AI katye 13 milyon kay kay nan youn nan rejyon ki pi byen lwen nan mond lan

Autores: Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Resumen Los datos de distribución de edificios a gran escala y de alta precisión son una base importante para la planificación urbana regional, la asignación de recursos y la investigación de riesgos de desastres. La meseta de Qinghai-Tíbet es el tercer polo del mundo. Aunque la comprensión de las interacciones locales entre humanos y el medio ambiente en la meseta de Qinghai-Tíbet es de vital importancia, esto se ha visto obstaculizado por la falta de datos de huellas de edificios de alta resolución debido a la vastedad y lejanía del área. En este estudio, generamos las primeras huellas vectorizadas de tejados de edificios de la meseta de Qinghai-Tíbet y sus áreas circundantes utilizando imágenes de alta resolución de Google y el algoritmo de extracción de contornos de edificios de la plataforma AI Earth. Nuestros resultados incluyen 13,09 millones de edificios que cubren 6092,7 km2, validados con un total de 250 × 1 km2 de muestras de prueba. Los datos tuvieron una precisión general del 87 %, una recuperación del 91,9 % y una puntuación F1 del 64,8 %, proporcionando así una descripción avanzada de la distribución de edificios del área de estudio en comparación con CBRA. Nuestro trabajo tiene un inmenso potencial para facilitar la evaluación de la exposición en estudios sobre riesgos de desastres en esta área. Antecedentes y Resumen La llegada de la era digital ha aumentado la demanda de datos fiables sobre la distribución y los atributos de los edificios , , . Los datos de distribución de edificios proporcionan información espacial importante no solo de los edificios sino también de la población y los activos físicos , sirviendo como un buen indicador de la actividad humana. En las últimas décadas, los datos de distribución de edificios se han utilizado ampliamente para monitorear el desarrollo urbano y rural , , comprender los impactos de la urbanización en la seguridad alimentaria, la biodiversidad, el cambio climático y el bienestar y la salud pública , , formular estrategias de desarrollo regional y proteger los ecosistemas urbanos y rurales , , . 1 2 3 4 5 6 7 8 9 10 11 El avance de las imágenes satelitales y aéreas, junto con los recientes progresos en algoritmos de aprendizaje automático y aprendizaje profundo, ha impulsado la disponibilidad de datos de distribución de edificios , , . Los datos de distribución de edificios se han proporcionado en formato ráster como parte de los datos de uso/cubierta del suelo. La versión más reciente incluye tres productos globales de uso/cubierta del suelo de 10 m basados en satélites Sentinel, a saber, Dynamic World (DW) de Google , Land Cover 2020 de Esri y World Cover 2020 (WC) de la Agencia Espacial Europea (ESA) . Además de la información de distribución espacial, los investigadores también están tratando de adjuntar información de atributos a los píxeles de los edificios, como la altura del edificio . Por ejemplo, He et al. utilizaron la fusión de datos de teledetección multifuente para construir el primer conjunto de datos tridimensionales espaciales y temporales de expansión urbana del mundo con una resolución de 30 m que abarca el período de 1990 a 2010. A pesar de la mejora continua de la resolución espacial, los datos de distribución de edificios basados en ráster todavía no pueden describir objetos espaciales , y el aumento de la resolución aumenta en gran medida los costos de almacenamiento y computación . 12 13 14 15 16 17 14 7 18 12 Los datos de distribución de edificios en formato vectorial, también conocidos como tejados de edificios vectorizados o huellas de edificios, son los datos de contorno de un edificio proyectado sobre el suelo en una vista cenital , , que proporcionan información como la ubicación geográfica, la extensión espacial de los límites y la huella de un solo edificio. Los proveedores de servicios públicos (por ejemplo, Google Earth y OpenStreetMap) proporcionan datos de tejados de edificios vectorizados de acceso abierto con amplia cobertura, actualizaciones rápidas y bajo costo , , . En 2022, Microsoft Corporation utilizó segmentación semántica basada en redes neuronales profundas para extraer los contornos de 777 millones de edificios, algunos de los cuales contenían atributos de altura del edificio, basándose en Bing Maps (incluyendo imágenes de Maxar y Airbus) de 2014 a 2021 para todos los continentes fuera de China. El 30 de mayo de 2023, Google lanzó un conjunto de datos de 1.800 millones de contornos de edificios extraídos de imágenes satelitales de alta resolución de 0,5 m, cubriendo un área de 58 millones de km2. La baja redundancia y la estructura compacta de los datos vectoriales representados por vértices y rutas proporcionan una mayor precisión geográfica independiente del tamaño de la malla, y la introducción de reglas topológicas mejora aún más la integridad de los datos vectoriales . 19 20 21 22 23 13 Debido al aumento de la resolución de las imágenes y la disminución de los costos de adquisición de datos, junto con los recientes avances en los algoritmos de extracción, la resolución y la cobertura de los datos de distribución de edificios mejoran continuamente . La viabilidad de las imágenes de muy alta resolución (VHR) ha permitido la extracción de huellas de edificios mediante la aplicación de métodos tradicionales basados en características diseñadas a mano o métodos basados en aprendizaje profundo . Dado que el primer enfoque se enfrenta al desafío de la diversidad de apariencias y tamaños de los edificios, y a reglas empíricas y configuraciones de umbrales complejas, está limitado cuando se aplica a imágenes de teledetección a gran escala y de alta resolución . Los métodos basados en aprendizaje profundo (por ejemplo, redes neuronales convolucionales) han demostrado un rendimiento eficaz y superior en el aprendizaje automático de características de alto nivel y discriminatorias en la segmentación de escenas de edificios. Sun et al. propusieron una estrategia de fusión basada en máquinas de vectores de soporte paralelas para utilizar plenamente características profundas extraídas de estructuras de redes neuronales convolucionales multiescala en diferentes escalas, con un rendimiento superior en la extracción de edificios complejos en áreas urbanas. Sin embargo, al segmentar edificios, la precisión del modelo es más probable que esté restringida por la calidad de las muestras de entrenamiento, lo que dificulta la extrapolación. El uso insuficiente de semántica de alto nivel y la omisión de detalles de bajo nivel en modelos profundos, lo que resulta en bordes difuminados y omisiones de edificios pequeños, también obstaculizan la aplicación del aprendizaje profundo en la extracción de huellas de edificios. 24 25 13 26 27 La región de la meseta de Qinghai-Tíbet es el área más elevada del mundo, con una elevación promedio de >4000 metros sobre el nivel del mar, y cubre un área de 2,5 millones de km2 . Más de 10 millones de personas habitan la región a pesar de su clima extremo, inviernos fríos y largos, grandes diferencias de temperatura anuales y diurnas, y entornos térmicos interiores deficientes. Aunque esta región es la barrera ecológica más grande de China , la actividad humana ha impactado considerablemente su vulnerable eco-ambiente . Esta región también es extremadamente propensa a desastres, con terremotos, deslizamientos de tierra, flujos de lodo, inundaciones por desbordamiento de lagos glaciares y desastres de nieve que causan pérdidas de vidas y propiedades , , . En respuesta, los datos precisos de distribución de edificios son críticos para modelar la distribución de la actividad humana para el estudio acoplado humano-ambiente , , así como el análisis de exposición y riesgo para desastres naturales , . Además, esta región tiene largas horas de sol, abundantes recursos de energía solar y suficientes superficies de recolección de energía solar como tejados y espacios abiertos , . Los datos de distribución de edificios rurales de alta resolución podrían proporcionar una base de datos fiable para evaluar el potencial fotovoltaico y mejorar eficientemente el nivel de vida de los habitantes de las zonas rurales , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Como región subdesarrollada, la meseta de Qinghai-Tíbet y sus áreas vecinas todavía no cuentan con un conjunto completo de datos vectorizados de tejados de edificios de alta precisión, debido a su vasta área, escasa distribución de edificios, ubicación remota y restricciones de recursos. Los datos más listos para usar son los proporcionados a escala nacional de China, que incluyen los datos de área de tejados de edificios de China (CBRA) con cuadrícula de 2,5 m (Liu et al., 2023b) y el primer mapa nacional de cobertura del suelo de China con resolución de 1 m (SinoLC) que incluye categorías de edificios . Estos datos ráster no pueden caracterizar objetos espaciales y requieren grandes recursos de almacenamiento. Los datos de área de tejados vectorizados para 90 ciudades importantes de China publicados por Zhang et al. llenaron parcialmente este vacío; sin embargo, solo se incluyeron 14 ciudades en la meseta de Qinghai-Tíbet en este conjunto de datos, y los datos vectorizados de tejados de edificios todavía están ausentes para un área de 2 millones de km2. 42 13 Por lo tanto, este estudio tiene como objetivo generar huellas vectorizadas de tejados de edificios de la meseta de Qinghai-Tíbet y sus regiones vecinas incorporando imágenes satelitales de alta resolución y algoritmos de aprendizaje profundo. Nuestro conjunto de datos fue validado utilizando muestras de prueba que comprenden cuadrículas de 250 × 1 km2 en varias subregiones, lo que resultó en una precisión general del 91,92 % y una puntuación F1 del 64,81 %. Métodos Marco En este estudio, utilizamos algoritmos de extracción de edificios de la plataforma AI Earth para generar un conjunto de datos de tejados de edificios vectorizados para la meseta de Qinghai-Tíbet y su región vecina en China (Fig. 1). Los componentes principales de nuestro marco incluyeron: (1) preparación y preprocesamiento de datos satelitales y datos auxiliares; (2) extracción de tejados de edificios vectorizados utilizando la plataforma AI Earth; (3) validación utilizando datos de tejados vectorizados manualmente. Marco para la extracción y validación de tejados de edificios. Área de estudio Este estudio se centró principalmente en la meseta de Qinghai-Tíbet y sus regiones vecinas en el suroeste de China bajo el marco general de la segunda Expedición y Programa de Investigación Científica de la Meseta Tibetana ; geográficamente, incluye la Región Autónoma del Tíbet, las provincias de Qinghai, el oeste de la provincia de Yunnan, el oeste de la provincia de Sichuan, el suroeste de la provincia de Gansu y la Región Autónoma del sur de Xinjiang. La elevación promedio del área de estudio es de 4000 m sobre el nivel del mar. La distribución de la población y los edificios en el área de estudio está fuertemente influenciada por la elevación y el clima (Fig. 2), concentrándose principalmente al este de la línea que va desde el condado de Jilong en el Tíbet hasta el condado de Qilian en Qinghai ; en el este, se distribuyen densamente en las áreas llanas del borde oriental de la región, incluidos los valles fluviales de la provincia de Yunnan, el oeste de la provincia de Sichuan y la cuenca del río Amarillo de Xining-Lanzhou. En la superficie de la meseta al oeste de la línea, la población y los edificios se distribuyen principalmente en áreas agropecuarias limitadas a lo largo de los principales valles fluviales y a lo largo de los corredores de tráfico por carretera. 43 44 Área de estudio (los datos de población son de LandScan; el DEM es del Centro de Ciencia y Datos de Recursos y Medio Ambiente). Imágenes satelitales Se obtuvieron datos de imágenes satelitales de alta resolución de acceso abierto de Rivermap Co. ( ), que se obtuvieron de la integración de imágenes satelitales y datos aéreos de Google Earth. Entre ellas, las imágenes satelitales provienen principalmente de los satélites comerciales QuickBird y WorldView de DigitalGlobe, y la fotografía aérea proviene de BlueSky en el Reino Unido y Sanborn en EE. UU. . Para cada ubicación, hubo colecciones de imágenes múltiples con resoluciones de hasta 0,15 m en áreas localizadas. Dicha integración de datos se ha utilizado ampliamente para el reconocimiento de objetos en escenas complejas , , , y tiene el potencial para el mapeo a gran escala y de alta resolución de tipos de objetos . http://www.rivermap.cn/index.html 45 46 47 48 49 50 El área total de nuestro estudio es de 3,06 millones de km2, y el tamaño estimado de los datos de imágenes satelitales es de 29,4 TB, con una resolución espacial de 0,6 m. Considerando estas escalas, se crearon redes de cuadrícula de 0,175° × 0,175° para nuestra área de estudio para permitir paquetes de menor tamaño para la descarga, con un total de 10.033 redes de cuadrícula utilizadas para cubrir toda el área de estudio. El número real de redes de cuadrícula descargadas fue menor, 5921, por dos razones. Primero, dado que una gran parte del área de estudio comprende áreas residenciales no humanas donde no existen edificios, excluimos arbitrariamente las redes de cuadrícula sin píxeles de área construida del producto World Cover de la ESA. Segundo, también se excluyeron las ciudades/prefecturas cuyos datos de tejados vectorizados (es decir, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong y Yuxi) se habían recuperado en los datos de área de tejados vectorizados para 90 ciudades en China . Las imágenes se descargaron entre septiembre de 2022 y enero de 2023, con una resolución de 0,6 m, un tamaño de cuadro único de aprox. 3 GB y un tamaño total de 2,72 TB. Las imágenes descargadas fueron tomadas principalmente entre 2019 y 2021, pero las imágenes de algunas áreas remotas pueden haber sido tomadas ya en 2001 (Fig. 3). 13 Redes de cuadrícula para la descarga de imágenes y tiempo de toma de imágenes. Datos auxiliares Nuestros datos auxiliares incluyeron mapas de cobertura del suelo de alta resolución, modelo digital de elevación (DEM), índice de vegetación de diferencia normalizada (NDVI) y datos de distribución de población para análisis de clústeres posterior con el propósito de muestreo (Tabla 1). Para la cobertura del suelo y el área construida, se obtuvo el producto World Cover de la ESA de Zanaga et al. de Zenodo ( ). El producto se generó basándose en imágenes de satélite Sentinel 1 y Sentinel 2 para todo el año 2020 y una muestra de 141.000 ubicaciones únicas distribuidas por todo el mundo, entrenado con el algoritmo de bosque aleatorio, para representar la cobertura del suelo global en 2020; tiene una ventaja en la representación de elementos del paisaje a escala fina (por ejemplo, áreas construidas y paisajes agrícolas complejos), ya que considera una unidad mínima de mapeo relativamente pequeña . La categoría "construida" en el conjunto de datos se refiere a la tierra cubierta por edificios, carreteras y otras estructuras hechas por el hombre (por ejemplo, ferrocarriles), pero excluye los espacios verdes urbanos (por ejemplo, parques e instalaciones deportivas), los vertederos y los sitios de minería . 17 https://zenodo.org/records/5571936 51 17 Los datos DEM de 1 km y los datos NDVI se obtuvieron del Centro de Ciencia y Datos de Recursos y Medio Ambiente, Instituto de Geociencias y Recursos, Academia China de Ciencias ( ). Los datos DEM se remuestrean de los datos SRTM V4.1 más recientes ( ), y los datos NDVI se mosaican basándose en productos de 1 km de SPOT/VEGETATION PROBA-V ( ). Elegimos los datos NDVI de 2021 para representar la vegetación en la meseta de Qinghai-Tíbet ( ). Los datos de densidad de población se obtuvieron de la base de datos LandScan ( ) para el análisis de estadísticas vitales globales desarrollado por el Laboratorio Nacional de Oak Ridge del Departamento de Energía de EE. UU. y proporcionado por East View Cartographic ( ); estos datos se generan combinando ciencias geoespaciales, tecnología de teledetección y algoritmos de aprendizaje automático, representando una de las bases de datos de análisis estadístico dinámico de población global más precisas y fiables basadas en la ubicación geográfica, con una resolución superior de 1 km . Utilizamos la distribución de población en 2021 para el análisis de clústeres posterior. 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 Preprocesamiento de datos La distribución de la población y los edificios está dispersa en la mayor parte de nuestra área de estudio, con más del 99,5 % del área de estudio clasificada como áreas no construidas según el producto World Cover de la ESA . Para acelerar nuestra extracción, primero se generaron máscaras de áreas potenciales de distribución de edificios para cada cuadrícula de 0,175° × 0,175° antes de la extracción. Basándose en la categoría "Construida" en los datos de World Cover, se generó una zona de amortiguación de 1 km alrededor de cada píxel de área construida como el área potencial de distribución de edificios. Después de probar varios anchos de zona de amortiguación, encontramos que un ancho de 1 km podría acomodar el 96 % de los píxeles de edificios reportados en los productos CBRA de 2020. La máscara nos permitió excluir el 86 % del área total de las imágenes descargadas, ahorrando así un tiempo computacional considerable. Analizamos la zona de amortiguación mediante una superposición con las redes de cuadrícula generadas para excluir las redes que no contenían edificios. Luego, las imágenes se recortaron nuevamente con zonas de amortiguación, y luego se aplicó el algoritmo de extracción de edificios a las imágenes recortadas. 17 Extracción de tejados de edificios vectorizados El algoritmo de extracción de tejados de edificios vectorizados utilizado en este estudio proviene de la plataforma AliCloud AI Earth ( ), que combina un método de segmentación basado en aprendizaje profundo con un método de segmentación basado en cuencas hidrográficas para construir un marco de segmentación de instancias de edificios: decodificador doble para segmentación de cuencas hidrográficas. Este algoritmo añade una tarea de segmentación de bordes a la tarea de segmentación semántica, y utiliza el algoritmo de cuencas hidrográficas para preprocesar los resultados de predicción de las dos tareas durante la predicción, obteniendo el resultado final de extracción de edificios. Primero se utiliza la red neuronal PointRend propuesta por Kirillov et al. , que trata la segmentación de imágenes como un problema de renderizado y emplea un algoritmo de segmentación iterativa que muestrea selectivamente puntos no uniformes para una segmentación precisa, ya que puntos semilla más estables y precisos aprendidos por la red neuronal pueden proporcionar modelos de segmentación semántica finamente ajustados para estructuras y características clave del edificio. Posteriormente, se utiliza una segmentación flexible de cuencas hidrográficas para el postprocesamiento , , que es capaz de adaptarse a objetos con diferentes morfologías y características. El algoritmo logra una precisión de conteo de >90 % y una precisión de estimación de área de >85 % en pruebas de validación basadas en muestras vectorizadas manualmente en diferentes regiones de China, ganando el segundo lugar en la competencia de segmentación de edificios de imágenes SAR en todas las condiciones climáticas SpaceNet6. En comparación con Mask Region-CNN, el algoritmo mejora la precisión media promedio en 11 puntos porcentuales . https://engine-aiearth.aliyun.com/#/ 53 53 54 55 56 Registros de datos El algoritmo de extracción de tejados de edificios vectorizados utilizado en este estudio se puede llamar en la plataforma AI Earth ( ). Nuestro conjunto de datos está https://engine-aiearth.aliyun.com/#/