
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autores: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Resumo Os dados de distribuição de edifícios de alta precisão em larga escala são uma base importante para o planejamento urbano regional, alocação de recursos e pesquisa de risco de desastres. O Planalto Qinghai-Tibete é o terceiro polo do mundo. Embora a compreensão das interações humano-ambiente locais no Planalto Qinghai-Tibete seja fundamental, isso tem sido dificultado pela falta de dados de pegadas de edifícios de alta resolução devido à vastidão e ao isolamento da área. Neste estudo, geramos as primeiras pegadas de telhados de edifícios vetorizados do Planalto Qinghai-Tibete e suas áreas vizinhas, utilizando imagens de alta resolução do Google e o algoritmo de extração de contornos de edifícios da plataforma AI Earth. Nossos resultados incluem 13,09 milhões de edifícios cobrindo 6092,7 km², validados com um total de amostras de teste de 250 × 1 km². Os dados tiveram uma precisão geral de 87%, um recall de 91,9% e uma pontuação F1 de 64,8%, fornecendo assim uma descrição avançada da distribuição de edifícios da área de estudo em comparação com o CBRA. Nosso trabalho tem um potencial imenso em facilitar a avaliação de exposição para estudos de risco de desastres nesta área. Fundo e Resumo O advento da era digital aumentou a demanda por dados confiáveis sobre distribuição e atributos de edifícios , , . Os dados de distribuição de edifícios fornecem informações espaciais importantes não apenas de edifícios, mas também de população e ativos físicos , servindo como um bom indicador da atividade humana. Nas últimas décadas, os dados de distribuição de edifícios têm sido amplamente utilizados no monitoramento do desenvolvimento urbano e rural , , na compreensão dos impactos da urbanização na segurança alimentar, biodiversidade, mudanças climáticas e bem-estar e saúde pública , , na formulação de estratégias de desenvolvimento regional e na proteção de ecossistemas urbanos e rurais , , . 1 2 3 4 5 6 7 8 9 10 11 O avanço de imagens baseadas em satélite e aéreas, juntamente com o progresso recente em algoritmos de aprendizado de máquina e aprendizado profundo, impulsionou a disponibilidade de dados de distribuição de edifícios , , . Dados de distribuição de edifícios foram fornecidos em formato raster como parte de dados de uso/cobertura do solo. O lançamento mais recente inclui três produtos globais de uso/cobertura do solo de 10m baseados em satélites Sentinel, a saber, Dynamic World (DW) do Google , Esri’s 2020 Land Cover , e World Cover 2020 (WC) da Agência Espacial Europeia (ESA) . Além de informações de distribuição espacial, os pesquisadores também estão tentando anexar informações de atributos a pixels de edifícios, como altura de edifícios . Por exemplo, He et al.  usaram fusão de dados de sensoriamento remoto de multissensorial para construir o primeiro conjunto de dados de expansão espacial e temporal urbana em resolução de 30m do mundo, cobrindo o período de 1990 a 2010. Apesar da melhoria contínua da resolução espacial, os dados de distribuição de edifícios baseados em raster ainda não conseguem descrever objetos espaciais , e o aumento da resolução aumenta consideravelmente os custos de armazenamento e computação . 12 13 14 15 16 17 14 7 18 12 Dados de distribuição de edifícios em formato vetorial, também conhecidos como telhados de edifícios vetorizados ou pegadas de edifícios, são os contornos de um edifício projetados no solo em vista aérea , , que fornecem informações como a localização geográfica, a extensão espacial dos limites e a pegada de um único edifício. Provedores de serviços públicos (por exemplo, Google Earth e OpenStreetMap) fornecem dados de telhados de edifícios vetorizados de acesso aberto com ampla cobertura, atualizações rápidas e baixo custo , , . Em 2022, a Microsoft Corporation utilizou segmentação semântica baseada em redes neurais profundas para extrair os contornos de 777 milhões de edifícios, alguns dos quais contendo atributos de altura de edifícios, com base no Bing Maps (incluindo imagens Maxar e Airbus) de 2014 a 2021 para todos os continentes fora da China. Em 30 de maio de 2023, o Google lançou um conjunto de dados de 1,8 bilhão de contornos de edifícios extraídos de imagens de satélite de alta resolução de 0,5 m, cobrindo uma área de 58 milhões de km². A baixa redundância e a estrutura compacta de dados vetoriais representados por vértices e caminhos fornecem maior precisão geográfica independente do tamanho da malha, e a introdução de regras topológicas melhora ainda mais a integridade dos dados vetoriais . 19 20 21 22 23 13 Devido ao aumento da resolução de imagens e à diminuição dos custos de aquisição de dados, juntamente com o progresso recente em algoritmos de extração, a resolução e a cobertura dos dados de distribuição de edifícios estão em constante melhoria . A viabilidade de imagens de altíssima resolução (VHR) permitiu a extração de pegadas de edifícios pela aplicação de métodos tradicionais baseados em características feitas à mão  ou métodos baseados em aprendizado profundo . Como a primeira abordagem enfrenta o desafio da diversidade de aparências e tamanhos de edifícios, e regras práticas e configurações de limiar complexas, ela é limitada quando aplicada a imagens de sensoriamento remoto de alta resolução em larga escala . Métodos baseados em aprendizado profundo (por exemplo, redes neurais convolucionais) têm demonstrado desempenho eficaz e superior no aprendizado automático de características de alto nível e discriminatórias na segmentação de cenas de edifícios. Sun et al.  propuseram uma estratégia de fusão baseada em máquinas de vetores de suporte paralelas para utilizar totalmente características profundas extraídas de estruturas de redes neurais convolucionais multiescala em diferentes escalas, com desempenho superior na extração de edifícios complexos em áreas urbanas. No entanto, ao segmentar edifícios, a precisão do modelo é mais provável de ser limitada pela qualidade das amostras de treinamento, dificultando a extrapolação. O uso insuficiente de semânticas de alto nível e a omissão de detalhes de baixo nível em modelos profundos, resultando em bordas borradas e omissões de edifícios pequenos, também dificultam a aplicação do aprendizado profundo na extração de pegadas de edifícios. 24 25 13 26 27 A região do Planalto Qinghai-Tibete é a área mais elevada do mundo, com uma elevação média de >4000 metros acima do nível do mar, e cobre uma área de 2,5 milhões de km²  . Mais de 10 milhões de pessoas habitam a região, apesar de seu clima extremo, invernos frios e longos, grandes diferenças de temperatura anuais e diurnas, e ambientes térmicos internos inadequados. Embora esta região seja a maior barreira ecológica da China , a atividade humana impactou consideravelmente seu ecossistema vulnerável . Esta região também é extremamente propensa a desastres, com terremotos, deslizamentos de terra, fluxos de detritos, inundações por rompimento de lagos glaciais e desastres de neve causando perdas de vidas e propriedades , , . Em resposta, dados precisos de distribuição de edifícios são cruciais para modelar a distribuição da atividade humana para estudos humano-ambientais acoplados , , bem como para análise de exposição e risco para desastres naturais , . Além disso, esta região tem longas horas de sol, abundantes recursos de energia solar e superfícies suficientes para coleta de energia solar, como telhados e espaços abertos , . Dados de distribuição de edifícios rurais de alta resolução poderiam fornecer um banco de dados confiável para avaliar o potencial fotovoltaico e melhorar eficientemente o padrão de vida daqueles que vivem em áreas rurais , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Como uma região subdesenvolvida, o Planalto Qinghai-Tibete e suas áreas vizinhas ainda não possuem um conjunto completo de dados de telhados de edifícios vetorizados de alta precisão, devido à sua vasta área, distribuição esparsa de edifícios, localização remota e restrições de recursos. Os dados mais prontos para uso são os fornecidos na escala nacional da China, que incluem os dados da Área de Telhados de Edifícios da China (CBRA) em grade de 2,5 m (Liu et al., 2023b) e o primeiro mapa nacional de cobertura do solo da China com resolução de 1 m (SinoLC) que inclui categorias de edifícios . Esses dados raster são incapazes de caracterizar objetos espaciais e requerem grandes recursos de armazenamento. Os dados da área de telhados vetorizados de 90 grandes cidades da China lançados por Zhang et al.  preencheram parcialmente essa lacuna; no entanto, apenas 14 cidades no Planalto Qinghai-Tibete foram incluídas neste conjunto de dados, e dados de telhados de edifícios vetorizados ainda estão ausentes para uma área de 2 milhões de km². 42 13 Portanto, este estudo visa gerar pegadas de telhados de edifícios vetorizados do Planalto Qinghai-Tibete e suas regiões vizinhas, incorporando imagens de satélite de alta resolução e algoritmo de aprendizado profundo. Nosso conjunto de dados foi validado usando amostras de teste compostas por grades de 250 × 1 km² em várias sub-regiões, resultando em uma precisão geral de 91,92% e uma pontuação F1 de 64,81%. Métodos Estrutura Neste estudo, utilizamos algoritmos de extração de edifícios da plataforma AI Earth para gerar um conjunto de dados de telhados de edifícios vetorizados para o Planalto Qinghai-Tibete e sua região vizinha na China (Fig. 1). Os principais componentes de nossa estrutura incluíram: (1) preparação e pré-processamento de dados de satélite e dados auxiliares; (2) extração de telhados de edifícios vetorizados usando a plataforma AI Earth; (3) validação usando dados de telhados vetorizados manualmente.    A estrutura para extração e validação de telhados de edifícios. Área de Estudo Este estudo focou principalmente no Planalto Qinghai-Tibete e suas regiões vizinhas no sudoeste da China sob a estrutura geral da segunda Expedição e Programa de Pesquisa Científica do Planalto Tibetano ; geograficamente, inclui a Região Autônoma do Tibete, as Províncias de Qinghai, a Província de Yunnan ocidental, a Província de Sichuan ocidental, a Província de Gansu sudoeste e a Região Autônoma de Xinjiang sul. A elevação média da área de estudo é de 4000 m acima do nível do mar. A distribuição da população e dos edifícios na área de estudo é altamente influenciada pela elevação e pelo clima (Fig. 2), concentrando-se principalmente a leste da linha de Jilong County, no Tibete, até Qilian County, em Qinghai ; a leste, distribuem-se densamente nas áreas planas na borda leste da região, incluindo os vales fluviais na Província de Yunnan, Província de Sichuan ocidental e a Bacia do Rio Amarelo Xining-Lanzhou. Na superfície do planalto a oeste da linha, população e edifícios são distribuídos principalmente com áreas agro-pastoris limitadas ao longo dos principais vales fluviais e ao longo de corredores de tráfego rodoviário. 43 44    Área de estudo (dados populacionais de LandScan; DEM do Centro de Dados de Ciência e Ambiente de Recursos). Imagens de Satélite Dados de imagem de satélite de alta resolução de acesso aberto foram obtidos da Rivermap Co. (http://www.rivermap.cn/index.html), que foram obtidos da integração do Google Earth de imagens de satélite e dados aéreos. Entre eles, as imagens de satélite vêm principalmente dos satélites comerciais QuickBird e WorldView da DigitalGlobe, e a fotografia aérea é proveniente da BlueSky no Reino Unido e da Sanborn nos EUA . Para cada local, houve coleções de várias imagens com resoluções de até 0,15 m em áreas localizadas. Tal integração de dados tem sido amplamente utilizada para reconhecimento de objetos em cenas complexas , , ,  e tem o potencial para mapeamento em larga escala e alta resolução de tipos de objetos . 45 46 47 48 49 50 A área total de nossa área de estudo é de 3,06 milhões de km², e o tamanho estimado dos dados de imagem de satélite é de 29,4 TB, com uma resolução espacial de 0,6 m. Considerando essas escalas, foram criadas redes de 0,175° × 0,175° para nossa área de estudo, a fim de permitir pacotes de menor tamanho para download, com um total de 10.033 redes utilizadas para cobrir toda a área de estudo. O número real de redes baixadas foi menor, 5921, por dois motivos. Primeiro, como uma grande parte da área de estudo compreende áreas residenciais não humanas onde não existem edifícios, excluímos arbitrariamente redes sem pixels de área construída do produto World Cover da ESA. Segundo, cidades/prefeituras cujos dados de telhados vetorizados (ou seja, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong e Yuxi) foram recuperados nos dados da área de telhados vetorizados de 90 cidades da China  também foram excluídas. As imagens foram baixadas entre setembro de 2022 e janeiro de 2023, com resolução de 0,6 m, tamanho de quadro único de aprox. 3 GB e um tamanho total de 2,72 TB. As imagens baixadas foram principalmente tiradas de 2019 a 2021, mas imagens de algumas áreas remotas podem ter sido tiradas já em 2001 (Fig. 3). 13    Redes para download de imagens e tempo de disparo das imagens. Dados Auxiliares Nossos dados auxiliares incluíram mapas de cobertura do solo de alta resolução, modelo digital de elevação (DEM), índice de diferença normalizada de vegetação (NDVI) e dados de distribuição populacional para análise de cluster subsequente, com o objetivo de amostragem (Tabela 1). Para cobertura do solo e área construída, o produto World Cover da ESA de Zanaga et al.  foi obtido em Zenodo (https://zenodo.org/records/5571936). O produto foi gerado com base em imagens de satélite Sentinel 1 e Sentinel 2 para o ano inteiro de 2020 e uma amostra de 141.000 locais únicos distribuídos ao redor do mundo, treinados com o algoritmo random forest, para representar a cobertura global do solo em 2020; ele tem uma vantagem em representar elementos de paisagem de escala fina (por exemplo, áreas construídas e paisagens agrícolas complexas), pois considera uma unidade de mapeamento mínima relativamente pequena . A categoria “construída” no conjunto de dados refere-se a terra coberta por edifícios, estradas e outras estruturas feitas pelo homem (por exemplo, ferrovias), mas excluindo espaços verdes urbanos (por exemplo, parques e instalações esportivas), depósitos de aterro e locais de mineração . 17 51 17 Os dados DEM de 1 km e os dados NDVI foram obtidos do Centro de Dados de Ciência e Ambiente de Recursos, Instituto de Geociências e Recursos, Academia Chinesa de Ciências (https://www.resdc.cn/Default.aspx). Os dados DEM são reamostrados dos dados mais recentes SRTM V4.1 (https://www.resdc.cn/data.aspx?DATAID=123), e os dados NDVI são mosaicos baseados em produtos PROBA-V 1-km da SPOT/VEGETATION (http://www.vito-eodata.be). Escolhemos os dados NDVI de 2021 para representar a vegetação no Planalto Qinghai-Tibete (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Dados de densidade populacional foram obtidos do banco de dados LandScan (https://landscan.ornl.gov/) para análise estatística vital global desenvolvida pelo Laboratório Nacional de Oak Ridge do Departamento de Energia dos EUA e fornecidos pela East View Cartographic (https://geospatial.com/); esses dados são gerados combinando ciência geoespacial, tecnologia de sensoriamento remoto e algoritmos de aprendizado de máquina, representando um dos bancos de dados de análise estatística de dinâmica populacional global mais precisos e confiáveis com base na localização geográfica, com resolução superior a 1 km . Utilizamos a distribuição populacional em 2021 para análise de cluster subsequente. 52 Pré-processamento de dados A distribuição da população e dos edifícios é dispersa para a maior parte de nossa área de estudo, com mais de 99,5% da área de estudo categorizada como áreas não construídas de acordo com o produto World Cover da ESA . Para agilizar nossa extração, máscaras de área potencial de distribuição de edifícios foram primeiro geradas para cada rede de 0,175° × 0,175° antes da extração. Com base na categoria “Construída” nos dados do World Cover, uma zona de amortecimento de 1 km ao redor de cada pixel de área construída foi gerada como a área potencial de distribuição de edifícios. Após testar várias larguras de zona de amortecimento, descobrimos que uma largura de 1 km poderia acomodar 96% dos pixels de edifícios relatados nos produtos CBRA de 2020. A máscara nos permitiu excluir 86% da área total das imagens baixadas, economizando assim um tempo computacional considerável. Analisamos o buffer usando uma sobreposição com as redes geradas para excluir redes que não continham edifícios. As imagens foram então cortadas novamente com buffers, e o algoritmo de extração de edifícios foi aplicado às imagens cortadas. 17 Extração de Telhados de Edifícios Vetorizados O algoritmo de extração de telhados de edifícios vetorizados utilizado neste estudo é da plataforma AliCloud AI Earth (https://engine-aiearth.aliyun.com/#/), que combina um método de segmentação baseado em aprendizado profundo com um método de segmentação baseado em bacia hidrográfica para construir uma estrutura de segmentação de instância de edifícios - decodificador duplo para segmentação de bacia hidrográfica. Este algoritmo adiciona uma tarefa de segmentação de limites à tarefa de segmentação semântica, e utiliza o algoritmo de bacia hidrográfica para pré-processar os resultados de previsão das duas tarefas durante a previsão, obtendo o resultado final de extração de edifícios. A rede neural PointRend proposta por Kirillov et al.  é usada primeiro , que trata a segmentação de imagens como um problema de renderização e emprega um algoritmo de segmentação iterativo que amostra seletivamente pontos não uniformes para segmentação precisa, pois pontos semente mais estáveis e precisos aprendidos pela rede neural podem fornecer modelos de segmentação semântica finamente ajustados para estruturas e características chave do edifício. Subsequentemente, uma segmentação flexível de bacia hidrográfica é usada para pós-processamento , , que é capaz de se adaptar a objetos com diferentes morfologias e características. O algoritmo atinge uma precisão de contagem de >90% e uma precisão de estimativa de área de >85% em testes de validação baseados em amostras vetorizadas manualmente em diferentes regiões da China, ganhando o segundo lugar na competição de segmentação de edifícios em imagens SAR em todas as condições climáticas SpaceNet6. Comparado ao Mask Region-CNN, o algoritmo melhora a precisão média em 11 pontos percentuais . 53 53 54 55 56 Registros de Dados O algoritmo de extração de telhados de edifícios vetorizados usado neste estudo pode ser chamado na plataforma AI Earth (https://engine-aiearth.aliyun.com/#/). Nosso conjunto de dados está disponível no National Tibetan Plateau Data Centre, que pode ser acessado em https://doi.org/10.11888/RemoteSen.tpdc.301170 . Todos os dados são obtidos usando o sistema de coordenadas GCS_WGS_1984 e empacotados em arquivos .rar (Tabela 2). Os dados gerados de contorno de ed 57

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

Odyo sa a pwodui nan lang orijinal istwa a!

AI a katye ape Anamizi 13 Milyon Bilding Nan Youn Nan Rejyon Ki Pi Lwen Nan Mond Lan

About Author

KÒMANtè

KANDYE TAGS

ATIK SA A TE PREZANTE NAN

Related Stories

2022 Noonies Nominee Veronika Vasileva on Programming, Python, and More

STOP: In the name of the brand police!

Women in Cybersecurity with SheSec Pakistan on The HackerNoon Podcast

HackerNoon Contributor Nikita Vasilev on Programming, Python, and More

2022 Noonies Nominee Veronika Vasileva on Programming, Python, and More

STOP: In the name of the brand police!

Women in Cybersecurity with SheSec Pakistan on The HackerNoon Podcast

HackerNoon Contributor Nikita Vasilev on Programming, Python, and More

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps