Beyond Binary Rooftop Mapping: A Four-Class Deep Learning Framework for Green Roof Potential Assessment from Open Swiss Geospatial Data

技術要約：バイナリを超えた屋上マッピング（Beyond Binary Rooftop Mapping）

問題提起
効果的な都市気候適応戦略には、エコシステムサービス、特に都市熱島（UHI）現象の緩和を評価するための包括的な屋上の空間データが必要である。グリーンルーフ（屋上緑化）は重要な解決策として認識されているが、既存の研究やデータセットは、通常、現在存在するグリーンルーフ、または潜在的な緑化可能サイトのいずれか一方のマッピングに焦点を当てており、両方を同時に扱うことは稀である。さらに、現在のアプローチはプロプライエタリな画像に依存して再現性を制限しているか、あるいは既存のグリーンルーフ、ソーラー設置物、潜在的な緑化サイト、および不適切な平坦面を区別できていないことが多い。構造的な制約（傾斜など）をスペクトル解析と統合し、都市規模での屋上の適合性を評価するための、オープンソースのマルチクラス・フレームワークに対する決定的な欠落が存在する。

手法
本研究は、既存の「Roofpedia」アーキテクチャに基づき、4クラスのセマンティック・セグメンテーションを実行するために適応させた、修正されたディープラーニング・フレームワークを提案する。このワークフローは、物理的な実現可能性の制約を強制するために、高解像度航空写真とデジタル表面モデル（DSM）を統合している。

• データソース: 本フレームワークは、完全にオープンソースのSwisstopoデータセットに依存している：
  • SWISSIMAGE: 解像度10 cmのRGBオルソフォト。
  • swissSURFACE3D: 屋根の傾斜を計算するためのDSM。
  • swissTLM3D: ベクトル建物フットプリント。
  • 注記: 本研究ではMapboxの画像もベンチマークしたが、最終的な都市規模の適用においては、完全なオープンソースの可用性と、SWISSIMAGE RSよりも優れた幾何学的な鮮明度を持つため、SWISSIMAGEを選択した。
• 前処理: 傾斜に基づくフィルタリング段階（QGIS Zonal Statisticsを使用）により、平均傾斜が6.5度を超える建物を除外し、グリーンインフラに適した平坦な屋根の構造のみを保持する。
• モデル・アーキテクチャ: ImageNetで事前学習されたResNet-50エンコーダー・バックボーンを用いた、修正U-Netが採用された。モデルは屋上を以下の4つの異なるカテゴリに分類する：
  1. 既存のグリーンルーフ: 現在植生があるもの。
  2. 潜在的なグリーンルーフ: 平坦で、現在は植生がない適合表面。
  3. ソーラー屋根: 太陽光パネルによって占有されている表面。
  4. 不適合: 素材や代替用途のため、緑化が不可能な平坦な表面。
• ラベル割り当て: 建物フットプリント内に複数のクラスが予測された場合に、単一のクラスを割り当てるための2つの戦略を評価した：
  • 優先順位ベース: ソーラー > 潜在的グリーン > グリーン > 不適合。
  • 面積ベース: 最も大きな交差面積比率を持つクラスを割り当てる。
• 評価: モデルは、スイスのベルンにおける9,814のラベル付け済み建物を用いて訓練および検証された。性能は、クロスエントロピー損失、平均IoU（mIoU）、および全体精度（OA）を用いて測定された。

主な貢献

1. 4クラス分類システム: 本研究は、既存のグリーンルーフ、既存のソーラー屋根、潜在的なグリーンルーフ、および不適合な平坦面を同時に区別できる、初の完全オープンソースモデルを導入する。
2. 構造的制約の統合: 純粋なスペクトル・アプローチとは異なり、本フレームワークはDSM由来の傾斜閾値を統合して、分類前に物理的に不適合な屋根をフィルタリングすることで、「潜在的グリーン」のカテゴリが現実世界の設置可能性を反映するようにしている。
3. 画像ソースの比較分析: 本論文は、4クラスのタスクに対して3つの航空画像ソース（Mapbox、SWISSIMAGE、SWISSIMAGE RS）を体系的に評価し、RGB画像（MapboxおよびSWISSIMAGE）は総体として同等の性能を示す一方で、近赤外線（SWISSIMAGE RS）の追加は4クラスのセグメンテーション・スコアを向上させず、むしろ幾何学的な鮮明度の低下を招くことを明らかにした。
4. オープンソースによる再現性: データ処理からモデル訓練に至るワークフロー全体が、オープンソースのツールとデータで構築されており、他のスイスの都市や世界各地への転用が可能である。

結果

• モデルの性能: 修正されたRoofpediaモデルは、4クラス全体で訓練mIoU 0.86、検証mIoU 0.78を達成した。
• 画像ソースの比較:
  • SWISSIMAGE (10 cm RGB): 建物レベルの全体精度51%を達成した。これは、検出漏れ率（443棟）が最も低く、エラーが主に「潜在的グリーン」クラス（既存のグリーンと潜在的グリーンとの混同）に集中しているという、最良のバランスを示した。
  • Mapbox (~50 cm RGB): 建物レベルの精度59.7%を達成したが、低解像度によるテクスチャの曖昧さにより、「不適合」な屋根を「潜在的グリーン」と誤分類する傾向が高かった。
  • SWISSIMAGE RS (RGB + NIR): 画像のぼけにより、ソーラーパネルのような幾何学的特徴の検出が低下したため、性能が著しく低下した（精度15.2%）。
• ベースラインとの比較: オリジナルのバイナリRoofpediaモデルは、単一クラス（グリーン対非グリーン）において77.5%の精度を達成したが、植生類型学のために訓練されたproj-vegroofs-DLモデルは、4クラスのタスクにマッピングした際にわずか11%の精度しか示さなかった。提案された4クラスモデルは、バイナリのベースラインよりも生の精度は低いものの、より豊かで政策に関連する出力を提供する。
• ベルンのケーススタディ: 市のベルンに適用した結果、約9,898棟の平坦な屋根を持つ建物（全ストックの9.6%）が特定された。ラベル付け戦略の選択は結果に大きく影響し、優先順位ベースの戦略では11.7%の建物がソーラーと推定されたのに対し、面積ベースの戦略ではわずか6.3%であった。

意義と主張
本論文は、このフレームワークが、統一された、透明性が高く、再現可能なツールを提供することで、主要な方法論的ギャップを埋めるものであると主張している。バイナリの「グリーン／非グリーン」マッピングを超えて、本研究は、調整された気候適応計画に必要なエビデンスに基づいた情報を提供する。著者らは、オープンソースのSwisstopoデータへの依存により、ワークフローが限られたリソースしか持たない都市でも利用可能であり、国際的にスケールアップできることを強調している。結果は、ベルンには、現在「不適合」または「潜在的グリーン」に分類されている平坦な屋根を中心に、グリーンルーフ拡張のための大きな未開拓の可能性があることを示唆しており、これはUHI緩和戦略のための具体的な基礎となる。結論として、モデルは完璧ではない（苔に覆われた裸の屋根とグリーンルーフの混同や、ソーラーパネルと波板屋根の幾何学的な類似性に起因する）ものの、実用的なマルチクラスの屋上評価における実質的な進歩を象徴している。