```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Sažetak Veliki i precizni podaci o distribuciji zgrada važan su temelj za regionalno urbanističko planiranje i alokaciju resursa te istraživanje rizika od katastrofa. Platou Qinghai-Tibet je treći pol svijeta. Iako je razumijevanje lokalnih interakcija čovjeka i okoliša na platou Qinghai-Tibet od kritične važnosti, to je otežano nedostatkom podataka o otiscima zgrada visoke rezolucije zbog prostranosti i udaljenosti područja. U ovoj studiji generirali smo prve vektorizirane otiske krovova zgrada na platou Qinghai-Tibet i njegovim okolnim područjima koristeći Google slike visoke rezolucije i algoritam za ekstrakciju kontura zgrada AI Earth platforme. Naši rezultati uključuju 13,09 miliona zgrada koje pokrivaju 6092,7 km2, validiranih sa ukupno 250 x 1 km2 testnih uzoraka. Podaci su imali ukupnu tačnost od 87%, opoziv od 91,9% i F1 ocjenu od 64,8%, čime pružaju napredan opis distribucije zgrada u studijskom području u poređenju sa CBRA. Naš rad ima ogroman potencijal u olakšavanju procjene izloženosti za studije rizika od katastrofa u ovoj oblasti. Pozadina i sažetak Pojava digitalne ere povećala je potražnju za pouzdanim podacima o distribuciji i atributima zgrada , , . Podaci o distribuciji zgrada pružaju važne prostorne informacije ne samo o zgradama, već i o stanovništvu i fizičkoj imovini , služeći kao dobar pokazatelj ljudske aktivnosti. Posljednjih decenija, podaci o distribuciji zgrada široko su korišteni u praćenju urbanog i ruralnog razvoja , , razumijevanju utjecaja urbanizacije na sigurnost hrane, bioraznolikost, klimatske promjene i javno blagostanje i zdravlje , , formuliranju strategija regionalnog razvoja i zaštiti urbanih i ruralnih ekosistema , , . 1 2 3 4 5 6 7 8 9 10 11 Napredak satelitskih i zračnih snimaka, zajedno s nedavnim napretkom u algoritmima mašinskog učenja i dubokog učenja, povećao je dostupnost podataka o distribuciji zgrada , , . Podaci o distribuciji zgrada pruženi su u raster formatu kao dio podataka o korištenju/pokrivenosti zemljišta. Najnovije izdanje uključuje tri globalna proizvoda za korištenje/pokrivenost zemljišta od 10 m zasnovana na Sentinel satelitima, naime Googleov Dynamic World (DW) , Esrijev 2020 Land Cover , i World Cover 2020 (WC) Evropske svemirske agencije (ESA) . Pored informacija o prostornoj distribuciji, istraživači također pokušavaju dodati informacije o atributima pikselima zgrada, kao što je visina zgrade . Na primjer, He  .  koristili su fuziju podataka daljinskog istraživanja iz više izvora za konstruiranje prvog svjetskog skupa podataka o urbanom trodimenzionalnom prostornom i vremenskom širenju rezolucije 30 m koji pokriva period od 1990. do 2010. godine. Uprkos kontinuiranom poboljšanju prostorne rezolucije, podaci o distribuciji zgrada zasnovani na rasterima još uvijek ne mogu opisati prostorne objekte , a povećanje rezolucije značajno povećava troškove skladištenja i računanja . 12 13 14 15 16 17 14 et al 7 18 12 Podaci o distribuciji zgrada u vektorskom formatu, poznati kao vektorizovani krovovi zgrada ili otisci zgrada, su podaci o obrisima zgrade projektovani na zemlju iz nadzemne perspektive , , koji pružaju informacije kao što su geografska lokacija, prostorni opseg granica i otisak pojedinačne zgrade. Pružaoci javnih usluga (npr. Google Earth i OpenStreetMap) pružaju otvorene vektorizovane podatke o krovovima zgrada sa širokim pokrivanjem, brzim ažuriranjima i niskim troškovima , , . Godine 2022. Microsoft Corporation je koristio semantičku segmentaciju zasnovanu na dubokim neuronskim mrežama za izdvajanje obrisa 777 miliona zgrada, od kojih neke sadrže atribute visine zgrade, na osnovu Bing Maps (uključujući Maxar i Airbus slike) od 2014. do 2021. za svaki kontinent izvan Kine. Dana 30. maja 2023. Google je objavio skup podataka od 1,8 milijardi obrisa zgrada izdvojenih iz satelitskih slika visoke rezolucije od 0,5 m, pokrivajući područje od 58 miliona km2. Niska redundantnost i kompaktna struktura vektorskih podataka predstavljenih vrhovima i putevima pružaju veću geografsku tačnost nezavisnu od veličine mreže, a uvođenje topoloških pravila dodatno poboljšava integritet vektorskih podataka . 19 20 21 22 23 13 Zbog povećanja rezolucije slika i smanjenja troškova nabavke podataka, zajedno sa nedavnim napretkom u algoritmima ekstrakcije, rezolucija i pokrivenost podataka o distribuciji zgrada kontinuirano se poboljšavaju . Izvodljivost slika vrlo visoke rezolucije (VHR) omogućila je ekstrakciju otisaka zgrada primjenom tradicionalnih metoda zasnovanih na ručno izrađenim karakteristikama  ili metoda zasnovanih na dubokom učenju . Budući da prvi pristup suočava sa izazovom raznolikosti izgleda i veličina zgrada, te složenim pravilima palca i podešavanjima pragova, ograničen je kada se primjenjuje na slike daljinskog istraživanja velikih razmjera visoke rezolucije . Metode zasnovane na dubokom učenju (npr. konvolucioni neuralne mreže) pokazale su efikasne i superiorne performanse u automatskom učenju visokokvalitetnih i diskriminativnih karakteristika u segmentaciji scena zgrada. Sun  .  predložili su strategiju fuzije zasnovanu na paralelnim potpornim vektorskim mašinama za potpunu upotrebu dubokih karakteristika ekstrahovanih iz konvolucionih neuralnih mreža višestrukih razmjera na različitim razinama, sa superiornim performansama u ekstrakciji složenih zgrada u urbanim područjima. Ipak, prilikom segmentacije zgrada, tačnost modela je vjerovatnije ograničena kvalitetom trening uzoraka, što otežava ekstrapolaciju. Nedovoljna upotreba visokokvalitetnih semantika i izostavljanje niskokvalitetnih detalja u dubokim modelima, što rezultira zamućenjem ivica i izostavljanjem malih zgrada, također otežavaju primjenu dubokog učenja u ekstrakciji otisaka zgrada. 24 25 13 26 et al 27 Regija Qinghai-Tibetan Plateau je najviša regija na svijetu, sa prosječnom nadmorskom visinom od >4000 metara nadmorske visine, i pokriva površinu od 2,5 miliona km2  . Više od 10 miliona ljudi naseljava regiju uprkos njenoj ekstremnoj klimi, hladnim i dugim zimama, velikim godišnjim i dnevnim temperaturnim razlikama i siromašnim zatvorenim termalnim okruženjem. Iako je ova regija najveća ekološka barijera u Kini , ljudska aktivnost značajno je uticala na njeno ranjivo ekološko okruženje . Ova regija je također izuzetno sklona katastrofama, sa zemljotresima, klizištima, muljnim tokovima, poplavama iz ledenjačkih jezera i snježnim katastrofama koje dovode do gubitaka života i imovine , , . Kao odgovor, tačni podaci o distribuciji zgrada su kritični za modeliranje distribucije ljudske aktivnosti za proučavanje čovjek-okoliš , , kao i analizu izloženosti i rizika od prirodnih katastrofa , . Pored toga, ova regija ima duge sate sunca, obilne resurse solarne energije i dovoljno površina za sakupljanje solarne energije kao što su krovovi i otvoreni prostori , . Podaci o distribuciji ruralnih zgrada visoke rezolucije mogli bi pružiti pouzdanu bazu podataka za procjenu fotonaponskog potencijala i efikasno poboljšanje životnog standarda onih koji žive u ruralnim područjima , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kao nerazvijeno područje, plato Qinghai-Tibet i njegova susjedna područja još uvijek nemaju potpun skup visokopreciznih vektoriziranih podataka o krovovima zgrada, zbog njihovog prostranog područja, rijetke distribucije zgrada, udaljene lokacije i ograničenih resursa. Najlakše dostupni podaci su oni koji se pružaju na nacionalnom nivou Kine, uključujući podatke o površini krovova zgrada u Kini (CBRA, Liu  ., 2023b) sa rešetkom od 2,5 m i prvu nacionalnu kartu korištenja zemljišta Kine rezolucije 1 m (SinoLC) koja uključuje kategorije zgrada . Ovi raster podaci nisu u mogućnosti karakterizirati prostorne objekte i zahtijevaju velike resurse za skladištenje. Vektorizirani podaci o površini krovova za 90 velikih gradova u Kini koje je objavio Zhang  .  djelimično su popunili ovu prazninu; međutim, samo 14 gradova na platou Qinghai-Tibet uključeno je u ovaj skup podataka, a vektorizirani podaci o krovovima zgrada još uvijek nedostaju za područje od 2 miliona km2. et al 42 et al 13 Stoga, ova studija ima za cilj generiranje vektoriziranih otisaka krovova zgrada na platou Qinghai-Tibet i njegovim susjednim regijama ugradnjom satelitskih snimaka visoke rezolucije i algoritma dubokog učenja. Naš skup podataka validiran je korištenjem testnih uzoraka koji se sastoje od mreža od 250 x 1 km2 u različitim podregijama, što je rezultiralo ukupnom tačnošću od 91,92% i F1 ocjenom od 64,81%. Metode Okvir U ovoj studiji koristili smo algoritme za ekstrakciju zgrada sa AI Earth platforme za generiranje vektoriziranog skupa podataka o krovovima zgrada za plato Qinghai-Tibet i njegovu susjednu regiju u Kini (Slika  ). Glavne komponente našeg okvira uključivale su: (1) pripremu i predobradu satelitskih podataka i pomoćnih podataka; (2) vektorizovanu ekstrakciju krovova zgrada koristeći AI Earth platformu; (3) validaciju ručno vektorizovanim podacima o krovovima. 1    Okvir za ekstrakciju i validaciju krovova zgrada. Studijsko područje Ova studija se uglavnom fokusirala na plato Qinghai-Tibet i njegove susjedne regije u jugozapadnoj Kini pod općim okvirom druge naučne ekspedicije i istraživačkog programa za plato Tibet ; geografski, uključuje Tibetansku autonomnu regiju, provincije Qinghai, zapadnu provinciju Yunnan, zapadnu provinciju Sichuan, jugozapadnu provinciju Gansu i južnu autonomnu regiju Xinjiang. Prosječna nadmorska visina studijskog područja je 4000 m nadmorske visine. Distribucija stanovništva i zgrada u studijskom području uveliko je pod utjecajem nadmorske visine i klime (Slika  ), uglavnom se koncentrišući istočno od linije od županije Jilong u Tibetu do županije Qilian u Qinghaiju ; na istoku, gusto su raspoređeni u ravničarskim područjima na istočnom rubu regije, uključujući riječne doline u provinciji Yunnan, zapadnoj provinciji Sichuan i basenu rijeke Yellow River Xining-Lanzhou. Na površini visoravni zapadno od linije, stanovništvo i zgrade uglavnom su raspoređeni s ograničenim poljoprivredno-stočarskim područjima duž glavnih riječnih dolina, i duž koridora drumskog saobraćaja. 43 2 44    Studijsko područje (podaci o stanovništvu su iz LandScana; DEM je iz Centra za nauku i podatke o resursima i okolišu). Satelitski snimci Podaci satelitskih snimaka visoke rezolucije otvorenog pristupa dobijeni su od Rivermap Co. (   ), koji su dobijeni integracijom satelitskih snimaka i zračnih podataka Google Earth-a. Među njima, satelitski snimci uglavnom potiču od komercijalnih satelita DigitalGlobe's QuickBird i WorldView, a zračni snimci potječu od BlueSky u Velikoj Britaniji i Sanborn u SAD-u . Za svaku lokaciju postojale su zbirke višestrukih snimaka sa rezolucijama do 0,15 m u lokalizovanim područjima. Takva integracija podataka široko je korištena za prepoznavanje objekata u složenim scenama , , ,  i ima potencijal za mapiranje tipova objekata velikih razmjera visoke rezolucije . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Ukupna površina našeg studijskog područja iznosi 3,06 miliona km2, a procijenjena veličina podataka satelitskih snimaka je 29,4 TB, sa prostornom rezolucijom od 0,6 m. Uzimajući u obzir ove razmjere, stvorene su riblje mreže od 0,175° x 0,175° za naše studijsko područje kako bi se omogućili manji paketi za preuzimanje, sa ukupno 10.033 riblje mreže korištene za pokrivanje cijelog studijskog područja. Stvarni broj preuzetih ribljih mreža bio je manji, 5921, iz dva razloga. Prvo, kako veliki dio studijskog područja čine stambena područja bez ljudi gdje zgrade ne postoje, proizvoljno smo isključili riblje mreže bez ikakvih piksela izgrađenog područja iz ESA World Cover proizvoda. Drugo, gradovi/prefekture čiji su vektorizirani podaci o krovovima (tj. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) izvučeni iz podataka o površini krovova za 90 gradova u Kini  su također isključeni. Slike su preuzete između septembra 2022. i januara 2023., sa rezolucijom od 0,6 m, veličinom jednog okvira od ca. 3 GB, i ukupnom veličinom od 2,72 TB. Preuzete slike su uglavnom snimljene od 2019. do 2021., ali slike iz nekih udaljenih područja možda su snimljene već 2001. godine (Slika  ). 13 3    Riblje mreže za preuzimanje slika i vrijeme snimanja slika. Pomoćni podaci Naši pomoćni podaci uključivali su karte korištenja zemljišta visoke rezolucije, digitalni model nadmorske visine (DEM), indeks normalizovane razlike vegetacije (NDVI) i podatke o distribuciji stanovništva za naknadnu klustersku analizu radi uzorkovanja (Tabela  ). 1 Za korištenje zemljišta i izgrađena područja, ESA-in World Cover proizvod Zanaga  .  dobijen je sa Zenoda (   ). Proizvod je generiran na osnovu satelitskih snimaka Sentinel 1 i Sentinel 2 za cijelu 2020. godinu i uzorak od 141.000 jedinstvenih lokacija raspoređenih širom svijeta, obučen algoritmom slučajne šume, kako bi se predstavila globalna pokrivenost zemljišta u 2020. godini; ima prednost u predstavljanju finih pejzažnih elemenata (npr. izgrađena područja i složena poljoprivredna zemljišta), jer uzima u obzir relativno malu minimalnu jedinicu mapiranja . Kategorija "izgrađena" u skupu podataka odnosi se na zemljište prekriveno zgradama, putevima i drugim objektima koje je napravio čovjek (npr. željeznice), ali isključujući urbane zelene površine (npr. parkove i sportske objekte), deponije i rudnike . et al 17 https://zenodo.org/records/5571936 51 17 DEM podaci od 1 km i NDVI podaci dobijeni su iz Centra za nauku i podatke o resursima i okolišu, Instituta za geonauke i resurse, Kineske akademije nauka (   ). DEM podaci su resamplirani iz najnovijih SRTM V4.1 podataka (   ), a NDVI podaci su spojeni na osnovu SPOT/VEGETATION PROBA-V 1-km proizvoda (   ). Odabrali smo NDVI podatke iz 2021. godine da predstavimo vegetaciju na platou Qinghai-Tibet (   ). Podaci o gustini stanovništva dobijeni su iz LandScan baze podataka (   ) za globalnu analizu vitalnih statistika koju je razvio Nacionalni laboratorij Oak Ridge Ministarstva energetike SAD-a i pružila je East View Cartographic (   ); ovi podaci su generirani kombinovanjem geoprostorne nauke, tehnologije daljinskog istraživanja i algoritama mašinskog učenja, predstavljajući jednu od najtačnijih i najpouzdanijih globalnih baza podataka za analizu dinamike stanovništva zasnovanu na geografskoj lokaciji, sa superiornom rezolucijom od 1 km . Koristili smo distribuciju stanovništva iz 2021. godine za naknadnu klustersku analizu. 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 Predobrada podataka Distribucija stanovništva i zgrada je raspršena za većinu našeg studijskog područja, sa preko 99,5% studijskog područja kategoriziranim kao neizgrađena područja prema ESA-inom World Cover proizvodu

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

Ovaj audio je proizveden na originalnom jeziku priče!

AI mapira 13 miliona zgrada u jednom od najudaljenijih regiona na svijetu.

About Author

KOMENTARI

HANG TAGS

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps