[论文解读] Mapping Informal Settlements in Developing Countries with Multi-resolution, Multi-spectral Data

Patrick Helber, Bradley Gram-Hansen+5 more|arXiv (Cornell University)|Nov 30, 2018

Remote-Sensing Image Classification参考文献 6被引用 4

一句话总结

本论文提出两种方法，利用多分辨率、多光谱卫星数据对发展中国家的非正式住区进行制图：一种是基于免费获取的低分辨率（10米）哨兵-2影像训练的计算高效型典型相关森林（CCF）分类器；另一种是使用昂贵的超高清分辨率（30厘米）影像的深度学习语义分割模型。据我们所知，这是首次仅使用低分辨率卫星数据成功制图非正式住区的研究，尽管标注存在噪声和不完整，仍实现了在多样化全球区域的强泛化能力。

ABSTRACT

Detecting and mapping informal settlements encompasses several of the United Nations sustainable development goals. This is because informal settlements are home to the most socially and economically vulnerable people on the planet. Thus, understanding where these settlements are is of paramount importance to both government and non-government organizations (NGOs), such as the United Nations Children's Fund (UNICEF), who can use this information to deliver effective social and economic aid. We propose two effective methods for detecting and mapping the locations of informal settlements. One uses only low-resolution (LR), freely available, Sentinel-2 multispectral satellite imagery with noisy annotations, whilst the other is a deep learning approach that uses only costly very-high-resolution (VHR) satellite imagery. To our knowledge, we are the first to map informal settlements successfully with low-resolution satellite imagery. We extensively evaluate and compare the proposed methods. Please find additional material at https://frontierdevelopmentlab.github.io/informal-settlements/.

研究动机与目标

• 为应对发展中国家非正式住区准确、可扩展制图的迫切需求，以支持联合国可持续发展目标。
• 开发一种仅使用免费获取的低分辨率（10米）多光谱卫星影像检测非正式住区的方法。
• 评估一种低成本、计算高效的CCF方法与一种高精度、高成本的深度学习CNN方法在超高清分辨率影像上的性能和泛化能力。
• 证明仅从低分辨率数据中提取的光谱特征即可实现对非正式住区的有效检测，即使在复杂的都市环境中亦可。

提出的方法

• 使用典型相关森林（CCF）的像素级分类模型，基于哨兵-2的10波段多光谱数据（10米分辨率）进行训练，将每个像素分类为非正式住区或环境。
• CCF模型使用每类80%的标注数据进行训练，树的数量设置为n_trees = 10，并对输入特征进行归一化处理（零均值，单位方差），以提升泛化能力。
• 为实现高精度制图，使用最先进的语义分割卷积神经网络（CNN）在超高清分辨率（30厘米）的DigitalGlobe影像上进行训练，以捕捉屋顶尺寸和住区密度等细粒度结构特征。
• 模型评估采用像素准确率和平均交并比（mIoU），并从每类中随机采样点构建独立的训练集和测试集。
• 通过在某一区域（如内罗毕北部或麦德林）训练模型并在未见区域进行评估，测试其泛化能力，证明了迁移学习的潜力。
• 本研究利用了六个国家（肯尼亚、南非、尼日利亚、苏丹、哥伦比亚、印度）的数据，地面真值标注来自联合国儿童基金会及其他合作伙伴。

实验结果

研究问题

• RQ1 是否可以仅使用低分辨率（10米）多光谱卫星影像，而无需依赖高分辨率数据，有效检测非正式住区？
• RQ2 在低分辨率数据上训练的计算高效CCF模型与在超高清分辨率影像上训练的深度学习CNN模型相比，性能如何？
• RQ3 在地理和气候条件截然不同的未见区域中，于某一区域训练的模型在检测非正式住区方面的泛化能力如何？
• RQ4 在非正式住区检测的低数据环境下，噪声和不完整的标注对模型性能有何影响？
• RQ5 仅从低分辨率数据中提取的光谱特征是否足以捕捉非正式住区的本质特征，即使结构细节无法分辨？

主要发现

• 在内罗毕北部，仅使用低分辨率（10米）哨兵-2数据训练的CCF模型实现了69.4%的像素准确率和62.0%的mIoU，尽管分辨率较低，仍优于在基贝拉地区使用的CNN模型。
• 在基贝拉地区，CCF模型实现了69.0%的像素准确率和73.3%的mIoU，而CNN模型则分别达到78.2%和65.5%，表明仅靠光谱数据即可有效捕捉住区结构特征。
• 在苏丹的阿尔吉内因，由于光谱特征与周围环境相似，CNN模型实现了89.2%的准确率和76.3%的mIoU，证明在复杂情况下高分辨率特征具有显著优势。
• 在内罗毕北部训练的CCF模型在其他区域实现了中等程度的泛化：在基贝拉地区达到69.4%准确率和62.0% mIoU，在麦德林地区达到55.0%准确率和54.4% mIoU，表明具备迁移学习潜力。
• 在地面真值不完整的区域（如南非、尼日利亚、印度），CCF模型仍保持中等性能（如在孟买达到97.0%准确率），表明对数据稀疏性具有鲁棒性。
• 本研究首次证明，仅使用免费获取的低分辨率多光谱卫星数据，即可可靠检测非正式住区，为可扩展、低成本的城市监测开辟了新路径。