
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autoři: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrakt Rozsáhlé vysoce přesné údaje o rozmístění budov jsou důležitým základem pro regionální územní plánování, alokaci zdrojů a výzkum rizik katastrof. Tibetská náhorní plošina je třetím pólem světa. Přestože pochopení místních interakcí mezi člověkem a životním prostředím na Tibetské náhorní plošině je kriticky důležité, brání mu nedostatek dat o obrysech budov ve vysokém rozlišení kvůli rozsáhlosti a odlehlosti oblasti. V této studii jsme vygenerovali první vektorizované obrysy střech budov Tibetské náhorní plošiny a jejích okolních oblastí pomocí snímků Google ve vysokém rozlišení a algoritmu pro extrakci obrysů budov platformy AI Earth. Naše výsledky zahrnují 13,09 milionu budov pokrývajících 6092,7 km2, ověřených celkem 250 × 1 km2 testovacích vzorků. Data měla celkovou přesnost 87 %, návratnost 91,9 % a skóre F1 64,8 %, čímž poskytla pokročilejší popis distribuce budov v oblasti studie ve srovnání s CBRA. Naše práce má obrovský potenciál při usnadnění hodnocení expozice pro studie rizik katastrof v této oblasti. Pozadí & Shrnutí Nástup digitální éry zvýšil poptávku po spolehlivých datech o rozmístění a atributech budov , , . Údaje o rozmístění budov poskytují důležité prostorové informace nejen o budovách, ale také o populaci a fyzickém majetku , sloužící jako dobrý ukazatel lidské činnosti. V posledních desetiletích byly údaje o rozmístění budov široce využívány při monitorování rozvoje měst a venkova , , pochopení dopadů urbanizace na potravinovou bezpečnost, biodiverzitu, změnu klimatu a veřejné blaho a zdraví , , formulaci strategií regionálního rozvoje a ochraně městských a venkovských ekosystémů , , . 1 2 3 4 5 6 7 8 9 10 11 Pokrok v satelitním a leteckém snímkování spolu s nedávným pokrokem v algoritmech strojového a hlubokého učení posílil dostupnost dat o rozmístění budov , , . Údaje o rozmístění budov byly poskytovány ve formátu rastru jako součást dat o využití/pokryvu půdy. Nejnovější vydání zahrnuje tři globální produkty využití/pokryvu půdy s rozlišením 10 m založené na satelitech Sentinel, a to Dynamic World (DW) od společnosti Google , Esri’s 2020 Land Cover  a World Cover 2020 (WC) od Evropské kosmické agentury (ESA) . Kromě informací o prostorové distribuci se výzkumníci také snaží přiřadit k pixelům budov atributové informace, jako je výška budovy . Například He  .  použili fúzi dat z více zdrojů dálkového průzkumu k vytvoření prvního světového datového souboru městského trojrozměrného prostorového a časového rozmachu s rozlišením 30 m pokrývající období od roku 1990 do roku 2010. Navzdory neustálému zlepšování prostorového rozlišení, údaje o rozmístění budov založené na rastru stále nemohou popisovat prostorové objekty  a zvyšování rozlišení výrazně zvyšuje náklady na úložiště a výpočty . 12 13 14 15 16 17 14 et al 7 18 12 Údaje o rozmístění budov ve vektorovém formátu, známé také jako vektorizované střechy budov nebo obrysy budov, jsou obrysová data budovy promítnutá na zem při pohledu shora , , které poskytují informace, jako je geografická poloha, rozsah hranic a obrys jednotlivé budovy. Poskytovatelé veřejných služeb (např. Google Earth a OpenStreetMap) poskytují otevřeně přístupná vektorizovaná data střech budov s širokým pokrytím, rychlými aktualizacemi a nízkými náklady , , . V roce 2022 společnost Microsoft Corporation použila sémantickou segmentaci založenou na hlubokých neuronových sítích k extrakci obrysů 777 milionů budov, z nichž některé obsahují atributy výšky budovy, na základě Bing Maps (včetně snímků Maxar a Airbus) z let 2014 až 2021 pro všechny kontinenty kromě Číny. Dne 30. května 2023 společnost Google vydala datový soubor 1,8 miliardy obrysů budov extrahovaných ze satelitních snímků s vysokým rozlišením 0,5 m, pokrývající plochu 58 milionů km2. Nízká redundance a kompaktní struktura vektorových dat reprezentovaných vrcholy a cestami poskytují vyšší geografickou přesnost nezávislou na velikosti sítě a zavedení topologických pravidel dále zlepšuje integritu vektorových dat . 