Predicting Local Climate Zones using Urban Morphometrics and Satellite Imagery

Probleemstelling

De Local Climate Zone (LCZ)-framework wordt veel gebruikt om stedelijke vormen te karakteriseren in morfologische analyses, maar de kaartproductie ervan is overwegend afhankelijk van satellietbeelden. Hoewel stedelijke morfometrie (kwantitatieve metingen van fysieke aspecten en ruimtelijke relaties van stedelijke elementen) een waardevol alternatief biedt, is de relatie tussen 2D-morfometrische kenmerken en LCZ-typen onvoldoende onderzocht. Bestaande studies die stedelijke vormbeschrijvingen gebruiken, vertrouwen vaak op een beperkt aantal geïsoleerde metrieken. Dit onderzoek stelt de vraag of een uitgebreide set morfometrische attributen, zonder gebruik van satellietbeelden, LCZ's kan voorspellen, en of het combineren (fuseren) van deze morfometrie met satellietbeelden de nauwkeurigheid van bestaande op beeld gebaseerde methoden verbetert.

Methodologie

De studie is uitgevoerd op vijf steden (Berlijn, Hongkong, Parijs, Rome en São Paulo) met behulp van referentiedata uit de IEEE GRSS Data Fusion Contest 2017. De methodologie omvat vier hoofdstappen:

1. Berekening van Stedelijke Morphometrie:

   • Er zijn 107 primaire morfometrische attributen berekend op basis van gebouwvoetsporen, straatnetwerken en ingesloten tesselatiecellen (ETCs) met de Python-bibliotheek momepy.
   • Deze attributen dekken vijf eigenschappen: dimensie, vorm, ruimtelijke verdeling, intensiteit en connectiviteit, op verschillende schalen (van individuele elementen tot buurten).
   • Om lokale variatie te gladstrijken en contextuele patronen vast te leggen, zijn voor elk primair attribuut de 25e, 50e en 75e percentielen berekend over naburige ETCs (binnen 3 topologische stappen).
   • Dit resulteerde in een dataset van 321 contextuele 2D-morfometrische attributen.

2. Classificatie-architecturen:

   • Random Forest (RF): Gebruikt voor het classificeren van morfometrische data en voor fusie-modellen.
   • MSMLA-50 CNN: Een Multi-Scale, Multi-Level Attention Convolutional Neural Network (gebaseerd op SE-ResNet50) voor beeldclassificatie.

3. Vier Classificatieschema's (S1–S4):

   • S1 (Morfometrie-only): Voorspelling van LCZ's (alleen stedelijke types 1-10) puur op basis van de 321 morfometrische attributen met RF.
   • S2 (Basislijn - Beeld): Een gevestigde RS-gebaseerde aanpak (Remote Sensing) waarbij Sentinel-2-beeldpatches (320x320 m) worden geclassificeerd met de MSMLA-50 CNN.
   • S3 (Fusie - Raster): De 20 belangrijkste morfometrische attributen (geïdentificeerd in S1) worden gerasterd en als extra banden toegevoegd aan het Sentinel-2-beeld. Dit wordt geclassificeerd met RF.
   • S4 (Fusie - Feature Vector): De CNN-extractie (features van de laag voor de classificatiekop) wordt gecombineerd met geaggregeerde statistieken van de 20 morfometrische attributen. Deze gefuseerde vector wordt geclassificeerd met RF.

4. Validatie:

   • De modellen werden getraind en getest met stratified 5-voudige kruisvalidatie.
   • Prestaties werden gemeten met de gewogen F1-score (F1) en Overall Accuracy (OA), met specifieke aandacht voor stedelijke (F1U) en natuurlijke (F1N) types.

Belangrijkste Bijdragen

• Uitgebreide Morphometrische Analyse: Dit is de meest exhaustieve toepassing van stedelijke morfometrie voor LCZ-voorspelling tot nu toe, met 321 attributen in plaats van een beperkte set.
• Vergelijking van Fusiestrategieën: Het onderzoek vergelijkt niet alleen morfometrie met beeld, maar test ook twee verschillende fusietechnieken (raster-stacking vs. feature-vector concatenatie) om te bepalen welke het beste werkt.
• Kritische Evaluatie van het LCZ-Framework: Het onderzoek test de fundamentele aanname dat LCZ-typen direct correleren met meetbare, zichtbare aspecten van de stedelijke vorm.

Resultaten

• Morfometrie-only (S1): De prestaties varieerden sterk per locatie (F1 van 64,2% in Rome tot 92,5% in Parijs). De methode kon compacte versus open types redelijk onderscheiden, maar faalde bij het onderscheiden van types die verschillen in bouwhoogte of bij industriële zones (LCZ-10). De resultaten waren zeer instabiel en afhankelijk van de samenstelling van de trainingsdata.
• Fusie vs. Beeld-basislijn (S2):
  • De fusie van morfometrie en beeld leverde geen universele verbetering op.
  • In Hongkong en Rome waren er significante verbeteringen (tot 6,4% voor stedelijke types), maar in andere steden waren de winsten verwaarloosbaar of zelfs negatief.
  • De fusie leidde vaak tot een verslechtering van de classificatie van natuurlijke LCZ-typen (zoals verspreide bomen) en verhoogde verwarring tussen bepaalde categorieën.
  • S3 (raster-fusie) presteerde over het algemeen beter voor stedelijke types, terwijl S4 (feature-fusie) iets beter was voor natuurlijke types, maar geen van beide was consistent superieur.
• Instabiliteit: Zowel de morfometrische als de gefuseerde modellen vertoonden een veel hogere gevoeligheid voor trainingsdata dan de puur op beeld gebaseerde CNN-basislijn.

Betekenis en Conclusie

De studie concludeert dat de relatie tussen 2D-stedelijke morfometrie en de LCZ-typologie selectief en inconsistent is.

• Beperkingen van LCZ: Het LCZ-framework lijkt een te sterke vereenvoudiging van de complexe stedelijke vorm. De correlatie tussen de meetbare fysieke eigenschappen van de stad en de LCZ-categorieën is vaak zwak ("tenuous").
• Aanbeveling: Hoewel morfometrie waardevolle inzichten biedt (bijv. over vorm, straalnetwerk en dichtheid), moet het LCZ-framework met voorzichtigheid worden gebruikt in morfologische studies. Het is geen perfecte vervanging voor diepgaande morfologische analyse en kan leiden tot oversimplificatie en verminderde vergelijkbaarheid tussen verschillende locaties.
• Toekomstig Onderzoek: Er is behoefte aan een parsimonische, overdraagbare subset van morfometrische attributen en verdere onderzoek naar wanneer en waarom fusie van data wel of niet werkt. Integratie met 3D-gebouwdata wordt ook als een logische volgende stap genoemd.