[论文解读] Rule based End-to-End Learning Framework for Urban Growth Prediction

Saptarshi Pal, Soumya K. Ghosh|arXiv (Cornell University)|Nov 29, 2017

Land Use and Ecosystem Services参考文献 18被引用 3

一句话总结

本文提出了一种新颖的端到端学习框架，可直接从Landsat卫星影像中提取细胞自动机规则以实现城市增长预测，避免了人工特征工程。通过利用决策树和表征学习，该框架在图灵度量（Figure of Merit）、生产者准确率与用户准确率以及总体准确率方面均优于现有方法，同时自动捕捉了水体和沼泽等空间约束，而无需显式输入。

ABSTRACT

Due to the rapid growth of urban areas in the past decades, it has become increasingly important to model and monitor urban growth in mega cities. Although several researchers have proposed models for simulating urban growth, they have been primarily dependent on various manually selected spatial and nonspatial explanatory features for building models. A practical difficulty with this approach is manual selection procedure, which tends to make model design process laborious and non-generic. Despite the fact that explanatory features provide us with the understanding of a complex process, there has been no standard set of features in urban growth prediction over which scholars have consensus. Hence, design and deploying of systems for urban growth prediction have remained challenging tasks. In order to reduce the dependency on human devised features, we have proposed a novel End-to-End prediction framework to represent remotely sensed satellite data in terms of rules of a cellular automata model in order to improve the performance of urban growth prediction. Using our End-to-End framework, we have achieved superior performance in Figure of Merit, Producer's accuracy, User's accuracy, and Overall accuracy metrics respectively over existing learning based methods.

研究动机与目标

• 解决城市增长建模中人工特征工程的劳动密集型与非通用性问题。
• 降低对人工选择的空间与光谱特征在城市增长预测中的依赖。
• 开发一种端到端学习框架，直接从原始卫星影像中学习规则，以提升泛化能力与性能。
• 在无需显式标注或特征工程的情况下，自动发现空间约束（如水体、沼泽）。
• 通过在Landsat影像的光谱与空间数据上应用表征学习，提升预测准确率与鲁棒性。

提出的方法

• 将原始Landsat卫星影像作为输入，以绕过传统特征工程步骤。
• 应用端到端学习，将光谱与空间模式直接映射到细胞自动机转换规则。
• 采用决策树与随机森林作为可解释的知识结构，以提取并表示所学规则。
• 使用单层MLP、SGD、朴素贝叶斯、K近邻、AdaBoost及其他分类器进行对比评估。
• 利用表征学习自动捕捉遥感数据中的复杂光谱与空间模式。
• 整合1991年至2011年间的多期时间序列数据，以建模城市演变动态并预测2051年的增长情况。

实验结果

研究问题

• RQ1 端到端学习框架能否消除城市增长预测中对人工特征工程的需求？
• RQ2 直接从卫星影像中学习规则的方法与使用工程化空间与光谱特征的传统方法相比表现如何？
• RQ3 该框架在无需显式输入的情况下，能在多大程度上自动学习并尊重自然障碍（如水体与沼泽）？
• RQ4 与逻辑回归、SVM和随机森林等成熟模型相比，该端到端框架的性能如何？
• RQ5 该框架能否在不同城市区域间实现泛化，并在数据不平衡与分辨率限制下保持高准确率？

主要发现

• 该端到端框架在使用单层MLP时，图灵度量（FoM）达到0.911805，优于包括逻辑回归、SVM和随机森林在内的现有方法。
• 该框架在使用单层MLP时总体准确率达到91.18%，使用随机森林时为90.08%，表现出强劲的预测性能。
• 生产者准确率与用户准确率显著高于传统模型，表明对建成区的检测与分类能力得到提升。
• 在2051年的预测中，模型成功避免了向水体与沼泽区域的城区扩张，即使未显式输入这些特征信息。
• 基于决策树的实现版本表现出最小的过拟合现象，且泛化能力优于其他端到端模型（如K近邻与朴素贝叶斯）。
• 该框架对数据不平衡具有鲁棒性，即使在时间分辨率降低与空间分辨率固定的情况下，仍能学习到有效的转换模式。