
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Tekijät: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Tiivistelmä Suuren mittakaavan tarkat rakennustiedot ovat tärkeitä alueellisen kaupunkisuunnittelun, resurssien kohdentamisen ja katastrofiriskitutkimuksen perusta. Qinghain–Tiibetin ylänkö on maailman kolmas napa. Vaikka paikallisten ihmisen ja ympäristön välisten vuorovaikutusten ymmärtäminen Qinghain–Tiibetin ylängöllä on äärimmäisen tärkeää, korkean resoluution rakennusjalanjälkitietojen puute on vaikeuttanut sitä alueen laajuuden ja syrjäisyyden vuoksi. Tässä tutkimuksessa loimme ensimmäiset vektorisoidut rakennusten kattorakenteiden jäljet Qinghain–Tiibetin ylängöstä ja sen ympäröivistä aluista käyttämällä korkearesoluutioista Google-kuvaa ja AI Earth -alustan rakennusten ääriviivojen erottelualgoritmia. Tuloksemme sisältävät 13,09 miljoonaa rakennusta, jotka kattavat 6092,7 km², ja ne on validoitu yhteensä 250 x 1 km²:n testinäytteillä. Tiedon kokonaistarkkuus oli 87 %, saanto 91,9 % ja F1-pisteet 64,8 %, mikä tarjoaa edistyneemmän kuvauksen rakennusten jakautumisesta tutkimusalueella verrattuna CBRA:han. Työmme tarjoaa valtavan potentiaalin altistumisen arvioinnin helpottamiseksi tämän alueen katastrofiriskitutkimuksissa. Tausta & Yhteenveto Digitaalisen aikakauden tulo on lisännyt luotettavan rakennustietojen ja -attribuuttien kysyntää , , . Rakennustiedot tarjoavat tärkeää spatiaalista tietoa paitsi rakennuksista, myös väestöstä ja fyysisistä varoista , toimien hyvänä ihmistoiminnan osoittimena. Viime vuosikymmeninä rakennustietoja on käytetty laajasti kaupunkien ja maaseudun kehityksen seurannassa , , kaupungistumisen vaikutusten ymmärtämisessä elintarviketurvallisuuteen, luonnon monimuotoisuuteen, ilmastonmuutokseen sekä yleiseen hyvinvointiin ja terveyteen , , alueellisten kehitysstrategioiden laatimisessa sekä kaupunki- ja maaseutuympäristöjen suojelussa , , . 1 2 3 4 5 6 7 8 9 10 11 Satelliitti- ja ilmahavaintokuvien kehittyminen yhdessä koneoppimis- ja syväoppimisalgoritmien viimeaikaisen kehityksen kanssa on lisännyt rakennustietojen saatavuutta , , . Rakennustiedot ovat saatavilla rasterimuodossa osana maankäyttö-/maapeiteaineistoja. Uusin julkaisu sisältää kolme 10 metrin globaalia maankäyttö-/maapeiteainetta Sentinel-satelliittien perusteella, nimittäin Googlen Dynamic World (DW) , Esrin 2020 Land Cover  ja Euroopan avaruusjärjestön (ESA) World Cover 2020 (WC) . Tilallisen jakautumistiedon lisäksi tutkijat pyrkivät myös liittämään attribuuttitietoja rakennuspikseleihin, kuten rakennuskorkeus . Esimerkiksi He et al.  käyttivät monilähteisten kaukokartoitusaineistojen fuusiota luodakseen maailman ensimmäisen 30 metrin resoluution urbaanin kolmiulotteisen spatiaalisen ja ajallisen leviämisen tietojoukon, joka kattaa ajan 1990–2010. Huolimatta jatkuvasta spatiaalisen resoluution parantamisesta, rasteripohjaiset rakennustiedot eivät edelleenkään pysty kuvaamaan spatiaalisia objekteja , ja resoluution kasvattaminen lisää huomattavasti tallennus- ja laskentakustannuksia . 12 13 14 15 16 17 14 7 18 12 Vektorimuotoiset rakennustiedot, jotka tunnetaan myös nimellä vektorisoidut rakennusten kattorakenteiden jäljet tai rakennusten jalanjäljet, ovat rakennuksen ääriviivadataa, joka on projisoitu maahan ylhäältä päin katsottuna , , ja ne tarjoavat tietoa, kuten maantieteellisen sijainnin, rajojen spatiaalisen ulottuvuuden ja yksittäisen rakennuksen jalanjäljen. Julkiset palveluntarjoajat (esim. Google Earth ja OpenStreetMap) tarjoavat avoimesti saatavilla olevia vektorisoituja rakennusten kattorakenteiden jälkiä, joilla on laaja kattavuus, nopeat päivitykset ja alhaiset kustannukset , , . Vuonna 2022 Microsoft Corporation käytti syväneuroverkkopohjaista semanttista segmentointia poimiakseen 777 miljoonan rakennuksen ääriviivat, joista osa sisältää rakennuskorkeustiedot, perustuen Bing Mapsiin (mukaan lukien Maxar- ja Airbus-kuvat) vuosilta 2014–2021 kaikille mantereille Kiinan ulkopuolella. 30. toukokuuta 2023 Google julkaisi 1,8 miljardin rakennuksen ääriviivasta koostuvan tietojoukon, joka on erotettu 0,5 metrin korkearesoluutioisista satelliittikuvista ja kattaa 58 miljoonan km² alueen. Kärkien ja polkujen esittämän vektoridatan alhainen redundanssi ja kompakti rakenne tarjoavat korkeamman maantieteellisen tarkkuuden verkkokoon riippumatta, ja topologisten sääntöjen käyttöönotto parantaa entisestään vektoridatan eheyttä . 19 20 21 22 23 13 Kuvien resoluution kasvun ja datan hankintakustannusten laskun myötä, sekä erottelualgoritmien viimeaikaisen kehityksen ansiosta, rakennustietojen resoluutio ja kattavuus paranevat jatkuvasti . Erittäin korkearesoluutioisten (VHR) kuvien käyttökelpoisuus on mahdollistanut rakennusten jalanjälkien erottamisen perinteisillä käsintehdyillä ominaisuuksiin perustuvilla menetelmillä  tai syväoppimiseen perustuvilla menetelmillä . Koska ensimmäinen lähestymistapa kohtaa rakennusten ulkonäön ja kokojen monimuotoisuuden haasteita sekä monimutkaisia nyrkkisääntöjä ja kynnysarvoasetuksia, sen soveltaminen suuren mittakaavan korkearesoluutioisiin kaukokartoituskuviin on rajallista . Syväoppimiseen perustuvat menetelmät (esim. konvoluutioneuroverkot) ovat osoittaneet tehokkaan ja paremman suorituskyvyn korkean tason ja erottelevien ominaisuuksien automaattisessa oppimisessa rakennuskohtausten segmentoinnissa. Sun et al.  ehdottivat fuusiostrategiaa rinnakkaisten tukivektorikoneiden perusteella hyödyntääkseen täysin moniasteisista konvoluutioneuroverkostorakenteista eri mittakaavoissa erotettuja syviä piirteitä, ja niillä oli parempi suorituskyky monimutkaisten rakennusten erottamisessa kaupunkialueilla. Siitä huolimatta rakennuksia segmentoidessa mallin tarkkuus rajoittuu todennäköisemmin harjoitusnäytteiden laatuun, mikä vaikeuttaa ekstrapolointia. Syvien mallien riittämätön hyödyntäminen korkean tason semantiikasta ja matalan tason yksityiskohtien pois jättäminen, mikä johtaa reunojen epäselvyyteen ja pienten rakennusten pois jättämiseen, myös vaikeuttavat syväoppimisen soveltamista rakennusten jalanjälkien erottamiseen. 24 25 13 26 27 Qinghain–Tiibetin ylänköalue on maailman korkein alue, jonka keskimääräinen korkeus on yli 4000 metriä merenpinnan yläpuolella ja joka kattaa 2,5 miljoonan km² alueen . Yli 10 miljoonaa ihmistä asuu alueella äärimmäisestä ilmastosta, kylmistä ja pitkistä talvista, suurista vuosi- ja päivälämpötilan eroista sekä huonosta sisäilman lämpötilasta huolimatta. Vaikka tämä alue on Kiinan suurin ekologinen este , ihmistoiminta on vaikuttanut merkittävästi sen haavoittuvaan ekoympäristöön . Tämä alue on myös erittäin altis luonnonkatastrofeille, kuten maanjäristyksille, maanvyörymille, mutavyöryille, jäätikköjärvien purkauksille ja lumikatastrofeille, jotka aiheuttavat uhreja ja omaisuustuhoja , , . Tämän vuoksi tarkat rakennustiedot ovat ratkaisevan tärkeitä ihmistoiminnan jakautumisen mallintamisessa ihmisen ja ympäristön yhdistettyjä tutkimuksia varten , , sekä luonnonkatastrofien altistumis- ja riskianalyysiä varten , . Lisäksi tällä alueella on pitkä auringonpaiste, runsaasti aurinkoenergiavaroja ja riittävästi aurinkoenergian keräyspinta-aloja, kuten kattoja ja avoimia tiloja , . Korkearesoluutioiset maaseudun rakennustiedot voisivat tarjota luotettavan tietokannan aurinkosähköpotentiaalin arviointiin ja maaseudulla asuvien elinolojen tehokkaaseen parantamiseen , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kehittymättömänä alueena Qinghain–Tiibetin ylänkö ja sen naapurialueet eivät edelleenkään saa täydellistä sarjaa korkeatarkkuuksisia vektorisoituja rakennusten kattorakenteiden tietoja niiden laajuuden, harvan rakennusten jakautumisen, syrjäisen sijainnin ja resurssirajoitusten vuoksi. Valmiimmat tiedot ovat Kiinan kansallisella tasolla tarjotut, mukaan lukien 2,5 metrin ruudukkoon perustuvat China Building Rooftop Area -tiedot (CBRA, Liu et al., 2023b) ja Kiinan ensimmäinen 1 metrin resoluution maankäyttökartta (SinoLC), joka sisältää rakennuskategoriat . Nämä rasteritiedot eivät pysty kuvaamaan spatiaalisia objekteja ja vaativat suuria tallennusresursseja. Zhang et al.  julkaisemat 90 Kiinan suuren kaupungin vektorisoidut kattorakenteiden pinta-alatiedot täyttivät osittain tämän aukon; kuitenkin vain 14 kaupunkia Qinghain–Tiibetin ylängöllä sisältyi tähän tietojoukoon, ja 2 miljoonan km² alueelta puuttuvat edelleen vektorisoidut rakennusten kattorakenteiden tiedot. 42 13 Siksi tämä tutkimus pyrkii luomaan vektorisoituja rakennusten kattorakenteiden jälkiä Qinghain–Tiibetin ylängölle ja sen naapurialueille yhdistämällä korkearesoluutioisia satelliittikuvia ja syväoppimisalgoritmia. Tietojoukkamme validoitiin käyttämällä testinäytteitä, jotka koostuivat 250 x 1 km²:n ruudukoista eri alialueilla, saavuttaen 91,92 % kokonaistarkkuuden ja 64,81 % F1-pisteet. Menetelmät Kehys Tässä tutkimuksessa hyödynsimme AI Earth -alustan rakennusten erottelualgoritmeja luodaksemme vektorisoidun rakennusten kattorakenteiden tietojoukon Qinghain–Tiibetin ylängölle ja sen naapurialueelle Kiinassa (Kuva 1). Kehyksemme pääkomponentit sisälsivät: (1) satelliittiaineiston ja apuaineiston valmistelun ja esikäsittelyn; (2) vektorisoidun rakennusten kattorakenteiden erottamisen AI Earth -alustan avulla; (3) validoinnin manuaalisesti vektorisoiduilla kattorakenteiden tiedoilla.    Rakennusten kattorakenteiden erottamisen ja validoinnin kehys. Tutkimusalue Tämä tutkimus keskittyi pääasiassa Qinghain–Tiibetin ylänköön ja sen naapurialueisiin Lounais-Kiinassa toisen Tiibetin ylängön tieteellisen tutkimus- ja tutkimusohjelman yleisen kehyksen mukaisesti ; maantieteellisesti se sisältää Tiibetin autonomisen alueen, Qinghain maakunnat, Yunnanin läntisen osan, Sichuanin läntisen osan, Gansun lounaisosan ja Xinjiangin autonomisen alueen eteläosan. Tutkimusalueen keskimääräinen korkeus on 4000 metriä merenpinnan yläpuolella. Väestön ja rakennusten jakautumiseen tutkimusalueella vaikuttavat voimakkaasti korkeus ja ilmasto (Kuva 2), ja ne keskittyvät pääasiassa itään linjasta Jilongin piirikunnasta Tiibetissä Qilianin piirikuntaan Qinghaissa ; idässä ne jakautuvat tiheästi tasankoalueille alueen itäreunalla, mukaan lukien Yunnanin maakunnan laaksot, Sichuanin maakunnan läntinen osa ja Xining–Lanzhou Keltaisen joen allas. Länteen linjasta Ylängön pinnalla väestö ja rakennukset jakautuvat pääasiassa rajoitetuille maatalous-paimentolaisalueille suurten jokilaaksojen varrella ja tieverkon käytävien varrella. 43 44    Tutkimusalue (väestötiedot ovat LandScanista; DEM on peräisin Resurssi- ja ympäristötiedon keskuksesta). Satelliittikuva Avoimesti saatavilla olevat korkearesoluutioiset satelliittikuva-aineistot hankittiin Rivermap Co.:lta ( ), jotka saatiin Google Earthin satelliitti- ja ilma-aineistojen integroinnista. Niistä satelliittikuva on peräisin pääasiassa DigitalGlobetn QuickBird- ja WorldView-kaupallista satelliiteista, ja ilmakuvat ovat peräisin brittiläiseltä BlueSkyltä ja yhdysvaltalaiselta Sanbornilta . Kullakin sijainnilla oli kokoelma useita kuvia, joiden resoluutio oli paikallisesti jopa 0,15 m. Tällaisia aineistojen integrointeja on käytetty laajalti kohteiden tunnistamisessa monimutkaisissa kohtauksissa , , , , ja niillä on potentiaalia suuren mittakaavan korkearesoluutioisessa kohdetyyppien kartoituksessa . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Tutkimusalueemme kokonaispinta-ala on 3,06 miljoonaa km², ja satelliittikuva-aineiston arvioitu koko on 29,4 TB, spatiaalisen resoluution ollessa 0,6 m. Näiden mittakaavojen huomioon ottaen tutkimusalueellemme luotiin 0,175° x 0,175° kalaverkkoja pienempien pakettien lataamisen mahdollistamiseksi, ja koko tutkimusalueen kattamiseen käytettiin yhteensä 10 033 kalaverkkoa. Ladattujen kalaverkkojen todellinen määrä oli pienempi, 5921, kahdesta syystä. Ensinnäkin, koska suuri osa tutkimusalueesta koostuu ei-ihmisten asuinalueista, joilla rakennuksia ei ole, jätimme mielivaltaisesti pois kalaverkot ilman minkäänlaisia rakennettuja alueita ESA World Cover -tuotteesta. Toiseksi, kaupungit/prefektuurit, joiden vektorisoidut kattorakenteiden tiedot (eli Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong ja Yuxi) on jo haettu Kiinan 90 kaupungin vektorisoiduista kattorakenteiden pinta-alatietoista , jätettiin myös pois. Kuvat ladattiin syyskuun 2022 ja tammikuun 2023 välisenä aikana, resoluutiolla 0,6 m, yksittäisen kehyksen koko noin 3 GB ja kokonaiskoko 2,72 TB. Ladatut kuvat olivat pääasiassa vuosilta 2019–2021, mutta joidenkin syrjäisten alueiden kuvat saattavat olla peräisin jo vuodelta 2001 (Kuva 3). 13    Kalaverkot kuvien latausta ja kuvausaikaa varten. Apuaineisto Apuaineistomme sisälsi korkearesoluutioisia maankäyttökarttoja, digitaalisen korkeusmallin (DEM), normalisoidun erotuskasvillisuusindeksin (NDVI) ja väestön jakautumistiedot myöhempää klusterianalyysiä varten näytteenottoa varten (Taulukko 1). Maankäytön ja rakennettujen alueiden osalta saimme ESA:n World Cover -tuotteen Zanaga et al.:lta  Zenodosta ( ). Tuote luotiin Sentinel 1 ja Sentinel 2 satelliittikuvien perusteella koko vuodelle 2020 ja otoksesta 141 000 ainutlaatuisesta sijainnista ympäri maailmaa, koulutettuna satunnaismetsäalgoritmilla, edustamaan globaalia maankäyttöä vuonna 2020; sillä on etuna hienoskaalaisten maisemaelementtien (esim. rakennetut alueet ja monimutkaiset maatalousmaisemat) esittäminen, koska se huomioi suhteellisen pienen vähimmäiskartoitusyksikön . Tietojoukon "rakennettu" luokka viittaa rakennusten, teiden ja muiden ihmisen rakentamien rakenteiden (esim. rautatiet) peittämään maahan, mutta ei kaupunkien viheralueita (esim. puistot ja urheilutilat), kaatopaikkoja ja louhoksia . 17 https://zenodo.org/records/5571936 51 17 1 km DEM-tiedot ja NDVI-tiedot saatiin Kiinan tiedeakatemian geofysiikan ja luonnonvarojen instituutin resurssi- ja ympäristötiedon keskuksesta ( ). DEM-tiedot on uudelleenotettu uusimmista SRTM V4.1 -tiedoista ( ), ja NDVI-tiedot on mosaiikattu SPOT/VEGETATION PROBA-V 1 km -tuotteiden perusteella ( ). Valitsimme vuoden 2021 NDVI-tiedot edustamaan kasvillisuutta Qinghain–Tiibetin ylängöllä ( ). Väestötiheystiedot saatiin LandScan-tietokannasta ( ) Yhdysvaltain energiaministeriön Oak Ridge National Laboratoryn kehittämästä globaalista elintärkeiden tilastojen analyysistä ja East View Cartographicin toimittamasta ( ); nämä tiedot on luotu yhdistämällä paikkatieteet, kaukokartoitus teknologia ja koneoppimisalgoritmit, ja ne edustavat yhtä tarkimmista ja luotettavimmista globaaleista väestön dynaamisista tilastollisista analyysitietokannoista maantieteellisen sijainnin perusteella, jonka resoluutio on 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.

Tämä ääni on tuotettu tarinan alkuperäisellä kielellä!

Tekoäly kartoitti 13 miljoonaa rakennusta yhdellä maailman syrjäisimmistä alueista

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

PENANCE

About Bitcoin And “Web 2.5,” HackerNoon’s First Documentary

Why The "Missing Middle" Is The Biggest Untapped Opportunity in 2026

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

PENANCE

About Bitcoin And “Web 2.5,” HackerNoon’s First Documentary

Why The "Missing Middle" Is The Biggest Untapped Opportunity in 2026

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps