```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Penulis: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrak Data distribusi bangunan skala besar presisi tinggi merupakan fondasi penting untuk perencanaan tata kota regional, alokasi sumber daya, dan penelitian risiko bencana. Dataran Tinggi Qinghai-Tibet adalah kutub ketiga dunia. Meskipun pemahaman interaksi manusia-lingkungan setempat di Dataran Tinggi Qinghai-Tibet sangat penting, hal ini terhambat oleh kurangnya data jejak bangunan beresolusi tinggi karena luasnya area dan keterpencilan. Dalam penelitian ini, kami menghasilkan jejak atap bangunan vektor pertama di Dataran Tinggi Qinghai-Tibet dan area sekitarnya dengan menggunakan citra Google beresolusi tinggi dan algoritma ekstraksi kontur bangunan dari platform AI Earth. Hasil kami mencakup 13,09 juta bangunan yang mencakup 6092,7 km2, divalidasi dengan total sampel uji seluas 250 × 1 km2. Data tersebut memiliki akurasi keseluruhan sebesar 87%, recall 91,9%, dan skor F1 64,8%, sehingga memberikan deskripsi canggih tentang distribusi bangunan di area studi dibandingkan dengan CBRA. Pekerjaan kami memiliki potensi besar dalam memfasilitasi penilaian paparan untuk studi risiko bencana di wilayah ini. Latar Belakang & Ringkasan Munculnya era digital telah meningkatkan permintaan data yang andal tentang distribusi dan atribut bangunan , , . Data distribusi bangunan memberikan informasi spasial penting tidak hanya tentang bangunan tetapi juga tentang populasi dan aset fisik , berfungsi sebagai proksi yang baik untuk aktivitas manusia. Dalam beberapa dekade terakhir, data distribusi bangunan telah banyak digunakan dalam memantau pembangunan perkotaan dan pedesaan , , memahami dampak urbanisasi terhadap ketahanan pangan, keanekaragaman hayati, perubahan iklim, serta kesejahteraan dan kesehatan masyarakat , , merumuskan strategi pembangunan regional, dan melindungi ekosistem perkotaan dan pedesaan , , . 1 2 3 4 5 6 7 8 9 10 11 Kemajuan citra berbasis satelit dan udara, bersama dengan kemajuan terbaru dalam algoritma pembelajaran mesin dan pembelajaran mendalam, telah meningkatkan ketersediaan data distribusi bangunan , , . Data distribusi bangunan disediakan dalam format raster sebagai bagian dari data penggunaan/tutupan lahan. Rilis terbaru mencakup tiga produk tutupan lahan global 10m berdasarkan satelit Sentinel, yaitu Dynamic World (DW) Google , Esri’s 2020 Land Cover , dan World Cover 2020 (WC) dari European Space Agency (ESA) . Selain informasi distribusi spasial, para peneliti juga mencoba melampirkan informasi atribut ke piksel bangunan, seperti ketinggian bangunan . Misalnya, He  .  menggunakan fusi data penginderaan jauh multisumber untuk membangun dataset perluasan spasial dan temporal perkotaan 3D resolusi 30m pertama di dunia yang mencakup periode dari 1990 hingga 2010. Meskipun resolusi spasial terus meningkat, data distribusi bangunan berbasis raster masih belum dapat mendeskripsikan objek spasial , dan peningkatan resolusi sangat meningkatkan biaya penyimpanan dan komputasi . 12 13 14 15 16 17 14 et al 7 18 12 Data distribusi bangunan dalam format vektor, juga dikenal sebagai atap bangunan vektor atau jejak bangunan, adalah data garis luar bangunan yang diproyeksikan ke tanah dalam tampilan atas , , yang memberikan informasi seperti lokasi geografis, luas spasial batas, dan jejak bangunan tunggal. Penyedia layanan publik (misalnya, Google Earth dan OpenStreetMap) menyediakan data atap bangunan vektor yang dapat diakses publik dengan cakupan luas, pembaruan cepat, dan biaya rendah , , . Pada tahun 2022, Microsoft Corporation menggunakan segmentasi semantik berbasis jaringan saraf tiruan untuk mengekstrak garis luar 777 juta bangunan, beberapa di antaranya berisi atribut ketinggian bangunan, berdasarkan Bing Maps (termasuk citra Maxar dan Airbus) dari 2014 hingga 2021 untuk setiap benua di luar Tiongkok. Pada tanggal 30 Mei 2023, Google merilis dataset 1,8 miliar garis luar bangunan yang diekstrak dari citra satelit beresolusi tinggi 0,5m, mencakup area seluas 58 juta km2. Redundansi rendah dan struktur ringkas data vektor yang diwakili oleh titik sudut dan jalur memberikan akurasi geografis yang lebih tinggi terlepas dari ukuran mesh, dan pengenalan aturan topologi lebih lanjut meningkatkan integritas data vektor . 19 20 21 22 23 13 Karena peningkatan resolusi citra dan penurunan biaya akuisisi data, bersama dengan kemajuan terbaru dalam algoritma ekstraksi, resolusi dan cakupan data distribusi bangunan terus meningkat . Kelayakan gambar beresolusi sangat tinggi (VHR) telah memungkinkan ekstraksi jejak bangunan melalui penerapan metode berbasis fitur kerajinan tangan tradisional  atau metode berbasis pembelajaran mendalam . Karena pendekatan pertama menghadapi tantangan keragaman penampilan dan ukuran bangunan, serta aturan praktis dan pengaturan ambang batas yang kompleks, pendekatan ini terbatas ketika diterapkan pada citra penginderaan jauh skala besar beresolusi tinggi . Metode berbasis pembelajaran mendalam (misalnya, jaringan saraf konvolusional) telah menunjukkan kinerja yang efektif dan unggul dalam pembelajaran fitur tingkat tinggi dan diskriminatif secara otomatis dalam segmentasi pemandangan bangunan. Sun  .  mengusulkan strategi fusi berdasarkan mesin vektor pendukung paralel untuk memanfaatkan sepenuhnya fitur mendalam yang diekstrak dari struktur jaringan saraf konvolusional multi-skala pada skala yang berbeda, dengan kinerja unggul dalam mengekstraksi bangunan kompleks di daerah perkotaan. Namun demikian, ketika mensegmentasi bangunan, akurasi model lebih mungkin dibatasi oleh kualitas sampel pelatihan, sehingga menyulitkan ekstrapolasi. Penggunaan semantik tingkat tinggi yang tidak mencukupi dan penghilangan detail tingkat rendah dalam model mendalam, yang mengakibatkan penajaman tepi dan penghilangan bangunan kecil, juga menghambat penerapan pembelajaran mendalam dalam ekstraksi jejak bangunan. 24 25 13 26 et al 27 Wilayah Dataran Tinggi Qinghai-Tibet adalah area paling tinggi di dunia, dengan ketinggian rata-rata >4000 meter di atas permukaan laut, dan mencakup area seluas 2,5 juta km2  . Lebih dari 10 juta orang menghuni wilayah ini meskipun iklimnya ekstrem, musim dingin yang dingin dan panjang, perbedaan suhu tahunan dan harian yang besar, serta lingkungan termal dalam ruangan yang buruk. Meskipun wilayah ini merupakan penghalang ekologis terbesar di Tiongkok , aktivitas manusia berdampak signifikan pada lingkungan ekologisnya yang rentan . Wilayah ini juga sangat rentan terhadap bencana, dengan gempa bumi, tanah longsor, lumpur, banjir luapan danau glasial, dan bencana salju yang menyebabkan kerugian korban jiwa dan harta benda , , . Menanggapi hal ini, data distribusi bangunan yang akurat sangat penting untuk memodelkan distribusi aktivitas manusia untuk studi manusia-lingkungan gabungan , , serta analisis paparan dan risiko bencana alam , . Selain itu, wilayah ini memiliki jam sinar matahari yang panjang, sumber daya energi surya yang melimpah, dan permukaan pengumpul energi surya yang cukup seperti atap dan area terbuka , . Data distribusi bangunan pedesaan beresolusi tinggi dapat menyediakan basis data yang andal untuk mengevaluasi potensi fotovoltaik dan meningkatkan standar hidup masyarakat pedesaan secara efisien , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Sebagai wilayah yang kurang berkembang, Dataran Tinggi Qinghai-Tibet dan area sekitarnya masih belum memiliki set data atap bangunan vektor berpresisi tinggi yang lengkap, karena luasnya area, distribusi bangunan yang jarang, lokasi terpencil, dan kendala sumber daya. Data yang paling siap digunakan adalah yang disediakan dalam skala nasional Tiongkok, yang mencakup Data Area Atap Bangunan Tiongkok (CBRA) bergrid 2,5m (Liu  ., 2023b) dan peta tutupan lahan nasional pertama Tiongkok dengan resolusi 1m (SinoLC) yang mencakup kategori bangunan . Data raster ini tidak dapat mengkarakterisasi objek spasial dan membutuhkan sumber daya penyimpanan yang besar. Data area atap vektor untuk 90 kota besar di Tiongkok yang dirilis oleh Zhang  .  sebagian mengisi kesenjangan ini; namun, hanya 14 kota di Dataran Tinggi Qinghai-Tibet yang termasuk dalam dataset ini, dan data atap bangunan vektor masih belum ada untuk area seluas 2 juta km2. et al 42 et al 13 Oleh karena itu, penelitian ini bertujuan untuk menghasilkan jejak atap bangunan vektor dari Dataran Tinggi Qinghai-Tibet dan wilayah sekitarnya dengan menggabungkan citra satelit beresolusi tinggi dan algoritma pembelajaran mendalam. Dataset kami divalidasi menggunakan sampel uji yang terdiri dari grid 250 × 1 km2 di berbagai sub-wilayah, menghasilkan akurasi keseluruhan 91,92% dan skor F1 64,81%. Metode Kerangka Kerja Dalam penelitian ini, kami memanfaatkan algoritma ekstraksi bangunan dari platform AI Earth untuk menghasilkan dataset atap bangunan vektor untuk Dataran Tinggi Qinghai-Tibet dan wilayah sekitarnya di Tiongkok (Gbr.  ). Komponen utama kerangka kerja kami meliputi: (1) persiapan dan pra-pemrosesan data satelit dan data pembantu; (2) ekstraksi atap bangunan vektor menggunakan platform AI Earth; (3) validasi menggunakan data atap vektor manual. 1    Kerangka kerja untuk ekstraksi dan validasi atap bangunan. Area Studi Penelitian ini terutama berfokus pada Dataran Tinggi Qinghai-Tibet dan wilayah sekitarnya di Tiongkok barat daya di bawah kerangka umum Ekspedisi Ilmiah dan Program Penelitian Dataran Tinggi Tibet Kedua ; secara geografis, mencakup Wilayah Otonomi Tibet, Provinsi Qinghai, Provinsi Yunnan barat, Provinsi Sichuan barat, Provinsi Gansu barat daya, dan Wilayah Otonomi Xinjiang selatan. Ketinggian rata-rata area studi adalah 4000m di atas permukaan laut. Distribusi populasi dan bangunan di area studi sangat dipengaruhi oleh ketinggian dan iklim (Gbr.  ), terutama terkonsentrasi di sebelah timur garis dari Kabupaten Jilong di Tibet hingga Kabupaten Qilian di Qinghai ; di timur, mereka tersebar padat di daerah dataran di tepi timur wilayah tersebut, termasuk lembah sungai di Provinsi Yunnan, Provinsi Sichuan barat, dan Cekungan Sungai Kuning Xining-Lanzhou. Di permukaan dataran tinggi di sebelah barat garis, populasi dan bangunan sebagian besar tersebar dengan daerah pertanian-padang rumput yang terbatas di sepanjang lembah sungai utama, dan di sepanjang koridor lalu lintas jalan. 43 2 44    Area studi (data populasi dari LandScan; DEM dari Resource and Environment Science and Data Centre). Citra Satelit Data citra satelit beresolusi tinggi yang dapat diakses publik diperoleh dari Rivermap Co. ( ), yang diperoleh dari integrasi citra satelit dan data udara Google Earth. Di antaranya, citra satelit terutama berasal dari satelit komersial DigitalGlobe QuickBird dan WorldView, dan fotografi udara bersumber dari BlueSky di Inggris dan Sanborn di AS . Untuk setiap lokasi, terdapat koleksi beberapa citra dengan resolusi hingga 0,15 m di area lokal. Integrasi data semacam itu telah banyak digunakan untuk pengenalan objek dalam pemandangan yang kompleks , , ,  dan memiliki potensi untuk pemetaan objek skala besar beresolusi tinggi . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Total luas area studi kami adalah 3,06 juta km2, dan perkiraan ukuran data citra satelit adalah 29,4 TB, dengan resolusi spasial 0,6 m. Mempertimbangkan skala ini, fishnet 0,175° × 0,175° dibuat untuk area studi kami untuk memungkinkan paket berukuran lebih kecil untuk diunduh, dengan total 10.033 fishnet digunakan untuk menutupi seluruh area studi. Jumlah sebenarnya fishnet yang diunduh lebih sedikit yaitu 5921 karena dua alasan. Pertama, karena sebagian besar area studi terdiri dari area pemukiman non-manusia di mana bangunan tidak ada, kami secara sewenang-wenang mengecualikan fishnet tanpa piksel area terbangun dari produk World Cover ESA. Kedua, kota/prefektur yang data atap vektornya (yaitu, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong, dan Yuxi) telah diambil dalam data area atap vektor untuk 90 kota di Tiongkok  juga dikecualikan. Citra diunduh antara September 2022 dan Januari 2023, dengan resolusi 0,6 m, ukuran bingkai tunggal sekitar 3 GB, dan total ukuran 2,72 TB. Citra yang diunduh sebagian besar diambil dari 2019 hingga 2021, tetapi citra dari beberapa area terpencil mungkin diambil seawal tahun 2001 (Gbr.  ). 13 3    Fishnet untuk unduhan citra dan waktu pengambilan citra. Data Pembantu Data pembantu kami mencakup peta tutupan lahan beresolusi tinggi, model elevasi digital (DEM), indeks perbedaan vegetasi normalisasi (NDVI), dan data distribusi populasi untuk analisis klaster selanjutnya untuk tujuan pengambilan sampel (Tabel  ). 1 Untuk tutupan lahan dan area terbangun, produk World Cover ESA dari Zanaga  .  diperoleh dari Zenodo ( ). Produk ini dihasilkan berdasarkan citra satelit Sentinel 1 dan Sentinel 2 untuk seluruh tahun 2020 dan sampel 141.000 lokasi unik yang tersebar di seluruh dunia, dilatih dengan algoritma random forest, untuk mewakili tutupan lahan global pada tahun 2020; produk ini memiliki keunggulan dalam merepresentasikan elemen lanskap skala halus (misalnya, area terbangun dan lanskap pertanian kompleks), karena mempertimbangkan unit pemetaan minimum yang relatif kecil . Kategori "terbangun" dalam dataset mengacu pada lahan yang ditutupi oleh bangunan, jalan, dan struktur buatan manusia lainnya (misalnya, rel kereta api) tetapi tidak termasuk ruang hijau perkotaan (misalnya, taman dan fasilitas olahraga), timbunan sampah, dan lokasi penambangan . et al 17 https://zenodo.org/records/5571936 51 17 Data DEM 1km dan data NDVI diperoleh dari Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ). Data DEM di-resample dari data SRTM V4.1 terbaru ( ), dan data NDVI digabungkan berdasarkan produk PROBA-V 1km SPOT/VEGETATION ( ). Kami memilih data NDVI tahun 2021 untuk mewakili vegetasi di Dataran Tinggi Qinghai-Tibet ( ). Data kerapatan populasi diperoleh dari database LandScan ( ) untuk analisis statistik vital global yang dikembangkan oleh U.S. Department of Energy’s Oak Ridge National Laboratory dan disediakan oleh East View Cartographic ( ); data ini dihasilkan dengan menggabungkan ilmu geospatial, teknologi penginderaan jauh, dan algoritma pembelajaran mesin, mewakili salah satu database analisis statistik dinamis populasi global yang paling akurat dan andal berdasarkan lokasi geografis, dengan resolusi superior 1km . Kami menggunakan distribusi populasi tahun 2021 untuk analisis klaster selanjutnya. 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 Pra-pemrosesan Data Distribusi populasi dan bangunan tersebar di sebagian besar area studi kami, dengan lebih dari 99,5% area studi dikategorikan sebagai area non-terbangun menurut produk World Cover ESA . Untuk mempercepat ekstraksi kami, masker area distribusi bangunan potensial pertama kali dibuat untuk setiap fishnet 0,175° × 0,175° sebelum ekstraksi. Berdasarkan kategori "Terbangun" dalam data World Cover, zona penyangga 1km di sekeliling setiap piksel area terbangun dihasilkan sebagai area distribusi bangunan potensial. Setelah menguji beberapa lebar zona penyangga, kami menemukan bahwa lebar 1 km dapat menampung 96% piksel bangunan yang dilaporkan dalam produk CBRA tahun 2020. Masker memungkinkan kami untuk mengecualikan 86% dari total area citra yang diunduh, sehingga menghemat waktu komputasi yang substansial. Kami menganalisis penyangga menggunakan overlay dengan fishnet yang dihasilkan untuk mengecualikan jaring yang tidak berisi bangunan. Citra kemudian dipotong lagi dengan penyangga, dan kemudian algoritma ekstraksi bangunan diterapkan pada citra yang dipotong. 17 Ekstraksi Atap Bangunan Vektor Algoritma ekstraksi atap bangunan vektor yang digunakan dalam penelitian ini berasal dari platform AliCloud AI Earth ( ), yang menggabungkan metode segmentasi berbasis pembelajaran mendalam dengan metode segmentasi berbasis watershed untuk membangun kerangka kerja segmentasi instance bangunan - decoder ganda untuk segmentasi watershed. Algoritma ini menambahkan tugas segmentasi batas ke tugas segmentasi semantik, dan menggunakan algoritma watershed untuk pra-pemrosesan hasil prediksi dari dua tugas selama prediksi, memperoleh hasil ekstraksi bangunan akhir. Jaringan saraf PointRend yang diusulkan oleh Kirillov  .  pertama kali digunakan , yang memperlakukan segmentasi gambar sebagai masalah rendering dan menggunakan algoritma segmentasi iteratif yang secara selektif mengambil sampel titik-titik non-uniform untuk segmentasi yang akurat, karena titik-titik benih yang lebih stabil dan akurat yang dipelajari oleh jaringan saraf dapat memberikan model segmentasi semantik yang disetel halus untuk struktur dan fitur kunci bangunan. Selanjutnya, segmentasi watershed yang fleksibel digunakan untuk pasca-pemrosesan , , yang mampu beradaptasi dengan objek dengan morfologi dan fitur yang berbeda. Algoritma ini mencapai akurasi penghitungan >90% dan akurasi estimasi area >85% dalam pengujian validasi berdasarkan sampel vektor manual di berbagai wilayah Tiongkok, memenangkan tempat kedua dalam kompetisi segmentasi bangunan citra SAR segala cuaca SpaceNet6. Dibandingkan dengan Mask Region-CNN, algoritma ini meningkatkan rata-rata presisi rata-rata sebesar 11 poin persentase . https://engine-aiearth.aliyun.com/#/ et al 53 53 54 55 56 Catatan Data Algoritma ekstraksi atap bangunan vektor yang digunakan dalam penelitian ini dapat dipanggil di platform AI Earth ( ). Dataset kami tersedia dari National Tibetan Plateau Data Centre, yang dapat diakses di  . Semua data diperoleh menggunakan sistem koordinat GCS_ WGS_ 1984 dan dikemas ke dalam file .rar (Tabel  ). Data kontur bangunan berbasis AI yang dihasilkan (Gbr.  ) diatur berdasarkan tingkat provinsi sesuai dengan nama mereka, termasuk Gansu, Gu https://engine-aiearth.aliyun.com/#/ https://doi.org/10.11888/RemoteSen.tpdc.301170 57 2 4

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

Audio ini diproduksi dalam bahasa asli cerita!

AI Memetakan 13 Juta Bangunan di Salah Satu Wilayah Paling Terpencil di Dunia

About Author

KOMENTAR

HANG TAG

ARTIKEL INI DISAJIKAN PADA

Related Stories

IdeaOps: Why Every Request is a Company Asset in Product Development

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

Why do you need JWT in your ASP.NET Core project?

How to Fetch Large Data Files Through GitHub API

IdeaOps: Why Every Request is a Company Asset in Product Development

THE BEGINNING OF THE SEARCH FOR THE KEY AND THE COAT.

Why do you need JWT in your ASP.NET Core project?

How to Fetch Large Data Files Through GitHub API

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps