Ανίχνευση εγκαταλελειμμένων σπιτιών σε αγροτικές περιοχές πμε χρήση δεδομένων από πολλές πηγές
Από RemoteSensing Wiki
Πρωτότυπος τίτλος: Detecting Abandoned Houses in Rural Areas using Multi-Source Data
Συγγραφείς: Changro Lee
1. Departament of Real Estate, Kangwon National University, 1 Kangwondaehak-gil, Chuncheon, Gangwon-do, 24341, Republic of Korea, e-mail: spatialstat@naver.com, ORCID: 0000-0002-7727-3168
Δημοσιεύθηκε: Real Estate Management and Valuation, 2023
Σύνδεσμος πρωτότυπου κειμένου: [[1]]
Λέξεις-κλειδιά: εγκαταλελειμμένα σπίτια, αγροτική περιοχή, νευρωνικό δίκτυο, εικόνες
Περίληψη
Τα εγκαταλελειμμένα σπίτια μαστίζουν όλο και περισσότερο τις επαρχίες της Νότιας Κορέας, επηρεάζοντας αρνητικά την αισθητική, την ασφάλεια και τα τοπικά οικονομικά. Ο εντοπισμός τους είναι ζωτικής σημασίας για την αποτελεσματική διακυβέρνηση. Η παρούσα μελέτη προτείνει μια οικονομικά αποδοτική μέθοδο που χρησιμοποιεί δεδομένα πολλαπλών πηγών και ένα νευρωνικό δίκτυο πολλαπλών εισόδων, επιτυγχάνοντας ακρίβεια 86,2%. Η προκύπτουσα βάση δεδομένων μπορεί να ενημερώσει για τη διαχείριση των κατοικιών, ανακουφίζοντας τα αγροτικά κενά. Κατά την τελευταία δεκαετία, η Νότια Κορέα υπήρξε μάρτυρας μιας αξιοσημείωτης αύξησης του αριθμού των εγκαταλελειμμένων σπιτιών (ΑΣ), φτάνοντας περίπου το 1,5 εκατομμύριο μονάδες σε εθνικό επίπεδο το 2020. Η τάση αυτή, που επικρατεί τόσο στις αστικές όσο και στις αγροτικές περιοχές, δημιουργεί σημαντικές κοινωνικές και οικονομικές προκλήσεις, συμπεριλαμβανομένων των επιπτώσεων στην ποιότητα των γειτονιών, στα ποσοστά εγκληματικότητας και στα οικονομικά της τοπικής αυτοδιοίκησης. Για την αντιμετώπιση αυτού του ζητήματος, η αποτελεσματική ανίχνευση και διαχείριση των ΑΗ είναι επιτακτική ανάγκη. Η παρούσα μελέτη επικεντρώνεται στον συστηματικό εντοπισμό των ΑΗ, ιδίως στις αγροτικές περιοχές, και προτείνει μια μέθοδο που χρησιμοποιεί δεδομένα πολλαπλών πηγών και μια νέα προσέγγιση για τη βελτίωση της ακρίβειας ανίχνευσης. Τα ευρήματα υπογραμμίζουν τη σημασία της αντιμετώπισης της εγκατάλειψης αγροτικών κατοικιών και καταδεικνύουν την αποτελεσματικότητα της ενσωμάτωσης ετερογενών συνόλων δεδομένων για βελτιωμένη απόδοση ανίχνευσης. Η έρευνα αυτή συμβάλλει στην ενημέρωση των τοπικών πολιτικών και στρατηγικών με στόχο τον μετριασμό των επιπτώσεων της εγκατάλειψης σπιτιών και την προώθηση της κοινοτικής ανάπτυξης.
Βιβλιογραφική Ανασκόπηση
Η συρρίκνωση των πόλεων και η επικράτηση των εγκαταλελειμμένων κατοικιών έχουν μελετηθεί εκτενώς τόσο στις ευρωπαϊκές όσο και στις αμερικανικές πόλεις, με παράγοντες όπως τα χαμηλά ποσοστά γεννήσεων, η οικονομική παρακμή και ο βιομηχανικός μετασχηματισμός να έχουν αναγνωριστεί ως βασικοί παράγοντες. Οι στρατηγικές για την αναζωογόνηση των αστικών περιοχών περιλαμβάνουν την άρση των πολιτικών εμποδίων, την παροχή φορολογικών κινήτρων και τη δημιουργική επαναχρησιμοποίηση των κενών ακινήτων. Στη Νότια Κορέα, οι κενές αστικές κατοικίες συχνά πλαισιώνονται στο πλαίσιο της "πόλης του ντόνατ", ενώ οι αγροτικές περιοχές αντιμετωπίζουν επίσης σημαντικές προκλήσεις της ΑΗ λόγω της ερήμωσης και της οικονομικής στασιμότητας. Παρά το γεγονός ότι είναι λιγότερο ορατές, οι αγροτικές ΑΧ δημιουργούν σοβαρές δυσκολίες για τις τοπικές κυβερνήσεις. Η παρούσα μελέτη αποκλίνει από την έρευνα που επικεντρώνεται στις πόλεις, διερευνώντας τις αγροτικές ΑΧ και προτείνει μια σχετική προσέγγιση ανίχνευσης.
Η ανίχνευση εγκαταλελειμμένων κατοικιών είναι ζωτικής σημασίας για την τοπική στεγαστική πολιτική και τον περιφερειακό σχεδιασμό, αλλά θέτει προκλήσεις όσον αφορά τη σχέση κόστους-αποτελεσματικότητας και ταχύτητας. Έχουν προταθεί διάφορες μέθοδοι, συμπεριλαμβανομένων των ερευνών πεδίου, της ανάλυσης δεδομένων κοινής ωφέλειας και της ανάλυσης δορυφορικών εικόνων. Οι έρευνες πεδίου, αν και ακριβείς, είναι απαιτητικές σε πόρους. Η ανάλυση δεδομένων κοινής ωφέλειας είναι οικονομικά αποδοτική αλλά περιορισμένη λόγω των κανονισμών προστασίας δεδομένων. Η ανάλυση δορυφορικών εικόνων, που χρησιμοποιεί αλγορίθμους βαθιάς μάθησης, προσφέρει οικονομική αποδοτικότητα και διαθεσιμότητα δεδομένων, αλλά απαιτεί αξιόπιστη απόδοση. Αν και οι έρευνες πεδίου προτιμώνται συνήθως, είναι χρονοβόρες. Η παρούσα μελέτη αντιμετωπίζει ερευνητικά κενά εστιάζοντας σε αγροτικές ΑΧ και ενσωματώνοντας ετερογενή σύνολα δεδομένων -εικόνες και δεδομένα μητρώου κτιρίων- για την ανίχνευση. Με τη χρήση δορυφορικών εικόνων και εικόνων θέασης του δρόμου και νευρωνικών δικτύων συνελικτικής ανάλυσης (CNN), η παρούσα μελέτη αποσκοπεί στην ενίσχυση της ακρίβειας ανίχνευσης ΑΗ και στη γεφύρωση των υφιστάμενων ερευνητικών περιορισμών.
Σύνολο δεδομένων και νευρωνικό δίκτυο πολλαπλών εισόδων
Η παρούσα μελέτη επικεντρώνεται στην Yeongwol-gun, έναν νομό στην επαρχία Gangwon της Νότιας Κορέας, που χαρακτηρίζεται από σοβαρή ερήμωση και υψηλό επιπολασμό εγκαταλελειμμένων σπιτιών. Χρησιμοποιώντας δεδομένα από έρευνα πεδίου που διεξήχθη το 2019, η οποία εντόπισε 518 ΑΗ και 714 κατειλημμένα σπίτια (ΚΑ), η παρούσα ανάλυση ενσωματώνει ετερογενή σύνολα δεδομένων, συμπεριλαμβανομένων μεταδεδομένων από το μητρώο κτιρίων της κομητείας και φωτογραφιών που ελήφθησαν κατά τη διάρκεια της έρευνας. Τα περιγραφικά στατιστικά στοιχεία αποκαλύπτουν σημαντικές διαφορές μεταξύ των AHs και των OHs, με τα AHs να είναι γενικά μικρότερα, παλαιότερα και χαμηλότερης εκτιμώμενης αξίας σε σύγκριση με τα OHs. Οι κατηγορικές μεταβλητές αναδεικνύουν περαιτέρω τις διακρίσεις στον τύπο κατασκευής και τα χαρακτηριστικά του χώρου μεταξύ των ΑΗ και των ΟΗ, τονίζοντας τη σημασία της συνεκτίμησης αυτών των χαρακτηριστικών στην αναγνώριση των ΑΗ. Συνολικά 1.232 κατοικίες χωρίζονται σε δείγματα εκπαίδευσης και δοκιμής για ανάλυση. Οι εικόνες των παραδειγμάτων απεικονίζουν τυπικά οπτικά χαρακτηριστικά των ΑΗ, όπως η υπερτροφική βλάστηση και η φθορά των εξωτερικών χώρων, σε αντίθεση με την καλοδιατηρημένη εμφάνιση των ΟΗ. Η μελέτη υπογραμμίζει την ανάγκη αποτελεσματικής σύλληψης και αξιοποίησης αυτών των οπτικών ενδείξεων για την αποτελεσματική ανίχνευση ΑΗ.
Η ανίχνευση εγκαταλελειμμένων σπιτιών (Ε.Σ.) απαιτεί την αξιοποίηση τόσο των μεταδεδομένων όσο και των δεδομένων εικόνας, γεγονός που απαιτεί ένα ευέλικτο μοντέλο ικανό να επεξεργάζεται πολλαπλά σύνολα δεδομένων από κοινού. Τα νευρωνικά δίκτυα προσφέρουν προσαρμόσιμες αρχιτεκτονικές κατάλληλες για το έργο αυτό, που δέχονται μικτές εισόδους και παράγουν αποτελεσματικά ετερογενείς εξόδους. Στην παρούσα μελέτη, σχεδιάζεται μια αρχιτεκτονική νευρωνικού δικτύου πολλαπλών εισόδων (και μίας εξόδου) για την ταυτόχρονη επεξεργασία φωτογραφιών και μεταδεδομένων. Το δίκτυο αποτελείται από δύο κλάδους: ο ένας χρησιμοποιεί ένα προεκπαιδευμένο νευρωνικό δίκτυο συνελικτικού τύπου (CNN) για την επεξεργασία των φωτογραφιών, ενώ ο άλλος χρησιμοποιεί ένα πυκνό νευρωνικό δίκτυο (DNN) για την επεξεργασία των μεταδεδομένων. Το ResNet-50, ένα υπολειμματικό δίκτυο 50 επιπέδων, χρησιμοποιείται ως το προεκπαιδευμένο CNN. Προστίθενται στρώματα ταξινόμησης για τη σύλληψη πληροφοριών από το σύνολο δεδομένων εικόνας, ενώ το DNN αποτελείται από πυκνά στρώματα για την επεξεργασία μεταδεδομένων. Τα στοιχεία CNN και DNN συνενώνονται, ακολουθούμενα από πρόσθετα πυκνά στρώματα και ένα τελικό στρώμα εξόδου για ταξινόμηση. Το δίκτυο εκπαιδεύεται χρησιμοποιώντας τον βελτιστοποιητή RMSProp με αρχικοποίηση Glorot, συνάρτηση ενεργοποίησης ReLU για όλα τα στρώματα εκτός από το στρώμα εξόδου και συνάρτηση ενεργοποίησης σιγμοειδούς για το στρώμα εξόδου. Χρησιμοποιείται η μάθηση μεταφοράς με το ResNet-50 να έχει οριστεί ως μη εκπαιδεύσιμο, ενώ τα επόμενα πυκνά στρώματα είναι εκπαιδεύσιμα. Το δίκτυο εκπαιδεύεται για 20 εποχές με μέγεθος παρτίδας 64, χρησιμοποιώντας ως συνάρτηση απώλειας τη διασταυρούμενη εντροπία. Η προσέγγιση αυτή επιτρέπει την αποτελεσματική ανίχνευση των ΑΗ αξιοποιώντας αποτελεσματικά τόσο τις εικόνες όσο και τα δεδομένα μεταδεδομένων.
Αποτελέσματα
Ο Πίνακας 3 παρουσιάζει τις μετρήσεις απόδοσης του προτεινόμενου νευρωνικού δικτύου, με συνολική ακρίβεια 86,2% στην ανίχνευση εγκαταλελειμμένων σπιτιών. Η αντικειμενική αξιολόγηση αυτού του επιπέδου ακρίβειας αποδεικνύεται δύσκολη λόγω των γεωγραφικών διαφοροποιήσεων (αστικές έναντι αγροτικών περιοχών) και των διαφορών στην ποιότητα των δεδομένων (π.χ. τύπος δεδομένων, ανάλυση εικόνας, όγκος δεδομένων). Παρόλα αυτά, παρόμοιες μελέτες προσφέρουν ορισμένα σημεία αναφοράς: Οι Deng και Ma (2015) πέτυχαν ακρίβεια 80,4% χρησιμοποιώντας λογιστική παλινδρόμηση σε αεροφωτογραφίες στο Binghamton της Νέας Υόρκης, ενώ οι Zou και Wang (2021) ανέφεραν ακρίβεια 78,7% με ένα νευρωνικό δίκτυο χρησιμοποιώντας εικόνες του Google Street View στο Ντιτρόιτ του Μίσιγκαν. Παρόλο που η παρούσα μελέτη ξεπερνά αυτές τις προηγούμενες μελέτες με επίκεντρο τις πόλεις, είναι δύσκολο να εξαχθεί οριστικό συμπέρασμα λόγω του αγροτικού πλαισίου.
Από την άποψη της πρακτικής διαχείρισης, μια ακρίβεια που υπερβαίνει το 80% θεωρείται αποδεκτή. Οι τοπικές κυβερνήσεις δίνουν προτεραιότητα στον εντοπισμό των περισσότερων ΑΧ με οικονομικά αποδοτικό τρόπο παρά στην επίτευξη απόλυτης ανίχνευσης, καθώς οι ΑΧ που λείπουν μπορούν να αντιμετωπιστούν με συμπληρωματικές μεθόδους, όπως οι έρευνες πεδίου παρακολούθησης.
Στην παρούσα μελέτη, διερευνάται η αποτελεσματικότητα της χρήσης τόσο των δεδομένων εικόνας όσο και των μεταδεδομένων, όπως τα μητρώα κτιρίων, για τον εντοπισμό εγκαταλελειμμένων κατοικιών (ΕΑ). Ένα νευρωνικό δίκτυο μίας εισόδου που επεξεργάζεται μόνο δεδομένα εικόνας πέτυχε συνολική ακρίβεια 75,3%. Ωστόσο, με την ενσωμάτωση τόσο της εικόνας όσο και των μεταδεδομένων, η μελέτη πέτυχε σημαντική βελτίωση της ακρίβειας, φτάνοντας το 86,2%. Προηγούμενες μελέτες βασίζονταν συχνά σε μεμονωμένες πηγές δεδομένων, όπως δεδομένα κοινής ωφέλειας ή αεροφωτογραφίες, ενώ οι τοπικές κυβερνήσεις βασίζονταν παραδοσιακά σε δεδομένα μητρώου κτιρίων ή σε έρευνες πεδίου. Με τις εξελίξεις στην τεχνολογία της πληροφορικής, ιδίως τους αλγορίθμους βαθιάς μάθησης, οι τοπικές κυβερνήσεις έχουν πλέον τη δυνατότητα να έχουν ευκολότερη πρόσβαση και να χρησιμοποιούν διάφορα σύνολα δεδομένων, αξιοποιώντας τα πλαίσια βαθιάς μάθησης. Εικόνες σπιτιών μπορούν να λαμβάνονται τακτικά από ιστότοπους πύλης, ενώ μεταδεδομένα όπως μητρώα κτιρίων ή φορολογικοί κατάλογοι ακινήτων μπορούν να ανακτηθούν σχεδόν άμεσα από βάσεις δεδομένων από υπαλλήλους της τοπικής αυτοδιοίκησης. Αυτό το εξελισσόμενο τοπίο αποτελεί ευκαιρία για τις τοπικές κυβερνήσεις να αξιοποιήσουν αποτελεσματικότερα πολλαπλές πηγές δεδομένων στην ανίχνευση ΑΗ. Με την υιοθέτηση της προσέγγισης που προτείνεται στην παρούσα μελέτη, οι τοπικές κυβερνήσεις μπορούν να αποφύγουν τα ακριβά έξοδα επιτόπιας έρευνας και να συντομεύσουν τις περιόδους ενημέρωσης, επιτρέποντας την άμεση και οικονομικά αποδοτική αντιμετώπιση του αυξανόμενου αριθμού ΑΗ και διευκολύνοντας την επιτυχή διαχείριση των κατοικιών.
Συμπεράσματα
Η παρούσα μελέτη επικεντρώνεται στην εγκατάλειψη αγροτικών κατοικιών, χρησιμοποιώντας μια προσέγγιση νευρωνικού δικτύου για τον εντοπισμό εγκαταλελειμμένων κατοικιών (ΑΗ) με οικονομικά αποδοτικό τρόπο. Αξιοποιώντας πολλαπλές πηγές δεδομένων, συμπεριλαμβανομένων εικόνων και δεδομένων μητρώου κτιρίων, ένα νευρωνικό δίκτυο δύο εισόδων πέτυχε ποσοστό ακρίβειας 86,2%, το οποίο θεωρείται αποδεκτό για διοικητικούς σκοπούς. Σε αντίθεση με προηγούμενες μελέτες που επικεντρώθηκαν κυρίως σε αστικά κενά, η παρούσα έρευνα ρίχνει φως στα ΑΗ σε αγροτικές περιοχές, ιδίως σε αγροτικά και αλιευτικά σπίτια που έμειναν ακατοίκητα για μεγάλα χρονικά διαστήματα. Αντί να βασίζεται σε ένα σύνολο δεδομένων μίας πηγής, όπως τα δεδομένα μητρώου κτιρίων, η παρούσα μελέτη αξιοποιεί πλήρως ετερογενή σύνολα δεδομένων για την αποτελεσματική ανίχνευση ΑΗ.
Απαιτείται περαιτέρω έρευνα για τη γενίκευση αυτών των ευρημάτων σε διαφορετικά γεωγραφικά περιβάλλοντα, λαμβάνοντας υπόψη τις διαφορές στην πυκνότητα και τους τύπους κατανομής των κατοικιών μεταξύ αγροτικών και αστικών περιοχών. Επιπλέον, η χρησιμοποίηση ενός προ-μαθημένου δικτύου προσαρμοσμένου για την αναγνώριση ακινήτων, αντί του ResNet-50 που εκπαιδεύεται σε γενικές εικόνες, θα μπορούσε να βελτιώσει την απόδοση ανίχνευσης ΑΗ. Η προτεινόμενη προσέγγιση προσφέρει μια άμεση και οικονομικά αποδοτική μέθοδο για τη διαχείριση των ΑΗ, διευκολύνοντας τη διαχείριση των κατοικιών από τις τοπικές κυβερνήσεις και συμβάλλοντας στη μείωση των κενών κατοικιών στις αγροτικές περιοχές.
