Building Coverage Estimation with Low-resolution Remote Sensing Imagery

要約

建物カバー率統計は、地域の都市化、インフラ、貧困レベルに関する重要な洞察を提供し、貧困の緩和、持続可能な都市の構築、インフラ投資と公共サービス提供の配分に向けた取り組みを促進する。建物のグローバルマッピングは、ディープラーニングモデルをパイプラインに組み込むことで、より効率的になりました。しかし、これらのモデルは一般的に高解像度の衛星画像に依存しており、収集にコストがかかり、更新頻度も低い。その結果、特に建築環境が急速に変化している発展途上地域において、建ぺい率データはタイムリーに更新されない。本論文では、一般に公開されている低解像度の衛星画像のみを用いて建ぺい率を推定する方法を提案する。我々は、マルチノードの分位値回帰層を持つことで、モデルの空間的・時間的汎化性が大幅に改善されることを示す。我々のモデルは、世界中の異なる開発レベルの地域の建ぺい率を予測する際に、決定係数($R^2$)0.968という高い値を達成した。提案モデルは生の入力画像から正確に建物を予測し、未見の国や大陸にもうまく汎化できることを示し、低解像度のリモートセンシングデータのみを用いて世界の建物被覆率を推定できる可能性を示唆するものである。

要約(オリジナル)

Building coverage statistics provide crucial insights into the urbanization, infrastructure, and poverty level of a region, facilitating efforts towards alleviating poverty, building sustainable cities, and allocating infrastructure investments and public service provision. Global mapping of buildings has been made more efficient with the incorporation of deep learning models into the pipeline. However, these models typically rely on high-resolution satellite imagery which are expensive to collect and infrequently updated. As a result, building coverage data are not updated timely especially in developing regions where the built environment is changing quickly. In this paper, we propose a method for estimating building coverage using only publicly available low-resolution satellite imagery that is more frequently updated. We show that having a multi-node quantile regression layer greatly improves the model’s spatial and temporal generalization. Our model achieves a coefficient of determination ($R^2$) as high as 0.968 on predicting building coverage in regions of different levels of development around the world. We demonstrate that the proposed model accurately predicts the building coverage from raw input images and generalizes well to unseen countries and continents, suggesting the possibility of estimating global building coverage using only low-resolution remote sensing data.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL