
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Outeurs: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Opsomming Grootskaalse hoë-presisie gebouverspreidingsdata is 'n belangrike grondslag vir streeksstedelike beplanning en hulpbronallokasie en ramprisiknavorsing. Die Kwingsjing-Tibetaanse Plato is die derde pool van die wêreld. Alhoewel die begrip van plaaslike mens-omgewingsinteraksies in die Kwingsjing-Tibetaanse Plato krities belangrik is, is dit belemmer deur 'n gebrek aan hoë-resolusie gebou-voetspoor data vanweë die uitgestrektheid en afgeleë aard van die gebied. In hierdie studie het ons die eerste gevektoriseerde geboudakafdrukke van die Kwingsjing-Tibetaanse Plato en sy omliggende gebiede gegenereer deur gebruik te maak van hoë-resolusie Google-beeldmateriaal en die geboukontuur-ekstraksie-algoritme van die AI Earth-platform. Ons resultate sluit 13,09 miljoen geboue in wat 6092,7 km² dek, gevalideer met 'n totaal van 250 × 1 km² toetsmonsters. Die data het 'n algehele akkuraatheid van 87%, 'n herroeping van 91,9%, en 'n F1-telling van 64,8% gehad, en bied sodoende 'n gevorderde beskrywing van die gebouverspreiding van die studiegebied in vergelyking met CBRA. Ons werk het immense potensiaal in die fasilitering van blootstellingsbeoordeling vir studies oor ramprisiko in hierdie gebied. Agtergrond & Opsomming Die koms van die digitale era het die vraag na betroubare data oor gebouverspreiding en eienskappe vergroot , , . Gebouverspreidingsdata verskaf belangrike ruimtelike inligting van nie net geboue nie, maar ook bevolking en fisiese bates , en dien as 'n goeie proxy vir menslike aktiwiteit. In die afgelope dekades is gebouverspreidingsdata wyd gebruik in die monitering van stedelike en landelike ontwikkeling , , die begrip van die impak van verstedeliking op voedselsekerheid, biodiversiteit, klimaatsverandering, en publieke welstand en gesondheid , , die formulering van streeksontwikkelingstrategieë, en die beskerming van stedelike en landelike ekosisteme , , . 1 2 3 4 5 6 7 8 9 10 11 Die vooruitgang van satelliet- en lugfotografie, tesame met onlangse vordering in masjienleer- en diepleer-algoritmes, het die beskikbaarheid van gebouverspreidingsdata verhoog , , . Gebouverspreidingsdata is verskaf in rasterformaat as deel van grondgebruik/bedekkingdata. Die mees onlangse vrystelling sluit drie 10-m globale grondgebruik/bedekkingprodukte in wat gebaseer is op Sentinel-satelliete, naamlik Google se Dynamic World (DW) , Esri se 2020 Land Cover , en World Cover 2020 (WC) van die Europese Ruimteagentskap (ESA) . Benewens ruimtelike verspreidingsinligting, probeer navorsers ook om eienskapsinligting aan geboupixels te heg, soos gebouhoogte . Byvoorbeeld, He  .  het multi-bron afstandswaarnemingsdata-fusie gebruik om die wêreld se eerste 30-m-resolusie stedelike driedimensionele ruimtelike en temporele uitbreidingsdata te konstrueer wat die tydperk van 1990 tot 2010 dek. Ondanks die deurlopende verbetering van ruimtelike resolusie, kan raster-gebaseerde gebouverspreidingsdata steeds nie ruimtelike voorwerpe beskryf nie , en toenemende resolusie verhoog bergings- en rekenkoste grootliks . 12 13 14 15 16 17 14 et al 7 18 12 Gebouverspreidingsdata in vektorformaat, ook bekend as gevektoriseerde geboudakke of gebouvoetspore, is die omtreksdata van 'n gebou wat op die grond geprojekteer word in 'n boksaansig , , wat inligting verskaf soos die geografiese ligging, ruimtelike omvang van die grense, en voetafdruk van 'n enkele gebou. Publieke diensverskaffers (bv. Google Earth en OpenStreetMap) verskaf oop-toeganklike gevektoriseerde geboudakdata met wye dekking, vinnige opdaterings, en lae koste , , . In 2022 het Microsoft Corporation diep neuraal netwerk-gebaseerde semantiese segmentasie gebruik om die omtrek van 777 miljoen geboue te onttrek, waarvan sommige gebouhoogte-eienskappe bevat, gebaseer op Bing Maps (insluitend Maxar en Airbus-beeldmateriaal) van 2014 tot 2021 vir elke kontinent buite China. Op 30 Mei 2023 het Google 'n datastel van 1,8 miljard gebouomtrekke vrygestel wat onttrek is uit 0,5-m hoë-resolusie satellietbeeldmateriaal, wat 'n gebied van 58 miljoen km² dek. Die lae redundansie en kompakte struktuur van vektor data wat deur kolletjies en paaie voorgestel word, bied hoër geografiese akkuraatheid onafhanklik van die roostergrootte, en die bekendstelling van topologiese reëls verbeter die integriteit van vektordata verder . 19 20 21 22 23 13 As gevolg van die toename in beeldresolusie en die afname in dataverkrygingskoste, tesame met onlangse vordering in ekstraksie-algoritmes, verbeter die resolusie en dekking van gebouverspreidingsdata voortdurend . Die lewensvatbaarheid van baie-hoë-resolusie (VHR) beelde het die ekstraksie van gebouvoetspore moontlik gemaak deur die toepassing van tradisionele handgemaakte kenmerk-gebaseerde metodes  of diepleer-gebaseerde metodes . Aangesien die eersgenoemde benadering die uitdaging van die diversiteit van gebouvoorkoms en groottes in die gesig staar, en komplekse reels van duim en drempelinstellings, is dit beperk wanneer dit op grootskaalse hoë-resolusie afstandswaarnemingsbeelde toegepas word . Diepleer-gebaseerde metodes (bv. konvolusionele neurale netwerke) het effektiewe en beter prestasie getoon in die outomatiese leer van hoëvlak en diskriminerende kenmerke in gebou toneel segmentasie. Sun  .  het 'n fusiestrategie voorgestel gebaseer op parallelle ondersteunende vektor-masjiene om diepleerkenmerke, onttrek uit multi-skaal konvolusionele neurale netwerkstrukture op verskillende skale, ten volle te benut, met beter prestasie in die ekstraksie van komplekse geboue in stedelike gebiede. Nietemin, wanneer geboue gesegmenteer word, word die akkuraatheid van die model waarskynlik beperk deur die kwaliteit van die opleidingsmonsters, wat ekstrapolasie moeilik maak. Onvoldoende gebruik van hoëvlak semantiek en weglating van laevlak besonderhede in diepleermodelle, wat lei tot rand-vervaging en klein-gebou weglatings, belemmer ook die toepassing van diepleer in die ekstraksie van gebouvoetspore. 24 25 13 26 et al 27 Die Kwingsjing-Tibetaanse Plato-streek is die wêreld se hoogste gebied, met 'n gemiddelde hoogte van >4000 meter bo seevlak, en beslaan 'n gebied van 2,5 miljoen km²  . Meer as 10 miljoen mense woon in die streek ten spyte van sy uiterste klimaat, koue en lang winters, groot jaarlikse en daaglikse temperatuurverskille, en swak binnenshuise termiese omgewings. Alhoewel hierdie streek die grootste ekologiese versperring in China is , het menslike aktiwiteit sy kwesbare ekologiese omgewing aansienlik beïnvloed . Hierdie streek is ook uiters vatbaar vir rampe, met aardbewings, landverskuiwings, modderstromings, uitbraak oorstromings van gletsermere, en sneeu rampe wat lei tot slagoffers en eiendomverliese , , . In reaksie hierop is akkurate gebouverspreidingsdata krities vir die modellering van menslike aktiwiteitsverspreiding vir gekoppelde mens-omgewing studie , , asook blootstellings- en risikobepaling vir natuurlike rampe , . Daarbenewens het hierdie streek lang sonure, volop sonkragbronne, en voldoende sonkragversamelings-oppervlaktes soos dakke en oop ruimtes , . Hoë-resolusie landelike gebouverspreidingsdata sou 'n betroubare databasis verskaf vir die evaluering van fotovoltaïese potensiaal en die doeltreffende verbetering van die lewenstandaarde van diegene wat in landelike gebiede woon , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 As 'n onderontwikkelde streek, het die Kwingsjing-Tibetaanse Plato en sy buurlande steeds nie 'n volledige stel hoë-presisie gevektoriseerde geboudakdata nie, as gevolg van hul uitgestrekte gebied, yl gebouverspreiding, afgeleë ligging, en hulpbronbeperkings. Die mees gereed-om-te-gebruik data is dié wat op nasionale skaal van China verskaf word, wat die 2,5-m gegradeerde China Building Rooftop Area data (CBRA, Liu  ., 2023b) en China se eerste nasionale grondbedekkingskaart met 1-m resolusie (SinoLC) insluit, wat geboukategorieë insluit . Hierdie rasterdata kan nie ruimtelike voorwerpe karakteriseer nie en vereis groot stoorhulpbronne. Die gevektoriseerde dakarea-data vir 90 groot stede in China wat deur Zhang  .  vrygestel is, het hierdie gaping deels gevul; egter, slegs 14 stede in die Kwingsjing-Tibetaanse Plato is in hierdie datastel ingesluit, en gevektoriseerde geboudakdata is steeds afwesig vir 'n gebied van 2 miljoen km². et al 42 et al 13 Daarom beoog hierdie studie om gevektoriseerde geboudakafdrukke van die Kwingsjing-Tibetaanse Plato en sy buurlande te genereer deur die integrasie van hoë-resolusie satellietbeeldmateriaal en diepleer-algoritme. Ons datastel is gevalideer met behulp van toetsmonsters wat 250 × 1 km² roosters oor verskillende sub-streke dek, wat lei tot 'n algehele akkuraatheid van 91,92% en 'n F1-telling van 64,81%. Metodes Raamwerk In hierdie studie het ons gebou-ekstraksie-algoritmes van die AI Earth-platform gebruik om 'n gevektoriseerde geboudakdatastel vir die Kwingsjing-Tibetaanse Plato en sy buurland in China te genereer (Fig.  ). Die hoofkomponente van ons raamwerk het ingesluit: (1) voorbereiding en voorafverwerking van satellietdata en hulpdata; (2) gevektoriseerde geboudak-ekstraksie met behulp van die AI Earth-platform; (3) validasie met behulp van handmatig gevektoriseerde dakdata. 1    Die raamwerk vir geboudak-ekstraksie en validasie. Studiegebied Hierdie studie het hoofsaaklik gefokus op die Kwingsjing-Tibetaanse Plato en sy buurlande in suidwestelike China onder die algemene raamwerk van die tweede Tibetaanse Plato Wetenskaplike Ekspedisie en Navorsingsprogram ; geografies sluit dit die Tibetaanse Outonome Streek, Kwingsjing Provinsies, westelike Yunnan Provinsie, westelike Sichuan Provinsie, suidwestelike Gansu Provinsie, en suidelike Xinjiang Outonome Streek in. Die gemiddelde hoogte van die studiegebied is 4000 m bo seevlak. Die verspreiding van bevolking en geboue in die studiegebied word sterk beïnvloed deur hoogte en klimaat (Fig.  ), hoofsaaklik gekonsentreer oos van die lyn van Jilong Graafskap in Tibet tot Qilian Graafskap in Kwingsjing ; in die ooste is hulle dig versprei in die vlaktes aan die oostelike rand van die streek, insluitend die riviervalleie in Yunnan Provinsie, westelike Sichuan Provinsie, en die Xining-Lanzhou Geelrivierkom. In die plato-oppervlak wes van die lyn, bevolking en geboue is meestal versprei met beperkte landbou-pastorale gebiede langs die groot riviervalleie, en langs padverkeerkorridors. 43 2 44    Studiegebied (bevolkingsdata is van LandScan; DEM is van die Hulpbron- en Omgewingswetenskap- en Datumsentrum). Satellietbeeldmateriaal Gratis-toeganklike hoë-resolusie satellietbeelddata is verkry van Rivermap Co. ( ), wat verkry is uit Google Earth se integrasie van satellietbeeldmateriaal en lugdata. Onder hulle kom die satellietbeeldmateriaal hoofsaaklik van DigitalGlobe se QuickBird en WorldView kommersiële satelliete, en die lugfotografie is verkry van BlueSky in die VK en Sanbornin die VSA . Vir elke ligging was daar versamelings van veelvuldige beelde met resolusies van tot 0,15 m in gelokaliseerde gebiede. Sulke data-integrasie is wyd gebruik vir voorwerpherkenning in komplekse tonele , , ,  en het die potensiaal vir grootskaalse hoë-resolusie kartering van voorwerptipes . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Die totale oppervlakte van ons studiegebied is 3,06 miljoen km², en die geskatte grootte van die satellietbeelddata is 29,4 TB, met 'n ruimtelike resolusie van 0,6 m. Met inagneming van hierdie skale, is 0,175° × 0,175° visnette geskep vir ons studiegebied om kleiner pakkies vir aflaai moontlik te maak, met 'n totaal van 10 033 visnette wat gebruik is om die hele studiegebied te dek. Die werklike aantal visnette wat afgelaai is, was kleiner, naamlik 5921, om twee redes. Eerstens, aangesien 'n groot deel van die studiegebied nie-bewoonde gebiede omvat waar geen geboue bestaan nie, het ons visnette sonder enige geboude pixel uit die ESA World Cover-produk arbitrêr uitgesluit. Tweedens, stede/prefekture wie se gevektoriseerde dakdata (d.w.s. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong, en Yuxi) reeds in die gevektoriseerde dakarea-data vir 90 stede in China verkry is , is ook uitgesluit. Die beelde is afgelaai tussen September 2022 en Januarie 2023, met 'n resolusie van 0,6 m, 'n enkele raamgrootte van ca. 3 GB, en 'n totale grootte van 2,72 TB. Beelde wat afgelaai is, is hoofsaaklik geneem van 2019 tot 2021, maar beelde van sommige afgeleë gebiede mag so vroeg as 2001 geneem gewees het (Fig.  ). 13 3    Visnette vir beeld aflaai en beeld skiet tyd. Hulpdata Ons hulpdata het hoë-resolusie grondbedekkingskaarte, digitale hoogte model (DEM), genormaliseerde verskil-vegetasie-indeks (NDVI), en bevolkingsverspreidingsdata vir daaropvolgende cluster-analise vir die doel van steekproefneming ingesluit (Tabel  ). 1 Vir grondbedekking en geboude areas is ESA se World Cover-produk van Zanaga  .  verkry van Zenodo ( ). Die produk is gegenereer op grond van Sentinel 1 en Sentinel 2 satellietbeeldmateriaal vir die hele jaar 2020 en 'n monster van 141,000 unieke liggings versprei oor die wêreld, opgelei met die random forest-algoritme, om globale grondbedekking in 2020 voor te stel; dit het 'n voordeel in die voorstelling van fyn-skaal landskap-elemente (bv. geboude gebiede en komplekse landboulandskappe), aangesien dit 'n relatief klein minimum karteringseenheid oorweeg . Die "geboude" kategorie in die datastel verwys na grond bedek met geboue, paaie en ander mensgemaakte strukture (bv. spoorweë) maar sluit stedelike groen areas (bv. parke en sportfasiliteite), stortterreine, en myne uit . et al 17 https://zenodo.org/records/5571936 51 17 Die 1-km DEM-data en NDVI-data is verkry van die Hulpbron- en Omgewingswetenskappe en Datumsentrum, Instituut vir Geowetenskappe en Hulpbronne, Chinese Akademie vir Wetenskappe ( ). Die DEM-data is her-geskaal vanaf die nuutste SRTM V4.1-data ( ), en die NDVI-data is saamgestel gebaseer op SPOT/VEGETATION PROBA-V 1-km produkte ( ). Ons het die NDVI-data van 2021 gekies om die plantegroei op die Kwingsjing-Tibetaanse Plato voor te stel ( ). Bevolkingsdigtheidsdata is verkry van die LandScan-databasis ( ) vir globale vitale statistieke-analise ontwikkel deur die Amerikaanse Departement van Energie se Oak Ridge Nasionale Laboratorium en verskaf deur East View Cartographic ( ); hierdie data word gegenereer deur geospatiale wetenskap, afstandswaarnemingstegnologie, en masjienleer-algoritmes te kombineer, en verteenwoordig een van die mees akkurate en betroubare globale bevolkingsdinamika statistiese analise-databasisse gebaseer op geografiese ligging, met beter resolusie op 1 km . Ons het die bevolkingsverspreiding in 2021 gebruik vir daaropvolgende cluster-analise. https://www.resdc.cn/Default.aspx https://www.resdc.cn/data.aspx?DATAID=123 http://www.vito-eodata.be https://www.resdc.cn/DOI/DOI.aspx?DOIID=49 https://landscan.ornl.gov/ https://geospatial.com/ 52 Data voorafverwerking Die verspreiding van bevolking en geboue is yl vir die meeste van ons studiegebied, met meer as 99,5% van die studiegebied gekategoriseer as nie

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Hierdie oudio word in die oorspronklike taal van die storie vervaardig!

AI-kaarte 13 miljoen geboue in een van die wêreld se mees afgeleë streke

About Author

KOMMENTAAR

HANG TAGS

HIERDIE ARTIKEL IS AANGEBIED IN

Related Stories

The Opt Out Writing Contest: Final Round Results Announcement 🎉

"What If ... I didn't Do It?"

Uber Still Can't Turn a Profit

Top Actionable Tips to Grow a Community: More Tips to Monetize

The Opt Out Writing Contest: Final Round Results Announcement 🎉

"What If ... I didn't Do It?"

Uber Still Can't Turn a Profit

Top Actionable Tips to Grow a Community: More Tips to Monetize

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps