
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 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 og katastroferisikoforskning. Qinghai-Tibet Plateauet er verdens tredje pol. Selvom forståelsen af lokale menneske-miljø-interaktioner på Qinghai-Tibet Plateauet er kritisk vigtig, er dette blevet hindret af manglen på bygningsfodaftrykdata med høj opløsning på grund af områdets vidstrakthed og afsides beliggenhed. I denne undersøgelse genererede vi de første vektoriserede bygnings tagfodspor af Qinghai-Tibet Plateauet og dets omkringliggende områder ved hjælp af Google-billeder med høj opløsning og bygningskontur-ekstraktionsalgoritmen fra AI Earth-platformen. Vores resultater inkluderer 13,09 millioner bygninger, der dækker 6092,7 km2, valideret med et samlet antal på 250 × 1 km2 testprøver. 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 katastroferisiko i dette område. Baggrund & Sammenfatning 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 tjener som en god proxy for menneskelig aktivitet. I de seneste årtier er bygningsfordelingsdata blevet bredt anvendt til overvågning af by- og landudvikling , , forståelse af urbaniseringens indvirkning på fødevaresikkerhed, biodiversitet, klimaændringer og folkesundhed og velvære , , udformning af regionale udviklingsstrategier og beskyttelse af by- og landøkosystemer , , . 1 2 3 4 5 6 7 8 9 10 11 Fremgangen inden for satellit- og luftbårne billeder, sammen med de seneste fremskridt inden for maskinlæring og dyb læringsalgoritmer, har øget tilgængeligheden af bygningsfordelingsdata , , . Bygningsfordelingsdata er blevet leveret i rasterformat som en del af data om arealanvendelse/dække. Den seneste udgivelse inkluderer tre 10-m globale arealanvendelses-/dækkeprodukter 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  .  multi-kilde fjernmålingsdat fusion til at konstruere verdens første 30-m-opløsning urbane tredimensionelle rumlige og tidsmæssige ekspansionsdatasæt, der dækker perioden fra 1990 til 2010. På trods af den kontinuerlige forbedring af den rumlige opløsning kan rasterbaserede bygningsfordelingsdata stadig ikke beskrive rumlige objekter , og stigende opløsning øger markant lager- og databehandlingsomkostninger . 12 13 14 15 16 17 14 et al 7 18 12 Bygningsfordelingsdata i vektorgrafikformat, også kendt som vektoriserede bygningstagfodspor eller bygningsfodaftryk, er omridsdata af en bygning projiceret på jorden set ovenfra , , som giver information om f.eks. geografisk placering, rumlig udstrækning 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 dybe neurale netværksbaserede semantiske 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 hvert kontinent uden for Kina. Den 30. maj 2023 frigav Google et datasæt med 1,8 milliarder bygningsomrids udvundet fra satellitbilleder med høj opløsning på 0,5 m, der dækker et område på 58 millioner km2. Den lave redundans og kompakte struktur af vektordata repræsenteret ved hjørner og stier 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 billedopløsning og faldet i dataindsamlingsomkostninger, sammen med de seneste fremskridt inden for ekstraktionsalgoritmer, forbedres opløsningen og dækningen af bygningsfordelingsdata løbende . Levedygtigheden af meget højopløselige (VHR) billeder har muliggjort ekstraktion af bygningsfodaftryk ved anvendelse af traditionelle håndlavede funktionsbaserede metoder  eller dyb læringsbaserede metoder . Da den førstnævnte tilgang står over for udfordringen med mangfoldigheden af bygningsudseender og -størrelser, og komplekse tommelfingerregler og tærskelindstillinger, er den begrænset, når den anvendes på store højopløselige fjernmålingsbilleder . Dyb læringsbaserede metoder (f.eks. konvolutionelle neurale netværk) har vist effektiv og overlegen ydeevne i automatisk læring af højere niveau og diskriminerende træk i bygningsscenesegmentering. Sun  .  foreslog en fusionsstrategi baseret på parallelle support vector machines til fuldt ud at udnytte dybe træk udvundet fra multi-skala konvolutionelle neurale netværksstrukturer i forskellige skalaer, med overlegen ydeevne i ekstraktion af komplekse bygninger i byområder. Ikke desto mindre, når man segmenterer bygninger, er modellens nøjagtighed mere sandsynlig at blive begrænset af kvaliteten af træningsprøverne, hvilket gør ekstrapolation vanskelig. Utilstrækkelig brug af højere niveau semantik og udeladelse af lavere niveau detaljer i dybe modeller, hvilket resulterer i kantudtværing og udeladelse af små bygninger, hindrer også anvendelsen af dyb læring i ekstraktion af bygningsfodaftryk. 24 25 13 26 et al 27 Qinghai-Tibet Plateau-regionen er verdens mest højtliggende område med en gennemsnitlig højde på >4000 meter over havets overflade og dækker et areal 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 daglige temperaturforskelle og dårlige indendørs termiske miljøer. Selvom denne region er Kinas største økologiske barriere , har menneskelig aktivitet haft betydelig indvirkning på dens sårbare øko-miljø . Denne region er også ekstremt udsat for katastrofer, med jordskælv, jordskred, mudderstrømme, gletsørsøudbrudsfloder 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 solskins timer, rigelige solenergi ressourcer og tilstrækkelige solenergi opsamlingsflader som hustage og åbne områder , . Landbygningsfordelingsdata 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 omkringliggende områder stadig ikke et komplet sæt af højpræcise vektoriserede bygningstagdata på grund af deres store areal, sparsomme bygningsfordeling, fjerne beliggenhed og ressourcebegrænsninger. De mest klar-til-brug data er dem, der leveres på nationalt niveau i Kina, som inkluderer 2,5 m griddede China Building Rooftop Area data (CBRA, Liu  ., 2023b) og Kinas første nationale arealanvendelseskort med 1-m opløsning (SinoLC), der inkluderer 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 bygningstagdata 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 omkringliggende regioner ved at integrere satellitbilleder med høj opløsning og dyb læringsalgoritmer. Vores datasæt blev valideret ved hjælp af testprøver bestående af 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 bygnings-ekstraktionsalgoritmer fra AI Earth-platformen til at generere et vektoriseret bygningstagdatasæt for Qinghai-Tibet Plateauet og dets omkringliggende region i Kina (Fig.  ). Hovedkomponenterne i vores rammeværk omfattede: (1) forberedelse og forbehandling af satellitdata og hjælpedata; (2) vektoriseret bygningstag-ekstraktion ved hjælp af AI Earth-platformen; (3) validering ved hjælp af manuelt vektoriseret tagdata. 1    Rammeværket for ekstraktion og validering af bygningstag. Studieområde Denne undersøgelse fokuserede primært på Qinghai-Tibet Plateauet og dets omkringliggende regioner i det sydvestlige Kina under det generelle rammeværk for det andet videnskabelige ekspeditions- og forskningsprogram for Tibet-plateauet ; geografisk inkluderer det den Autonome Region Tibet, provinserne Qinghai, vestlige Yunnan provins, vestlige Sichuan provins, sydvestlige Gansu provins og sydlige Xinjiang Autonome Region. Den gennemsnitlige højde af studieområdet er 4000 m 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 ; i øst fordeler de sig tæt i sletteområderne på den østlige kant af regionen, herunder floddalene i Yunnan provins, vestlige Sichuan provins og Xining-Lanzhou Gule Flod Basin. I plateauoverfladen vest for linjen er befolkning og bygninger hovedsageligt fordelt med begrænsede landbrugs- og græsningsområder 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 DigitalGlobes QuickBird og WorldView kommercielle satellitter, og luftfotograferingen er hentet 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 dataintegration er blevet bredt anvendt til objektgenkendelse i komplekse scener , , ,  og har potentiale for kortlægning i stor skala med høj opløsning af objekttyper . 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. Med hensyn til disse skalaer blev 0,175° × 0,175° fiskenet oprettet til vores studieområde for at muliggøre mindre pakker til download, med et samlet antal på 10.033 fiskenet, der blev brugt til at dække hele studieområdet. Det faktiske antal downloadede fiskenet var mindre, nemlig 5921, af to årsager. For det første, da en stor del af studieområdet består af ikke-boligområder, hvor bygninger ikke findes, udelukkede vi vilkårligt fiskenet uden nogen opdyrkede arealer pixels fra ESA World Cover-produktet. For det andet blev byer/præfekturer, hvis vektoriserede tagdata (dvs. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong og Yuxi) er blevet hentet i de vektoriserede tagarealdata 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 primært taget fra 2019 til 2021, men billeder fra nogle fjerntliggende områder kan være taget så tidligt som 2001 (Fig.  ). 13 3    Fiskenet til billeddownload og billedoptagelsestidspunkt. Hjælpedata Vores hjælpedata omfattede landkort med høj opløsning, digital højdemodel (DEM), normaliseret differens vegetationsindeks (NDVI) og befolkningsfordelingsdata til efterfølgende klyngeanalyse med henblik på prøveudtagning (Tabel  ). 1 Til landdække og opdyrkede 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 af 141.000 unikke lokationer spredt over hele verden, trænet med random forest-algoritmen, for at repræsentere global arealanvendelse i 2020; det har en fordel i at repræsentere finkornede landskabselementer (f.eks. bebyggede områder og komplekse landbrugslandskaber), da det tager hensyn til en relativt lille minimumskortlægningsenhed . Kategorien "bebygget" i datasættet refererer til land dækket af bygninger, veje og andre menneskeskabte strukturer (f.eks. jernbaner), men udelukker bygrønne områder (f.eks. parker og sportfaciliteter), 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 resampelt fra de seneste SRTM V4.1-data ( ), og NDVI-dataene er sammensat baseret på SPOT/VEGETATION PROBA-V 1-km produkter ( ). Vi valgte NDVI-data fra 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 Energy’s Oak Ridge National Laboratory og leveret af East View Cartographic ( ); disse data genereres ved at kombinere geospatial videnskab, fjernmålingsteknologi og maskinlæringsalgoritmer, hvilket repræsenterer en af de mest nøjagtige og pålidelige globale befolkningsdynamiske statistiske analysedatabaser baseret på geografisk placering, med en 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 Forbehandling af data Fordelingen af befolkning og bygninger er spredt i det meste af vores studieområde, hvor over 99,5 % af studieområdet er kategoriseret som ikke-bebyggede områder ifølge ESAs World Cover-produkt . For at fremskynde vores ekstraktion blev masker af potentielle bygningsfordelingsområder først genereret for hver 0,175° × 0,175° fiskenet før ekstraktionen. Baseret på kategorien "bebygget" i World Cover-dataene blev en 1-km bufferzone omkring hver bebyggede pixel genereret som det potentielle bygningsfordelingsområde. Efter at have testet flere bufferzonebredder, fandt vi, at en bredde på 1 km kunne rumme 96 % af bygningspixels rapporteret i CBRA-produkterne fra 2020. Masken gjorde det muligt for os at udelukke 86 % af det samlede areal af de downloadede billeder, hvilket konsekvent sparede betydelig databehandlingstid. Vi analyserede bufferen ved en overlapning med de genererede fiskenet for at udelukke net, der ikke indeholdt bygninger. Billederne blev derefter igen 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 MinIO: The HackerNoon Company of the Week

Meet Sentry: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Meet ZexPRWire: HackerNoon’s Certified Business Blogging Partner

Meet MinIO: The HackerNoon Company of the Week

Meet Sentry: HackerNoon Company of the Week

Meet Octopus Network: HackerNoon Company of the Week

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps