[论文解读] Mapping illegal waste dumping sites with neural-network classification of satellite imagery

M. R. Devesa, Antonio Vázquez Brust|arXiv (Cornell University)|Oct 16, 2021

Remote-Sensing Image Classification被引用 6

一句话总结

本文提出一种使用加权二元交叉熵损失的U-Net卷积神经网络，利用10米分辨率的Sentinel-2卫星影像检测布宜诺斯艾利斯省的非法垃圾倾倒点。该模型在测试数据上的平均交并比（IoU）达到0.675，展示了利用开源工具和迁移学习在大规模场景下有效分割倾倒点的能力。

ABSTRACT

Public health and habitat quality are crucial goals of urban planning. In recent years, the severe social and environmental impact of illegal waste dumping sites has made them one of the most serious problems faced by cities in the Global South, in a context of scarce information available for decision making. To help identify the location of dumping sites and track their evolution over time we adopt a data-driven model from the machine learning domain, analyzing satellite images. This allows us to take advantage of the increasing availability of geo-spatial open-data, high-resolution satellite imagery, and open source tools to train machine learning algorithms with a small set of known waste dumping sites in Buenos Aires, and then predict the location of other sites over vast areas at high speed and low cost. This case study shows the results of a collaboration between Dymaxion Labs and Fundaci\\'on Bunge y Born to harness this technique in order to create a comprehensive map of potential locations of illegal waste dumping sites in the region.

研究动机与目标

• 解决全球南方城市地区非法垃圾倾倒点可靠数据严重缺乏的问题。
• 开发一种可扩展、低成本的方法，利用卫星影像和机器学习检测并制图非法倾倒点。
• 通过应用加权二元交叉熵损失缓解训练中的数据不平衡问题，提升对稀有倾倒点像素的检测能力。
• 通过自动化、高分辨率的分割实现对倾倒点演变的快速、大规模监测。
• 通过提供具有地理空间精度的可操作性垃圾倾倒风险地图，支持城市规划和公共卫生举措。

提出的方法

• 采用具有四层下采样和四层上采样结构的U-Net架构，对卫星影像进行语义分割。
• 在1,917张100×100像素的标注图像上训练模型，使用RGB、NIR和SWIR波段。
• 应用加权二元交叉熵损失以缓解类别不平衡问题，对少数类别（倾倒点）赋予更高的损失权重。
• 采用70%训练集、10%验证集和20%测试集的划分方式，评估模型在未见数据上的泛化能力。
• 应用后处理：在像素级概率上进行阈值处理，并过滤面积小于100 m²的物体以减少误报。
• 利用Google Earth Engine高效访问和处理高分辨率、开放获取的卫星影像。

实验结果

研究问题

• RQ1 在小规模标注倾倒点数据集上训练的深度学习模型，能否在广阔的城市区域中准确检测到类似的倾倒点？
• RQ2 与仅使用RGB输入相比，多光谱波段（NIR、SWIR、NDSW）的引入在多大程度上提升了检测性能？
• RQ3 在倾倒点数据高度不平衡的数据集中，加权二元交叉熵在多大程度上改善了模型性能？
• RQ4 由于分辨率和图像质量限制，该模型在检测小型或低对比度倾倒点方面存在哪些局限性？
• RQ5 该方法是否可以利用开源工具和免费获取的卫星数据实现复制与扩展？

主要发现

• 当使用RGB-NIR-SWIR-NDSW多光谱波段时，模型在测试集上的平均交并比（IoU）达到0.675。
• 最优配置使用了全部四个波段（RGB、NIR、SWIR和NDSW），将损失降低至0.0458，相比波段子集提升了IoU。
• 模型在第18个周期后性能达到平台期，最终损失为0.0458，IoU为0.675。
• 由于10米图像分辨率和对比度较低，面积小于100 m²的小型倾倒点常被遗漏。
• 误报包括小型建筑和其他在光谱特征上与垃圾堆相似的地表覆盖类型。
• 部分区域的云层覆盖限制了影像获取，影响了研究区域内检测结果的一致性。