
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 fundació important per a la planificació urbana regional, la distribució 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, s'ha vist obstaculitzada per la manca de dades de petjades d'edificis d'alta resolució a causa de la immensitat i la remota ubicació de la zona. En aquest estudi, hem generat les primeres empremtes de cobertes d'edificis vectoritzades 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 dels edificis de la zona d'estudi en comparació amb CBRA. El nostre treball té un immens potencial per facilitar l'avaluació de l'exposició per a estudis sobre riscos 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 en el seguiment del desenvolupament urbà i rural , , la comprensió dels impactes de la urbanització en la seguretat alimentària, la biodiversitat, el canvi climàtic i el benestar i la salut pública , , la formulació d'estratègies de desenvolupament regional i la protecció dels 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 aerotransportades, juntament amb els progressos recents en algorismes d'aprenentatge automàtic i d'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 coberta del sòl de 10 m basats en satèl·lits Sentinel, és a dir, 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 de l'edifici . Per exemple, He et al.  van utilitzar la fusió de dades de teledetecció de múltiples fonts per construir el primer conjunt de dades d'expansió urbana tridimensional espacial i temporal 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 vectorial, també conegudes com a cobertes d'edificis vectoritzades o petjades d'edificis, són les dades del contorn d'un edifici projectat a terra en una vista aèria , , que proporcionen informació com la ubicació geogràfica, l'extensió espacial dels contorns i la petjada d'un edifici individual. Els proveïdors de serveis públics (per exemple, Google Earth i OpenStreetMap) proporcionen dades de cobertes d'edificis vectoritzades d'accés obert 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 de l'edifici, 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 de 1.800 milions de contorns d'edificis extrets 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 progressos 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 dissenyades manualment  o mètodes basats en aprenentatge profund . Com que l'enfocament anterior s'enfronta al repte de la diversitat d'aparences i mides d'edificis, i regles heurístiques i configuracions de llindars complexes, 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 mostrat un rendiment eficaç i superior en l'aprenentatge automàtic de característiques d'alt nivell i discriminatòries 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 plenament 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 àrees 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 difícil l'extrapolació. L'ús insuficient de semàntica d'alt nivell i l'omissió de detalls de baix nivell en models profunds, que resulten en vores difuminats i omissions de petits edificis, també dificulten 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 >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 anuals i diürnes de temperatura, i ambients 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, esllavissades 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 l'activitat humana per a estudis conjunts home-medi ambient , , així com l'anàlisi d'exposició i risc de 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 cobertes i espais oberts , . Les dades d'alta resolució de 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 cobertes d'edificis vectoritzades d'alta precisió, degut a la seva gran extensió, la distribució dispersa d'edificis, la ubicació remota i les limitacions de recursos. Les dades més llestes per utilitzar són les proporcionades a escala nacional de la Xina, que inclouen les dades d'àrea de cobertes d'edificis de la Xina (CBRA, Liu et al., 2023b) amb una quadrícula de 2,5 m i el primer mapa nacional de coberta 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 cobertes vectoritzades de 90 ciutats importants de la Xina publicades per Zhang et al.  han omplert parcialment aquest buit; tanmateix, només s'hi incloïen 14 ciutats de l'altiplà de Qinghai-Tibet, i encara manquen dades de cobertes d'edificis vectoritzades per a una àrea de 2 milions de km². 42 13 Per tant, aquest estudi té com a objectiu generar empremtes de cobertes d'edificis vectoritzades de l'altiplà de Qinghai-Tibet i les seves regions veïnes incorporant imatges de satèl·lit 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 cobertes 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 incloïen: (1) preparació i pre-processament de dades de satèl·lit i dades auxiliars; (2) extracció de cobertes d'edificis vectoritzades utilitzant la plataforma AI Earth; (3) validació amb dades de cobertes vectoritzades manualment.    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 del sud-oest de la Xina sota el marc general del segon programa d'expedició científica i investigació de l'altiplà tibetà ; geogràficament, inclou la Regió Autònoma del Tibet, les províncies de Qinghai, la província de Yunnan occidental, la província de Sichuan occidental, la província de Gansu sud-occidental i la Regió Autònoma de Xinjiang del sud. L'elevació mitjana de l'àrea d'estudi és de 4000 m sobre el nivell del mar. La distribució de la població i els 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 de Jilong County al Tibet a Qilian County a Qinghai ; a l'est, es distribueixen densament a les zones planes a la vora oriental de la regió, incloent les valls fluvials de la província de Yunnan, la província de Sichuan occidental 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 en àrees agro-pastorals limitades al llarg de les principals valls fluvials i al llarg dels corredors de trànsit per carretera. 43 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 DigitalGlobe's QuickBird i WorldView, 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 . 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. Considerant 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 dues raons. En primer lloc, 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 píxels d'àrees construïdes del producte ESA World Cover. En segon lloc, es van excloure també ciutats/prefectures de les quals s'havien recuperat dades de cobertes vectoritzades (és a dir, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) en les dades d'àrea de cobertes vectoritzades de 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 marc 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 estat preses tan aviat com el 2001 (Fig. 3). 13    Xarxes per a la descàrrega d'imatges i temps de presa d'imatges. Dades auxiliars Les nostres dades auxiliars incloïen mapes de coberta 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 l'anàlisi de clústers posterior amb finalitats de mostreig (Taula 1). Per a la coberta del sòl i les àrees construïdes, es va obtenir el producte World Cover de l'ESA de Zanaga et al.  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, entrenat amb l'algorisme random forest, per representar la coberta del sòl global el 2020; té un avantatge en representar elements del paisatge a escala fina (per exemple, àrees construïdes i paisatges agrícoles complexos), ja que considera una unitat de mapeig mínima relativament petita . La categoria "construïda" del conjunt de dades es refereix al sòl cobert per edificis, carreteres i altres estructures fetes per l'home (per exemple, vies fèrries) però excloent espais verds urbans (per exemple, parcs i instal·lacions esportives), dipòsits d'escombraries i llocs d'extracció . 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 Ciència i Recursos Ambientals, Institut de Geociències i Recursos, Acadèmia Xinesa de Ciències ( ). Les dades DEM es van re-mostrejar a partir de les últimes dades SRTM V4.1 ( ), i les dades NDVI es van mosaïcar basant-se en productes SPOT/VEGETATION PROBA-V d'1 km ( ). Vam triar les dades NDVI del 2021 per representar la vegetació a l'altiplà de Qinghai-Tibet ( ). Les dades de densitat de població es van obtenir de la base de dades LandScan ( ) per a l'anàlisi de statistics vitals globals desenvolupada pel Laboratori Nacional d'Oak Ridge del Departament d'Energia dels EUA i proporcionada per East View Cartographic ( ); 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 a 1 km 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/

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!

Mapes d'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 Business Industry

What Are Writers' Biggest Struggles in 2025?

Startups of The Year: Meet the Commerce Industry

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

Startups of The Year: Meet the Business Industry

What Are Writers' Biggest Struggles in 2025?

Startups of The Year: Meet the Commerce Industry

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps