
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Forfattere: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrakt Bygningsfordelingsdata i stor skala med høj præcision er et vigtigt grundlag for regional byplanlægning og ressourceallokering samt forskning i katastroferisici. Qinghai-Tibet-plateauet er verdens tredje pol. Selvom forståelsen af lokale menneske-miljø-interaktioner på Qinghai-Tibet-plateauet er kritisk vigtig, har dette været hæmmet af mangel på bygningsfodaftryksdata med høj opløsning på grund af områdets vidstrakte og afsides beliggenhed. I denne undersøgelse genererede vi de første vektoriserede bygningstagfodspor af Qinghai-Tibet-plateauet og dets omkringliggende områder ved hjælp af Google-billeder med høj opløsning og AI Earth-platformens algoritme til udvinding af bygningskonturer. Vores resultater omfatter 13,09 millioner bygninger, der dækker 6092,7 km², valideret med et samlet testdatasæt på 250 × 1 km². Dataene havde en samlet nøjagtighed på 87 %, en genkaldelse på 91,9 % og en F1-score på 64,8 %, hvilket giver en avanceret beskrivelse af bygningsfordelingen i studieområdet sammenlignet med CBRA. Vores arbejde har et enormt potentiale i at lette eksponeringsvurderingen for studier af katastroferisici i dette område. Baggrund & Oversigt Fremkomsten af den digitale æra har øget efterspørgslen efter pålidelige data om bygningsfordeling og -attributter , , . Bygningsfordelingsdata giver vigtig rumlig information om ikke kun bygninger, men også befolkning og fysiske aktiver , og fungerer som en god proxy for menneskelig aktivitet. I de seneste årtier er bygningsfordelingsdata blevet bredt anvendt til overvågning af by- og landdistriktsudvikling , , forståelse af urbaniseringens indvirkning på fødevaresikkerhed, biodiversitet, klimaændringer og folkesundhed og trivsel , , udformning af regionale udviklingsstrategier og beskyttelse af by- og landdistrikternes økosystemer , , . 1 2 3 4 5 6 7 8 9 10 11 Udviklingen af satellit- og luftbårne billeder, sammen med de seneste fremskridt inden for machine learning og deep learning-algoritmer, har øget tilgængeligheden af bygningsfordelingsdata , , . Bygningsfordelingsdata er blevet leveret i rasterformat som en del af data om arealanvendelse/dække. Den seneste udgivelse omfatter tre globale landdækningsprodukter med 10 meters opløsning baseret på Sentinel-satellitter, nemlig Googles Dynamic World (DW) , Esris 2020 Land Cover  og World Cover 2020 (WC) fra European Space Agency (ESA) . Ud over rumlig fordelingsinformation forsøger forskere også at knytte attributinformation til bygningspixels, såsom bygningshøjde . For eksempel brugte He  .  datasammensmeltning af fjernfølingsdata fra flere kilder til at konstruere verdens første 30-meters opløsningsdatasæt for urbane tre-dimensionelle rumlige og tidsmæssige sprawl, der dækker perioden fra 1990 til 2010. På trods af den løbende forbedring af den rumlige opløsning kan raster-baserede bygningsfordelingsdata stadig ikke beskrive rumlige objekter , og en stigende opløsning øger lagrings- og beregningsomkostningerne betydeligt . 12 13 14 15 16 17 14 et al 7 18 12 Bygningsfordelingsdata i vektorgrafikformat, også kendt som vektoriserede bygningstagfodspor eller bygningsfodaftryk, er omridsdata for en bygning projiceret på jorden i en overhead-visning , , som giver information om f.eks. den geografiske placering, den rumlige udbredelse af grænserne og fodaftrykket af en enkelt bygning. Offentlige tjenesteudbydere (f.eks. Google Earth og OpenStreetMap) leverer åbent tilgængelige vektoriserede bygningstagfoddata med bred dækning, hurtige opdateringer og lave omkostninger , , . I 2022 brugte Microsoft Corporation deep neural network-baseret semantisk segmentering til at udtrække omridset af 777 millioner bygninger, hvoraf nogle indeholder bygningshøjdeattributter, baseret på Bing Maps (inklusive Maxar og Airbus-billeder) fra 2014 til 2021 for alle kontinenter uden for Kina. Den 30. maj 2023 udgav Google et datasæt med 1,8 milliarder bygningsomrids udvundet fra satellitbilleder med 0,5 meters opløsning, der dækker et område på 58 millioner km². Den lave redundans og kompakte struktur af vektordata, der er repræsenteret ved hjørne- og stianvisninger, giver højere geografisk nøjagtighed uafhængigt af maskestørrelse, og introduktionen af topologiske regler forbedrer yderligere integriteten af vektordata . 19 20 21 22 23 13 På grund af stigningen i billedopløsningen og faldet i dataanskaffelsesomkostninger, sammen med de seneste fremskridt inden for udvindingsalgoritmer, forbedres opløsningen og dækningen af bygningsfordelingsdata løbende . Levedygtigheden af billeder med meget høj opløsning (VHR) har muliggjort udvinding af bygningsfodaftryk ved anvendelse af traditionelle håndlavede funktionsbaserede metoder  eller deep learning-baserede metoder . Da den førstnævnte tilgang står over for udfordringen med mangfoldighed af bygningsudseender og -størrelser samt komplekse tommelfingerregler og indstillinger, er den begrænset, når den anvendes på fjernfølingsbilleder i stor skala med høj opløsning . Deep learning-baserede metoder (f.eks. konvolutionelle neurale netværk) har vist effektiv og overlegen ydeevne til automatisk at lære højniveau og diskriminerende træk i segmentering af bygningsscener. Sun  .  foreslog en fusionsstrategi baseret på parallelle supportvektormaskiner til fuldt ud at udnytte dybe træk udvundet fra konvolutionelle neurale netværksstrukturer i flere skalaer, med overlegen ydeevne til udvinding af komplekse bygninger i byområder. Ikke desto mindre, når man segmenterer bygninger, er modellens nøjagtighed mere tilbøjelig til at være begrænset af kvaliteten af træningsprøverne, hvilket gør ekstrapolering vanskelig. Utilstrækkelig brug af højniveau-semantik og udeladelse af lavniveau-detaljer i dybe modeller, hvilket resulterer i uskarphed af kanter og udeladelse af små bygninger, hæmmer også anvendelsen af deep learning i udvinding af bygningsfodaftryk. 24 25 13 26 et al 27 Qinghai-Tibet-plateauet er verdens mest højtliggende område med en gennemsnitlig højde på >4000 meter over havets overflade og dækker et område på 2,5 millioner km²  . Mere end 10 millioner mennesker bebor regionen på trods af dens ekstreme klima, kolde og lange vintre, store årlige og døgnlige temperaturforskelle og dårlige indendørs termiske miljøer. Selvom denne region er Kinas største økologiske barriere , har menneskelig aktivitet haft en betydelig indvirkning på dens sårbare økologiske miljø . Denne region er også ekstremt udsat for katastrofer, med jordskælv, jordskred, mudderstrømme, gletsjersøudbrudsfloder og snestorme, der fører til tab af liv og ejendom , , . Som reaktion herpå er nøjagtige bygningsfordelingsdata afgørende for modellering af menneskelig aktivitetsfordeling til koblet menneske-miljø-studie , , samt eksponerings- og risikoanalyse for naturkatastrofer , . Desuden har denne region lange solskinstimer, rigelige solenergiressourcer og tilstrækkelige solenergiopsamlingsflader som hustage og åbne områder , . Landdistriktsbygningsfordelingsdata med høj opløsning kunne give en pålidelig database til evaluering af fotovoltaisk potentiale og effektiv forbedring af levestandarden for dem, der bor i landdistrikter , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Som en underudviklet region har Qinghai-Tibet-plateauet og dets nabolande stadig ikke et komplet sæt af vektoriserede bygningstagfoddata med høj præcision på grund af deres store område, sparsomme bygningsfordeling, fjerntliggende beliggenhed og ressourcebegrænsninger. De mest brugsklare data er dem, der leveres på nationalt plan i Kina, som omfatter China Building Rooftop Area-data (CBRA, Liu  ., 2023b) med 2,5 meters gitter og Kinas første nationale landdækkekort med 1 meters opløsning (SinoLC), der indeholder bygningskategorier . Disse rasterdata er ude af stand til at karakterisere rumlige objekter og kræver store lagerressourcer. De vektoriserede tagarealdata for 90 større byer i Kina udgivet af Zhang  .  fyldte delvist dette hul; dog var kun 14 byer på Qinghai-Tibet-plateauet inkluderet i dette datasæt, og vektoriserede bygningstagfoddata mangler stadig for et område på 2 millioner km². et al 42 et al 13 Derfor sigter denne undersøgelse mod at generere vektoriserede bygningstagfodspor af Qinghai-Tibet-plateauet og dets nærliggende regioner ved at inkorporere satellitbilleder med høj opløsning og deep learning-algoritme. Vores datasæt blev valideret ved hjælp af testprøver, der omfattede 250 × 1 km² gitre på tværs af forskellige underregioner, hvilket resulterede i en samlet nøjagtighed på 91,92 % og en F1-score på 64,81 %. Metoder Rammeværk I denne undersøgelse anvendte vi bygningsudvindingsalgoritmer fra AI Earth-platformen til at generere et vektoriseret bygningstagfoddatasæt for Qinghai-Tibet-plateauet og dets nabolag i Kina (Fig.  ). Hovedkomponenterne i vores rammeværk omfattede: (1) forberedelse og forbehandling af satellitdata og hjælpemateriale; (2) vektoriseret udvinding af bygningstagfod ved hjælp af AI Earth-platformen; (3) validering ved hjælp af manuelt vektoriserede tagfoddata. 1    Rammeværket for udvinding og validering af bygningstagfod. Studieområde Denne undersøgelse fokuserede primært på Qinghai-Tibet-plateauet og dets nabolande i det sydvestlige Kina under den generelle ramme for det andet videnskabelige ekspeditionsprogram for Tibet-plateauet og forskningsprogrammet ; geografisk omfatter det den Autonome Region Tibet, provinserne Qinghai, det vestlige Yunnan, det vestlige Sichuan, den sydvestlige Gansu-provins og den sydlige Xinjiang Autonome Region. Den gennemsnitlige højde af studieområdet er 4000 meters højde over havets overflade. Fordelingen af befolkning og bygninger i studieområdet er stærkt påvirket af højde og klima (Fig.  ), primært koncentreret øst for linjen fra Jilong County i Tibet til Qilian County i Qinghai ; mod øst er de tæt fordelt i sletteområderne i den østlige kant af regionen, herunder floddalene i Yunnan-provinsen, det vestlige Sichuan og Yellow River Basin i Xining-Lanzhou. På plateauoverfladen vest for linjen er befolkning og bygninger hovedsageligt fordelt med begrænsede landbrugs-pastorale områder langs de store floddale og langs vejkorridorer. 43 2 44    Studieområde (befolkningsdata er fra LandScan; DEM er fra Resource and Environment Science and Data Centre). Satellitbilleder Åbent tilgængelige satellitbilleddata med høj opløsning blev indhentet fra Rivermap Co. ( ), som blev indhentet fra Googles Earths integration af satellitbilleder og luftfotos. Blandt dem stammer satellitbillederne hovedsageligt fra DigitalGlobals QuickBird og WorldView kommercielle satellitter, og luftfotograferingen stammer fra BlueSky i Storbritannien og Sanborn i USA . For hver placering var der samlinger af flere billeder med opløsninger på op til 0,15 m i lokaliserede områder. Sådan datasammensmeltning er blevet bredt anvendt til objektgenkendelse i komplekse scener , , ,  og har potentiale for kortlægning af objekttyper i stor skala med høj opløsning . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Det samlede areal af vores studieområde er 3,06 millioner km², og den estimerede størrelse af satellitbilleddata er 29,4 TB, med en rumlig opløsning på 0,6 m. I betragtning af disse skalaer blev der oprettet 0,175° × 0,175° fiskenet til vores studieområde for at muliggøre pakker i mindre størrelse til download, med i alt 10.033 fiskenet brugt til at dække hele studieområdet. Det faktiske antal downloadede fiskenet var mindre, 5921, af to årsager. For det første, da en stor del af studieområdet består af ikke-beboede områder, hvor bygninger ikke findes, udelod vi vilkårligt fiskenet uden opbyggede pixel fra ESA World Cover-produktet. For det andet blev byer/præfekturer, hvis vektoriserede tagfoddata (dvs. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong og Yuxi) er blevet hentet i de vektoriserede tagfoddata for 90 byer i Kina , også udelukket. Billederne blev downloadet i september 2022 og januar 2023, med en opløsning på 0,6 m, en enkelt billedstørrelse på ca. 3 GB og en samlet størrelse på 2,72 TB. Downloadede billeder var hovedsageligt fra 2019 til 2021, men billeder fra nogle fjerntliggende områder kan være taget så tidligt som i 2001 (Fig.  ). 13 3    Fiskenet til billeddownload og billedoptagelsestidspunkt. Hjælpedata Vores hjælpemateriale omfattede landdækkekort med høj opløsning, digital højdemodel (DEM), normaliseret differentieringsvegetationsindeks (NDVI) og befolkningsfordelingsdata til efterfølgende klyngeanalyse med henblik på stikprøveudtagning (Tabel  ). 1 Til landdække og bebyggede områder blev ESAs World Cover-produkt fra Zanaga  .  hentet fra Zenodo ( ). Produktet blev genereret baseret på Sentinel 1 og Sentinel 2 satellitbilleder for hele året 2020 og et udsnit på 141.000 unikke placeringer fordelt over hele verden, trænet med random forest-algoritmen, for at repræsentere global landdække i 2020; det har en fordel i at repræsentere fine landskabselementer (f.eks. bebyggede områder og komplekse landbrugslandskaber), da det tager højde for en relativt lille minimum kortlægningsenhed . Kategorien "bebygget" i datasættet refererer til jord dækket af bygninger, veje og andre menneskeskabte strukturer (f.eks. jernbaner), men undtagen bygrønne områder (f.eks. parker og sportsfaciliteter), lossepladser og mineområder . et al 17 https://zenodo.org/records/5571936 51 17 1 km DEM-data og NDVI-data blev indhentet fra Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ). DEM-dataene er resamplet fra de nyeste SRTM V4.1-data ( ), og NDVI-dataene er mosaikbaseret på SPOT/VEGETATION PROBA-V 1 km-produkter ( ). Vi valgte NDVI-data for 2021 til at repræsentere vegetationen på Qinghai-Tibet-plateauet ( ). Befolkningstæthedsdata blev indhentet fra LandScan-databasen ( ) til global vital statistik analyse udviklet af U.S. Department of Energys Oak Ridge National Laboratory og leveret af East View Cartographic ( ); disse data er genereret ved at kombinere geovidenskab, fjernfølingsteknologi og machine learning-algoritmer, og repræsenterer en af de mest nøjagtige og pålidelige globale befolkningsdynamiske statistiske analysedatabaser baseret på geografisk placering, med overlegen opløsning på 1 km . Vi brugte befolkningsfordelingen i 2021 til efterfølgende klyngeanalyse. 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 Dataforbehandling Fordelingen af befolkning og bygninger er spredt for det meste af vores studieområde, med over 99,5 % af studieområdet klassificeret som ikke-bebyggede områder ifølge ESAs World Cover-produkt . For at fremskynde vores udvinding blev masker af potentielle bygningsfordelingsområder først genereret for hver 0,175° × 0,175° fiskenet før udvinding. Baseret på "Bebygget"-kategorien i World Cover-dataene blev en 1 km bufferzone omkring hver bebygget pixel genereret som det potentielle bygningsfordelingsområde. Efter test af flere bufferzonebredder fandt vi, at en bredde på 1 km kunne rumme 96 % af bygningspixels rapporteret i CBRA-produkterne for 2020. Masken gjorde det muligt for os at udelukke 86 % af det samlede areal af de downloadede billeder, hvilket dermed sparer betydelig beregningstid. Vi analyserede bufferen ved en overlay med de genererede fiskenet for 17

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

Denne lyd er produceret på historiens originalsprog!

AI-kortlægger 13 millioner bygninger i en af verdens mest fjerntliggende regioner

About Author

KOMMENTARER

HÆNG TAGS

DENNE ARTIKEL BLEV PRÆsenterET I

Related Stories

Meet ZexPRWire: HackerNoon’s Certified Business Blogging Partner

Meet Sentry: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet Bright Data: HackerNoon Company of the Week

Meet ZexPRWire: HackerNoon’s Certified Business Blogging Partner

Meet Sentry: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet Bright Data: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps