Аналіз змін міської морфології з використанням нейронних мереж
Анотація
Стаття висвітлює інтеграцію штучних нейронних мереж (ШНМ) із технологіями лідарного зондування та ГІС для аналізу змін у морфології урбанізованого середовища. Основна мета дослідження полягає в розробці та апробації відповідного підходу до кількісного та якісного оцінювання морфологічних змін як за умов рутинного міського розвитку, так і змін-порушень як наслідків війни. Доводиться, що класичні підходи недостатньо ефективні для виявлення протилежних за динамікою просторово-часових змін. Сучасні методи на базі глибокого навчання дозволяють не тільки аналізувати лідарні хмари точок, але й ефективно впроваджувати компаративний аналіз наборів даних щодо різних локацій міста. Нами було розроблено два методи нейромережевого аналізу:
- ANSE-метод: використовує багатошарову мережу з функцією втрат MSE (середньоквадратична помилка) та косинусною мірою схожості для порівняння наборів даних.
- LANN-метод: застосовує глибоку архітектуру з контрастивною функцією втрат та евклідовою відстанню, що акцентує увагу на відмінностях, зокрема для виявлення аномалій (наприклад, руйнувань від обстрілів).
Авторське програмне забезпечення iQ City Change Management застосовувалося для обробки лідарних даних по двох часових реперах з різницею у три (Харків) й п’ять (Таллінн) років. Виконувалося виокремлення моделей будівель й класифікація морфологічних змін. Для Харкова проаналізовано 4 км² району Північна Салтівка: виявлено 215 «додатних» об’єктів (зміни у 2019-2021) та 51 «від’ємних» (руйнування навесні 2022). Контрольне порівняння з Таллінном (Естонія, зміни у 2017-2022) підтвердили прийнятну точність методів для рутинних змін у міському довкіллі (ШНМ-оцінка схожості 0.60-0,66 додатних змін між Харковом та Таллінном; 0,74 – від’ємних змін між двома локаціями у Таллінні).
Ключові результати:
- LANN-метод виявив суттєві відмінності між змінами під час війни й у мирний час (наприклад, ШНМ-оцінка схожості 0,35 та 0,32-0,42 для порівняння додатних та від’ємних змін між Харковом та Таллінном), що вказує на чутливість до структурних аномалій (наприклад, хаотичний розподіл руйнацій у порівнянні з «запланованими від’ємними» змінами).
- ANSE-метод ефективний для стандартних задач мирного часу, але недооцінює складність подання воєнних руйнувань.
Практичне значення: запропонований підхід надає інструменти для моніторингу відбудови міст, оптимізації ресурсів та аналізу морфологічних змін. Інтеграція ШНМ із лідарними даними розширює можливості ГІС, особливо в умовах обмеженої кількості джерел даних.
Завантаження
Посилання
United Nations. (2018). 68% of the World Population Projected to live in Urban Areas by 2050, Says UN. Department of Economic and Social Affairs. Available at:https://www.un.org/development/desa/en/news/population/2018-revision-of-world-urbanization-prospects.html
Weng O. (2012). Remote sensing of impervious surfaces in the urban areas: Requirements, methods, and trends. Remote Sensing of Environment. 117, 34-39. DOI: https://doi.org/10.1016/j.rse.2011.02.030.
Kostrikov S., Seryogin D. (2022). Urbogeosystemic Approach to Agglomeration Study within the Urban Remote Sensing Frameworks. Urban Agglomeration. Edited by A. Battisti and S. Baiani: Intech Open, London, Milan, Zagreb. 251-273. DOI: http://dx.doi.org/10.5772/intechopen.102482
Biljecki F., Stoter J., Ledoux H., Zlatanova S., Çöltekin A. (2015). Applications of 3D City Models: State of the Art Review. ISPRS Int. J. Geo-Inf. 4, 2842–2889. DOI: https://doi:10.3390/ijgi4042842
Kostrikov S. Niemets L., Sehida K. [and other]. (2018). Geoinformation approach to the urban geographic system research (case studies of Kharkiv region). Visnyk of V.N. Karazin Kharkiv National University. Series “Geology. Geography. Ecology”. (49), 107-121. DOI: https://doi.org/10.26565/2410-7360-2018-49-09
Kostrikov S., Kravchenko K., Serohin D., Bilianska S., Savchenko A. (2023). The performance of the digital city projects in urban studies of the megalopolises (the case studies of Kharkiv and Dnipro cities). Visnyk of V. N. Karazin Kharkiv National University, series "Geology. Geography. Ecology", (59), 140-165. DOI: https://doi.org/10.26565/2410-7360-2023-59-11
Efe R., Onay T., Sharuno I., Atasoy E. (Editors.) (2014). Urban and Urbanization. Sofia: St. Kliment Ohridski University Press, 798.
Li Z. Chen B., Wu S. Su M., Chen J., Xu B. (2024). Deep learning for urban land use category classification: A review and experimental assessment. Remote Sensing of Environment. 311, 114290. DOI: https://doi.org/10.1016/j.rse.2024.114290
Kostrikov S., Niemets L., Robinson D., Mezentsev K., Kravchenko K., Serohin D. (2024). Delineation of the Hostilities’ Impact on Urban Environment by LiDAR Data Processing (a Case Study of Kharkiv). In: Morar, C., Berman, L., Erdal, S., Niemets, L. (eds) Achieving Sustainability in Ukraine through Military Brownfields Redevelopment. NATOARW 2023. NATO Science for Peace and Security Series C: Environmental Security. Springer, Dordrecht. DOI: https://doi.org/10.1007/978-94-024-2278-8_22
Gong P., Howarth P. J. (1992). Frequency-based contextual classification and gray-level vector reduction for land-use identification. Photogrammetric Engineering and Remote Sensing. 58(4), 423-437.
Gopal S., Woodcock C. E. (1996). Remote sensing of forest change using artificial neural networks. IEEE Transactions on Geoscience and Remote Sensing. 34(2), 398-404. DOI: https://doi.org/10.1109/36.485117.
Mas J. F. (1999). Monitoring land-cover changes: A comparison of change detection techniques. International Journal of Remote Sensing. 20(1), 139-152. DOI: https://doi.org/10.1080/014311699213659
Pijanowski B.C., Brown D.G., Shellito B.A, Manik G.A. (2002). Using neural networks and GIS to forecast land use changes: a Land Transformation Model. Computers, Environment and Urban Systems. 26 (6), 553-575. DOI: https://doi.org/10.1016/S0198-9715(01)00015-1
Yuan F., Sawaya K.E., Loeffelholz B.C., Bauer M.E. (2005). Land cover classification and change analysis of the Twin Cities (Minnesota) metropolitan area by multitemporal Landsat remote sensing. Remote Sensing of Environment. 98(2-3), 317-328. DOI: https://doi.org/10.1016/j.rse.2005.08.006
Lu, D., Mausel, P., Brondízio, E., Moran, E. (2004). Change detection techniques. International Journal of Remote Sensing. 25(12), 2365-2401. DOI: https://doi.org/10.1080/0143116031000139863
Li K., Hu X., Jiang H., Shu Z., Zhang M. (2020). Attention-Guided Multi-Scale Segmentation Neural Network for Interactive Extraction of Region Objects from High-Resolution Satellite Imagery. Remote Sensing, 12(5), 789. DOI: https://doi.org/10.3390/rs12050789
Daudt R., Saux B., Boulch A., Gousseau Y. (2018). Urban change detection for multispectral Earth observation using convolutional neural networks. IGARSS 2018 - 2018 IEEE International Geoscience and Remote Sensing Symposium. IEEE Xplore. DOI: https://doi.org/10.1109/IGARSS.2018.8518015
Chen J., Gong P., He C., Pu, R., Shi P. (2003). Land-use / land-cover change detection using improved change-vector analysis. Photogrammetric Engineering & Remote Sensing, 69(4), 369-379. DOI: https://doi.org/10.14358/PERS.69.4.369
Hussain M., Chen D., Cheng A., Wei H., Stanley D. (2013). Change detection from remotely sensed images: From pixel-based to object-based approaches. ISPRS Journal of Photogrammetry and Remote Sensing. 80, 91-106. DOI: https://doi.org/10.1016/j.isprsjprs.2013.03.006
Boulila W., Ghandorh H., Khan M., Ahmed F., Jawad Ahmad (2021). A novel CNN-LSTM-based approach to predict urban expansion. Ecological Informatics. 64, 101325. DOI: https://doi.org/10.1016/j.ecoinf.2021.101325
Zhu Z., Woodcock C. E. (2014). Continuous change detection and classification of land cover using all available Landsat data. Remote Sensing of Environment. 144, 152-171. DOI: https://doi.org/10.1016/j.rse.2014.01.011
Shi W., Zhang M., Zhang R., Chen S., Zhan Z. (2020). Change Detection Based on Artificial Intelligence: State-of-the-Art and Challenges. Remote Sensing, 12(10), 1688. DOI: https://doi.org/10.3390/rs12101688
You Y., Cao J., Zhou W. (2020). A Survey of Change Detection Methods Based on Remote Sensing Images for Multi-Source and Multi-Objective Scenarios. Remote Sensing. 12(15), 2460. DOI: https://doi.org/10.3390/rs12152460
Tian S., Ma A., Zheng Z., Zhong Y. (2020). Hi-UCD: A large-scale dataset for urban semantic change detection in remote sensing imagery. arXiv preprint arXiv:2011.03247. DOI: https://doi.org/10.48550/arXiv.2011.03247
Wang M., Tan K., Jia X., Wang X., Chen Y. (2020). A Deep Siamese Network with Hybrid Convolutional Feature Extraction Module for Change Detection Based on Multi-sensor Remote Sensing Images. Remote Sensing, 12(2), 205. DOI: https://doi.org/10.3390/rs12020205
Ankit U. (2024). Transformer Neural Networks: A Step-by-Step Breakdown [Electronic resource]. Built-In. Available at: https://builtin.com/artificial-intelligence/transformer-neural-network?utm_source=chatgpt.com
Radke R.J., Andra S., Al-Kofahi O., Roysam B. (2005). Image change detection algorithms: a systematic survey. IEEE Transactions on Image Processing. 14(3), 294-307. DOI: https://doi.org/10.1109/TIP.2004.838698
Yan J., Wang L. Song W., Chen Y., Chen X., Deng Z. (2019). A time-series classification approach based on change detection for rapid land cover mapping. ISPRS Journal of Photogrammetry and Remote Sensing. 158, 249-262. DOI: https://doi.org/10.1016/j.isprsjprs.2019.10.003
Reba M., Seto K. C. (2020). A systematic review and assessment of algorithms to detect, characterize, and monitor urban land change. Remote sensing of environment, 242, 111739. DOI: https://doi.org/10.1016/j.rse.2020.111739
Zitzlsberger G., Podhorányi M., Svatoň V., Lazecký M., Martinovič J. (2021). Neural Network-Based Urban Change Monitoring with Deep-Temporal Multispectral and SAR Remote Sensing Data. Remote Sensing, 13(15), 3000. DOI: https://doi.org/10.3390/rs13153000
Hu F., Xia G.-S., Hu J., Zhang, L. (2015). Transferring Deep Convolutional Neural Networks for the Scene Classification of High-Resolution Remote Sensing Imagery. Remote Sensing. 7(11), 14680-14707. DOI: https://doi.org/10.3390/rs71114680
Jaiswal S. (2025). Multilayer perceptrons in machine learning: a comprehensive guide. DataCamp. 2025. Available online: https://www.datacamp.com/tutorial/multilayer-perceptrons-in-machine-learning?utm_source=chatgpt.com
Principe J.C., Euliano N.R., Lefebvre W.C. (1999). Neural and Adaptive Systems: Fundamentals through Simulations. New York: John Wiley & Sons. 656.
Jimenez-Lopez E, Lopez-Rivero L.A. (2023). Artificial neural networks in the application of the growth of the urban sprawl. Publicacion Semestral Padi. 11(21), 109-119. DOI: http://dx.doi.org/10.29057/icbi.v11i21.10565
Zygmunt M., Gawin D. (2021). Application of Artificial Neural Networks in the Urban Building Energy Modelling of Polish Residential Building Stock. Energies, 14(24), 8285. DOI: https://doi.org/10.3390/en14248285
Kuang Z., Su J., Latifian A., Eshraghi S., Ghafri A. (2024) Utilizing Artificial neural networks (ANN) to regulate Smart cities for sustainable Urban Development and Safeguarding Citizen rights. Scientific Reports. 14, 31592. DO: https://doi.org/10.1038/s41598-024-76964-z
Kostrikov S., Pudlo R., Bubnov D., Vasiliev V. (2020). ELiT, multifunctional web-software for feature extraction from 3D LiDAR point clouds. ISPRS International Journal of Geo-Information. 9(11), 650-885. DOI: http://dx.doi.org/10.3390/ijgi9110650
Wang J., Lindenbergh R., Menent, M. (2017). SigVox – A 3D feature matching algorithm for automatic street object recognition in mobile laser scanning point clouds. ISPRS Journal of Photogrammetry & Remote Sensing. 128, 111-129. https://doi.org/10.1016/j.isprsjprs.2017.03.012.
Wang Y., Chen Q., Liu L., Li X., Sangaiah A.K., Li K. (2018). Systematic Comparison of Power Line Classification Methods from ALS and MLS Point Cloud Data. Remote Sens. 10, 1222. DOI: https://doi.org/10.3390/rs10081222.
Cheng L., Wu Y., Tong L., Chen Y., Li M. (2015). Hierarchical registration method for airborne and vehicle LiDAR point cloud. Remote Sensing 7, 13921–13944. https://doi.org/10.3390/rs71013921.
Republic of Estonia. Land and Spatial Development Board (2025). Estonian Geoportal. Available at: https://xgis.maaamet.ee/xgis2/page/app/maainfo
Kleemann F., Lehner H., Szczypińska A., Lederer J., Fellner J. (2017). Using change detection data to assess amount and composition of demolition waste from buildings in Vienna. Resource Conservation Recycling. 123, 37-46. https://doi.org/10.1016/j.resconrec.2016.06.010
Zhan Y., Zhan Y., Fu K., Yan M., Sun X., Wang H., Qiu X. (2017). Change Detection Based on Deep Siamese Convolutional Network for Optical Aerial Images. IEEE Geoscience and Remote Sensing Letters. 14 (10), 1845-1849. DOI: https://doi.org/10.1109/LGRS.2017.2738149
Kashtan V., Hnatushenko V. (2024). Machine learning for automatic extraction of water bodies using Sentinel-2 imagery. Radio Electronics, Computer Science, Control. 1, 118-127. DOI: https://doi.org/10.15588/1607-3274-2024-1-11
LeCun Y., Bottou L., Bengio Y., Haffner P. (1998). Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE, 86(11), 2278–2324. DOI: https://doi.org/10.1109/5.726791
Цю роботу ліцензовано за Міжнародня ліцензія Creative Commons Attribution 4.0.
