AI χαρτογραφεί 13 εκατομμύρια κτίρια σε μία από τις πιο απομακρυσμένες περιοχές του κόσμου

Συγγραφείς: Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Περίληψη Τα μεγάλης κλίμακας δεδομένα ακριβείας κατανομής κτιρίων αποτελούν σημαντική θεμελίωση για τον περιφερειακό πολεοδομικό σχεδιασμό, την κατανομή πόρων και την έρευνα κινδύνου καταστροφών. Το οροπέδιο Qinghai-Tibet είναι ο τρίτος πόλος του κόσμου. Αν και η κατανόηση των τοπικών αλληλεπιδράσεων ανθρώπου-περιβάλλοντος στο οροπέδιο Qinghai-Tibet είναι κρίσιμης σημασίας, αυτό έχει εμποδιστεί από την έλλειψη δεδομένων αποτυπώματος κτιρίων υψηλής ανάλυσης λόγω της απέραντης έκτασης και της απομακρυσμένης περιοχής. Σε αυτή τη μελέτη, δημιουργήσαμε τα πρώτα διανυσματοποιημένα αποτυπώματα στέγης κτιρίων του οροπεδίου Qinghai-Tibet και των γύρω περιοχών, χρησιμοποιώντας εικόνες Google υψηλής ανάλυσης και τον αλγόριθμο εξαγωγής περιγράμματος κτιρίων της πλατφόρμας AI Earth. Τα αποτελέσματά μας περιλαμβάνουν 13,09 εκατομμύρια κτίρια που καλύπτουν 6092,7 τετραγωνικά χιλιόμετρα, επικυρωμένα με συνολικά δείγματα ελέγχου 250 x 1 τετραγωνικών χιλιομέτρων. Τα δεδομένα είχαν συνολική ακρίβεια 87%, ανάκληση 91,9% και F1 score 64,8%, παρέχοντας έτσι μια προηγμένη περιγραφή της κατανομής των κτιρίων στην περιοχή μελέτης σε σύγκριση με το CBRA. Η εργασία μας έχει τεράστιες δυνατότητες στην διευκόλυνση της αξιολόγησης έκθεσης για μελέτες κινδύνου καταστροφών σε αυτήν την περιοχή. Υπόβαθρο & Περίληψη Η έλευση της ψηφιακής εποχής έχει αυξήσει τη ζήτηση για αξιόπιστα δεδομένα σχετικά με την κατανομή και τα χαρακτηριστικά των κτιρίων , , . Τα δεδομένα κατανομής κτιρίων παρέχουν σημαντικές χωρικές πληροφορίες όχι μόνο για τα κτίρια αλλά και για τον πληθυσμό και τα φυσικά περιουσιακά στοιχεία , χρησιμεύοντας ως καλός δείκτης της ανθρώπινης δραστηριότητας. Τις τελευταίες δεκαετίες, τα δεδομένα κατανομής κτιρίων έχουν χρησιμοποιηθεί ευρέως για την παρακολούθηση της αστικής και αγροτικής ανάπτυξης , , την κατανόηση των επιπτώσεων της αστικοποίησης στην επισιτιστική ασφάλεια, τη βιοποικιλότητα, την κλιματική αλλαγή και την ευημερία και υγεία του κοινού , , τη διαμόρφωση περιφερειακών στρατηγικών ανάπτυξης και την προστασία των αστικών και αγροτικών οικοσυστημάτων , , . 1 2 3 4 5 6 7 8 9 10 11 Η πρόοδος της δορυφορικής και αερομεταφερόμενης απεικόνισης, μαζί με την πρόσφατη πρόοδο στους αλγορίθμους μηχανικής μάθησης και βαθιάς μάθησης, έχει ενισχύσει τη διαθεσιμότητα δεδομένων κατανομής κτιρίων , , . Τα δεδομένα κατανομής κτιρίων παρέχονται σε μορφή raster ως μέρος των δεδομένων χρήσης/κάλυψης γης. Η πιο πρόσφατη κυκλοφορία περιλαμβάνει τρία παγκόσμια προϊόντα χρήσης/κάλυψης γης 10 μέτρων που βασίζονται σε δορυφόρους Sentinel, δηλαδή το Dynamic World (DW) της Google , το Land Cover 2020 της Esri και το World Cover 2020 (WC) του Ευρωπαϊκού Οργανισμού Διαστήματος (ESA) . Εκτός από τις χωρικές πληροφορίες κατανομής, οι ερευνητές προσπαθούν επίσης να επισυνάψουν πληροφορίες χαρακτηριστικών στα pixels κτιρίων, όπως το ύψος κτιρίου . Για παράδειγμα, οι He . χρησιμοποίησαν συγχώνευση δεδομένων τηλεπισκόπησης πολλαπλών πηγών για να κατασκευάσουν το πρώτο παγκόσμιο σύνολο δεδομένων αστικής τρισδιάστατης χωρικής και χρονικής εξάπλωσης ανάλυσης 30 μέτρων που καλύπτει την περίοδο 1990–2010. Παρά τη συνεχή βελτίωση της χωρικής ανάλυσης, τα δεδομένα κατανομής κτιρίων που βασίζονται σε raster εξακολουθούν να μην μπορούν να περιγράψουν χωρικά αντικείμενα , και η αύξηση της ανάλυσης αυξάνει σημαντικά το κόστος αποθήκευσης και υπολογιστικής ισχύος . 12 13 14 15 16 17 14 et al 7 18 12 Τα δεδομένα κατανομής κτιρίων σε διανυσματική μορφή, γνωστά και ως διανυσματοποιημένα αποτυπώματα στέγης κτιρίων ή αποτυπώματα κτιρίων, είναι τα περιγράμματα ενός κτιρίου προβαλλόμενα στο έδαφος από πλάγια όψη , , τα οποία παρέχουν πληροφορίες όπως τη γεωγραφική τοποθεσία, την έκταση των ορίων και το αποτύπωμα ενός μεμονωμένου κτιρίου. Οι πάροχοι δημόσιων υπηρεσιών (π.χ., Google Earth και OpenStreetMap) παρέχουν ανοιχτά διανυσματοποιημένα δεδομένα αποτυπωμάτων στέγης κτιρίων με ευρεία κάλυψη, γρήγορες ενημερώσεις και χαμηλό κόστος , , . Το 2022, η Microsoft Corporation χρησιμοποίησε σημασιολογική τμηματοποίηση βασισμένη σε βαθιά νευρωνικά δίκτυα για την εξαγωγή των περιγραμμάτων 777 εκατομμυρίων κτιρίων, ορισμένα από τα οποία περιείχαν χαρακτηριστικά ύψους κτιρίου, με βάση τους χάρτες Bing (συμπεριλαμβανομένων εικόνων Maxar και Airbus) από το 2014 έως το 2021 για κάθε ήπειρο εκτός της Κίνας. Στις 30 Μαΐου 2023, η Google κυκλοφόρησε ένα σύνολο δεδομένων με 1,8 δισεκατομμύρια περιγράμματα κτιρίων που εξήχθησαν από δορυφορικές εικόνες υψηλής ανάλυσης 0,5μ, καλύπτοντας μια έκταση 58 εκατομμυρίων τετραγωνικών χιλιομέτρων. Η χαμηλή πλεονασμός και η συμπαγής δομή των διανυσματικών δεδομένων που αναπαρίστανται από κορυφές και μονοπάτια παρέχουν υψηλότερη γεωγραφική ακρίβεια ανεξάρτητα από το μέγεθος του πλέγματος, και η εισαγωγή τοπολογικών κανόνων βελτιώνει περαιτέρω την ακεραιότητα των διανυσματικών δεδομένων . 19 20 21 22 23 13 Λόγω της αύξησης της ανάλυσης απεικόνισης και της μείωσης του κόστους απόκτησης δεδομένων, μαζί με την πρόσφατη πρόοδο στους αλγορίθμους εξαγωγής, η ανάλυση και η κάλυψη των δεδομένων κατανομής κτιρίων βελτιώνονται συνεχώς . Η βιωσιμότητα εικόνων πολύ υψηλής ανάλυσης (VHR) επέτρεψε την εξαγωγή αποτυπωμάτων κτιρίων μέσω της εφαρμογής παραδοσιακών μεθόδων βασισμένων σε χαρακτηριστικά που δημιουργήθηκαν από τον άνθρωπο ή μεθόδων βασισμένων σε βαθιά μάθηση . Καθώς η πρώτη προσέγγιση αντιμετωπίζει την πρόκληση της ποικιλομορφίας των εμφανίσεων και μεγεθών κτιρίων, και σύνθετων κανόνων εμπειρικής τήρησης και ρυθμίσεων κατωφλίου, είναι περιορισμένη όταν εφαρμόζεται σε εικόνες τηλεπισκόπησης μεγάλης κλίμακας υψηλής ανάλυσης . Οι μέθοδοι βασισμένες σε βαθιά μάθηση (π.χ., συνελικτικά νευρωνικά δίκτυα) έχουν δείξει αποτελεσματική και ανώτερη απόδοση στην αυτόματη εκμάθηση χαρακτηριστικών υψηλού επιπέδου και διακριτικών σε τμήματα σκηνών κτιρίων. Οι Sun . πρότειναν μια στρατηγική συγχώνευσης βασισμένη σε παράλληλες μηχανές διανυσμάτων υποστήριξης για την πλήρη αξιοποίηση βαθιών χαρακτηριστικών που εξάγονται από δομές συνελικτικών νευρωνικών δικτύων πολλαπλών κλιμάκων σε διαφορετικές κλίμακες, με ανώτερη απόδοση στην εξαγωγή σύνθετων κτιρίων σε αστικές περιοχές. Ωστόσο, κατά την τμηματοποίηση κτιρίων, η ακρίβεια του μοντέλου είναι πιο πιθανό να περιορίζεται από την ποιότητα των δειγμάτων εκπαίδευσης, καθιστώντας την εξαγωγή δύσκολη. Η ανεπαρκής χρήση σημασιολογικών χαρακτηριστικών υψηλού επιπέδου και η παράλειψη λεπτομερειών χαμηλού επιπέδου σε βαθιά μοντέλα, που οδηγούν σε θαμπά άκρα και παραλείψεις μικρών κτιρίων, εμποδίζουν επίσης την εφαρμογή της βαθιάς μάθησης στην εξαγωγή αποτυπωμάτων κτιρίων. 24 25 13 26 et al 27 Η περιοχή του οροπεδίου Qinghai-Tibet είναι η πιο υψομετρικά εκτεταμένη περιοχή του κόσμου, με μέσο υψόμετρο >4000 μέτρα πάνω από την επιφάνεια της θάλασσας, και καλύπτει μια έκταση 2,5 εκατομμυρίων τετραγωνικών χιλιομέτρων . Περισσότεροι από 10 εκατομμύρια άνθρωποι κατοικούν στην περιοχή παρά το ακραίο κλίμα, τους κρύους και μακρούς χειμώνες, τις μεγάλες ετήσιες και ημερήσιες διαφορές θερμοκρασίας και τα φτωχά εσωτερικά θερμικά περιβάλλοντα. Παρόλο που αυτή η περιοχή είναι το μεγαλύτερο οικολογικό φράγμα της Κίνας , η ανθρώπινη δραστηριότητα επηρέασε σημαντικά το ευάλωτο οικολογικό περιβάλλον . Αυτή η περιοχή είναι επίσης εξαιρετικά επιρρεπής σε καταστροφές, με σεισμούς, κατολισθήσεις, ροές λάσπης, πλημμύρες λόγω εκρηκτικών λιμνών πάγου και χιονοπτώσεις που οδηγούν σε απώλειες ζωών και περιουσιών , , . Ως απάντηση, ακριβή δεδομένα κατανομής κτιρίων είναι κρίσιμα για τη μοντελοποίηση της κατανομής της ανθρώπινης δραστηριότητας για τη μελέτη ανθρώπου-περιβάλλοντος , , καθώς και για την ανάλυση έκθεσης και κινδύνου για φυσικές καταστροφές , . Επιπλέον, αυτή η περιοχή έχει μεγάλες ώρες ηλιοφάνειας, άφθονους πόρους ηλιακής ενέργειας και επαρκείς επιφάνειες συλλογής ηλιακής ενέργειας όπως στέγες και ανοιχτοί χώροι , . Δεδομένα κατανομής αγροτικών κτιρίων υψηλής ανάλυσης θα μπορούσαν να παρέχουν μια αξιόπιστη βάση δεδομένων για την αξιολόγηση του δυναμικού φωτοβολταϊκών και την αποτελεσματική βελτίωση του βιοτικού επιπέδου των κατοίκων των αγροτικών περιοχών , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Ως μια υποανάπτυκτη περιοχή, το οροπέδιο Qinghai-Tibet και οι γειτονικές του περιοχές εξακολουθούν να μην διαθέτουν ένα πλήρες σύνολο διανυσματοποιημένων δεδομένων αποτυπωμάτων στέγης κτιρίων υψηλής ακρίβειας, λόγω της τεράστιας έκτασης, της αραιής κατανομής κτιρίων, της απομακρυσμένης τοποθεσίας και των περιορισμών πόρων. Τα πιο έτοιμα προς χρήση δεδομένα είναι αυτά που παρέχονται σε εθνική κλίμακα της Κίνας, τα οποία περιλαμβάνουν τα δεδομένα έκτασης στέγης κτιρίων της Κίνας (CBRA, Liu ., 2023b) ανάλυσης 2,5μ και τον πρώτο εθνικό χάρτη κάλυψης γης της Κίνας με ανάλυση 1μ (SinoLC) που περιλαμβάνει κατηγορίες κτιρίων . Αυτά τα δεδομένα raster δεν μπορούν να χαρακτηρίσουν χωρικά αντικείμενα και απαιτούν μεγάλους πόρους αποθήκευσης. Τα διανυσματοποιημένα δεδομένα έκτασης στέγης για 90 μεγάλες πόλεις της Κίνας που κυκλοφόρησαν από τους Zhang . εν μέρει κάλυψαν αυτό το κενό· ωστόσο, μόνο 14 πόλεις στο οροπέδιο Qinghai-Tibet συμπεριλήφθηκαν σε αυτό το σύνολο δεδομένων, και τα διανυσματοποιημένα δεδομένα αποτυπωμάτων στέγης κτιρίων εξακολουθούν να απουσιάζουν για μια έκταση 2 εκατομμυρίων τετραγωνικών χιλιομέτρων. et al 42 et al 13 Ως εκ τούτου, αυτή η μελέτη στοχεύει στη δημιουργία διανυσματοποιημένων αποτυπωμάτων στέγης κτιρίων του οροπεδίου Qinghai-Tibet και των γύρω περιοχών, ενσωματώνοντας δορυφορικές εικόνες υψηλής ανάλυσης και αλγόριθμο βαθιάς μάθησης. Το σύνολο δεδομένων μας επικυρώθηκε χρησιμοποιώντας δείγματα ελέγχου που περιλαμβάνουν πλέγματα 250 x 1 τετραγωνικών χιλιομέτρων σε διάφορες υποπεριοχές, με αποτέλεσμα συνολική ακρίβεια 91,92% και F1 score 64,81%. Μέθοδοι Πλαίσιο Σε αυτή τη μελέτη, χρησιμοποιήσαμε αλγορίθμους εξαγωγής κτιρίων από την πλατφόρμα AI Earth για να δημιουργήσουμε ένα διανυσματοποιημένο σύνολο δεδομένων αποτυπωμάτων στέγης κτιρίων για το οροπέδιο Qinghai-Tibet και τη γύρω περιοχή της Κίνας (Σχ. 1). Τα κύρια στοιχεία του πλαισίου μας περιλάμβαναν: (1) προετοιμασία και προεπεξεργασία δορυφορικών δεδομένων και βοηθητικών δεδομένων· (2) εξαγωγή διανυσματοποιημένων αποτυπωμάτων στέγης κτιρίων χρησιμοποιώντας την πλατφόρμα AI Earth· (3) επικύρωση χρησιμοποιώντας δεδομένα χειροποίητων διανυσματοποιημένων αποτυπωμάτων. Το πλαίσιο για την εξαγωγή και επικύρωση αποτυπωμάτων στέγης κτιρίων. Περιοχή μελέτης Αυτή η μελέτη επικεντρώθηκε κυρίως στο οροπέδιο Qinghai-Tibet και τις γειτονικές του περιοχές στη νοτιοδυτική Κίνα υπό το γενικό πλαίσιο του δεύτερου προγράμματος επιστημονικής εξερεύνησης και έρευνας του οροπεδίου του Θιβέτ · γεωγραφικά, περιλαμβάνει την Αυτόνομη Περιοχή του Θιβέτ, τις Επαρχίες Qinghai, τη δυτική Επαρχία Yunnan, τη δυτική Επαρχία Sichuan, τη νοτιοδυτική Επαρχία Gansu και τη νότια Αυτόνομη Περιοχή Xinjiang. Το μέσο υψόμετρο της περιοχής μελέτης είναι 4000 μέτρα πάνω από την επιφάνεια της θάλασσας. Η κατανομή του πληθυσμού και των κτιρίων στην περιοχή μελέτης επηρεάζεται σε μεγάλο βαθμό από το υψόμετρο και το κλίμα (Σχ. 2), συγκεντρώνεται κυρίως ανατολικά της γραμμής από την Κομητεία Jilong στο Θιβέτ έως την Κομητεία Qilian στο Qinghai · στα ανατολικά, κατανέμονται πυκνά στις πεδινές περιοχές στην ανατολική άκρη της περιοχής, συμπεριλαμβανομένων των κοιλάδων των ποταμών στην Επαρχία Yunnan, τη δυτική Επαρχία Sichuan και τη λεκάνη του ποταμού Yellow River Xining-Lanzhou. Στην επιφάνεια του οροπεδίου δυτικά της γραμμής, ο πληθυσμός και τα κτίρια κατανέμονται κυρίως σε περιορισμένες αγροκτηνοτροφικές περιοχές κατά μήκος των κύριων κοιλάδων των ποταμών και κατά μήκος διαδρόμων οδικής κυκλοφορίας. 43 44 Περιοχή μελέτης (δεδομένα πληθυσμού από LandScan· DEM από το Κέντρο Δεδομένων Επιστημών και Περιβάλλοντος). Δορυφορική απεικόνιση Δεδομένα δορυφορικών εικόνων υψηλής ανάλυσης ανοιχτής πρόσβασης λήφθηκαν από την Rivermap Co. ( ), τα οποία ελήφθησαν από την ενσωμάτωση δορυφορικών εικόνων και αεροφωτογραφιών του Google Earth. Μεταξύ αυτών, οι δορυφορικές εικόνες προέρχονται κυρίως από τους εμπορικούς δορυφόρους QuickBird και WorldView της DigitalGlobe, και η αεροφωτογραφία προέρχεται από την BlueSky στο Ηνωμένο Βασίλειο και τη Sanborn στις ΗΠΑ . Για κάθε τοποθεσία, υπήρχαν συλλογές πολλαπλών εικόνων με ανάλυση έως 0,15 μ σε τοπικές περιοχές. Τέτοια ενσωμάτωση δεδομένων έχει χρησιμοποιηθεί ευρέως για την αναγνώριση αντικειμένων σε σύνθετες σκηνές , , , και έχει τη δυνατότητα για χαρτογράφηση τύπων αντικειμένων μεγάλης κλίμακας υψηλής ανάλυσης . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Η συνολική έκταση της περιοχής μελέτης μας είναι 3,06 εκατομμύρια τετραγωνικά χιλιόμετρα, και το εκτιμώμενο μέγεθος των δεδομένων δορυφορικών εικόνων είναι 29,4 TB, με χωρική ανάλυση 0,6 μ. Λαμβάνοντας υπόψη αυτές τις κλίμακες, δημιουργήθηκαν πλέγματα 0,175° x 0,175° για την περιοχή μελέτης μας, ώστε να επιτρέπονται πακέτα μικρότερου μεγέθους για λήψη, με συνολικά 10.033 πλέγματα που χρησιμοποιήθηκαν για την κάλυψη ολόκληρης της περιοχής μελέτης. Ο πραγματικός αριθμός των ληφθέντων πλεγμάτων ήταν μικρότερος, 5921, για δύο λόγους. Πρώτον, καθώς ένα μεγάλο μέρος της περιοχής μελέτης αποτελείται από μη κατοικημένες περιοχές όπου δεν υπάρχουν κτίρια, αποκλείσαμε αυθαίρετα πλέγματα χωρίς pixels δομημένης περιοχής από το προϊόν World Cover της ESA. Δεύτερον, αποκλείστηκαν επίσης πόλεις/νομοί των οποίων τα διανυσματοποιημένα δεδομένα αποτυπωμάτων στέγης (δηλαδή, Λάσα, Σαννάν, Κούνμινγκ, Σίνινγκ, Χαϊντόνγκ, Ζανγκιέ, Μπάιιν, Λαντζόου, Τσενγκντού, Νταλί, Λιτζιάνγκ, Κούνμινγκ, Ζαοτόνγκ και Γιούξι) είχαν ήδη ανακτηθεί στα διανυσματοποιημένα δεδομένα έκτασης στέγης κτιρίων για 90 πόλεις της Κίνας . Οι εικόνες λήφθηκαν μεταξύ Σεπτεμβρίου 2022 και Ιανουαρίου 2023, με ανάλυση 0,6μ, μέγεθος μεμονωμένου καρέ περίπου 3 GB και συνολικό μέγεθος 2,72 TB. Οι ληφθείσες εικόνες προέρχονται κυρίως από το 2019 έως το 2021, αλλά εικόνες από ορισμένες απομακρυσμένες περιοχές ενδέχεται να έχουν ληφθεί ακόμη και από το 2001 (Σχ. 3). 13 Πλέγματα για λήψη εικόνων και χρόνος λήψης εικόνων. Βοηθητικά δεδομένα Τα βοηθητικά μας δεδομένα περιλάμβαναν χάρτες κάλυψης γης υψη