
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Szerzők: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Összefoglalás A nagy pontosságú, nagyméretű épületeloszlási adatok fontos alapját képezik a regionális területrendezésnek, az erőforrás-elosztásnak és a katasztrófakockázati kutatásoknak. A Csinghaj-Tibet-fennsík a világ harmadik pólusa. Bár a Csinghaj-Tibet-fennsík ember–környezet interakcióinak megértése kritikus fontosságú, ezt nehezítette a nagy felbontású épületlábnyom-adatok hiánya a terület kiterjedése és elszigeteltsége miatt. Ebben a tanulmányban a Csinghaj-Tibet-fennsík és környező területeinek első vektorizált épületlábnyomát hoztuk létre nagy felbontású Google-képek és az AI Earth platform épületkontúr-kivonó algoritmusának felhasználásával. Eredményeink 13,09 millió épületet tartalmaznak, amelyek 6092,7 km²-t fednek le, és amelyeket összesen 250 × 1 km²-es teszts mintával validáltunk. Az adatok általános pontossága 87%, a visszahívás 91,9%, és az F1-pontszám 64,8%, így fejlettebb leírást nyújtanak az épületeloszlásról a tanulmányi területen, mint a CBRA. Munkánk óriási potenciállal rendelkezik a katasztrófák kockázati tanulmányainak expozíciójának elősegítésében ebben a térségben. Háttér és összefoglalás A digitális korszak beköszöntével megnőtt a megbízható épületeloszlási és -jellemzői adatok iránti igény , , . Az épületeloszlási adatok fontos térbeli információkat nyújtanak nemcsak az épületekről, hanem a lakosságról és a fizikai eszközökről is , az emberi tevékenység jó proxyjaként szolgálva. Az elmúlt évtizedekben az épületeloszlási adatokat széles körben használták a városi és vidéki fejlődés monitorozására , , az urbanizáció élelmiszerbiztonságra, biodiverzitásra, klímaváltozásra, közjólétre és egészségre gyakorolt hatásainak megértésére , , regionális fejlesztési stratégiák kidolgozására, valamint városi és vidéki ökoszisztémák védelmére , , . 1 2 3 4 5 6 7 8 9 10 11 A műholdas és légi képek fejlődése, valamint a gépi tanulási és mélytanulási algoritmusok legújabb fejleményei fellendítették az épületeloszlási adatok elérhetőségét , , . Az épületeloszlási adatokat raszter formátumban, a földhasználati/borítási adatok részeként biztosították. A legfrissebb kiadás három 10 méteres globális földhasználati/borítási terméket tartalmaz a Sentinel műholdak alapján, nevezetesen a Google Dynamic World (DW) , az Esri 2020 Land Cover , és az Európai Űrügynökség (ESA) World Cover 2020 (WC) . A térbeli eloszlási információkon túl a kutatók próbálnak jellemzőinformációkat is csatolni az épület pixelekhez, mint például az épületmagasság . Például He  .  többféle távérzékelési adatfúziót használtak a világ első 30 méteres felbontású, 1990 és 2010 közötti időszakra kiterjedő, háromdimenziós, városi, térbeli és időbeli terjeszkedési adathalmazának létrehozására. A térbeli felbontás folyamatos javulása ellenére a raszteralapú épületeloszlási adatok továbbra sem tudják leírni a térbeli objektumokat , és a felbontás növelése jelentősen megnöveli a tárolási és számítási költségeket . 12 13 14 15 16 17 14 et al 7 18 12 A vektoros formátumú épületeloszlási adatok, más néven vektorizált épülettetők vagy épületlábnyomok, az épület vetített körvonalai a talajra felülnézetből , , amelyek olyan információkat nyújtanak, mint a földrajzi hely, a határok térbeli kiterjedése és az egyes épületek lábnyoma. Nyilvános szolgáltatók (pl. Google Earth és OpenStreetMap) nyílt hozzáférésű vektorizált épülettető-adatokat biztosítanak széles körű lefedettséggel, gyors frissítésekkel és alacsony költséggel , , . 2022-ben a Microsoft Corporation mély neurális hálózat alapú szemantikai szegmentációt használt 777 millió épület körvonalának kivonására, amelyek némelyike épületmagasság-jellemzőket tartalmazott, a Bing Maps (beleértve a Maxar és Airbus képeit) alapján, 2014 és 2021 között minden kontinensen Kínán kívül. 2023. május 30-án a Google közzétett egy 1,8 milliárd épület körvonalából álló adatkészletet, amelyet 0,5 méteres felbontású műholdképekből vontak ki, és 58 millió km²-t fed le. A vektor adatok alacsony redundanciája és kompakt szerkezete csúcsokkal és vonalakkal, nagyobb földrajzi pontosságot biztosít a háló méretétől függetlenül, és a topológiai szabályok bevezetése tovább javítja a vektor adatok integritását . 19 20 21 22 23 13 A képek felbontásának növekedése és az adatszerzési költségek csökkenése, valamint a kivonási algoritmusok legújabb fejleményei miatt az épületeloszlási adatok felbontása és lefedettsége folyamatosan javul . A nagyon nagy felbontású (VHR) képek életképessége lehetővé tette az épületlábnyomok kivonását hagyományos, kézzel készített, jellemzőalapú módszerek  vagy mélytanulási alapú módszerek  alkalmazásával. Mivel az előbbi megközelítés kihívást jelent az épületek megjelenésének és méretének sokfélesége, valamint a komplex „hüvelykujjszabályok” és küszöbértékek beállítása miatt, korlátozottan alkalmazható nagyméretű, nagy felbontású távérzékelési képeken . A mélytanulási alapú módszerek (pl. konvolúciós neurális hálózatok) hatékony és kiváló teljesítményt mutattak az épülethelyszín szegmentálásában magas szintű és megkülönböztető jellemzők automatikus megtanulásában. Sun  .  a párhuzamos támogató vektorgépek fúziós stratégiáját javasolta a többléptékű konvolúciós neurális hálózat-szerkezetekből különböző léptékekben kinyert mély jellemzők teljes kihasználására, kiváló teljesítménnyel a komplex épületek kivonásában városi területeken. Ennek ellenére az épületek szegmentálása során a modell pontossága valószínűleg a tanítási minták minőségétől függ, ami megnehezíti az extrapolációt. A mély modellekben a magas szintű szemantikának az elégtelen használata és az alacsony szintű részletek kihagyása, ami élek elmosódását és kis épületek kihagyását eredményezi, szintén akadályozza a mélytanulás alkalmazását az épületlábnyomok kivonásában. 24 25 13 26 et al 27 A Csinghaj-Tibet-fennsík régió a világ legmagasabban fekvő területe, átlagos magassága meghaladja a 4000 métert a tengerszint felett, és 2,5 millió km²-t foglal el . Több mint 10 millió ember lakik a régióban extrém klímája, hideg és hosszú telei, nagy éves és napszaki hőmérséklet-ingadozásai, valamint rossz beltéri hőkörnyezete ellenére. Bár ez a régió Kína legnagyobb ökológiai gátja , az emberi tevékenység jelentősen befolyásolta sérülékeny ökológiai környezetét . Ez a régió rendkívül katasztrófaveszélyes is, ahol földrengések, földcsuszamlások, iszaplavírok, gleccsertavak kiömlése és hóviharok okoznak halálos és anyagi károkat , , . Válaszul, a pontos épületeloszlási adatok kritikusak az emberi tevékenység eloszlásának modellezéséhez az ember–környezet együttes tanulmányozásához , , valamint a természeti katasztrófák expozíció- és kockázatelemzéséhez , . Ezenkívül ez a régió hosszú napsütési órákkal, bőséges napenergia-forrásokkal és elegendő napenergia-gyűjtő felülettel rendelkezik, mint például tetők és nyitott terek , . A magas felbontású vidéki épületeloszlási adatok megbízható adatbázist nyújthatnának a fotovoltaikus potenciál értékeléséhez és a vidéki területeken élők életkörülményeinek hatékony javításához , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Fejletlen régióként a Csinghaj-Tibet-fennsík és a környező területek még mindig nem rendelkeznek teljes körű, nagy pontosságú, vektorizált épülettető-adatokkal, a hatalmas terület, a szórványos épületeloszlás, az elszigetelt fekvés és az erőforrás-korlátok miatt. A leginkább használatra kész adatok a kínai országos szinten rendelkezésre álló adatok, amelyek közé tartozik a 2,5 méteres rácsozott China Building Rooftop Area (CBRA, Liu  ., 2023b) és Kína első 1 méteres felbontású földborítási térképe (SinoLC), amely tartalmazza az épületkategóriákat . Ezek a raszteralapú adatok nem képesek térbeli objektumokat jellemezni, és nagy tárolóerőforrásokat igényelnek. A 90 nagy kínai városra vonatkozó vektorizált tetőfelület-adatok, amelyeket Zhang  .  tett közzé, részben betöltötték ezt az űrt; azonban csak 14 város a Csinghaj-Tibet-fennsíkon szerepelt ebben az adatkészletben, és továbbra is hiányoznak a vektorizált épülettető-adatok 2 millió km² területre. et al 42 et al 13 Ezért ez a tanulmány célja a Csinghaj-Tibet-fennsík és környező régióinak vektorizált épülettető-nyomtatványainak létrehozása, nagy felbontású műholdképek és mélytanulási algoritmusok felhasználásával. Adathalmazunkat 250 × 1 km²-es rácsokból álló teszts mintákkal validáltuk különböző alrégiókban, ami 91,92%-os általános pontosságot és 64,81%-os F1-pontszámot eredményezett. Módszerek Keretrendszer Ebben a tanulmányban az AI Earth platform épületkivonási algoritmusait használtuk fel egy vektorizált épülettető adathalmaz létrehozására a Csinghaj-Tibet-fennsík és Kína délnyugati szomszédos régiójára (1. ábra ). Keretrendszerünk fő elemei a következők voltak: (1) műholdas és segédadatok előkészítése és előfeldolgozása; (2) vektorizált épülettetők kivonása az AI Earth platformmal; (3) validálás kézzel vektorizált tetőadatokkal. 1    Az épülettetők kivonási és validálási keretrendszere. Tanulmányi terület Ez a tanulmány főként a Csinghaj-Tibet-fennsíkra és a délnyugat-kínai szomszédos régióira összpontosított a második Tibeti-fennsík Tudományos Expedíció és Kutatási Program (Second Tibetan Plateau Scientific Expedition and Research Program) általános keretein belül ; földrajzilag magában foglalja a Tibeti Autonóm Területet, Csinghaj tartományt, a nyugati Jünnan tartományt, a nyugati Szecsuán tartományt, a délnyugati Kanszu tartományt és a déli Hszincsiang Autonóm Területet. A tanulmányi terület átlagos magassága 4000 méter a tengerszint felett. A lakosság és az épületek eloszlását a régióban jelentősen befolyásolja a magasság és a klíma (2. ábra ), főként a Tibetben lévő Dzsilon megyétől Csinghajban lévő Csilien megyéig tartó vonaltól keletre koncentrálódik ; keleten sűrűn oszlanak el a sík területeken a régió keleti szélén, beleértve a Jünnan tartomány, a nyugati Szecsuán tartomány völgyeit és a Hszining–Lancsou Sárga-folyó medencét. A vonaltól nyugatra eső fennsíki felületen a lakosság és az épületek főként korlátozott mezőgazdasági és legelőterületekkel oszlanak el a fő folyóvölgyek mentén, valamint az úti közlekedési folyosók mentén. 43 2 44    Tanulmányi terület (lakossági adatok a LandScan-ból; DEM a Resource and Environment Science and Data Centre-ből). Műholdas képek A nyílt hozzáférésű, nagy felbontású műholdkép-adatokat a Rivermap Co. ( ) szolgáltatta, amely a Google Earth műholdas és légi adatok integrációjából származott. Ezek közül a műholdas képek főként a DigitalGlobe QuickBird és WorldView kereskedelmi műholdjairól származnak, a légi felvételek pedig az Egyesült Királyságbeli BlueSky és az Egyesült Államokbeli Sanborn szolgáltatásaiból . Minden helyszínhez több kép gyűjteménye tartozott, amelyek felbontása helyenként elérte a 0,15 métert. Az ilyen adatintegrációt széles körben használták objektumfelismerésre komplex jelenetekben , , , , és potenciálisan alkalmas nagyméretű, nagy felbontású objektumtípus-térképezésre . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Tanulmányi területünk teljes területe 3,06 millió km², és a műholdképek becsült mérete 29,4 TB, 0,6 méteres térbeli felbontással. E méretek figyelembevételével 0,175° × 0,175°-os halhálót hoztunk létre tanulmányi területünkön a kisebb méretű csomagok letöltésének lehetővé tétele érdekében, összesen 10 033 halhálóval, amelyek az egész tanulmányi területet lefedték. A letöltött halhálók tényleges száma 5921 volt, két okból. Először is, mivel a tanulmányi terület nagy része nem lakott területekből áll, ahol nincsenek épületek, önkényesen kizártuk azokat a halhálókat, amelyekből hiányoztak a beépített területek pixelei az ESA World Cover termék alapján. Másodszor, kizártuk azokat a városokat/megyéket is, amelyek vektorizált tetőadatokkal (azaz Lhásza, Santan, Kunming, Hszining, Hajtung, Csandzse, Pajjin, Lancsou, Csengtu, Dali, Lijiang, Kunming, Csao-tong és Juxi) már rendelkeztek a 90 kínai város vektorizált tetőfelület-adataiban . A képeket 2022 szeptemberétől 2023 januárjáig töltöttük le, 0,6 méteres felbontással, egy képkocka mérete kb. 3 GB, összes mérete 2,72 TB. A letöltött képek főként 2019 és 2021 között készültek, de néhány távoli területről származó kép akár 2001-ből is származhat (3. ábra ). 13 3    Halhálók a képletöltéshez és a képek készítésének időpontja. Segédadatok Segédadataink közé tartoztak nagy felbontású földborítási térképek, digitális magassági modell (DEM), normalizált különbségű vegetációs index (NDVI) és lakossági eloszlási adatok a későbbi klaszterelemzéshez a mintavétel céljából (1. táblázat ). 1 A földborítás és a beépített területek tekintetében az ESA World Cover termékét Zanaga  .  szerezte be a Zenodo-ból ( ). A terméket Sentinel 1 és Sentinel 2 műholdas képek alapján generálták a 2020-as év teljes egészére és a világban elosztott 141 000 egyedi helyszín mintájára, random forest algoritmussal betanítva, a globális földborítás 2020-ban történő reprezentálására; előnye a finomléptékű táj elemek (pl. beépített területek és komplex mezőgazdasági tájak) reprezentálásában rejlik, mivel viszonylag kis minimális térképezési egységet vesz figyelembe . A „beépített” kategória az adatkészletben az épületek, utak és más mesterséges szerkezetek (pl. vasutak) által borított földet jelenti, de nem foglalja magában a zöldterületeket (pl. parkok és sportlétesítmények), hulladéklerakókat és bányászati területeket . et al 17 https://zenodo.org/records/5571936 51 17 Az 1 km-es DEM adatok és az NDVI adatok a Kínai Tudományos Akadémia Földtudományi és Adatközpontjától ( ) származnak. A DEM adatokat a legújabb SRTM V4.1 adatokból mintavételezték újra ( ), és az NDVI adatokat a SPOT/VEGETATION PROBA-V 1 km-es termékek alapján mozaikolták ( ). A 2021-es NDVI adatokat választottuk a Csinghaj-Tibet-fennsík vegetációjának reprezentálására ( ). A lakosságsűrűség-adatokat a LandScan adatbázisból ( ) szereztük be 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.

Ez a hanganyag a történet eredeti nyelvén készült!

AI térképez fel 13 millió épületet a világ egyik legeldugottabb régiójában

About Author

HOZZÁSZÓLÁSOK

HANG TAGOK

EZT A CIKKET BEMUTATTA

Related Stories

The Little Shop at Fishbourne

Of The First and Last Things: Part 1

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

Találkozz Hubstaff: HackerNoon a hét társasága

The Little Shop at Fishbourne

Of The First and Last Things: Part 1

THE HABITS OF INSECTS IN RELATION TO THE FERTILISATION OF FLOWERS

Találkozz Hubstaff: HackerNoon a hét társasága

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps