
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Tekijät: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Tiivistelmä Suuren mittakaavan ja suuren tarkkuuden rakennustiedot ovat tärkeitä perusta alueelliselle kaupunkisuunnittelulle ja resurssien allokoinnille sekä katastrofiriskin tutkimukselle. Qinghain–Tiibetin ylänkö on maailman kolmas napa. Vaikka paikallisen ihmisen ja ympäristön vuorovaikutuksen ymmärtäminen Qinghain–Tiibetin ylängöllä on kriittisen tärkeää, se on vaikeutunut korkean resoluution rakennusten jalanjälkitietojen puutteen vuoksi alueen laajuuden ja syrjäisyyden vuoksi. Tässä tutkimuksessa generoimme ensimmäiset vektoroidut rakennusten kattorakenteiden piirrokset Qinghain–Tiibetin ylängöstä ja sen ympäröivistä alueilta käyttämällä korkearesoluutioista Google-kuvastoa ja AI Earth -alustan rakennusten ääriviivojen erotusalgoritmia. Tuloksemme sisältävät 13,09 miljoonaa rakennusta, jotka kattavat 6092,7 km², ja ne on validoitu yhteensä 250 × 1 km² testinäytteillä. Datan kokonaistarkkuus oli 87 %, saanto 91,9 % ja F1-pisteet 64,8 %, tarjoten siten edistyneemmän kuvauksen rakennusten jakautumisesta tutkimusalueella verrattuna CBRA:han. Työllä on valtava potentiaali edistää altistusarviointeja katastrofiriskiä koskevissa tutkimuksissa tällä alueella. Tausta ja yhteenveto Digitaalisen aikakauden tulo on lisännyt luotettavien rakennusten jakautumista ja ominaisuuksia koskevien tietojen kysyntää , , . Rakennusten jakautumistiedot tarjoavat tärkeää spatiaalista tietoa paitsi rakennuksista, myös väestöstä ja fyysisestä omaisuudesta , ja ne toimivat hyvänä ihmisen aktiivisuuden mittarina. Viime vuosikymmeninä rakennusten jakautumistietoja on käytetty laajasti kaupunkien ja maaseudun kehityksen seurantaan , , kaupungistumisen vaikutusten ymmärtämiseen elintarviketurvallisuuteen, biologiseen monimuotoisuuteen, ilmastonmuutokseen sekä yleiseen hyvinvointiin ja terveyteen , , alueellisten kehitysstrategioiden laatimiseen ja kaupunkien ja maaseudun ekosysteemien suojelemiseen , , . 1 2 3 4 5 6 7 8 9 10 11 Satelliitti- ja ilma-alustakuvien kehitys yhdistettynä koneoppimisen ja syväoppimisen algoritmien viimeaikaisiin edistysaskeliin on lisännyt rakennusten jakautumistietojen saatavuutta , , . Rakennusten jakautumistiedot on tarjottu rasterimuodossa osana maankäyttö-/peitetietoja. Viimeisin julkaisu sisältää kolme 10 metrin globaalia maa-alueiden peittokuviointituotetta, jotka perustuvat Sentinel-satelliitteihin: Google’n Dynamic World (DW) , Esri’n 2020 Land Cover  ja Euroopan avaruusjärjestön (ESA) World Cover 2020 (WC) . Spatiaalisen jakautumistiedon lisäksi tutkijat yrittävät myös liittää rakennuspikseleihin attribuuttitietoja, kuten rakennuskorkeuden . Esimerkiksi He  .  käyttivät monilähteistä kaukokartoitusdatan fuusiota luodakseen maailman ensimmäisen 30 metrin resoluution urbaanin kolmiulotteisen spatiaalisen ja ajallisen leviämisen tietojoukon, joka kattaa ajanjakson 1990–2010. Huolimatta spatiaalisen resoluution jatkuvasta parantumisesta, rasteripohjaiset rakennusten jakautumistiedot eivät vieläkään pysty kuvaamaan spatiaalisia objekteja , ja resoluution kasvattaminen lisää merkittävästi tallennus- ja laskentakustannuksia . 12 13 14 15 16 17 14 et al 7 18 12 Vektori muotoiset rakennusten jakautumistiedot, jotka tunnetaan myös vektoroiduina rakennusten kattorakenteiden piirroksina tai rakennusten pohjapiirroksina, ovat rakennuksen maan päälle heijastuneita ääriviivatietoja ylhäältä katsottuna , , jotka tarjoavat tietoja, kuten maantieteellisen sijainnin, rajojen spatiaalisen laajuuden ja yksittäisen rakennuksen pohjapiirroksen. Julkiset palveluntarjoajat (esim. Google Earth ja OpenStreetMap) tarjoavat avoimesti saatavilla olevia vektoroiduita rakennusten kattorakenteiden tietoja laajalla kattavuudella, nopeilla päivityksillä ja alhaisilla kustannuksilla , , . Vuonna 2022 Microsoft Corporation käytti syviä neuroverkkoihin perustuvia semanttisia segmentointimenetelmiä poimiakseen 777 miljoonan rakennuksen ääriviivat, joista osa sisälsi rakennuskorkeustietoja, perustuen Bing Mapsiin (mukaan lukien Maxar- ja Airbus-kuvastoa) vuosilta 2014–2021 kaikille mantereille Kiinan ulkopuolella. 