[论文解读] Developing High Quality Training Samples for Deep Learning Based Local Climate Zone Classification in Korea

Minho Kim, Doyoung Jeong+2 more|arXiv (Cornell University)|Nov 3, 2020

Urban Heat Island Mitigation被引用 4

一句话总结

本研究利用Sentinel-2影像、NDVI以及EAIS的建筑数据，为韩国主要城市开发了高质量的定制本地气候区（LCZ）训练样本，随后采用多尺度卷积神经网络（MSCNN）实现83.88%的整体分类准确率，显著优于随机森林和来自全球So2Sat数据集的迁移学习方法。

ABSTRACT

Two out of three people will be living in urban areas by 2050, as projected by the United Nations, emphasizing the need for sustainable urban development and monitoring. Common urban footprint data provide high-resolution city extents but lack essential information on the distribution, pattern, and characteristics. The Local Climate Zone (LCZ) offers an efficient and standardized framework that can delineate the internal structure and characteristics of urban areas. Global-scale LCZ mapping has been explored, but are limited by low accuracy, variable labeling quality, or domain adaptation challenges. Instead, this study developed a custom LCZ data to map key Korean cities using a multi-scale convolutional neural network. Results demonstrated that using a novel, custom LCZ data with deep learning can generate more accurate LCZ map results compared to conventional community-based LCZ mapping with machine learning as well as transfer learning of the global So2Sat dataset.

研究动机与目标

• 为解决全球LCZ制图中准确率低和泛化能力差的问题，特别是针对韩国等区域城市背景的局限性。
• 利用多源遥感与GIS数据，为韩国主要城市开发高质量、区域特定的LCZ训练数据集。
• 评估基于深度学习的LCZ分类中，定制训练数据与来自全球数据集（如So2Sat）的迁移学习方法的有效性差异。
• 通过在精选训练样本上应用多尺度卷积神经网络（MSCNN），提升韩国LCZ制图的准确性。
• 为韩国建立基于数据驱动、高分辨率的全国尺度LCZ制图基础。

提出的方法

• 从Sentinel-2影像拼接图中提取32×32像素的图像块，利用NDVI识别自然覆盖，结合MBI数据识别建筑覆盖，以指导LCZ标签生成。
• 通过在代表性位置设置质心生成LCZ标签，并利用Google Earth和街景图像进行验证，确保标签的准确性和完整性。
• 采用包含三个并行卷积层（卷积核大小分别为3、5和7像素）的多尺度卷积神经网络（MSCNN），以捕捉多尺度空间特征。
• 应用数据增强和类别重加权技术，缓解训练样本中的类别不平衡问题。
• 使用Adam优化器、批量大小96、初始学习率0.002训练MSCNN模型，并在15个周期后启用早停法。
• 通过冻结ResNet主干网络并添加两个全连接层，对So2Sat数据集进行迁移学习微调。

实验结果

研究问题

• RQ1 与社区驱动或全球迁移学习方法相比，为韩国定制的高质量LCZ训练样本是否能显著提升分类准确率？
• RQ2 与传统随机森林模型相比，多尺度CNN（MSCNN）在分类异质性城市LCZ方面表现如何？
• RQ3 考虑到土地覆盖和季节性模式的区域差异，来自So2Sat全球数据集的迁移学习在韩国城市环境中泛化程度如何？
• RQ4 各类LCZ的F1分数如何变化？哪些类别在先进深度学习模型下仍具挑战性？
• RQ5 结合建筑高度与GIS数据是否能提升复杂城市区域中LCZ标签与分类的精度？

主要发现

• 在定制韩国LCZ数据上训练的MSCNN模型整体准确率达到83.88%，显著高于随机森林模型（74.27%）和So2Sat迁移学习方法（54.42%）。
• MSCNN模型的Kappa统计量达到64.99%，表明其分类结果与随机结果相比具有显著一致性，而随机森林和So2Sat的Kappa值分别为41.00%和48.60%。
• MSCNN在分类建筑覆盖LCZ（如LCZ 1和LCZ 4）方面表现更优，尤其在密集城区和郊区区域。
• So2Sat迁移学习方法在自然覆盖类别（如LCZ 2、3、5、6）上表现不佳，其混淆现象可能源于植被模式的季节性和区域差异。
• LCZ 2与3、LCZ 5与6之间的类别F1分数均低于50%，表明在区分相似的城市与植被区域方面仍存在持续挑战。
• 本研究证实，与全球迁移学习相比，针对特定区域的高质量训练数据在韩国本地尺度LCZ制图中更具有效性。