On the Importance of Feature Representation for Flood Mapping using Classical Machine Learning Approaches

要約

気候変動により、世界中で気象災害の深刻度と頻度が増加しています。
地球観測データに基づく洪水浸水マッピングは、洪水イベントの影響を受けた地域を示す安価で正確なマップを緊急救援部隊にほぼリアルタイムで提供することにより、この状況で役立ちます。
Sen1Floods11 データセットの最近の開発に基づいて、限られた量の手作業でラベル付けされた高品質のトレーニング データを提供します。このホワイト ペーパーでは、勾配ブースティング デシジョン ツリー、サポート ベクター マシン、二次判別分析など、5 つの従来の機械学習アプローチの可能性を評価します。
.
23 の特徴空間でグリッド検索ベースのハイパーパラメーター最適化を実行することにより、考慮されているすべての分類子が、最高性能の機能での合計 IoU に関して、現在の最先端のニューラル ネットワーク ベースのアプローチよりも優れていることを示すことができます。
スペース。
IoU の合計値と平均値が 0.8751 と 0.7031 であり、以前に報告された最良の結果の 0.70 と 0.5873 と比較して、単純な勾配ブースティング分類器が、使用するトレーニング データが少ないにもかかわらず、ディープ ニューラル ネットワーク ベースのアプローチよりも大幅に改善できることを示しています。
さらに、Sen1Floods11 データセットの地域分布を分析すると、空間的な不均衡の問題が明らかになります。
従来の機械学習モデルがこのバイアスを学習できることを示し、空間的な不均衡によるアーティファクトに対抗するには、修正されたメトリック評価が必要であると主張します。
最後に、定性的分析は、このピクセル単位の分類子が非常に正確な地表水分類を提供することを示しており、特徴空間とピクセル単位の分類を適切に選択することで、光学データと SAR データを使用して高品質の洪水マップを生成できることを示しています。
コードは https://github.com/DFKI-Earth-And-Space-Applications/Flood_Mapping_Feature_Space_Importance で公開しています。

要約(オリジナル)

Climate change has increased the severity and frequency of weather disasters all around the world. Flood inundation mapping based on earth observation data can help in this context, by providing cheap and accurate maps depicting the area affected by a flood event to emergency-relief units in near-real-time. Building upon the recent development of the Sen1Floods11 dataset, which provides a limited amount of hand-labeled high-quality training data, this paper evaluates the potential of five traditional machine learning approaches such as gradient boosted decision trees, support vector machines or quadratic discriminant analysis. By performing a grid-search-based hyperparameter optimization on 23 feature spaces we can show that all considered classifiers are capable of outperforming the current state-of-the-art neural network-based approaches in terms of total IoU on their best-performing feature spaces. With total and mean IoU values of 0.8751 and 0.7031 compared to 0.70 and 0.5873 as the previous best-reported results, we show that a simple gradient boosting classifier can significantly improve over deep neural network based approaches, despite using less training data. Furthermore, an analysis of the regional distribution of the Sen1Floods11 dataset reveals a problem of spatial imbalance. We show that traditional machine learning models can learn this bias and argue that modified metric evaluations are required to counter artifacts due to spatial imbalance. Lastly, a qualitative analysis shows that this pixel-wise classifier provides highly-precise surface water classifications indicating that a good choice of a feature space and pixel-wise classification can generate high-quality flood maps using optical and SAR data. We make our code publicly available at: https://github.com/DFKI-Earth-And-Space-Applications/Flood_Mapping_Feature_Space_Importance

arxiv情報

提供元, 利用サービス

arxiv.jp, Google