30. toukokuuta 2023 Google julkaisi 1,8 miljardin rakennuksen ääriviivan tietojoukon, joka oli poimittu 0,5 metrin resoluution satelliittikuvista ja joka kattoi 58 miljoonan km² alueen. Vektoridatan matala redundanssi ja kompakti rakenne, joka esitetään pisteiden ja polkujen avulla, tarjoavat suuremman maantieteellisen tarkkuuden riippumatta verkon koosta, ja topologisten sääntöjen käyttöönotto parantaa edelleen vektoridatan eheyttä . 19 20 21 22 23 13 Kuvien resoluution kasvun ja datan hankintakustannusten laskun sekä erotusalgoritmien viimeaikaisen kehityksen ansiosta rakennusten jakautumistietojen resoluutio ja kattavuus paranevat jatkuvasti . Erittäin korkearesoluutioisten (VHR) kuvien käyttökelpoisuus on mahdollistanut rakennusten pohjapiirrosten erottamisen perinteisillä käsinluoduilla ominaisuuksiin perustuvilla menetelmillä  tai syväoppimispohjaisilla menetelmillä . Koska edellinen lähestymistapa kohtaa haasteita rakennusten ulkonäön ja kokojen monimuotoisuudessa sekä monimutkaisissa nyrkkisäännöissä ja kynnysarvojen määrityksessä, sen soveltaminen suuren mittakaavan korkearesoluutioisiin kaukokartoituskuviin on rajallista . Syväoppimispohjaiset menetelmät (esim. konvoluutioverkot) ovat osoittaneet tehokasta ja parempaa suorituskykyä korkean tason ja erottuvien piirteiden automaattisessa oppimisessa rakennuskohtausten segmentoinnissa. Sun  .  ehdottivat fuusiostrategiaa, joka perustuu rinnakkaisiin tukivektorikoneisiin, jotta voidaan hyödyntää täysin moniasteisten konvoluutioverkkojen rakenteista eri mittakaavoissa erotettuja syväpiirteitä, ja sillä on parempi suorituskyky monimutkaisten rakennusten erottamisessa kaupunkialueilla. Siitä huolimatta rakennuksia segmentoidessa mallin tarkkuus rajoittuu todennäköisemmin koulutusnäytteiden laatuun, mikä vaikeuttaa ekstrapolointia. Syvien mallien korkean tason semantiikan riittämätön käyttö ja matalan tason yksityiskohtien poisjättäminen, mikä johtaa reunojen epäselvyyteen ja pienten rakennusten poisjättämiseen, vaikeuttavat myös syväoppimisen soveltamista rakennusten pohjapiirrosten erottamisessa. 24 25 13 26 et al 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 huolimatta sen äärimmäisestä ilmastosta, kylmistä ja pitkistä talvista, suurista vuosi- ja päivälämpötilavaihteluista sekä huonoista sisätilojen lämpöolosuhteista. Vaikka tämä alue on Kiinan suurin ekologinen este , ihmisen toiminta on vaikuttanut merkittävästi sen haavoittuvaan ekoympäristöön . Tämä alue on myös erittäin altis katastrofeille, ja maanjäristykset, maanvyörymät, mutavyöryt, jäätikköjärvien purkaukset ja lumikatastrofit aiheuttavat kuolemantapauksia sekä omaisuusvahinkoja , , . Vastauksena tähän tarkat rakennusten jakautumistiedot ovat kriittisiä ihmisen aktiivisuuden jakautumisen mallintamiseksi yhdistettyyn ihmisen ja ympäristön tutkimukseen ,  sekä luonnonkatastrofien altistus- ja riskianalyysiin , . Lisäksi tällä alueella on pitkä auringonpaiste, runsaasti aurinkoenergiavaroja ja riittävästi aurinkoenergian keräyspinta-aloja, kuten kattorakenteita ja avoimia tiloja , . Korkearesoluutioiset maaseudun rakennusten jakautumistiedot voisivat tarjota luotettavan tietokannan aurinkosähköpotentiaalin arviointiin ja maaseutualueilla asuvien elinolojen tehokkaaseen parantamiseen , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kehittymättömänä alueena Qinghain–Tiibetin ylängöllä ja sen naapurialueilla ei edelleenkään ole täydellistä joukkoa korkean tarkkuuden vektoroiduista rakennusten kattorakenteiden tiedoista johtuen niiden laajasta alueesta, harvasta rakennusten jakautumisesta, syrjäisestä sijainnista ja resurssirajoituksista. Valmiimmat tiedot ovat Kiinan kansallisella tasolla tarjotut, kuten 2,5 metrin ruudukko China Building Rooftop Area (CBRA, Liu  ., 2023b) ja Kiinan ensimmäinen 1 metrin resoluution maankäyttökartta (SinoLC), joka sisältää rakennusluokkia . Nämä rasteritiedot eivät pysty kuvaamaan spatiaalisia objekteja ja vaativat suuria tallennusresursseja. Zhangin  .  julkaisemat Kiinan 90 suurkaupungin vektoroidut kattorakenteiden alueen tiedot täyttivät osittain tämän aukon; kuitenkin vain 14 kaupunkia Qinghain–Tiibetin ylängöllä sisältyi tähän tietojoukkoon, ja 2 miljoonan km² alueelle puuttuu edelleen vektoroidut rakennusten kattorakenteiden tiedot. et al 42 et al 13 Siksi tämä tutkimus pyrkii generoimaan vektoroidut rakennusten kattorakenteiden piirrokset Qinghain–Tiibetin ylängöstä ja sen naapurialueista yhdistämällä korkearesoluutioisen satelliittikuvaston ja syväoppimisalgoritmin. Tietojoukkamme validoitiin käyttämällä testinäytteitä, jotka koostuivat 250 × 1 km² ruudukosta eri alueilta, saavuttaen 91,92 % kokonaistarkkuuden ja 64,81 % F1-pisteet. Menetelmät Kehys Tässä tutkimuksessa käytimme rakennusten erotusalgoritmeja AI Earth -alustalta vektoroidun rakennusten kattorakenteiden tietojoukon generoimiseksi Qinghain–Tiibetin ylängölle ja sen naapurialueelle Kiinassa (kuva  ). Pääkomponentit kehyksessämme olivat: (1) satelliittidatan ja apuaineistojen valmistelu ja esikäsittely; (2) vektoroidun rakennusten kattorakenteiden erottaminen AI Earth -alustaa käyttämällä; (3) validointi manuaalisesti vektoroiduilla kattorakenteiden tiedoilla. 1    Rakennusten kattorakenteiden erotus- ja validointikehys. Tutkimusalue Tämä tutkimus keskittyi pääasiassa Qinghain–Tiibetin ylänköön ja sen naapurialueisiin lounais-Kiinassa toisen Tiibetin Plateau Scientific Expedition and Research Program -ohjelman yleisen kehyksen alla ; maantieteellisesti se sisältää Tiibetin autonomisen alueen, Qinghain maakunnat, läntisen Yunnanin maakunnan, läntisen Sichuanin maakunnan, lounaisen Gansun maakunnan ja eteläisen Xinjiangin autonomisen alueen. Tutkimusalueen keskimääräinen korkeus on 4000 metriä merenpinnan yläpuolella. Väestön ja rakennusten jakautumiseen tutkimusalueella vaikuttavat voimakkaasti korkeus ja ilmasto (kuva  ), ja se keskittyy pääasiassa itään linjasta Jilongin piirikunnasta Tiibetissä Qilianin piirikuntaan Qinghaissa ; idässä ne jakautuvat tiheästi tasankoalueille alueen itäreunalla, mukaan lukien Yunnanin maakunnan, läntisen Sichuanin maakunnan jokilaaksot ja Xining–Lanzhouin Keltaisen joen allas. Linjan länsipuolella tasangolla väestö ja rakennukset jakautuvat pääasiassa rajoitetuille viljely- ja paimentolaisalueille suurten jokilaaksojen varsille ja tieverkostojen varsille. 43 2 44    Tutkimusalue (väestötiedot LandScanista; DEM Resource and Environment Science and Data Centrestä). Satelliittikuvat Avoimesti saatavilla oleva korkearesoluutioinen satelliittikuvasto data saatiin Rivermap Co.:lta ( ), joka perustui Google Earthin satelliittikuvan ja ilmakuvan integraatioon. Niistä satelliittikuvasto tulee pääasiassa DigitalGlobelta kaupallisten satelliittien QuickBird ja WorldView avulla, ja ilmakuvaus on peräisin brittiläiseltä BlueSkyltä ja yhdysvaltalaiselta Sanbornilta . Jokaista sijaintia varten oli kokoelma useita kuvia, joiden resoluutio oli paikallisesti jopa 0,15 m. Tällainen dataintegraatio on ollut laajasti käytössä objektien tunnistuksessa monimutkaisissa kohteissa , , ,  ja sillä on potentiaalia suurikokoiseen korkearesoluutioiseen objektityyppien kartoitukseen . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Tutkimusalueemme kokonaispinta-ala on 3,06 miljoonaa km², ja satelliittikuvaston arvioitu koko on 29,4 Tt, ja sen spatiaalinen resoluutio on 0,6 m. Näiden mittakaavojen vuoksi tutkimusalueellemme luotiin 0,175° × 0,175° kalanruotoverkko pienempien pakettien lataamisen mahdollistamiseksi, ja koko tutkimusalueen kattamiseksi käytettiin yhteensä 10 033 kalanruotoa. Ladattujen kalanruotojen todellinen määrä oli pienempi, 5921, kahdesta syystä. Ensinnäkin, koska suuri osa tutkimusalueesta koostuu ei-asutuista alueista, joilla rakennuksia ei ole, jätimme mielivaltaisesti pois kalanruodut, joissa ei ollut yhtään rakennetun alueen pikseliä ESA:n World Cover -tuotteesta. Toiseksi, kaupungit/prefektuurit, joiden vektoroidut kattorakenteiden tiedot (eli Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong ja Yuxi) on jo haettu Kiinan 90 kaupungin vektoroidun kattorakenteiden alueen tiedoista , jätettiin myös pois. Kuvat ladattiin syyskuun 2022 ja tammikuun 2023 välisenä aikana, resoluutio oli 0,6 m, yhden ruudun koko oli noin 3 Gt ja kokonaiskoko 2,72 Tt. Ladatut kuvat olivat pääasiassa vuosilta 2019–2021, mutta joidenkin syrjäisten alueiden kuvat saattavat olla peräisin jo vuodelta 2001 (kuva  ). 13 3    Kalanruotoverkot kuvien lataamiseen ja kuvien ottoajankohtaan. Apuaineistot Apuaineistomme sisälsi korkearesoluutioisia maankäyttökarttoja, digitaalisen korkeusmallin (DEM), normalisoidun erotuskasvillisuusindeksin (NDVI) ja väestöjakautumistiedot myöhempää ryhmittelyanalyysiä varten näytteenottoa varten (taulukko  ). 1 Maa-alueiden peittokuviointia ja rakennettuja alueita varten hankittiin ESA:n World Cover -tuote Zanaga  . :ltä Zenodosta ( ). Tuote generoitiin Sentinel 1- ja Sentinel 2 -satelliittikuvien perusteella koko vuodelle 2020 ja otokselle 141 000 ainutlaatuista sijaintia ympäri maailmaa, koulutettuna satunnaismetsäalgoritmilla, edustamaan globaalia maankäyttöä vuonna 2020; sillä on etuna hienojakoisten maisemaelementtien (esim. rakennetut alueet ja monimutkaiset maatalousmaisemat) edustaminen, koska se huomioi suhteellisen pienen vähimmäiskartoitusyksikön . Tietojoukon "rakennettu" luokka viittaa rakennusten, teiden ja muiden ihmisen tekemien rakenteiden (esim. rautateiden) peittämään maahan, mutta ei kaupunkien viheralueita (esim. puistoja ja urheilukenttiä), kaatopaikkoja ja kaivoksia . et al 17 https://zenodo.org/records/5571936 51 17 1 kilometrin DEM-tiedot ja NDVI-tiedot hankittiin Kiinan tiedeakatemian resurssien ja ympäristötieteiden datakeskuksesta ( ). DEM-tiedot on uudelleennäytteistetty uusimmasta SRTM V4.1 -datasta ( ), ja NDVI-tiedot on mosaiikoitu SPOT/VEGETATION PROBA-V 1 km -tuotteiden perusteella ( ). Valitsimme vuoden 2021 NDVI-tiedot edustamaan kasvillisuutta Qinghain–Tiibetin ylängöllä ( ). Väestötiheystiedot hankittiin LandScan-tietokannasta ( ) 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/

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 kartoittaa 13 miljoonaa rakennusta yhdellä maailman syrjäisimmistä alueista.

About Author

KOMMENTIT

RIPUTA TAGSIA

TÄMÄ ARTIKKELI ESITETTIIN

Related Stories

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Meet Filestack: HackerNoon Company of the Week

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

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

Tee Q1 markkinointi lasketaan: keskittyä, suorittaa, toimittaa

Meet Filestack: HackerNoon Company of the Week

How Apex Fusion Achieved FINMA Qualification Without Compromising Decentralization

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps