市级和 census tract 级分布。
• 屋顶类型分布在两个区域中以山墙屋顶为主，檐口屋顶在 New Hanover County 的普及度高于 Miami-Dade County；72%（NH）和 63%（MD）具有复杂屋顶。
• 填充模型在预测屋顶类型（山墙/檐）时在 NH 的验证准确率为 0.89，在 MD 为 0.72；在预测屋顶复杂度方面，准确率为 0.64–0.66，测试数据上随机森林通常优于 SVM。
• 邻域上下文是预测屋顶类型的最重要特征，其次是建造年份和建筑面积。

Fig. 2: Location of study areas