19 20 21 22 23 13 Díky zvýšení rozlišení snímkování a snížení nákladů na pořízení dat, spolu s nedávným pokrokem v extrakčních algoritmech, se rozlišení a pokrytí dat o rozmístění budov neustále zlepšuje . Životaschopnost obrazových dat s velmi vysokým rozlišením (VHR) umožnila extrakci obrysů budov pomocí tradičních metod založených na ručně vytvářených příznacích  nebo metod založených na hlubokém učení . Zatímco první přístup čelí výzvě rozmanitosti vzhledu a velikosti budov a složitým pravidlům a nastavením prahových hodnot, je omezen při aplikaci na rozsáhlé dálkové snímky s vysokým rozlišením . Metody založené na hlubokém učení (např. konvoluční neuronové sítě) prokázaly účinný a vynikající výkon při automatickém učení vysokoúrovňových a diskriminačních příznaků při segmentaci scény budov. Sun  .  navrhli strategii fúze založenou na paralelních podporních vektorových strojích, aby plně využili hluboké příznaky extrahované z konvolučních neuronových sítí s více měřítky v různých měřítkách, s vynikajícím výkonem při extrakci složitých budov v městských oblastech. Nicméně při segmentaci budov je přesnost modelu spíše omezena kvalitou trénovacích vzorků, což ztěžuje extrapolaci. Nedostatečné využití vysokoúrovňových sémantik a opomenutí nízkoúrovňových detailů v hlubokých modelech, vedoucí k rozmazání hran a opomenutí malých budov, také brání aplikaci hlubokého učení při extrakci obrysů budov. 24 25 13 26 et al 27 Region Tibetské náhorní plošiny je nejvýše položenou oblastí světa s průměrnou nadmořskou výškou >4000 metrů nad mořem a pokrývá plochu 2,5 milionu km2  . Více než 10 milionů lidí obývá tento region navzdory jeho extrémnímu klimatu, chladným a dlouhým zimám, velkým ročním a denním teplotním rozdílům a špatným vnitřním tepelným prostředím. Ačkoli je tato oblast největší ekologickou bariérou v Číně , lidská činnost výrazně ovlivňuje její zranitelné životní prostředí . Tato oblast je také extrémně náchylná k přírodním katastrofám, přičemž zemětřesení, sesuvy půdy, bahnotoky, povodně z ledovcových jezer a sněhové katastrofy vedou ke ztrátám na životech a majetku , , . V reakci na to jsou přesná data o rozmístění budov klíčová pro modelování distribuce lidské činnosti pro studium propojené lidsko-environmentální problematiky , , jakož i pro hodnocení expozice a rizika přírodních katastrof , . Kromě toho má tato oblast dlouhé hodiny slunečního svitu, hojné zdroje sluneční energie a dostatečné plochy pro sběr sluneční energie, jako jsou střechy a otevřené prostory , . Vysoce rozlišená data o rozmístění venkovských budov by mohla poskytnout spolehlivou databázi pro hodnocení fotovoltaického potenciálu a efektivní zlepšení životní úrovně obyvatel venkova , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Jako nerozvinutá oblast Tibetská náhorní plošina a její sousední oblasti stále nemají kompletní sadu vysoce přesných vektorizovaných dat střech budov, a to kvůli jejich rozsáhlosti, řídkému rozmístění budov, odlehlé poloze a omezeným zdrojům. Nejvíce připravenými daty jsou ta poskytovaná v národním měřítku Číny, která zahrnují data o ploše střech budov v Číně s mřížkou 2,5 m (CBRA, Liu  ., 2023b) a první národní mapu pokryvu půdy v Číně s rozlišením 1 m (SinoLC), která zahrnuje kategorie budov . Tato rastrová data nejsou schopna charakterizovat prostorové objekty a vyžadují velké zdroje úložiště. Vektorová data plochy střech pro 90 hlavních měst v Číně vydaná Zhangem  .  částečně zaplnila tuto mezeru; nicméně pouze 14 měst na Tibetské náhorní plošině bylo zahrnuto do tohoto datového souboru a vektorová data střech budov stále chybí pro oblast 2 milionů km2. et al 42 et al 13 Proto si tato studie klade za cíl vygenerovat vektorizované obrysy střech budov Tibetské náhorní plošiny a jejích sousedních regionů začleněním satelitních snímků s vysokým rozlišením a algoritmu hlubokého učení. Náš datový soubor byl ověřen pomocí testovacích vzorků sestávajících z mřížek 250 × 1 km2 napříč různými podregiony, což vedlo k celkové přesnosti 91,92 % a skóre F1 64,81 %. Metody Rámec V této studii jsme využili algoritmy pro extrakci budov z platformy AI Earth k vygenerování vektorizovaného datového souboru střech budov pro Tibetskou náhorní plošinu a její sousední region v Číně (obr. 1). Hlavními složkami našeho rámce byly: (1) příprava a předzpracování satelitních dat a pomocných dat; (2) extrakce vektorizovaných střech budov pomocí platformy AI Earth; (3) ověření pomocí manuálně vektorizovaných dat střech.    Rámec pro extrakci a ověření střech budov. Studijní oblast Tato studie se zaměřila především na Tibetskou náhorní plošinu a její sousední regiony v jihozápadní Číně v rámci obecného rámce druhé vědecké expedice a výzkumného programu Tibetské náhorní plošiny ; geograficky zahrnuje Tibetskou autonomní oblast, provincie Qinghai, západní provincii Yunnan, západní provincii Sichuan, jihozápadní provincii Gansu a jižní Ujgurskou autonomní oblast Sin-ťiang. Průměrná nadmořská výška studijní oblasti je 4000 m n. m. Rozložení obyvatelstva a budov ve studijní oblasti je silně ovlivněno nadmořskou výškou a klimatem (obr. 2), přičemž se převážně koncentruje východně od linie od okresu Jilong v Tibetu po okres Čchi-lien v Qinghai ; na východě jsou hustě rozmístěny v rovinatých oblastech na východním okraji regionu, včetně údolí řek v provincii Yunnan, západní provincii Sichuan a povodí řeky Jang-c'-ťiang v Si-ning-Lan-čou. Na náhorní plošině západně od této linie se populace a budovy většinou distribuují s omezenými zemědělsko-pastevními oblastmi podél hlavních říčních údolí a podél koridorů silniční dopravy. 43 44    Studijní oblast (údaje o populaci pocházejí z LandScan; DEM pochází z Vědecko-technického datového centra pro zdroje a životní prostředí). Satelitní snímkování Volně přístupná satelitní snímková data s vysokým rozlišením byla získána od společnosti Rivermap Co. ( ), která je získala z integrace satelitních snímků a leteckých dat Google Earth. Mezi nimi satelitní snímky pocházejí převážně z komerčních satelitů DigitalGlobe QuickBird a WorldView a letecké snímky jsou z BlueSky ve Spojeném království a Sanborn v USA . Pro každou lokalitu existovala sbírka více snímků s rozlišením až 0,15 m v lokalizovaných oblastech. Tato integrace dat byla široce používána pro rozpoznávání objektů ve složitých scénách , , ,  a má potenciál pro rozsáhlé mapování typů objektů s vysokým rozlišením . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Celková rozloha naší studijní oblasti je 3,06 milionu km2 a odhadovaná velikost dat satelitních snímků je 29,4 TB s prostorovým rozlišením 0,6 m. S ohledem na tyto rozsahy byly pro naši studijní oblast vytvořeny mřížky o velikosti 0,175° × 0,175°, aby bylo možné menší velikosti balíčků pro stažení, celkem bylo použito 10 033 mřížek k pokrytí celé studijní oblasti. Skutečný počet stažených mřížek byl menší, 5921, ze dvou důvodů. Zaprvé, jelikož velká část studijní oblasti se skládá z neobydlených oblastí, kde se budovy nevyskytují, libovolně jsme vyloučili mřížky bez jakýchkoli pixelů zastavěné plochy z produktu ESA World Cover. Zadruhé, města/prefektury, jejichž vektorizovaná data střech budov (tj. Lhasa, Šannan, Kunming, Si-ning, Chaj-tung, Čang-jie, Paj-jin, Lan-čou, Čcheng-tu, Ta-li, Li-ťiang, Kunming, Čao-tung a Jü-si) byla získána z dat o ploše střech budov pro 90 měst v Číně , byly také vyloučeny. Snímky byly staženy během září 2022 a ledna 2023 s rozlišením 0,6 m, velikostí jednoho snímku cca 3 GB a celkovou velikostí 2,72 TB. Stažené snímky byly pořízeny převážně v letech 2019 až 2021, ale snímky z některých odlehlých oblastí mohly být pořízeny již v roce 2001 (obr. 3). 13    Mřížky pro stahování snímků a doba pořízení snímků. Pomocná data Naše pomocná data zahrnovala mapy pokryvu půdy s vysokým rozlišením, digitální model nadmořské výšky (DEM), index vegetačního rozdílu (NDVI) a údaje o rozložení obyvatelstva pro následnou shlukovou analýzu za účelem vzorkování (tabulka 1). Pro pokryv půdy a zastavěnou plochu byl získáno nejnovější pokrytí půdy ESA World Cover od Zanagy  .  z Zenodo ( ). Produkt byl vygenerován na základě satelitních snímků Sentinel 1 a Sentinel 2 za celý rok 2020 a vzorek 141 000 jedinečných lokalit rozmístěných po celém světě, trénovaný algoritmem náhodného lesa, aby reprezentoval globální pokryv půdy v roce 2020; má výhodu v reprezentaci jemných krajinných prvků (např. zastavěných ploch a složitých zemědělských krajin), protože zohledňuje relativně malou minimální mapovací jednotku . Kategorie „zastavěná plocha“ v datovém souboru označuje půdu pokrytou budovami, silnicemi a jinými umělými konstrukcemi (např. železnicemi), ale nezahrnuje městské zelené plochy (např. parky a sportoviště), skládky a těžební lokality . et al 17 https://zenodo.org/records/5571936 51 17 1 km DEM data a NDVI data byla získána z Vědecko-technického datového centra pro zdroje a životní prostředí, Institutu geověd a zdrojů, Čínské akademie věd ( ). DEM data jsou přeremýšlená z nejnovějších dat SRTM V4.1 ( ) a NDVI data jsou spojena na základě produktů SPOT/VEGETATION PROBA-V o rozlišení 1 km ( ). Pro reprezentaci vegetace na Tibetské náhorní plošině jsme zvolili data NDVI z roku 2021 ( ). Údaje o hustotě obyvatelstva byly získány z databáze LandScan ( ) pro globální statistickou analýzu životně důležitých statistik vyvinutou Laboratoří Oak Ridge National Laboratory Ministerstva energetiky USA a poskytnutou společností East View Cartographic ( ); tato data jsou generována kombinací geografických věd, technologie dálkového průzkumu a algoritmů strojového učení, představující jednu z nejpřesnějších a nejspolehlivějších globálních databází dynamických populací založených na geografické poloze, s vynikajícím rozlišením 1 km . Pro následnou shlukovou analýzu jsme použili rozložení populace z roku 2021. 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 Předzpracování dat Rozložení obyvatelstva a budov je ve většině naší studijní oblasti roztroušené, přičemž více než 99,5 % studijní oblasti je klasifikováno jako neobydlená oblast podle produktu ESA’s World Cover . Abychom urychlili naši extrakci, byly pro každou mřížku 0,175° × 0,175° před extrakcí vygenerovány masky potenciální oblasti rozmístění budov. Na základě kategorie „Zastavěná plocha“ v datech World Cover byl vygenerován 1 km ochranný pás kolem každého pixelu zastavěné plochy jako potenciální oblast rozmístění budov. Po testování několika šířek ochranného pásu jsme zjistili, že šířka 1 km může pojmout 96 % pixelů budov hlášených v produktech CBRA z roku 2020. Maska nám umožnila vyloučit 86 % 17

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

Tento zvuk je produkován v původním jazyce příběhu!

AI mapuje 13 milionů budov v jedné z nejodlehlejších oblastí světa

About Author

KOMENTÁŘE

ZAVĚŠIT ZNAČKY

TENTO ČLÁNEK BYL PŘEDSTAVEN V

Related Stories

Coinshift Launches csUSDL, Announces Strategic Partnerships

Coinshift Launches csUSDL, Announces Strategic Partnerships

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps