
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Sažetak Veliki podaci o preciznoj distribuciji zgrada važan su temelj za regionalno urbanističko planiranje i istraživanje raspodjele resursa te istraživanje rizika od katastrofa. Qinghai-Tibetanska visoravan je treći pol svijeta. Iako je razumijevanje lokalnih interakcija čovjeka i okoliša na Qinghai-Tibetanoj visoravni kritično važno, to je otežano nedostatkom podataka o otiscima zgrada visoke rezolucije zbog goleme površine i udaljenosti područja. U ovoj studiji generirali smo prve vektorizirane otiske krovova zgrada Qinghai-Tibetske visoravni i njezinih okolnih područja korištenjem Googleovih slika visoke rezolucije i algoritma za ekstrakciju kontura zgrada s platforme AI Earth. Naši rezultati uključuju 13,09 milijuna zgrada koje pokrivaju 6092,7 km2, validiranih s ukupno 250 × 1 km2 testnih uzoraka. Podaci su imali ukupnu točnost od 87%, opoziv od 91,9% i F1 rezultat od 64,8%, čime se pruža napredan opis distribucije zgrada u studijskom području u usporedbi s CBRA-om. Naš rad ima ogroman potencijal u olakšavanju procjene izloženosti za studije rizika od katastrofa u ovom području. Pozadina i sažetak Pojavom digitalne ere povećala se potražnja za pouzdanim podacima o distribuciji i atributima zgrada , , . Podaci o distribuciji zgrada pružaju važne prostorne informacije ne samo o zgradama, već i o stanovništvu i fizičkoj imovini , služeći kao dobar pokazatelj ljudske aktivnosti. Posljednjih desetljeća podaci o distribuciji zgrada široko su se koristili u praćenju urbanog i ruralnog razvoja , , razumijevanju utjecaja urbanizacije na sigurnost hrane, bioraznolikost, klimatske promjene te dobrobit i zdravlje javnosti , , formuliranju strategija regionalnog razvoja i zaštiti urbanih i ruralnih ekosustava , , . 1 2 3 4 5 6 7 8 9 10 11 Napredak satelitskih i zračnih snimaka, zajedno s nedavnim napretkom u algoritmima strojnog učenja i dubokog učenja, potaknuo je dostupnost podataka o distribuciji zgrada , , . Podaci o distribuciji zgrada pruženi su u raster formatu kao dio podataka o korištenju/pokrovnosti zemljišta. Najnovije izdanje uključuje tri globalna proizvoda o korištenju/pokrovnosti zemljišta od 10 m temeljena na Sentinel satelitima, naime Googleov Dynamic World (DW) , Esrijev 2020 Land Cover  i World Cover 2020 (WC) Europske svemirske agencije (ESA) . Osim informacija o prostornoj distribuciji, istraživači također pokušavaju dodati informacije o atributima pikselima zgrada, poput visine zgrada . Na primjer, He  .  koristili su fuziju podataka daljinskog istraživanja iz više izvora za konstruiranje prvog svjetskog skupa podataka o trodimenzionalnom prostornom i vremenskom širenju urbanih područja rezolucije 30 m koji pokriva razdoblje od 1990. do 2010. godine. Unatoč kontinuiranom poboljšanju prostorne rezolucije, podaci o distribuciji zgrada temeljeni na rasteru još uvijek ne mogu opisati prostorne objekte , a povećanje rezolucije znatno povećava troškove pohrane i računanja . 12 13 14 15 16 17 14 et al 7 18 12 Podaci o distribuciji zgrada u vektorskom formatu, poznati i kao vektorizirani krovovi zgrada ili otisci zgrada, su podaci o vanjskom obrisu zgrade projicirani na tlo u pogledu iz zraka , , koji pružaju informacije poput zemljopisnog položaja, prostorne površine granica i otiska pojedine zgrade. Pružatelji javnih usluga (npr. Google Earth i OpenStreetMap) pružaju otvorene vektorizirane podatke o krovovima zgrada sa širokim pokrivanjem, brzim ažuriranjima i niskim troškovima , , . Godine 2022. Microsoft Corporation je koristio semantičku segmentaciju temeljenu na dubokim neuronskim mrežama za izdvajanje obrisa 777 milijuna zgrada, od kojih neke sadrže atribute visine zgrada, na temelju Bing Mapsa (uključujući Maxar i Airbus snimke) od 2014. do 2021. za svaki kontinent izvan Kine. Dana 30. svibnja 2023. Google je objavio skup podataka od 1,8 milijardi obrisa zgrada izdvojenih iz satelitskih snimaka visoke rezolucije od 0,5 m, koji pokrivaju površinu od 58 milijuna km2. Mala redundancija i kompaktna struktura vektorskih podataka predstavljenih vrhovima i putanjama pružaju veću zemljopisnu točnost neovisnu o veličini mreže, a uvođenje topoloških pravila dodatno poboljšava cjelovitost vektorskih podataka . 19 20 21 22 23 13 Zbog povećanja rezolucije snimaka i smanjenja troškova nabave podataka, zajedno s nedavnim napretkom u algoritmima ekstrakcije, rezolucija i pokrivenost podataka o distribuciji zgrada kontinuirano se poboljšavaju . Izvedivost slika vrlo visoke rezolucije (VHR) omogućila je izdvajanje otisaka zgrada primjenom tradicionalnih metoda temeljenih na ručno izrađenim značajkama  ili metoda temeljenih na dubokom učenju . Budući da prvi pristup nailazi na izazove raznolikosti izgleda i veličina zgrada, te složena pravila i postavljanje pragova, ograničen je kada se primjenjuje na slike daljinskog istraživanja velikih razmjera visoke rezolucije . Metode temeljene na dubokom učenju (npr. konvolucijske neuronske mreže) pokazale su učinkovitu i superiornu izvedbu u automatskom učenju visokorazinskih i diskriminativnih značajki u segmentaciji prizora zgrada. Sun  .  predložili su strategiju fuzije temeljenu na paralelnim potpornim vektorskim strojevima kako bi se u potpunosti iskoristile duboke značajke izdvojene iz konvolucijskih neuronskih mreža više ljestvica na različitim razinama, sa superiornom izvedbom u izdvajanju složenih zgrada u urbanim područjima. Ipak, pri segmentiranju zgrada, točnost modela je vjerojatnije ograničena kvalitetom uzoraka za treniranje, što otežava ekstrapolaciju. Nedovoljno korištenje visokorazinskih semantičkih podataka i izostavljanje niskorazinskih detalja u dubokim modelima, što rezultira zamućenim rubovima i izostavljanjem malih zgrada, također ometaju primjenu dubokog učenja u izdvajanju otisaka zgrada. 24 25 13 26 et al 27 Qinghai-Tibetanska visoravan je najviši dio svijeta, s prosječnom nadmorskom visinom od >4000 metara nadmorske visine, i pokriva površinu od 2,5 milijuna km2  . Više od 10 milijuna ljudi obitava na tom području unatoč ekstremnoj klimi, hladnim i dugim zimama, velikim godišnjim i dnevnim temperaturnim razlikama te lošim unutarnjim toplinskim uvjetima. Iako je ovo područje najveća ekološka barijera u Kini , ljudska aktivnost znatno je utjecala na njezin osjetljivi eko-okoliš . Ovo područje je također izuzetno sklono katastrofama, sa potresima, klizištima, blatozidima, izljevima glacijalnih jezera i snježnim katastrofama koje dovode do gubitaka života i imovine , , . Kao odgovor, točni podaci o distribuciji zgrada ključni su za modeliranje distribucije ljudske aktivnosti za studije o povezanosti čovjeka i okoliša , , kao i za analizu izloženosti i rizika od prirodnih katastrofa , . Osim toga, ovo područje ima duge sunčane sate, obilne resurse solarne energije i dovoljne površine za prikupljanje solarne energije poput krovova i otvorenih prostora , . Podaci o distribuciji ruralnih zgrada visoke rezolucije mogli bi pružiti pouzdanu bazu podataka za procjenu fotonaponskog potencijala i učinkovito poboljšanje životnog standarda onih koji žive u ruralnim područjima , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kao nerazvijeno područje, Qinghai-Tibetan Plateau i njegova susjedna područja još uvijek nemaju potpun skup visokopreciznih vektoriziranih podataka o krovovima zgrada, zbog njihove goleme površine, rijetke distribucije zgrada, udaljene lokacije i ograničenih resursa. Podaci spremni za upotrebu su oni koji su pruženi na nacionalnoj razini Kine, koji uključuju podatke o površini krovova zgrada u Kini od 2,5 m (CBRA, Liu  ., 2023b) i prvu nacionalnu kartu pokrovnosti zemljišta u Kini rezolucije 1 m (SinoLC) koja uključuje kategorije zgrada . Ovi rasterski podaci ne mogu karakterizirati prostorne objekte i zahtijevaju velike resurse za pohranu. Podaci o vektoriziranoj površini krovova za 90 velikih gradova u Kini koje je objavio Zhang  .  djelomično su popunili ovu prazninu; međutim, samo 14 gradova na Qinghai-Tibetskoj visoravni uključeno je u ovaj skup podataka, a podaci o vektoriziranim krovovima zgrada još uvijek nedostaju za površinu od 2 milijuna km2. et al 42 et al 13 Stoga, ova studija ima za cilj generirati vektorizirane otiske krovova zgrada Qinghai-Tibetske visoravni i njezinih susjednih regija integracijom satelitskih snimaka visoke rezolucije i algoritma dubokog učenja. Naš skup podataka validiran je korištenjem testnih uzoraka koji se sastoje od mreža od 250 × 1 km2 diljem različitih podregija, što je rezultiralo ukupnom točnošću od 91,92% i F1 rezultatom od 64,81%. Metode Okvir U ovoj studiji koristili smo algoritme za ekstrakciju zgrada s platforme AI Earth za generiranje vektoriziranog skupa podataka o krovovima zgrada za Qinghai-Tibetsku visoravan i njezinu susjednu regiju u Kini (Slika  ). Glavne komponente našeg okvira uključivale su: (1) pripremu i predobradu satelitskih podataka i pomoćnih podataka; (2) ekstrakciju vektoriziranih krovova zgrada pomoću platforme AI Earth; (3) validaciju pomoću ručno vektoriziranih podataka o krovovima. 1    Okvir za ekstrakciju i validaciju krovova zgrada. Područje istraživanja Ova studija uglavnom se fokusirala na Qinghai-Tibetsku visoravan i njezine susjedne regije u jugozapadnoj Kini pod općim okvirom druge znanstvene ekspedicije i istraživačkog programa Tibetske visoravni ; geografski, uključuje Tibetansku autonomnu regiju, provincije Qinghai, zapadnu pokrajinu Yunnan, zapadnu pokrajinu Sichuan, jugozapadnu pokrajinu Gansu i južnu autonomnu regiju Xinjiang. Prosječna nadmorska visina studijskog područja je 4000 m nadmorske visine. Distribucija stanovništva i zgrada u studijskom području uvelike je pod utjecajem nadmorske visine i klime (Slika  ), uglavnom se koncentrirajući istočno od linije od županije Jilong u Tibetu do županije Qilian u Qinghaiu ; na istoku, gusto se distribuiraju u ravničarskim područjima na istočnom rubu regije, uključujući riječne doline u pokrajini Yunnan, zapadnoj pokrajini Sichuan i basenu rijeke Yellow River Xining-Lanzhou. Na visoravni zapadno od linije, stanovništvo i zgrade uglavnom su raspoređeni s ograničenim poljoprivredno-stočarskim područjima duž glavnih riječnih dolina i duž koridora cestovnog prometa. 43 2 44    Područje istraživanja (podaci o stanovništvu su iz LandScana; DEM je iz Centra za podatke o resursima i okolišu). Satelitske snimke Besplatno dostupni satelitski snimci visoke rezolucije dobiveni su od tvrtke Rivermap Co. ( ), koji su dobiveni integracijom satelitskih snimaka i zračnih podataka Google Eartha. Među njima, satelitske snimke uglavnom potječu od komercijalnih satelita DigitalGlobeove tvrtke QuickBird i WorldView, a zračni snimci potječu od tvrtki BlueSky iz UK-a i Sanborn iz SAD-a . Za svaku lokaciju postojale su zbirke više snimaka s rezolucijama do 0,15 m u lokaliziranim područjima. Takva integracija podataka naširoko se koristi za prepoznavanje objekata u složenim scenama , , ,  i ima potencijal za mapiranje tipova objekata velikih razmjera visoke rezolucije . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Ukupna površina našeg studijskog područja je 3,06 milijuna km2, a procijenjena veličina podataka satelitskih snimaka je 29,4 TB, s prostornom rezolucijom od 0,6 m. Uzimajući u obzir ove razmjere, stvorene su mreže od 0,175° × 0,175° za naše studijsko područje kako bi se omogućilo pakiranje manjih veličina za preuzimanje, s ukupno 10.033 mreže korištene za pokrivanje cijelog studijskog područja. Stvarni broj preuzetih mreža bio je manji, 5921, iz dva razloga. Prvo, budući da veliki dio studijskog područja obuhvaća područja koja nisu stambena područja gdje nema zgrada, proizvoljno smo isključili mreže bez ikakvih piksela izgrađenih područja iz proizvoda ESA World Cover. Drugo, gradovi/prefekture čiji su vektorizirani podaci o krovovima (tj. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) bili dostupni u podacima o vektoriziranoj površini krovova za 90 gradova u Kini  također su bili isključeni. Snimke su preuzete tijekom rujna 2022. i siječnja 2023., s rezolucijom od 0,6 m, veličinom jednog kadra od cca. 3 GB i ukupnom veličinom od 2,72 TB. Preuzete snimke uglavnom su snimljene od 2019. do 2021., ali snimke nekih udaljenih područja možda su snimljene još 2001. (Slika  ). 13 3    Mreže za preuzimanje slika i vrijeme snimanja slika. Pomoćni podaci Naši pomoćni podaci uključivali su karte pokrovnosti zemljišta visoke rezolucije, digitalni model elevacije (DEM), indeks normalizirane razlike vegetacije (NDVI) i podatke o distribuciji stanovništva za naknadnu klustersku analizu u svrhu uzorkovanja (Tablica  ). 1 Za pokrovnost zemljišta i izgrađena područja, ESA-in World Cover proizvod tvrtke Zanaga  .  dobiven je sa Zenoda ( ). Proizvod je generiran na temelju satelitskih snimaka Sentinel 1 i Sentinel 2 za cijelu godinu 2020. i uzorka od 141.000 jedinstvenih lokacija raspoređenih diljem svijeta, treniranih algoritmom slučajnog šumara, kako bi se prikazala globalna pokrovnost zemljišta u 2020.; ima prednost u prikazu finih pejzažnih elemenata (npr. izgrađenih područja i složenih poljoprivrednih pejzaža), jer uzima u obzir relativno malu minimalnu jedinicu mapiranja . Kategorija "izgrađeno" u skupu podataka odnosi se na zemljište pokriveno zgradama, cestama i drugim umjetnim strukturama (npr. željeznicama), ali isključuje urbane zelene površine (npr. parkove i sportske objekte), odlagališta otpada i rudarska mjesta . et al 17 https://zenodo.org/records/5571936 51 17 DEM podaci od 1 km i NDVI podaci dobiveni su iz Centra za podatke o resursima i okolišu, Instituta za geoznanosti i resurse, Kineske akademije znanosti ( ). DEM podaci su ponovno uzorkovani iz najnovijih SRTM V4.1 podataka ( ), a NDVI podaci su mozaicirani na temelju SPOT/VEGETATION PROBA-V 1 km proizvoda ( ). Odabrali smo NDVI podatke za 2021. za prikaz vegetacije na Qinghai-Tibetskoj visoravni ( ). Podaci o gustoći stanovništva dobiveni su iz baze podataka LandScan ( ) za globalnu analizu vitalnih statistika koju je razvio Oak Ridge National Laboratory Odjela za energiju SAD-a i pružio East View Cartographic ( ); ti podaci su generirani kombinacijom geoznanosti, tehnologije daljinskog istraživanja i algoritama strojnog učenja, predstavljajući jednu od najtočnijih i najpouzdanijih globalnih baza podataka za analizu dinamike stanovništva temeljenu na zemljopisnoj lokaciji, s superiornom rezolucijom od 1 km . Koristili smo distribuciju stanovništva u 2021. za naknadnu klustersku analizu. 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 Predobrada podataka Distribucija stanovništva i zgrada je raštrkana za većinu našeg studijskog područja, s preko 99,5% studijskog područja kategorizirano kao neizgrađena područja prema ESA-inom World Cover proizvodu

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

Ovaj zvuk je proizveden na izvornom jeziku priče!

AI Mapira 13 Milijuna Zgrada u Jednoj od Najudaljenijih Regija na Svijetu

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps