
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autors: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Resum Les dades de distribució d'edificis d'alta precisió a gran escala són una base important per a la planificació urbana regional, l'assignació de recursos i la investigació de riscos de desastres. L'altiplà de Qinghai-Tibet és el tercer pol del món. Tot i que la comprensió de les interaccions locals entre humans i medi ambient a l'altiplà de Qinghai-Tibet és fonamental, això s'ha vist obstacul·lit per la manca de dades de petjades d'edificis d'alta resolució a causa de la vastitud i la remota ubicació de la zona. En aquest estudi, vam generar les primeres empremtes vectoritzades de teulades d'edificis de l'altiplà de Qinghai-Tibet i les seves àrees circumdants utilitzant imatges de Google d'alta resolució i l'algoritme d'extracció de contorns d'edificis de la plataforma AI Earth. Els nostres resultats inclouen 13,09 milions d'edificis que cobreixen 6092,7 km2, validats amb un total de 250 × 1 km2 de mostres de prova. Les dades van tenir una precisió general del 87%, una recuperació del 91,9% i una puntuació F1 del 64,8%, proporcionant així una descripció avançada de la distribució d'edificis de la zona d'estudi en comparació amb CBRA. El nostre treball té un potencial immens per facilitar l'avaluació de l'exposició per a estudis de riscos de desastres en aquesta zona. Antecedents i resum L'adveniment de l'era digital ha augmentat la demanda de dades fiables sobre la distribució i els atributs dels edificis , , . Les dades de distribució d'edificis proporcionen informació espacial important no només dels edificis, sinó també de la població i dels béns , servint com a bon indicador de l'activitat humana. En les últimes dècades, les dades de distribució d'edificis s'han utilitzat àmpliament en el seguiment del desenvolupament urbà i rural , , en la comprensió dels impactes de la urbanització en la seguretat alimentària, la biodiversitat, el canvi climàtic i el benestar i la salut pública , , en la formulació d'estratègies de desenvolupament regional i en la protecció d'ecosistemes urbans i rurals , , . 1 2 3 4 5 6 7 8 9 10 11 L'avenç de la imatgeria per satèl·lit i aèria, juntament amb els avenços recents en algorismes d'aprenentatge automàtic i aprenentatge profund, ha impulsat la disponibilitat de dades de distribució d'edificis , , . Les dades de distribució d'edificis s'han proporcionat en format raster com a part de les dades d'ús/cobertura del sòl. L'actualització més recent inclou tres productes de cobertura/ús del sòl globals de 10 m basats en els satèl·lits Sentinel, a saber, Dynamic World (DW) de Google , Esri's 2020 Land Cover , i World Cover 2020 (WC) de l'Agència Espacial Europea (ESA) . A més de la informació de distribució espacial, els investigadors també intenten adjuntar informació d'atributs als píxels d'edificis, com ara l'alçada dels edificis . Per exemple, He et al.  van utilitzar la fusió de dades de teledetecció multiorigen per construir el primer conjunt de dades d'expansió espacial i temporal urbana en 3D del món amb una resolució de 30 m que cobreix el període de 1990 a 2010. Malgrat la millora contínua de la resolució espacial, les dades de distribució d'edificis basades en raster encara no poden descriure objectes espacials , i l'augment de la resolució augmenta considerablement els costos d'emmagatzematge i càlcul . 12 13 14 15 16 17 14 7 18 12 Les dades de distribució d'edificis en format vector, també conegudes com a teulades d'edificis vectoritzades o petjades d'edificis, són les dades de contorn d'un edifici projectat a terra en una vista zenital , , que proporcionen informació com ara la ubicació geogràfica, l'extensió espacial dels límits i la petjada d'un edifici individual. Els proveïdors de serveis públics (per exemple, Google Earth i OpenStreetMap) proporcionen dades obertes de teulades d'edificis vectoritzades amb una àmplia cobertura, actualitzacions ràpides i baix cost , , . El 2022, Microsoft Corporation va utilitzar la segmentació semàntica basada en xarxes neuronals profundes per extreure els contorns de 777 milions d'edificis, alguns dels quals contenien atributs d'alçada, basant-se en Bing Maps (incloent imatges de Maxar i Airbus) del 2014 al 2021 per a tots els continents excepte la Xina. El 30 de maig de 2023, Google va publicar un conjunt de dades de 1.800 milions de contorns d'edificis extrets d'imatges satel·litàries d'alta resolució de 0,5 m, cobrint una àrea de 58 milions de km2. La baixa redundància i l'estructura compacta de les dades vectorials representades per vèrtexs i camins proporcionen una major precisió geogràfica independent de la mida de la malla, i la introducció de regles topològiques millora encara més la integritat de les dades vectorials . 19 20 21 22 23 13 A causa de l'augment de la resolució de la imatgeria i la disminució dels costos d'adquisició de dades, juntament amb els avenços recents en els algorismes d'extracció, la resolució i la cobertura de les dades de distribució d'edificis milloren contínuament . La viabilitat d'imatges de molt alta resolució (VHR) ha permès l'extracció de petjades d'edificis mitjançant l'aplicació de mètodes tradicionals basats en característiques artesanals  o mètodes basats en aprenentatge profund . Com que el primer enfocament s'enfronta al repte de la diversitat d'aparicions i mides d'edificis, i regles empíriques complexes i configuracions de llindars, està limitat quan s'aplica a imatges de teledetecció d'alta resolució a gran escala . Els mètodes basats en aprenentatge profund (per exemple, xarxes neuronals convolucionals) han demostrat un rendiment eficaç i superior en l'aprenentatge automàtic de característiques discriminatòries d'alt nivell en la segmentació d'escenes d'edificis. Sun et al.  van proposar una estratègia de fusió basada en màquines de vectors de suport paral·leles per utilitzar completament les característiques profundes extretes d'estructures de xarxes neuronals convolucionals multiescala a diferents escales, amb un rendiment superior en l'extracció d'edificis complexos en zones urbanes. No obstant això, a l'hora de segmentar edificis, la precisió del model és més probable que estigui limitada per la qualitat de les mostres d'entrenament, cosa que dificulta l'extrapolació. L'ús insuficient de semàntiques d'alt nivell i l'omissió de detalls de baix nivell en models profunds, que provoquen una vora esborrada i omissions de petits edificis, també obstaculitzen l'aplicació de l'aprenentatge profund en l'extracció de petjades d'edificis. 24 25 13 26 27 La regió de l'altiplà de Qinghai-Tibet és la zona més elevada del món, amb una elevació mitjana de més de 4000 metres sobre el nivell del mar, i cobreix una superfície de 2,5 milions de km2 . Més de 10 milions de persones habiten la regió malgrat el seu clima extrem, hiverns freds i llargs, grans diferències de temperatura anuals i diürnes, i entorns tèrmics interiors pobres. Tot i que aquesta regió és la barrera ecològica més gran de la Xina , l'activitat humana ha impactat considerablement el seu vulnerable eco-medi ambient . Aquesta regió també és extremadament propensa a desastres, amb terratrèmols, esllavissades, fluxos de fang, inundacions per esclat de llacs glacials i desastres de neu que provoquen pèrdues de vides i béns , , . En resposta, les dades precises de distribució d'edificis són crítiques per modelar la distribució de l'activitat humana per a l'estudi acoblat humà-medi ambient , , així com per a l'anàlisi d'exposició i risc per a desastres naturals , . A més, aquesta regió té llargues hores de sol, abundants recursos d'energia solar i suficients superfícies de recollida d'energia solar com teulades i espais oberts , . Les dades d'alta resolució de la distribució d'edificis rurals podrien proporcionar una base de dades fiable per avaluar el potencial fotovoltaic i millorar eficaçment el nivell de vida dels residents rurals , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Com a regió subdesenvolupada, l'altiplà de Qinghai-Tibet i les seves àrees veïnes encara no disposen d'un conjunt complet de dades de teulades d'edificis vectoritzades d'alta precisió, a causa de la seva vasta àrea, la distribució dispersa d'edificis, la ubicació remota i les restriccions de recursos. Les dades més llestes per ser utilitzades són les proporcionades a escala nacional de la Xina, que inclouen les dades d'àrea de teulades d'edificis de la Xina (CBRA, Liu et al., 2023b) amb graelles de 2,5 m i el primer mapa nacional de cobertura del sòl de la Xina amb una resolució d'1 m (SinoLC) que inclou categories d'edificis . Aquestes dades raster no poden caracteritzar objectes espacials i requereixen grans recursos d'emmagatzematge. Les dades d'àrea de teulades vectoritzades per a 90 ciutats importants de la Xina publicades per Zhang et al.  van omplir parcialment aquest buit; no obstant això, només es van incloure 14 ciutats de l'altiplà de Qinghai-Tibet en aquest conjunt de dades, i les dades de teulades d'edificis vectoritzades encara són absents per a una àrea de 2 milions de km2. 42 13 Per tant, aquest estudi té com a objectiu generar empremtes vectoritzades de teulades d'edificis de l'altiplà de Qinghai-Tibet i les seves regions veïnes incorporant imatges satel·litàries d'alta resolució i algorismes d'aprenentatge profund. El nostre conjunt de dades es va validar utilitzant mostres de prova que comprenen quadrícules de 250 × 1 km2 a diverses subregions, resultant en una precisió general del 91,92% i una puntuació F1 del 64,81%. Mètodes Marc En aquest estudi, vam utilitzar algorismes d'extracció d'edificis de la plataforma AI Earth per generar un conjunt de dades de teulades d'edificis vectoritzades per a l'altiplà de Qinghai-Tibet i la seva regió veïna a la Xina (Fig. 1). Els components principals del nostre marc van incloure: (1) preparació i pre-processament de dades satel·litàries i auxiliars; (2) extracció de teulades d'edificis vectoritzades utilitzant la plataforma AI Earth; (3) validació mitjançant dades de teulades vectoritzades manualment.    Marc per a l'extracció i validació de teulades d'edificis. Àrea d'estudi Aquest estudi es va centrar principalment en l'altiplà de Qinghai-Tibet i les seves regions veïnes del sud-oest de la Xina sota el marc general de la Segona Expedició Científica i Programa de Recerca de l'Altiplà Tibetà ; geogràficament, inclou la Regió Autònoma del Tibet, les províncies de Qinghai, la província occidental de Yunnan, la província occidental de Sichuan, la província sud-oest de Gansu i la Regió Autònoma del sud de Xinjiang. L'elevació mitjana de l'àrea d'estudi és de 4000 m sobre el nivell del mar. La distribució de la població i dels edificis a l'àrea d'estudi està molt influenciada per l'elevació i el clima (Fig. 2), concentrant-se principalment a l'est de la línia des del comtat de Jilong al Tibet fins al comtat de Qilian a Qinghai ; a l'est, es distribueixen densament a les zones planes de la vora oriental de la regió, incloses les valls fluvials de la província de Yunnan, la província occidental de Sichuan i la conca del riu Groc Xining-Lanzhou. A la superfície de l'altiplà a l'oest de la línia, la població i els edificis es distribueixen principalment amb zones agro-pastorals limitades al llarg de les principals valls fluvials, i al llarg dels corredors de trànsit viari. 43 44    Àrea d'estudi (les dades de població són de LandScan; el DEM és del Centre de Ciència i Dades de Recursos i Medi Ambient). Imatges satel·litàries Les dades d'imatges satel·litàries d'accés obert i alta resolució es van obtenir de Rivermap Co. (http://www.rivermap.cn/index.html), que es van obtenir de la integració d'imatges satel·litàries i dades aèries de Google Earth. Entre elles, la imatgeria satel·litària prové principalment dels satèl·lits comercials QuickBird i WorldView de DigitalGlobe, i la fotografia aèria prové de BlueSky al Regne Unit i Sanborn als EUA . Per a cada ubicació, hi havia col·leccions de múltiples imatges amb resolucions de fins a 0,15 m en àrees localitzades. Aquesta integració de dades s'ha utilitzat àmpliament per al reconeixement d'objectes en escenes complexes , , ,  i té el potencial per a la cartografia a gran escala d'alta resolució de tipus d'objectes . 45 46 47 48 49 50 L'àrea total de la nostra zona d'estudi és de 3,06 milions de km2, i la mida estimada de les dades d'imatges satel·litàries és de 29,4 TB, amb una resolució espacial de 0,6 m. Considerant aquestes escales, es van crear peixos de 0,175° × 0,175° per a la nostra zona d'estudi per permetre paquets de mida més petita per a la descàrrega, amb un total de 10.033 peixos utilitzats per cobrir tota la zona d'estudi. El nombre real de peixos descarregats va ser menor, 5921, per dos motius. Primer, com que una gran part de l'àrea d'estudi comprèn zones residencials no habitades on no hi ha edificis, vam excloure arbitràriament els peixos sense píxels construïts del producte ESA World Cover. Segon, també es van excloure ciutats/prefectures les quals les dades de teulades vectoritzades (és a dir, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) ja s'havien recuperat de les dades d'àrea de teulades vectoritzades per a 90 ciutats de la Xina . Les imatges es van descarregar entre setembre de 2022 i gener de 2023, amb una resolució de 0,6 m, una mida de fotograma individual d'aproximadament 3 GB, i una mida total de 2,72 TB. Les imatges descarregades provenien principalment del 2019 al 2021, però les imatges d'algunes zones remotes podrien haver-se pres tan aviat com el 2001 (Fig. 3). 13    Peixos per a la descàrrega d'imatges i hora de presa d'imatges. Dades auxiliars Les nostres dades auxiliars incloïen mapes de cobertura del sòl d'alta resolució, model digital d'elevació (DEM), índex de vegetació de diferència normalitzada (NDVI) i dades de distribució de població per a una anàlisi de clústers posterior amb el propòsit de mostreig (Taula 1). Per a la cobertura del sòl i les zones construïdes, es va obtenir el producte World Cover de l'ESA de Zanaga et al.  de Zenodo (https://zenodo.org/records/5571936). El producte es va generar basant-se en imatges satel·litàries Sentinel 1 i Sentinel 2 per a tot l'any 2020 i una mostra de 141.000 ubicacions úniques distribuïdes per tot el món, entrenades amb l'algoritme de bosc aleatori, per representar la cobertura del sòl global el 2020; té un avantatge en la representació d'elements paisatgístics a petita escala (per exemple, zones construïdes i paisatges agrícoles complexos), ja que considera una unitat mínima de cartografia relativament petita . La categoria "construïda" del conjunt de dades es refereix al sòl cobert per edificis, carreteres i altres estructures artificials (per exemple, vies fèrries) però excloent espais verds urbans (per exemple, parcs i instal·lacions esportives), dipòsits d'escombraries i llocs d'extracció . 17 51 17 Les dades DEM d'1 km i les dades NDVI es van obtenir del Centre de Ciència i Dades de Recursos i Medi Ambient, Institut de Geociències i Recursos, Acadèmia Xinesa de Ciències (https://www.resdc.cn/Default.aspx). Les dades DEM es reescalen a partir de les dades SRTM V4.1 més recents (https://www.resdc.cn/data.aspx?DATAID=123), i les dades NDVI es mosaïquen basant-se en productes SPOT/VEGETATION PROBA-V d'1 km (http://www.vito-eodata.be/). Vam triar les dades NDVI del 2021 per representar la vegetació a l'altiplà de Qinghai-Tibet (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Les dades de densitat de població es van obtenir de la base de dades LandScan (https://landscan.ornl.gov/) per a l'anàlisi global d'estadístiques vitals desenvolupada pel Laboratori Nacional d'Oak Ridge del Departament d'Energia dels EUA i proporcionada per East View Cartographic (https://geospatial.com/); aquestes dades es generen combinant ciència geoespacial, tecnologia de teledetecció i algorismes d'aprenentatge automàtic, representant una de les bases de dades d'anàlisi estadística dinàmica de població global més precises i fiables basades en la ubicació geogràfica, amb una resolució superior d'1 km . Vam utilitzar la distribució de població del 2021 per a l'anàlisi de clústers posterior. 52 Pre-processament de dades La distribució de la població i dels edificis és dispersa per a la major part de la nostra àrea d'estudi,

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

Aquest àudio és produït a l'idioma original de la història!

AI Mapa 13 Milions d'Edificis en una de les Regions Més Remotes del Món

About Author

COMENTARIS

Etiquetes penjant

AQUEST ARTICLE VA SER PRESENTAT A

Related Stories

Why Over-Explaining Your Tech Is Killing Your Content Strategy

Generar líders de qualitat ASAP: HackerNoon's Content-Relevant Niche Ads FTW

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Startups of The Year: Meet the Commerce Industry

Why Over-Explaining Your Tech Is Killing Your Content Strategy

Generar líders de qualitat ASAP: HackerNoon's Content-Relevant Niche Ads FTW

How AWS, Bosch & Brave Reach 4M+ Tech Pros on HackerNoon

Startups of The Year: Meet the Commerce Industry

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps