```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Sažetak Veliki i precizni podaci o distribuciji zgrada važan su temelj za regionalno urbanističko planiranje i alokaciju resursa te istraživanje rizika od katastrofa. Qinghai-Tibetanska visoravan je treći pol svijeta. Iako je razumijevanje lokalnih interakcija čovjeka i okoliša na Qinghai-Tibetanskoj visoravni kritično važno, to je otežano nedostatkom podataka o otiscima zgrada visoke rezolucije zbog prostranosti i udaljenosti tog područja. U ovom istraživanju generirali smo prve vektorizirane otiske krovova zgrada na Qinghai-Tibetanskoj visoravni i njenim okolnim područjima koristeći Google slike visoke rezolucije i algoritam za ekstrakciju kontura zgrada platforme AI Earth. Naši rezultati uključuju 13,09 milijuna zgrada koje pokrivaju 6092,7 km2, potvrđeno s ukupno 250 x 1 km2 testnih uzoraka. Podaci su imali ukupnu točnost od 87%, opoziv od 91,9% i F1 rezultat od 64,8%, čime su pružili napredan opis distribucije zgrada u studijskom području u usporedbi s CBRA. 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 javno blagostanje i zdravlje , , formuliranju strategija regionalnog razvoja te 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 strojno 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 za korištenje/pokrovnost zemljišta od 10 m temeljena na Sentinel satelitima, naime Googleov Dynamic World (DW) , Esrijev World Cover 2020 (WC) Europske svemirske agencije (ESA) . Osim prostornih informacija o distribuciji, istraživači također pokušavaju pridružiti informacije o atributima pikselima zgrada, kao što je visina zgrade . Na primjer, He  .  koristili su fuziju podataka daljinskog istraživanja iz više izvora za konstruiranje prve svjetske 30-metarske globalne trodimenzionalne prostorne i vremenske dataset-ove urbanog širenja 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 uvelike povećava troškove pohrane i računanja . 12 13 14 15 17 14 et al 7 18 12 Podaci o distribuciji zgrada u vektorskom formatu, također poznati kao vektorizirani krovovi zgrada ili otisci zgrada, su podatci o obrisima zgrade projicirani na tlo iz ptičje perspektive , , koji pružaju informacije kao što su geografska lokacija, prostorni opseg granica i otisak pojedinačne zgrade. Pružatelji javnih usluga (npr. Google Earth i OpenStreetMap) pružaju otvorene vektorizirane podatke o krovovima zgrada sa širokim pokrivanjem, brzim ažuriranjima i niskom cijenom , , . U 2022. godini Microsoft Corporation koristio je semantičku segmentaciju temeljenu na dubokoj neuralnoj mreži za izdvajanje obrisa 777 milijuna zgrada, od kojih neke sadrže atribute visine zgrade, na temelju Bing Maps (uključujući Maxar i Airbus snimke) od 2014. do 2021. za svaki kontinent izvan Kine. Dana 30. svibnja 2023. Google je objavio dataset od 1,8 milijardi otisaka zgrada izdvojenih iz satelitskih snimaka visoke rezolucije od 0,5 m, koji pokrivaju površinu od 58 milijuna km2. Niska redundantnost i kompaktna struktura vektorskih podataka predstavljenih vrhovima i putanjama pružaju veću geografsku 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 stjecanja 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 ekstrakciju otisaka zgrada primjenom tradicionalnih metoda temeljenih na ručno izrađenim značajkama  ili metoda temeljenih na dubokom učenju . Budući da se prva metoda suočava s izazovom raznolikosti izgleda i veličina zgrada, te složenih pravila i postavljanja pragova, ograničena je pri primjeni na slike daljinskog istraživanja velikih razmjera visoke rezolucije . Metode temeljene na dubokom učenju (npr. konvolucijske neuralne mreže) pokazale su učinkovite i superiorne performanse u automatskom učenju visokorazinskih i diskriminatornih značajki u segmentaciji prizora zgrada. Sun  .  predložili su strategiju fuzije temeljenu na paralelnim potpornim vektorskim strojevima za potpunu upotrebu dubokih značajki izdvojenih iz konvolucijskih neuralnih mrežnih struktura u više razmjera na različitim razinama, sa superiornim performansama u ekstrakciji složenih zgrada u urbanim područjima. Ipak, pri segmentaciji zgrada, točnost modela vjerojatnije je ograničena kvalitetom trening uzoraka, što otežava ekstrapolaciju. Nedovoljna upotreba visokorazinskih semantika i izostavljanje niskorazinskih detalja u dubokim modelima, što rezultira zamućenjem rubova i izostavljanjem malih zgrada, također ometaju primjenu dubokog učenja u ekstrakciji otisaka zgrada. 24 25 13 26 et al 27 Područje Qinghai-Tibetanske visoravni 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 termalnim okruženjima. Iako je ovo područje najveća ekološka barijera u Kini , ljudska aktivnost znatno je utjecala na njegov osjetljivi eko-okoliš . Ovo područje je također izuzetno sklono katastrofama, s potresima, klizištima, bujičnim poplavama, poplavama iz ledenjačkih 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, obilje resursa solarne energije i dovoljno površina za prikupljanje solarne energije kao što su krovovi i otvoreni prostori , . Podaci o distribuciji ruralnih zgrada visoke rezolucije mogli bi pružiti pouzdanu bazu podataka za procjenu potencijala fotonaponskih sustava 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-Tibetanska visoravan i njena susjedna područja još uvijek nemaju potpuni skup visokopreciznih vektoriziranih podataka o krovovima zgrada, zbog njihovog ogromnog područja, rijetke distribucije zgrada, udaljene lokacije i ograničenih resursa. Najspremniji za korištenje podaci su oni pruženi na nacionalnoj razini Kine, koji uključuju podatke o površini krovova zgrada Kine s mrežom od 2,5 m (CBRA, Liu  ., 2023b) i prvi nacionalni zemljovid pokrovnosti zemljišta Kine rezolucije 1 m (SinoLC) koji uključuje kategorije zgrada . Ovi raster podaci ne mogu karakterizirati prostorne objekte i zahtijevaju velike resurse za pohranu. Vektorizirani podaci o površini krovova za 90 velikih gradova u Kini koje je objavio Zhang  .  djelomično su popunili ovu prazninu; međutim, samo je 14 gradova na Qinghai-Tibetanskoj visoravni uključeno u ovaj dataset, a vektorizirani podaci o krovovima zgrada i dalje nedostaju za područje od 2 milijuna km2. et al 42 et al 13 Stoga, ovo istraživanje ima za cilj generirati vektorizirane otiske krovova zgrada Qinghai-Tibetanske visoravni i njenih susjednih regija uključivanjem satelitskih snimaka visoke rezolucije i algoritma dubokog učenja. Naš dataset je validiran korištenjem testnih uzoraka koji se sastoje od mreža od 250 x 1 km2 diljem različitih podregija, što je rezultiralo ukupnom točnošću od 91,92% i F1 rezultatom od 64,81%. Metode Okvir U ovom istraživanju, koristili smo algoritme ekstrakcije zgrada s platforme AI Earth za generiranje vektoriziranog dataset-a krovova zgrada za Qinghai-Tibetansku visoravan i njenu susjednu regiju u Kini (Slika  ). Glavne komponente našeg okvira uključivale su: (1) pripremu i predobradu satelitskih podataka i pomoćnih podataka; (2) vektoriziranu ekstrakciju krovova zgrada pomoću platforme AI Earth; (3) validaciju pomoću ručno vektoriziranih podataka o krovovima. 1    Okvir za ekstrakciju i validaciju krovova zgrada. Područje studije Ova studija se uglavnom fokusirala na Qinghai-Tibetansku visoravan i njene susjedne regije u jugozapadnoj Kini pod općim okvirom druge znanstvene ekspedicije i istraživačkog programa na Tibetskom platou ; geografski, uključuje Tibetsku autonomnu regiju, provinciju Qinghai, zapadnu provinciju Yunnan, zapadnu provinciju Sichuan, jugozapadnu provinciju 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 okruga Jilong u Tibetu do okruga Qilian u Qinghaiu ; na istoku, gusto su raspoređeni u ravničarskim područjima na istočnom rubu regije, uključujući riječne doline u provinciji Yunnan, zapadnoj provinciji Sichuan i slivu rijeke Huang He Xining-Lanzhou. Na visoravni zapadno od linije, stanovništvo i zgrade su uglavnom raspoređeni s ograničenim poljoprivredno-stočarskim područjima duž glavnih riječnih dolina i duž koridora cestovnog prometa. 43 2 44    Područje studije (podaci o stanovništvu su iz LandScan; DEM je iz Centra za znanost i podatke o resursima i okolišu). Satelitske snimke Besplatno dostupni satelitski snimci visoke rezolucije dobiveni su od Rivermap Co. ( ), koji su dobiveni integracijom satelitskih snimaka i zračnih podataka Google Earth-a. Među njima, satelitski snimci uglavnom potječu od komercijalnih satelita DigitalGlobe QuickBird i WorldView, a zračni snimci potječu od BlueSky u Velikoj Britaniji i Sanborn u SAD-u . Za svaku lokaciju postojale su zbirke višestrukih snimaka s rezolucijama do 0,15 m u lokaliziranim područjima. Takva integracija podataka široko je korištena za prepoznavanje objekata u složenim scenama , , ,  i ima potencijal za mapiranje 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. S obzirom na ove razmjere, stvorene su mreže od 0,175° x 0,175° za naše studijsko područje kako bi se omogućili paketi manje veličine 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 naseljena ljudima gdje zgrade ne postoje, arbitražno smo isključili mreže bez ikakvih piksela izgrađenog područja iz proizvoda ESA World Cover. Drugo, isključeni su i gradovi/prefekture čiji su vektorizirani podaci o krovovima (tj. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) preuzeti u podacima o vektoriziranoj površini krovova za 90 gradova u Kini . Snimke su preuzete između rujna 2022. i siječnja 2023., s rezolucijom od 0,6 m, veličinom jednog kadra od ca. 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 već 2001. (Slika  ). 13 3    Mreže za preuzimanje slika i vrijeme snimanja. 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 radi uzorkovanja (Tablica  ). 1 Za pokrovnost zemljišta i izgrađeno područje, 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 2020. godinu i uzorak od 141.000 jedinstvenih lokacija raspoređenih diljem svijeta, treniran s algoritmom slučajne šume, kako bi se predstavila globalna pokrovnost zemljišta u 2020.; ima prednost u predstavljanju sitnih krajobraznih elemenata (npr. izgrađena područja i složeni poljoprivredni krajolici), jer uzima u obzir relativno malu minimalnu jedinicu mapiranja . Kategorija "izgrađeno" u datasetu odnosi se na zemljište pokriveno zgradama, cestama i drugim umjetnim strukturama (npr. željezničke pruge), 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 rezolucije 1 km i NDVI podaci dobiveni su iz Centra za znanost i podatke o resursima i okolišu, Instituta za geoznanost i resurse Kineske akademije znanosti ( ). DEM podaci su preoblikovani iz najnovijih SRTM V4.1 podataka ( ), a NDVI podaci su mozaici temeljeni na SPOT/VEGETATION PROBA-V proizvodima rezolucije 1 km ( ). Odabrali smo NDVI podatke iz 2021. za predstavljanje vegetacije na Qinghai-Tibetanskoj visoravni ( ). Podaci o gustoći stanovništva dobiveni su iz baze podataka LandScan ( ) za globalnu analizu vitalnih statistika koju je razvio Oak Ridge National Laboratory Ministarstva energetike SAD-a i osigurao East View Cartographic ( ); ovi podaci generirani su kombiniranjem geoznanosti, tehnologije daljinskog istraživanja i algoritama strojnog učenja, predstavljajući jednu od najtočnijih i najpouzdanijih globalnih baza podataka za analizu dinamičke statistike stanovništva temeljenu na geografskoj lokaciji, s superiornom rezolucijom od 1 km . Koristili smo distribuciju stanovništva iz 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 raspršena za većinu našeg studijskog područja, s preko 99,5% studijskog područja klasificiranim kao neizgrađena područja prema proizvodu ESA World Cover . Kako bismo ubrzali našu ekstrakciju, prvo smo generirali maske potencijalnih područja distribucije zgrada za 17

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