[论文解读] Spatial sensitivity analysis for urban land use prediction with physics-constrained conditional generative adversarial networks

Adrian Albert, Jasleen Kaur+2 more|arXiv (Cornell University)|Jul 22, 2019

Urban Design and Spatial Analysis参考文献 12被引用 7

一句话总结

该论文提出了一种物理约束的条件生成对抗网络（GAN）框架，仅使用全球遥感数据预测城市土地利用变化，无需依赖本地社会经济数据，即可实现大规模空间敏感性分析。该模型生成了逼真的城市形态分布，并通过反向传播计算空间梯度，结果显示人口或经济代理变量的变化在城市区域内的传播距离超过15公里。

ABSTRACT

Accurately forecasting urban development and its environmental and climate impacts critically depends on realistic models of the spatial structure of the built environment, and of its dependence on key factors such as population and economic development. Scenario simulation and sensitivity analysis, i.e., predicting how changes in underlying factors at a given location affect urbanization outcomes at other locations, is currently not achievable at a large scale with traditional urban growth models, which are either too simplistic, or depend on detailed locally-collected socioeconomic data that is not available in most places. Here we develop a framework to estimate, purely from globally-available remote-sensing data and without parametric assumptions, the spatial sensitivity of the ( extit{static}) rate of change of urban sprawl to key macroeconomic development indicators. We formulate this spatial regression problem as an image-to-image translation task using conditional generative adversarial networks (GANs), where the gradients necessary for comparative static analysis are provided by the backpropagation algorithm used to train the model. This framework allows to naturally incorporate physical constraints, e.g., the inability to build over water bodies. To validate the spatial structure of model-generated built environment distributions, we use spatial statistics commonly used in urban form analysis. We apply our method to a novel dataset comprising of layers on the built environment, nightlighs measurements (a proxy for economic development and energy use), and population density for the world's most populous 15,000 cities.

研究动机与目标

• 解决缺乏可扩展、数据驱动的城市建模工具的问题，这些工具可在不依赖稀缺本地社会经济数据的情况下预测城市扩张。
• 开发一种机器学习框架，能够执行比较静态分析——评估宏观经济因素的变化如何在空间上影响城市发展。
• 将物理约束（例如，禁止在水域上建设）自然地整合到生成建模过程中。
• 使用领域特定的空间统计指标（如分形维数和建筑密度）验证模型生成的城市形态。
• 为数据匮乏地区（尤其是发展中国家）提供全球尺度的城市模拟，用于情景规划。

提出的方法

• 将城市土地利用预测建模为使用条件GAN的图像到图像翻译任务，以人口密度图和夜间灯光亮度图为条件输入。
• 将物理约束（如水体）整合到GAN损失函数中，以防止在禁止区域出现不切实际的城市开发。
• 在训练过程中使用反向传播，隐式计算建筑用地面积相对于输入因素（人口和亮度）的空间梯度，从而实现敏感性分析。
• 在包含约15,000座城市的全新全球数据集上训练模型，该数据集涵盖建筑用地（DLR）、人口密度（LandScan）和夜间灯光数据（NASA）。
• 使用城市科学中常见的空间统计指标（如分形维数和建筑用地密度）验证生成的城市形态模式。
• 通过计算梯度幅值及其在全球大都市区域内的传播距离，执行空间敏感性分析。

实验结果

研究问题

• RQ1 仅在遥感数据上进行训练的深度生成模型，是否能在全球尺度上生成与现实世界空间统计（如分形维数和建筑密度）一致的逼真城市土地利用模式，而无需参数假设或本地数据？
• RQ2 如何将水体等物理约束自然地嵌入到深度生成模型中，以实现城市形态预测？
• RQ3 人口密度或经济代理变量（如夜间灯光）的变化在多大程度上会影响空间上相距较远的区域的城市发展？
• RQ4 在城市系统中，对宏观经济因素的敏感性传播的空间范围有多大？
• RQ5 是否能够从基于GAN的城市建模框架中有效提取基于梯度的敏感性分析，而无需真实标签？

主要发现

• 该模型成功生成了与真实世界空间统计（如分形维数和建筑密度）相匹配的逼真城市土地利用模式。
• 空间敏感性分析表明，人口密度或亮度（经济活动的代理变量）的单位变化在城市区域内的影响传播距离超过15公里。
• 梯度溢出（即对输入变化的敏感性扩展至邻近区域之外）可被定量测量且不可忽略，平均梯度幅值在15公里以外降至峰值的1%以下。
• 该框架实现了对全球约3,000个主要大都市区域的大规模、非参数化敏感性分析，揭示了梯度传播模式在不同区域间的差异。
• 通过反向传播提取空间梯度，提供了一种可扩展、可微分的方法，用于城市建模中的比较静态分析，而无需显式参数化空间依赖关系。
• 尽管GAN模型存在黑箱特性，但通过领域相关的空间度量验证了模型输出，为数据驱动的城市模拟提供了一个概念验证。