Mappe AI di 13 milioni di edifici in una delle regioni più remote del mondo.

Autori: Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstract Dati su larga scala e di alta precisione sulla distribuzione degli edifici sono una base importante per la pianificazione urbana regionale, l'allocazione delle risorse e la ricerca sui rischi di catastrofi. L'altopiano del Qinghai-Tibet è il terzo polo del mondo. Sebbene la comprensione delle interazioni uomo-ambiente locali nell'altopiano del Qinghai-Tibet sia di fondamentale importanza, questa è stata ostacolata dalla mancanza di dati sugli edifici ad alta risoluzione a causa della vastità e dell'isolamento dell'area. In questo studio, abbiamo generato le prime impronte vettoriali dei tetti degli edifici dell'altopiano del Qinghai-Tibet e delle aree circostanti utilizzando immagini Google ad alta risoluzione e l'algoritmo di estrazione del contorno degli edifici della piattaforma AI Earth. I nostri risultati includono 13,09 milioni di edifici che coprono 6092,7 km², convalidati con un totale di 250 × 1 km² di campioni di test. I dati hanno avuto un'accuratezza complessiva dell'87%, un richiamo del 91,9% e un punteggio F1 del 64,8%, fornendo così una descrizione avanzata della distribuzione degli edifici nell'area di studio rispetto a CBRA. Il nostro lavoro ha un potenziale immenso nel facilitare la valutazione dell'esposizione per studi sui rischi di catastrofi in quest'area. Background & Summary L'avvento dell'era digitale ha aumentato la domanda di dati affidabili sulla distribuzione e sugli attributi degli edifici. I dati sulla distribuzione degli edifici forniscono importanti informazioni spaziali non solo sugli edifici ma anche sulla popolazione e sui beni fisici, servendo come buon proxy per l'attività umana. Negli ultimi decenni, i dati sulla distribuzione degli edifici sono stati ampiamente utilizzati nel monitoraggio dello sviluppo urbano e rurale, nella comprensione degli impatti dell'urbanizzazione sulla sicurezza alimentare, sulla biodiversità, sul cambiamento climatico e sul benessere e sulla salute pubblica, nella formulazione di strategie di sviluppo regionale e nella protezione degli ecosistemi urbani e rurali. L'avanzamento delle immagini satellitari e aeree, insieme ai recenti progressi negli algoritmi di machine learning e deep learning, ha potenziato la disponibilità di dati sulla distribuzione degli edifici. I dati sulla distribuzione degli edifici sono stati forniti in formato raster come parte dei dati di uso/copertura del suolo. L'ultima versione rilasciata include tre prodotti globali di uso/copertura del suolo a 10 m basati sui satelliti Sentinel, vale a dire Dynamic World (DW) di Google, Esri's 2020 Land Cover e World Cover 2020 (WC) dell'Agenzia Spaziale Europea (ESA). Oltre alle informazioni sulla distribuzione spaziale, i ricercatori stanno anche cercando di allegare informazioni sugli attributi ai pixel degli edifici, come l'altezza degli edifici. Ad esempio, He et al. hanno utilizzato la fusione di dati di telerilevamento multisorgente per costruire il primo dataset globale di espansione urbana tridimensionale spaziale e temporale a risoluzione 30 m, coprente il periodo dal 1990 al 2010. Nonostante il continuo miglioramento della risoluzione spaziale, i dati sulla distribuzione degli edifici basati su raster non riescono ancora a descrivere gli oggetti spaziali, e l'aumento della risoluzione aumenta notevolmente i costi di archiviazione e di calcolo. I dati sulla distribuzione degli edifici in formato vettoriale, noti anche come tetti di edifici vettorializzati o impronte di edifici, sono i dati di contorno di un edificio proiettato sul terreno in vista aerea, che forniscono informazioni come la posizione geografica, l'estensione spaziale dei confini e l'impronta di un singolo edificio. I fornitori di servizi pubblici (ad es. Google Earth e OpenStreetMap) forniscono dati vettoriali aperti sui tetti degli edifici con ampia copertura, aggiornamenti rapidi e basso costo. Nel 2022, Microsoft Corporation ha utilizzato la segmentazione semantica basata su reti neurali profonde per estrarre i contorni di 777 milioni di edifici, alcuni dei quali contenenti attributi di altezza degli edifici, basati su Bing Maps (incluse immagini Maxar e Airbus) dal 2014 al 2021 per ogni continente al di fuori della Cina. Il 30 maggio 2023, Google ha rilasciato un dataset di 1,8 miliardi di contorni di edifici estratti da immagini satellitari ad alta risoluzione di 0,5 m, coprendo un'area di 58 milioni di km². La bassa ridondanza e la struttura compatta dei dati vettoriali rappresentati da vertici e percorsi forniscono una maggiore accuratezza geografica indipendente dalla dimensione della mesh, e l'introduzione di regole topologiche migliora ulteriormente l'integrità dei dati vettoriali. A causa dell'aumento della risoluzione delle immagini e della diminuzione dei costi di acquisizione dei dati, insieme ai recenti progressi negli algoritmi di estrazione, la risoluzione e la copertura dei dati sulla distribuzione degli edifici sono in continuo miglioramento. La fattibilità delle immagini a risoluzione molto alta (VHR) ha consentito l'estrazione delle impronte degli edifici mediante l'applicazione di metodi tradizionali basati su caratteristiche artigianali o metodi basati sul deep learning. Poiché il primo approccio affronta la sfida della diversità degli aspetti e delle dimensioni degli edifici, e delle complesse regole empiriche e impostazioni di soglia, è limitato quando applicato a immagini di telerilevamento ad alta risoluzione su larga scala. I metodi basati sul deep learning (ad es. reti neurali convoluzionali) hanno mostrato prestazioni efficaci e superiori nell'apprendimento automatico di caratteristiche di alto livello e discriminanti nella segmentazione di scene di edifici. Sun et al. hanno proposto una strategia di fusione basata su macchine a vettori di supporto paralleli per utilizzare appieno le caratteristiche profonde estratte da strutture di reti neurali convoluzionali multi-scala a diverse scale, con prestazioni superiori nell'estrazione di edifici complessi in aree urbane. Ciononostante, quando si segmentano gli edifici, l'accuratezza del modello è più probabile che sia limitata dalla qualità dei campioni di addestramento, rendendo difficile l'estrapolazione. L'uso insufficiente di semantica di alto livello e l'omissione di dettagli di basso livello nei modelli profondi, con conseguente sfocatura dei bordi e omissione di piccoli edifici, ostacolano anche l'applicazione del deep learning nell'estrazione delle impronte degli edifici. La regione dell'altopiano del Qinghai-Tibet è l'area più elevata del mondo, con un'altitudine media di oltre 4000 metri sul livello del mare e copre un'area di 2,5 milioni di km². Più di 10 milioni di persone abitano la regione nonostante il suo clima estremo, gli inverni freddi e lunghi, le grandi differenze di temperatura annuali e diurne e i poveri ambienti termici interni. Sebbene questa regione sia la più grande barriera ecologica in Cina, l'attività umana ha considerevolmente influenzato il suo vulnerabile eco-ambiente. Questa regione è anche estremamente soggetta a catastrofi, con terremoti, frane, colate detritiche, inondazioni da rottura di laghi glaciali e disastri da neve che causano perdite di vite umane e danni materiali. Di conseguenza, dati accurati sulla distribuzione degli edifici sono fondamentali per modellare la distribuzione dell'attività umana per lo studio accoppiato uomo-ambiente, nonché per l'analisi dell'esposizione e del rischio per i disastri naturali. Inoltre, questa regione ha lunghe ore di sole, abbondanti risorse di energia solare e sufficienti superfici di raccolta di energia solare come tetti e spazi aperti. Dati ad alta risoluzione sulla distribuzione degli edifici rurali potrebbero fornire un database affidabile per valutare il potenziale fotovoltaico e migliorare efficacemente gli standard di vita di coloro che vivono nelle aree rurali. Essendo una regione sottosviluppata, l'altopiano del Qinghai-Tibet e le aree circostanti non dispongono ancora di un set completo di dati vettoriali di tetti di edifici ad alta precisione, a causa della loro vasta area, della scarsa distribuzione degli edifici, della posizione remota e dei vincoli di risorse. I dati più pronti all'uso sono quelli forniti su scala nazionale della Cina, che includono i dati sull'area dei tetti degli edifici della Cina a griglia 2,5 m (CBRA, Liu et al., 2023b) e la prima mappa nazionale di copertura del suolo della Cina con risoluzione 1 m (SinoLC) che include categorie di edifici. Questi dati raster non sono in grado di caratterizzare gli oggetti spaziali e richiedono grandi risorse di archiviazione. I dati sull'area dei tetti vettorializzati per 90 città principali in Cina rilasciati da Zhang et al. hanno parzialmente colmato questa lacuna; tuttavia, solo 14 città nell'altopiano del Qinghai-Tibet sono state incluse in questo dataset, e i dati vettoriali sui tetti degli edifici sono ancora assenti per un'area di 2 milioni di km². Pertanto, questo studio mira a generare impronte vettoriali dei tetti degli edifici dell'altopiano del Qinghai-Tibet e delle sue regioni circostanti incorporando immagini satellitari ad alta risoluzione e algoritmi di deep learning. Il nostro dataset è stato convalidato utilizzando campioni di test comprendenti griglie di 250 × 1 km² in varie sottoregioni, ottenendo un'accuratezza complessiva del 91,92% e un punteggio F1 del 64,81%. Metodi Framework In questo studio, abbiamo utilizzato algoritmi di estrazione di edifici dalla piattaforma AI Earth per generare un dataset vettoriale di tetti di edifici per l'altopiano del Qinghai-Tibet e la sua regione circostante in Cina (Fig.). Le componenti principali del nostro framework includevano: (1) preparazione e pre-elaborazione dei dati satellitari e ausiliari; (2) estrazione vettoriale dei tetti degli edifici utilizzando la piattaforma AI Earth; (3) validazione utilizzando dati vettoriali manuali dei tetti. Il framework per l'estrazione e la validazione dei tetti degli edifici. Area di studio Questo studio si è concentrato principalmente sull'altopiano del Qinghai-Tibet e sulle regioni circostanti nel sud-ovest della Cina nell'ambito del quadro generale della Seconda Spedizione Scientifica e Ricerca sull'Altopiano Tibetano; geograficamente, include la Regione Autonoma del Tibet, le Province del Qinghai, la Provincia dello Yunnan occidentale, la Provincia del Sichuan occidentale, la Provincia del Gansu sudoccidentale e la Regione Autonoma dello Xinjiang meridionale. L'altitudine media dell'area di studio è di 4000 metri sul livello del mare. La distribuzione della popolazione e degli edifici nell'area di studio è fortemente influenzata dall'altitudine e dal clima (Fig.), concentrandosi principalmente a est della linea che va dalla contea di Jilong in Tibet alla contea di Qilian in Qinghai; a est, sono distribuiti densamente nelle aree pianeggianti ai margini orientali della regione, comprese le valli fluviali nella provincia dello Yunnan, nella provincia del Sichuan occidentale e nel bacino del fiume Giallo Xining-Lanzhou. Nella superficie dell'altopiano a ovest della linea, la popolazione e gli edifici sono per lo più distribuiti con aree agro-pastorali limitate lungo le principali valli fluviali e lungo i corridoi di traffico stradale. Area di studio (dati sulla popolazione da LandScan; DEM da Resource and Environment Science and Data Centre). Immagini satellitari Dati di immagini satellitari ad alta risoluzione ad accesso aperto sono stati ottenuti da Rivermap Co. (), che sono stati ottenuti dall'integrazione di immagini satellitari e dati aerei di Google Earth. Tra questi, le immagini satellitari provengono principalmente dai satelliti commerciali QuickBird e WorldView di DigitalGlobe, e le fotografie aeree provengono da BlueSky nel Regno Unito e Sanborn negli Stati Uniti. Per ogni località, c'erano raccolte di immagini multiple con risoluzioni fino a 0,15 m in aree localizzate. Tale integrazione di dati è stata ampiamente utilizzata per il riconoscimento di oggetti in scene complesse e ha il potenziale per la mappatura su larga scala e ad alta risoluzione dei tipi di oggetti. L'area totale della nostra area di studio è di 3,06 milioni di km², e la dimensione stimata dei dati di immagini satellitari è di 29,4 TB, con una risoluzione spaziale di 0,6 m. Considerando queste scale, sono stati creati dei reticolati di 0,175° × 0,175° per la nostra area di studio per consentire pacchetti di dimensioni più piccole per il download, con un totale di 10.033 reticolati utilizzati per coprire l'intera area di studio. Il numero effettivo di reticolati scaricati è stato inferiore, pari a 5921, per due motivi. Primo, poiché gran parte dell'area di studio comprende aree residenziali non abitate dall'uomo dove non esistono edifici, abbiamo escluso arbitrariamente i reticolati senza pixel di aree edificate dal prodotto ESA World Cover. Secondo, sono state escluse anche le città/prefetture i cui dati sui tetti vettorializzati (cioè Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong e Yuxi) sono stati recuperati nei dati sull'area dei tetti vettorializzati per 90 città in Cina. Le immagini sono state scaricate tra settembre 2022 e gennaio 2023, con una risoluzione di 0,6 m, una dimensione di frame singolo di circa 3 GB e una dimensione totale di 2,72 TB. Le immagini scaricate sono state principalmente scattate dal 2019 al 2021, ma le immagini di alcune aree remote potrebbero essere state scattate già nel 2001 (Fig.). Reticolati per il download delle immagini e tempo di scatto delle immagini. Dati ausiliari I nostri dati ausiliari includevano mappe di copertura del suolo ad alta risoluzione, modello digitale di elevazione (DEM), indice di vegetazione normalizzato (NDVI) e dati di distribuzione della popolazione per successive analisi di cluster a scopo di campionamento (Tabella). Per la copertura del suolo e le aree edificate, il prodotto ESA World Cover di Zanaga et al. è stato ottenuto da Zenodo (). Il prodotto è stato generato sulla base di immagini satellitari Sentinel 1 e Sentinel 2 per l'intero anno 2020 e un campione di 141.000 località uniche distribuite in tutto il mondo, addestrato con l'algoritmo random forest, per rappresentare la copertura del suolo globale nel 2020; ha un vantaggio nel rappresentare elementi del paesaggio su piccola scala (ad es. aree edificate e paesaggi agricoli complessi), poiché considera un'unità minima di mappatura relativamente piccola. La categoria "edificata" nel dataset si riferisce al terreno coperto da edifici, strade e altre strutture artificiali (ad es. ferrovie) ma esclude gli spazi verdi urbani (ad es. parchi e impianti sportivi), i depositi di discarica e i siti minerari. I dati DEM a 1 km e i dati NDVI sono stati ottenuti dal Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences (). I dati DEM sono ricampionati dai dati SRTM V4.1 più recenti (), e i dati NDVI sono mosaici basati sui prodotti SPOT/VEGETATION PROBA-V da 1 km (). Abbiamo scelto i dati NDVI del 2021 per rappresentare la vegetazione sull'altopiano del Qinghai-Tibet (). I dati di densità della popolazione sono stati ottenuti dal database LandScan () per l'analisi delle statistiche vitali globali sviluppata dal National Laboratory dell'Oak Ridge del Dipartimento dell'Energia degli Stati Uniti e forniti da East View Cartographic (); questi dati sono generati combinando scienze geospaziali, tecnologia di telerilevamento e algoritmi di machine learning, rappresentando uno dei database di analisi statistica dinamica della popolazione globale più accurati e affidabili basati sulla posizione geografica, con una risoluzione superiore a 1 km. Abbiamo utilizzato la distribuzione della popolazione nel 2021 per le successive analisi di cluster. Pre-elaborazione dei dati La distribuzione della popolazione e degli edifici è sparsa per la maggior parte della nostra area di studio, con oltre il 99,5% dell'area di studio classificata come aree non edificate secondo il prodotto ESA World Cover. Per accelerare la nostra estrazione, sono state prima generate maschere dell'area di potenziale distribuzione degli edifici per ogni reticolato di 0,175° × 0,175° prima dell'estrazione. Sulla base della categoria "Edificata" nei dati World Cover, è stata generata una zona cuscinetto di 1 km attorno a ogni pixel di area edificata come potenziale area di distribuzione degli edifici. Dopo aver testato diverse larghezze di zone cuscinetto, abbiamo scoperto che una larghezza di 1 km poteva ospitare il 96% dei pixel degli edifici segnalati nei prodotti CBRA del 2020. La maschera ci ha permesso di escludere l'86% dell'area totale delle immagini scaricate, risparmiando di conseguenza un tempo di calcolo considerevole. Abbiamo analizzato il buffer utilizzando una sovrapposizione con i reticolati generati per escludere i reticolati che non contenevano edifici. Le immagini sono state quindi nuovamente ritagliate con i buffer, e quindi l'algoritmo di estrazione degli edifici è stato applicato alle immagini ritagliate. Estrazione vettoriale dei tetti degli edifici L'algoritmo di estrazione vettoriale dei tetti degli edifici utilizzato in questo studio proviene dalla piattaforma AliCloud AI Earth (), che combina un metodo di segmentazione basato sul deep learning con un metodo di segmentazione basato sul watershed per costruire un framework di segmentazione delle istanze di edifici - doppio decoder per la segmentazione watershed. Questo algoritmo aggiunge un compito di segmentazione dei bordi al compito di segmentazione semantica, e utilizza l'algoritmo watershed per pre-elaborare i risultati della predizione dei due compiti durante la predizione, ottenendo il risultato finale di estrazione degli edifici. La rete neurale PointRend proposta da Kirillov et al. è utilizzata per prima, che tratta la segmentazione delle immagini come un problema di rendering e impiega un algoritmo di segmentazione iterativo che campiona selettivamente punti non uniformi per una segmentazione accurata, poiché punti seme più stabili e accurati appresi dalla rete neurale possono fornire modelli di segmentazione semantica finemente ottimizzati per strutture e caratteristiche chiave dell'edificio. Successivamente, viene utilizzata una segmentazione watershed flessibile per il post-processing, che è in grado di adattarsi a oggetti con diverse morfologie e caratteristiche. L'algoritmo raggiunge un'accuratezza di conteggio >90% e un'accuratezza di stima dell'area >85% nei test di validazione basati su campioni vettoriali manuali in diverse regioni della Cina, vincendo il secondo posto nella competizione di segmentazione di edifici con immagini SAR all-weather SpaceNet6. Rispetto a Mask Region-CNN, l'algoritmo migliora la media precision media di 11 punti percentuali. Record dei dati L'algoritmo di estrazione vettoriale dei tetti degli edifici utilizzato in questo studio può essere chiamato sulla piattaforma AI Earth (). Il nostro dataset è disponibile presso il National Tibetan Plateau Data Centre, accessibile all'indirizzo. Tutti i dati sono ottenuti utilizzando il sistema di coordinate GCS_ WGS_ 1984 e impacchettati in file .rar (Tabella). I dati generati sui contorni degli edifici basati sull'IA (Fig.) sono organizzati a livello provinciale secondo il loro nome, includendo Gansu, Guizhou, Qinghai, Sichuan, Xinjiang, Xizang e Yunnan. Inoltre, i dati delle immagini della corrispondente griglia di 250 km² e i dati di verifica disegnati manualmente dalle fonti originali sono stati caricati anche in 'image_1km.rar' e 'test_1km.rar'. L'anno di acquisizione dell'immagine nella Fig. è in 'image_time.rar'. Risultati dell'estrazione. Validazione tecnica Preparazione dei dati di validazione basata su campionamento stratificato È stata effettuata la vettorializzazione manuale dei tetti degli edifici per derivare dati sui tetti degli edifici "ground-truth" per scopi di validazione. A causa della vasta area del nostro studio, così come delle sostanziali differenze regionali in termini di altitudine, morfologia del terreno, tipo di vegetazione e tipo di edificio, abbiamo utilizzato un approccio di campionamento stratificato invece di un campionamento casuale per ottenere un campione bilanciato in termini di diverse sottoregioni. Abbiamo eseguito il clustering K-means sui 5921 reticolati basandoci su cinque indicatori: area edificata, NDVI medio, densità di popolazione, altitudine media e deviazione standard dell'altitudine. Il K-means clustering è un algoritmo di clustering basato sulla distanza euclidea, in cui quanto più ravvicinata è la distanza tra le caratteristiche di due bersagli, tanto maggiore è la somiglianza. Dopo aver standardizzato i dati sottraendo la media e dividendo per la deviazione standard, il metodo del gomito è stato utilizzato per selezionare il numero più adatto di categorie. Durante il processo, quando il numero di categorie è stato aumentato a cinque, la velocità di diminuzione della somma dei quadrati degli errori è diminuita rapidamente. Pertanto, abbiamo raggruppato i 5921 reticolati in cinque categorie per le analisi successive (Tabella, Fig.). Mappa di zonizzazione geografica e reticolati per la creazione del dataset di validazione. Cluster I (superficie dell'altopiano e zona a bassa densità edilizia) copre una vasta area sulla superficie dell'altopiano del Qinghai-Tibet - con l'area più ampia e il terreno più pianeggiante - ed è caratterizzato da alta altitudine, bassa popolazione, bassa copertura vegetale e bassa area edificata. I reticolati nel Cluster II (alta altitudine e zona a densità edilizia medio-bassa) si trovano principalmente nelle regioni di confine del Qinghai, del Sichuan e del Tibet, e sono per lo più coperti da prati alpini e arbusti, e principalmente le sorgenti dei grandi fiumi in Cina. Tuttavia, le condizioni climatiche del Cluster II sono relativamente difficili, con conseguente popolazione ed edifici relativamente sparsi qui. I reticolati nel Cluster III (maggiore rilievo del terreno e zona a densità edilizia media) hanno la maggiore variabilità di altitudine, situati principalmente nella zona di transizione topografica attorno all'altopiano. Il Cluster IV (media-bassa altitudine e zona a densità edilizia medio-alta) include principalmente le province del Gansu e dello Yunnan nella parte orientale dell'altopiano del Qinghai-Tibet, con altitudine relativamente bassa, vegetazione lussureggiante, e densa popolazione ed edifici. Il Cluster V (bassa altitudine e zona ad alta densità edilizia) ha il minor numero di reticolati ma la maggiore area urbana, la più bassa altitudine media, e le più alte densità di popolazione ed edifici. Un totale di 250 reticolati sono stati quindi selezionati sulla base della divisione in cluster; all'interno di ogni reticolato, è stata utilizzata una griglia di 1 km² per preparare i dati ground truth per la validazione dell'accuratezza, che ha prodotto un tasso di campionamento del 4,22% (250/5921 reticolati) o dello 0,093% (250 km²/267904 km² maschera buffer). Il numero dei reticolati campionati selezionati per ciascun cluster è proporzionale alla sua dimensione totale. All'interno di ciascun cluster, abbiamo dato la priorità ai reticolati con una grande area edificata nel prodotto ESA World Cover. Durante questo processo, abbiamo anche cercato di evitare di selezionare reticolati vicini in modo che il campione potesse garantire una migliore copertura spaziale. La distribuzione finale dei reticolati selezionati è mostrata nella Fig.. Ogni reticolato campionato è stato quindi diviso in griglie da 1 km², e la griglia con la maggiore area edificata secondo il prodotto ESA World Cover è stata selezionata per la vettorializzazione manuale dei tetti degli edifici. Infine, abbiamo ottenuto un totale di 149.035 edifici delineati manualmente con un'area totale di 24,65 km². Risultato della validazione Abbiamo utilizzato un approccio quantitativo per convalidare i nostri risultati di estrazione, facendo riferimento a un sistema di valutazione gerarchico multicriterio per la valutazione degli edifici estratti da dati di telerilevamento (Zeng et al.). Sulla base dei dati vettoriali manuali dei tetti degli edifici, le metriche del tasso di corrispondenza (Tabella) dei griglie di 250 × 1 km², tra cui accuratezza complessiva (OA), precisione, richiamo e punteggio F1 per la valutazione della precisione, sono state calcolate sulla base della matrice di confusione. L'OA del nostro risultato è dell'87%, indicando che il nostro dataset ha un'alta credibilità nell'estrarre edifici ed escludere sfondi (Tabella). Tuttavia, un punteggio di precisione del 50,1% indica che circa la metà delle aree dei tetti degli edifici estratti sono errate, il che è principalmente dovuto a predizioni errate dello spazio tra gli edifici in aree ad alta densità edilizia (ad es. in aree edificate ad alta densità dove lo spazio tra gli edifici è ridotto). Il richiamo dei nostri risultati è di circa il 92%, il che significa che i tetti degli edifici vettorializzati manualmente possono essere in gran parte estratti dall'algoritmo. I nostri risultati sono stati leggermente migliori di CBRA e dei dati sull'area dei tetti vettorializzati per 90 città in Cina. Rispetto al nostro risultato, sulla base del nostro dataset di validazione, CBRA ha un OA comparabile ma precisione, richiamo e punteggio F1 relativamente bassi. I dati sull'area dei tetti vettorializzati per 90 città in Cina sono stati riportati con un OA dell'83,4% e un richiamo del 79,0%, che potrebbe essere dovuto al modello di segmentazione semantica delle immagini che utilizzava non disponeva di un modulo di estrazione specializzato. Le prestazioni della nostra estrazione differivano per cluster di reticolati, suggerendo le sfide nel distinguere i tetti dallo sfondo ambientale e dimostrando la logica dell'adozione del campionamento stratificato nella validazione (Tabella). Ci sono differenze evidenti nell'OA e nel richiamo tra i cluster. In generale, l'OA diminuisce ma il richiamo diminuisce con la diminuzione dell'altitudine