
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 a gran escala i d'alta precisió 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 el medi ambient a l'altiplà de Qinghai-Tibet és fonamental, s'ha vist obstaculitzada per la manca de dades d'empremtes 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 cobertes d'edificis de l'altiplà de Qinghai-Tibet i les seves àrees circumdants utilitzant imatges de Google d'alta resolució i l'algorisme 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 l'àrea d'estudi en comparació amb CBRA. El nostre treball té un immens potencial per facilitar l'avaluació d'exposició per a estudis de risc de desastres en aquesta zona. Antecedents i Resum L'arribada 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 els béns físics , servint com a bon indicador de l'activitat humana. En les últimes dècades, les dades de distribució d'edificis s'han utilitzat àmpliament per supervisar el desenvolupament urbà i rural , , entendre els impactes de l'urbanització en la seguretat alimentària, la biodiversitat, el canvi climàtic i el benestar i la salut pública , , formular estratègies de desenvolupament regional i protegir els ecosistemes urbans i rurals , , . 1 2 3 4 5 6 7 8 9 10 11 L'avenç de les imatges basades en satèl·lit i aèries, juntament amb els recents progressos en els 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. La versió més recent inclou tres productes globals de land use/cover 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  .  van utilitzar la fusió de dades de teledetecció multiorigen per construir el primer conjunt de dades d'expansió espacial i temporal urbana tridimensional del món amb una resolució de 30 m que cobreix el període de 1990 a 2010. Tot i 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 et al 7 18 12 Les dades de distribució d'edificis en format vectorial, també conegudes com a empremtes vectoritzades de cobertes d'edificis o empremtes d'edificis, són les dades del 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 l'empremta d'un edifici individual. Els proveïdors de serveis públics (p. ex., Google Earth i OpenStreetMap) proporcionen dades obertes d'empremtes vectoritzades d'edificis amb 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 contenen atributs d'alçada d'edificis, basant-se en Bing Maps (incloent imatges de Maxar i Airbus) del 2014 al 2021 per a tots els continents fora de la Xina. El 30 de maig de 2023, Google va publicar un conjunt de dades d'1,8 mil milions d'empremtes d'edificis extretes d'imatges de satèl·lit 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 les imatges i la disminució dels costos d'adquisició de dades, juntament amb els recents progressos 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 d'empremtes 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 desafiament de la diversitat d'aparicions i mides d'edificis, i regles heurístiques i configuracions de llindar complexes, està limitat quan s'aplica a imatges de teledetecció a gran escala i alta resolució . Els mètodes basats en aprenentatge profund (p. ex., xarxes neuronals convolucionals) han demostrat un rendiment efectiu i superior en l'aprenentatge automàtic de característiques d'alt nivell i discriminatòries en la segmentació d'escenes d'edificis. Sun  .  van proposar una estratègia de fusió basada en màquines de vectors de suport paral·leles per utilitzar completament 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, fent que l'extrapolació sigui difícil. L'ús insuficient de semàntica d'alt nivell i l'omissió de detalls de baix nivell en models profunds, que provoquen borrós de vores i omissions de petits edificis, també dificulten l'aplicació de l'aprenentatge profund en l'extracció d'empremtes d'edificis. 24 25 13 26 et al 27 La regió de l'altiplà de Qinghai-Tibet és la zona més elevada del món, amb una elevació mitjana de >4000 metres sobre el nivell del mar, i cobreix una àrea de 2,5 milions de km² . Més de 10 milions de persones habiten la regió tot i 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 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 propietats , , . En resposta, les dades precises de distribució d'edificis són crítiques per modelar la distribució de la població humana per a l'estudi combinat humà-medi ambient , , així com 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 superfícies suficients per a la recollida d'energia solar, com ara cobertes i espais oberts , . Les dades d'alta resolució d'edificis rurals podrien proporcionar una base de dades fiable per avaluar el potencial fotovoltaic i millorar eficientment el nivell de vida dels habitants de les zones 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 vectoritzades d'alta precisió de cobertes d'edificis, degut a la seva vasta àrea, distribució escassa d'edificis, ubicació remota i restriccions de recursos. Les dades més llestes per utilitzar són les proporcionades a escala nacional de la Xina, que inclouen les dades d'àrea de coberta d'edificis de la Xina amb quadrícula de 2,5 m (CBRA, Liu  ., 2023b) 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 coberta vectoritzada per a 90 ciutats de la Xina publicades per Zhang  .  van omplir parcialment aquest buit; tanmateix, només 14 ciutats de l'altiplà de Qinghai-Tibet es van incloure en aquest conjunt de dades, i encara falten dades vectoritzades de cobertes d'edificis per a una àrea de 2 milions de km². et al 42 et al 13 Per tant, aquest estudi pretén generar empremtes vectoritzades de cobertes d'edificis de l'altiplà de Qinghai-Tibet i les seves regions veïnes mitjançant la incorporació d'imatges de satèl·lit d'alta resolució i algorismes d'aprenentatge profund. El nostre conjunt de dades va ser validat 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 vectoritzades de cobertes d'edificis per a l'altiplà de Qinghai-Tibet i la seva regió veïna a la Xina (Fig.  ). Els components principals del nostre marc incloïen: (1) preparació i pre-processament de dades de satèl·lit i dades auxiliars; (2) extracció vectoritzada de cobertes d'edificis mitjançant la plataforma AI Earth; (3) validació mitjançant dades de cobertes vectoritzades manualment. 1    El marc per a l'extracció i validació de cobertes d'edificis. Àrea d'estudi Aquest estudi es va centrar principalment en l'altiplà de Qinghai-Tibet i les seves regions veïnes al sud-oest de la Xina sota el marc general del segon programa d'expedició científica i investigació de l'altiplà del Tibet ; geogràficament, inclou la Regió Autònoma del Tibet, les províncies de Qinghai, l'oest de la província de Yunnan, l'oest de la província de Sichuan, el sud-oest de la província 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 fortament influenciada per l'elevació i el clima (Fig.  ), 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 a la vora oriental de la regió, incloses les valls fluvials a la província de Yunnan, l'oest de la província de Sichuan i la conca del riu Groc de Xining-Lanzhou. A la superfície de l'altiplà a l'oest de la línia, la població i els edificis es distribueixen principalment amb àrees agro-pastorals limitades al llarg de les principals valls fluvials i al llarg dels corredors de trànsit per carretera. 43 2 44    Àrea d'estudi (dades de població de LandScan; DEM de Resource and Environment Science and Data Centre). Imatges de satèl·lit Les dades d'imatges de satèl·lit d'alta resolució d'accés obert es van obtenir de Rivermap Co. ( ), que es van obtenir de la integració d'imatges de satèl·lit i dades aèries de Google Earth. Entre elles, les imatges de satèl·lit provenen 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 i d'alta resolució de tipus d'objectes . http://www.rivermap.cn/index.html 45 46 47 48 49 50 L'àrea total de la nostra àrea d'estudi és de 3,06 milions de km² i la mida estimada de les dades d'imatges de satèl·lit és de 29,4 TB, amb una resolució espacial de 0,6 m. Tenint en compte aquestes escales, es van crear xarxes de 0,175° × 0,175° per a la nostra àrea d'estudi per permetre paquets de mida més petita per a la descàrrega, amb un total de 10.033 xarxes utilitzades per cobrir tota l'àrea d'estudi. El nombre real de xarxes descarregades va ser menor, 5921, per dos motius. Primer, com que una gran part de l'àrea d'estudi comprèn zones residencials no humanes on no hi ha edificis, vam excloure arbitràriament les xarxes sense cap píxel d'àrea construïda del producte ESA World Cover. Segon, també es van excloure les ciutats/prefectures de les quals les dades de cobertes vectoritzades (és a dir, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) s'havien recuperat en les dades d'àrea de cobertes 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 únic d'aproximadament 3 GB i una mida total de 2,72 TB. Les imatges descarregades eren principalment del 2019 al 2021, però les imatges d'algunes zones remotes poden ser tan antigues com el 2001 (Fig.  ). 13 3    Xarxes per a la descàrrega d'imatges i temps 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 posterior anàlisi de clústers amb finalitats de mostreig (Taula  ). 1 Per a la cobertura del sòl i l'àrea construïda, es va obtenir el producte World Cover de l'ESA de Zanaga  .  de Zenodo ( ). El producte es va generar basant-se en imatges de satèl·lit 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'algorisme de random forest, per representar la cobertura del sòl global el 2020; té un avantatge en representar elements del paisatge a escala fina (p. ex., àrees construïdes i paisatges agrícoles complexos), ja que considera una unitat de mapeig mínima relativament petita . La categoria "construïda" en el conjunt de dades es refereix al sòl cobert per edificis, carreteres i altres estructures artificials (p. ex., ferrocarrils), però excloent espais verds urbans (p. ex., parcs i instal·lacions esportives), dipòsits d'escombraries i llocs d'extracció . et al 17 https://zenodo.org/records/5571936 51 17 Les dades DEM d'1 km i les dades NDVI es van obtenir del Centre de Dades de Ciències de Recursos i Medi Ambient, Institut de Geociències i Recursos, Acadèmia Xinesa de Ciències ( ). Les dades DEM es remostregen a partir de les últimes dades SRTM V4.1 ( ), i les dades NDVI es mosaiquen basant-se en productes de 1 km de SPOT/VEGETATION PROBA-V ( ). Vam triar les dades NDVI del 2021 per representar la vegetació a l'altiplà de Qinghai-Tibet ( ). 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

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!

Els mapes de IA 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

Startups of The Year: Meet the Education Industry

How to Turn Year-End Reflections into Q1 Content Gold

On Taxes

Startups of The Year: Meet the Cybersecurity Industry

Startups of The Year: Meet the Education Industry

How to Turn Year-End Reflections into Q1 Content Gold

On Taxes

Startups of The Year: Meet the Cybersecurity Industry

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps