
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Skrywers: 
 
 
 
 
 
 
 
 
 
 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 fondament vir streeks stedelike beplanning en hulpbronallokasie en ramprisiko-navorsing. Die Qinghai-Tibetaanse plato is die derde pool van die wêreld. Alhoewel begrip van plaaslike mens-omgewingsinteraksies in die Qinghai-Tibetaanse plato uiters belangrik is, is dit belemmer deur 'n gebrek aan hoë-resolusie gebou voetspoor data as gevolg van die uitgestrektheid en afgeleë aard van die gebied. In hierdie studie het ons die eerste gevektoriseerde geboudak afdrukke van die Qinghai-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 x 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 'n immense potensiaal in die fasilitering van blootstellingsbeoordeling vir studies oor ramprisiko in hierdie gebied. Agtergrond & Opsomming Die advent van die digitale era het die vraag na betroubare data oor gebouverspreiding en eienskappe verhoog , , . 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 onlangse 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 openbare 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 in satelliet- en luggebaseerde beeldmateriaal, tesame met onlangse vordering in masjienleer- en diepleer-algoritmes, het die beskikbaarheid van gebouverspreidingsdata gestimuleer , , . Gebouverspreidingsdata is in rasterformaat verskaf as deel van grondgebruik/dekkingdata. Die mees onlangse vrystelling sluit drie 10-m globale grondgebruik/dekking produkte in gebaseer 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 eienskappe aan gebou-piksels heg, soos gebouhoogte . Byvoorbeeld, He et al.  het multi-bron afstandswaarneming data fusie gebruik om die wêreld se eerste 30-m resolusie stedelike drie-dimensionele ruimtelike en temporele uitbreidingsdatastel te bou wat die tydperk van 1990 tot 2010 dek. Ten spyte van die deurlopende verbetering van ruimtelike resolusie, kan raster-gebaseerde gebouverspreidingsdata steeds nie ruimtelike voorwerpe beskryf nie , en toenemende resolusie verhoog bergings- en rekenkoste aansienlik . 12 13 14 15 16 17 14 7 18 12 Gebouverspreidingsdata in vektorformaat, ook bekend as gevektoriseerde geboudakke of gebou voetspore, is die buitelyndata van 'n gebou wat op die grond geprojekteer is in 'n bokantse aansig , , wat inligting verskaf soos die geografiese ligging, ruimtelike omvang van die grense, en voetspoor van 'n enkele gebou. Openbare diensverskaffers (bv. Google Earth en OpenStreetMap) verskaf oop-toeganklike gevektoriseerde geboudak data met wye dekking, vinnige opdaterings, en lae koste , , . In 2022 het Microsoft Corporation diep neurale netwerk-gebaseerde semantiese segmentasie gebruik om die buitelyne 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 gebou-buitlyne 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 verteenwoordig deur hoekpunte en paaie bied hoër geografiese akkuraatheid onafhanklik van maasgrootte, en die bekendstelling van topologiese reëls verbeter die integriteit van vektor data verder . 19 20 21 22 23 13 As gevolg van die toename in beeldresolusie en die afname in data-verkrygingskoste, tesame met onlangse vordering in ekstraksie-algoritmes, word die resolusie en dekking van gebouverspreidingsdata voortdurend verbeter . Die lewensvatbaarheid van baie-hoë-resolusie (VHR) beelde het die ekstraksie van gebou voetspore moontlik gemaak deur die toepassing van tradisionele handgemaakte kenmerke-gebaseerde metodes  of diepleer-gebaseerde metodes . Aangesien die voormalige benadering die uitdaging van diversiteit in gebou-voorkoms en -groottes in die gesig staar, en kompleks reëls van duim en drempel instellings, is dit beperk wanneer dit toegepas word op grootskaalse hoë-resolusie afstandswaarneming beelde . Diepleer-gebaseerde metodes (bv. konvolusionele neurale netwerke) het effektiewe en superieure prestasie getoon in die outomatiese leer van hoë-vlak en diskriminerende kenmerke in gebou-toneel segmentasie. Sun et al.  het 'n fusie strategie voorgestel gebaseer op parallelle ondersteunende vektor masjiene om diepleer kenmerke onttrek uit multi-skaal konvolusionele neurale netwerk strukture op verskillende skale ten volle te benut, met superieure prestasie in die ekstraksie van komplekse geboue in stedelike gebiede. Nietemin, wanneer geboue gesegmenteer word, is die akkuraatheid van die model meer geneig om beperk te word deur die kwaliteit van die opleidingsmonsters, wat ekstrapolasie moeilik maak. Onvoldoende gebruik van hoë-vlak semantiek en weglating van lae-vlak besonderhede in diep modelle, wat lei tot rand-vervaaging en weglating van klein geboue, belemmer ook die toepassing van diepleer in gebou-voetspoor ekstraksie. 24 25 13 26 27 Die Qinghai-Tibetaanse plato streek is die wêreld se mees verhewe gebied, met 'n gemiddelde hoogte van >4000 meter bo seevlak, en beslaan 'n gebied van 2.5 miljoen km2 . Meer as 10 miljoen mense bewoon die streek ten spyte van sy uiterste klimaat, koue en lang winters, groot jaarlikse en daaglikse temperatuur verskille, 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 ramprisikovol, met aardbewings, landverskuiwings, modderstrome, gletsermeer uitbarstings vloede, en sneeu rampe wat lei tot ongevalle en eiendom verliese , , . In reaksie hierop is akkurate gebouverspreidingsdata krities vir die modellering van menslike aktiwiteitsverspreiding vir gekoppelde mens-omgewingstudies , , asook blootstelling en risikobepaling vir natuurrampe , . Daarbenewens het hierdie streek lang sonskyn ure, oorvloedige sonenergiehulpbronne, en voldoende oppervlaktes vir sonenergie-insameling soos dakke en oop ruimtes , . Hoë-resolusie landelike gebouverspreidingsdata kon '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 Qinghai-Tibetaanse plato en sy naburige gebiede steeds nie 'n volledige stel hoë-presisie gevektoriseerde geboudak data nie, weens 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 et al., 2023b) en China se eerste nasionale grondbedekkingskaart met 1-m resolusie (SinoLC) insluit wat geboukategorieë insluit . Hierdie rasterdata is nie in staat om ruimtelike voorwerpe te karakteriseer nie en vereis groot stoorhulpbronne. Die gevektoriseerde dakarea data vir 90 groot stede in China vrygestel deur Zhang et al.  het hierdie gaping deels gevul; egter, slegs 14 stede in die Qinghai-Tibetaanse plato is in hierdie datastel ingesluit, en gevektoriseerde geboudak data is steeds afwesig vir 'n gebied van 2 miljoen km2. 42 13 Daarom beoog hierdie studie om gevektoriseerde geboudak afdrukke van die Qinghai-Tibetaanse plato en sy naburige streke te genereer deur hoë-resolusie satellietbeeldmateriaal en diepleer algoritme in te sluit. Ons datastel is gevalideer met behulp van toetsmonsters bestaande uit 250 x 1 km2 roosters oor verskeie sub-streke, wat 'n algehele akkuraatheid van 91.92% en 'n F1-telling van 64.81% tot gevolg gehad het. Metodes Raamwerk In hierdie studie het ons gebou-ekstraksie-algoritmes van die AI Earth-platform gebruik om 'n gevektoriseerde geboudak-datastel vir die Qinghai-Tibetaanse plato en sy naburige streek in China te genereer (Fig.  ). Die hoofkomponente van ons raamwerk het ingesluit: (1) satelliet data en aanvullende data voorbereiding en voorverwerking; (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 Qinghai-Tibetaanse plato en sy naburige streke in suidwestelike China onder die algemene raamwerk van die tweede Tibetaanse Plato Wetenskaplike Ekspedisie en Navorsingsprogram ; geografies sluit dit die Tibetaanse Outonome Streek, Qinghai Provinsies, westelike Yunnan Provinsie, westelike Sichuan Provinsie, suidwestelike Gansu Provinsie, en suidelike Xinjiang Outonome Streek in. Die gemiddelde hoogte van die studiegebied is 4000m 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 County in Tibet na Qilian County in Qinghai ; in die ooste, versprei hulle dig in die plat gebiede aan die oostelike rand van die streek, insluitend die riviervalleie in Yunnan Provinsie, westelike Sichuan Provinsie, en die Xining-Lanzhou Geelrivierkom. Op die plato oppervlak wes van die lyn, is bevolking en geboue meestal versprei met beperkte landbou-weidingsgebiede langs die groot riviervalleie, en langs padverkeer korridore. 43 2 44   Studiegebied (bevolkingsdata is van LandScan; DEM is van Resource and Environment Science and Data Centre). Satellietbeeldmateriaal Oop-toeganklike hoë-resolusie satellietbeeld data is verkry van Rivermap Co. ( ), wat verkry is van 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 voorwerp tipes . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Die totale gebied van ons studiegebied is 3.06 miljoen km2, en die geskatte grootte van die satellietbeeld data is 29.4 TB, met 'n ruimtelike resolusie van 0.6 m. Rekening houdend met hierdie skale, is 0.175° x 0.175° visnette geskep vir ons studiegebied om kleiner-grootte pakkette 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 residensiële gebiede behels waar geboue nie bestaan nie, het ons visnette sonder enige beboude area piksels uit die ESA World Cover produk willekeurig uitgesluit. Tweedens, stede/prefekture wie se gevektoriseerde dakdata (dws. 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 gedurende September 2022 en Januarie 2023, met 'n resolusie van 0.6 m, 'n enkele raam grootte 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 skiettid. Aanvullende data Ons aanvullende data sluit hoë-resolusie grondbedekkingskaarte, digitale hoogte model (DEM), genormaliseerde verskil vegetasie indeks (NDVI), en bevolkingsverspreidingsdata in vir daaropvolgende cluster-analise vir die doel van monsterneming (Tabel  ). 1 Vir grondbedekking en beboude gebied, is ESA se World Cover produk van Zanaga et al.  verkry van Zenodo ( ). Die produk is gegenereer gebaseer op Sentinel 1 en Sentinel 2 satelliet beeldmateriaal vir die hele jaar van 2020 en 'n monster van 141,000 unieke lokasies 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. beboude gebiede en komplekse landbou landskappe), aangesien dit 'n relatief klein minimum kartering eenheid oorweeg . Die "beboudde" kategorie in die datastel verwys na grond bedek met geboue, paaie en ander mensgemaakte strukture (bv. spoorweë) maar sluit stedelike groen ruimtes (bv. parke en sportfasiliteite), stortingsterreine en myne uit . 17 https://zenodo.org/records/5571936 51 17 Die 1-km DEM data en NDVI data is verkry van die Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ). Die DEM data is hermete opgeskaal vanaf die nuutste SRTM V4.1 data ( ), en die NDVI data is gemosaïek gebaseer op SPOT/VEGETATION PROBA-V 1-km produkte ( ). Ons het die NDVI data van 2021 gekies om plantegroei op die Qinghai-Tibetaanse plato voor te stel ( ). Bevolkingsdigtheidsdata is verkry van die LandScan databasis ( ) vir globale lewensvatbare statistiese analise ontwikkel deur die U.S. Department of Energy se Oak Ridge National Laboratory en verskaf deur East View Cartographic ( ); hierdie data is gegenereer deur ruimtelike wetenskap, afstandswaarnemingstegnologie, en masjienleer-algoritmes te kombineer, en verteenwoordig een van die mees akkurate en betroubare globale bevolkingsdinamiese statistiese analise databasisse gebaseer op geografiese ligging, met 'n superieure resolusie van 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 voorverwerking 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-beboudde gebiede volgens die ESA se World Cover produk . Om ons ekstraksie te versnel, is maskers van potensiële gebouverspreidingsgebied eers vir elke 0.175° x 0.17 17

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 maak 13 miljoen geboue in een van die wêreld se mees afgeleë streke.

About Author

KOMMENTAAR

HANG TAGS

HIERDIE ARTIKEL IS AANGEBIED IN

Related Stories

Thrilled to be Recognized as Startup of the Year in New York City

How to Vote in the HackerNoon 2021 Noonies Awards #Noonies2021

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

Startups of The Year: Meet the Business Industry

Thrilled to be Recognized as Startup of the Year in New York City

How to Vote in the HackerNoon 2021 Noonies Awards #Noonies2021

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 2 Results 🎉

Startups of The Year: Meet the Business Industry

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps