高分解能衛星画像と畳み込みニューラルネットワークを用いた都市部の屋根材の識別

Unofficial AI-generated summary based on the public title and abstract. Not an official translation.

🔬研究者:Demonstrates a novel CNN approach for roofing material classification from satellite imagery, with potential for urban energy and climate modeling.

🏢実務担当者:Urban planners and real estate firms can use this method to assess building stock for energy efficiency retrofits and heat risk mitigation.

🏛政策担当者:Supports data-driven policies for building codes, energy efficiency targets, and climate adaptation planning.

建築材料とその空間分布は、都市部および都市周辺部における人為的災害と自然災害の結果を左右する重要な要素である。しかし、建物および屋根材に関する建物単位のデータは乏しい。本研究では、分光変換された高解像度マルチスペクトル画像を用いた畳み込みニューラルネットワーク（CNN）モデルが、米国ワシントンD.C.およびコロラド州デンバーにおいて屋根フットプリント（すなわち、建物フットプリントレベルでの屋根材の分類と抽出）をマッピングするための実現可能性と性能を探る。一貫性のあるトレーニングデータを生成するため、個々の建物フットプリントの地理空間ベクトルデータと、不動産業界由来の建物レベル屋根材データを統合し、Planet SuperDove画像からラベル付き画像データを作成する。我々は、CNN分類器をピクセルベースの機械学習（ML）モデルと比較し、屋根フットプリントマッピング手法の能力を実証する。最も一般的な屋根材クラスにおけるF1スコアは0.56から0.95の範囲であり、CNNモデルはワシントンD.C.およびデンバーにおいて、ピクセルベースのML分類器をそれぞれ15%および17%上回った。結果は、建物密度、屋根形状、および材料パターンが異なる調査対象の大都市圏における領域内ロバスト性を示している。地域間の転移可能性は評価されなかったが、我々の知見は、屋根材マッピングにおけるピクセルベースと文脈認識型アプローチの対照的な比較を提供し、分光情報と屋根のテクスチャ、エッジ特性、空間配置、および近隣コンテキストを統合する階層的表現が分類性能の向上に重要であることを強調する。建築材料を正確にマッピングすることは、熱曝露、エネルギー需要、ならびに災害リスクとコミュニティのレジリエンスの評価を含む、都市計画および環境政策を前進させる可能性を有する。

AI 翻訳（deepseek-v4-flash）。 正確を期す場合は下の原文を参照してください。

Building materials and their spatial distribution play a significant role in determining the outcomes of human-caused and natural disasters in urban and peri-urban areas. However, building-level data on building and roofing materials are scarce. Here, we explore the feasibility and performance of a Convolutional Neural Network (CNN) model using spectrally transformed high-resolution multispectral imagery to map roofprints (i.e., classifying and delineating roofing materials at the building footprint-level) in Washington, District of Columbia (D.C.) and Denver, CO, United States. To generate consistent training data, we integrate geospatial vector data of individual building footprints with real estate industry-derived building-level roofing material data to create labeled image data from Planet SuperDove imagery. We compare the CNN classifier to a pixel-based machine learning (ML) model to demonstrate the capability of our roofprints mapping approach. With F1-scores ranging from 0.56 to 0.95 for the most common roof material classes, the CNN model outperformed the pixel-based ML classifier by 15% and 17% in Washington, D.C., and Denver, respectively. Results demonstrate within-domain robustness for the studied metropolitan areas, which are characterized by differing building densities, roof morphologies, and material patterns. While cross-region transferability was not evaluated, our findings provide a controlled comparison of pixel-based and context-aware approaches for rooftop material mapping and highlight the importance of hierarchical representations that integrate spectral information with roof texture, edge characteristics, spatial arrangement, and neighborhood context for improving classification performance. Accurately mapping building materials has the potential to advance urban planning and environmental policies, including assessments of heat exposure, energy demand, as well as hazard risk and community resilience.

• semanticscholar https://doi.org/10.3390/rs18152440first seen 2026-07-26 06:17:05 · last seen 2026-09-21 05:14:49