Accurate and Efficient Feature Classification of Urban Public Open Spaces : A Deep Learning-Based Multivariate Time-Series Approach = 정확하고 효율적인 도시 공공옥외공간의 구성요소 분류 방법: 딥러닝 기반 다변량 시계열 분류 모형을 이용하여

다국어 초록 (Multilingual Abstract)

Urban public open spaces (POS) are pivotal in sustainable urban planning, recognized for their positive impacts on the health of residents and environments. However, understanding their physical features in detail via remote sensing remains challenging due to the small and complex area characteristics. Advanced approaches struggle with the requirement for extensive training datasets, which are difficult to obtain and potentially inaccurate in certain settings. Sparse sampling of training data may offer a solution to these challenges, but its inability to consider useful contextual characteristics from objects remains as a significant barrier.
To address these challenges, we propose an innovative methodology utilizing the Multivariate Long Short Term Memory–Fully Convolutional Network (MLSTM-FCN). This approach is adept at capturing subtle temporal and spectral variations from sparsely annotated data, making it particularly suited for optical remote sensing in urban POS. Our novel approach has achieved 97.86% accuracy in classifying POS features into 11 classes using only 1,870 annotated sample points and maintained over 90% of accuracy even with 187 samples or 10% of total samples, significantly outperform comparison models. This methodology allows for detailed and efficient monitoring of POS and enhances management strategies with minimal resources and effort. Our research opens new pathways for precise urban landscape study.

국문 초록 (Abstract)

도시 공공옥외공간은 지속 가능한 도시 계획에서 중요한 역할을 하며, 주변 거주민들의 건강과 환경에 미치는 이로운 효과들로 인해 주목을 받고 있다. 그러나 이러한 공간들은 대체적으로 면적이 작고 내부 구성이 복잡하기에 원격 탐사를 방법을 이용해 물리적 특징을 파악하는데는 한계가 있다. 발전된 방법론들은 일반적으로 다량의 학습 데이터를 요구하는데, 공공 옥외공간 특성상 구하기 어려울 뿐만 아니라 정확도도 보장하기 어렵다. 희소 샘플링 방법을 사용하면 이러한 제약으로부터 어느정도 자유로울 수 있으나, 물체들의 맥락적 특징을 고려하지 못한다는 점은 여전히 문제점으로 지적된다. 이러한 문제점들을 해결하기 위해, 본 연구에서는 Multivariate Long Short Term Memory – Fully Convolutional Network (MLSTM-FCN)을 이용한 새로운 방법을 제안한다. 이 방법은 희소 샘플링 된 데이터들로부터 미묘한 시계열 및 분광 변화를 탐지하는데 매우 유용하며, 이러한 특징으로 인해 도시 공공옥외공간의 광학 원격탐사 데이터에 적합하다. 본 연구에서는 1,870개의 샘플 포인트만 이용해 도시 공공옥외공간 구성요소를 11개로 분류하는데 97.86%의 정확도를 보였으며, 전체 샘플의 10%인 187개의 점 데이터만 학습에 사용하더라도 90% 이상의 정확도를 유지하여 다른 모형들보다 우수한 성능을 보임을 확인됐다. 본 연구에서 제안한 방법을 통해 도시 공공옥외공간에 대한 자세하고 효율적인 모니터링이 가능하며, 적은 비용과 노력으로도 관리가 가능할 것으로 기대된다.

목차 (Table of Contents)

• Chapter 1. Introduction 1
• Chapter 2. Background and Related Works 5
• 2.1. Urban-scale high-resolution land cover and detailed feature classification 5
• 2.2. MTSC methods for land cover and feature classification 6
• Chapter 3. Analytical Procedure 9
• 3.1. Data Acquisition 10
• 3.2. Data Processing 12
• 3.2.1. Attribute extraction from satellite images 12
• 3.3. Classification 13
• 3.3.1. MLSTM-FCN 13
• 3.3.2. Setting hyperparameters for the MLSTM-FCN algorithm 14
• 3.3.3. Comparison models 15
• Chapter 4. Results 16
• 4.1. Accuracy of each model depending on the size of training samples 16
• 4.2. Accuracy comparison between time-series and cross-sectional classification strategies 20
• 4.3. Application in a new site 23
• Chapter 5. Conclusion and Discussion 27
• Bibliography 30
• Abstract in Korean 42