Estimating the Impact of COVID-19 on Travel Demand in Houston Area Using Deep Learning and Satellite Imagery

Technische Samenvatting: Impact van COVID-19 op Reisvraag in Houston

1. Probleemstelling
De pandemie van COVID-19 veroorzaakte aanzienlijke verstoringen in transportsystemen en economische activiteiten. Traditionele methoden om reisvraag en economische activiteit te monitoren (zoals verkeerstellingen of enquêtes) zijn vaak tijdrovend, duur of niet real-time beschikbaar. Er is behoefte aan een kosteneffectieve, schaalbare en objectieve methode om de impact van dergelijke crises op de mobiliteit en economie te kwantificeren. Het artikel onderzoekt of hoogwaardige satellietbeelden, gecombineerd met geavanceerde computerzicht-algoritmen, kunnen dienen als betrouwbare proxy voor het schatten van reisvraag en economische activiteit in stedelijke gebieden.

2. Methodologie
De onderzoekers hanteerden een datagedreven aanpak die bestond uit drie hoofdfasen: datacollectie, modeltraining en analyse.

• Datacollectie:

  • Locatie: Acht specifieke locaties in de metropoolregio Houston werden geselecteerd om verschillende economische sectoren te vertegenwoordigen: een universiteit (University of Houston), een gemeenschapscentrum (JCC), winkelcentra (Meyerland Plaza, Katy Mills), supermarkten en restaurants.
  • Beeldmateriaal: Satellietbeelden werden verkregen via Google Earth Pro en de NOAA-website. In totaal werden 127 beelden verzameld over de afgelopen jaren, met een grondsample-afstand (GSD) van ongeveer 15–30 cm.
  • Preprocessing: De verzamelde beelden werden opgesplitst in tiles van 256×256 pixels om ze verwerkbaar te maken voor het deep learning-model.

• Modelontwikkeling (Deep Learning):

  • Architectuur: Er werd een objectdetectiemodel ontwikkeld met behulp van Detectron2 (een framework van Facebook AI Research) en het Faster R-CNN (Region-based Convolutional Neural Network) detector-architectuur.
  • Training: Het model werd getraind op de COWC-dataset (Cars Overhead with Context), die ongeveer 33.000 uniek gelabelde auto's bevat uit diverse locaties wereldwijd (Toronto, Nieuw-Zeeland, Duitsland, VS). De dataset werd opgesplitst in 70% training en 30% test.
  • Trainingstijd: Het model werd 9.000 epochs getraind, wat ongeveer 1 uur duurde op een Google Colab Pro-account.
  • Post-processing: Om dubbele tellingen te voorkomen bij het samenvoegen van tiles, werden overlappende bounding boxes verwijderd.

• Analyse:

  • Het getrainde model werd toegepast op de beelden van de Houston-locaties voor periodes voor en tijdens de pandemie (2019 vs. 2020).
  • Het doel was het tellen van geparkeerde voertuigen als indicator voor de aanwezigheid van mensen en economische activiteit.

3. Belangrijkste Bijdragen

• Integratie van Satellietbeelden en Deep Learning: Het artikel demonstreert een robuuste workflow om hoogwaardige satellietbeelden te combineren met state-of-the-art objectdetectie (Faster R-CNN) voor het monitoren van infrastructuurgebruik.
• Sectordiversiteit: In tegenstelling tot eerdere studies die zich vaak op één type locatie richtten, analyseerde deze studie een breed scala aan economische sectoren (onderwijs, retail, gemeenschapsvoorzieningen) binnen één stedelijk gebied.
• Validatie van een Nieuwe Indicator: Het onderzoek valideert het aantal geparkeerde voertuigen afgeleid van satellietbeelden als een betrouwbare indicator voor veranderingen in reisvraag en economische activiteit tijdens een crisis.

4. Resultaten

• Detectienauwkeurigheid: Het getrainde model bereikte een gemiddelde nauwkeurigheid van 90% bij het detecteren van voertuigen in de satellietbeelden.
• Impact van COVID-19: De analyse toonde een duidelijke afname van het aantal geparkeerde voertuigen in 2020 ten opzichte van 2019.
  • Gemiddeld was er een reductie van 30% in het aantal geparkeerde auto's op de geselecteerde locaties tijdens de pandemie.
  • Visuele vergelijkingen van de beelden (bijvoorbeeld op de universiteit en winkelcentra) bevestigden deze daling.
• Correlatie met Economische Activiteit: De daling in voertuigen correleerde sterk met de verwachte daling in economische activiteit en fysieke aanwezigheid als gevolg van lockdownmaatregelen en sociale afstand.

5. Betekenis en Conclusie
De studie concludeert dat satellietbeeldanalyse, ondersteund door diep leren, een krachtig en kosteneffectief hulpmiddel is voor beleidsmakers en vervoersinstanties.

• Beleidsrelevantie: Het biedt een snelle manier om de impact van crises (zoals pandemieën of natuurrampen) op de economie en mobiliteit te monitoren zonder afhankelijk te zijn van traditionele, trage dataverzameling.
• Toekomstperspectief: Hoewel de resultaten veelbelovend zijn, wijzen de auteurs op beperkingen, zoals de beperkte beschikbaarheid van beelden van Google Earth (slechts enkele beelden per jaar per locatie). Voor toekomstig onderzoek wordt geadviseerd om meer frequente beelden van commerciële satellietleveranciers te gebruiken en de methodiek te integreren met andere databronnen (zoals werkgelegenheidscijfers of enquêtes) voor een nog nauwkeurigere schatting van economische impact.

Kortom, dit onderzoek bewijst dat moderne computerzichttechnieken op satellietbeelden een betrouwbare, schaalbare en objectieve methode bieden om de gezondheid van transportsystemen en de economie in real-time te monitoren.