AIが世界で最も遠隔な地域の一つで1300万棟の建物をマッピング

著者: Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu 概要 大規模高精度建築分布データは、地域都市計画、資源配分、災害リスク研究にとって重要な基盤となります。青海・チベット高原は世界の第三極です。青海・チベット高原における地域の人と環境の相互作用の理解は極めて重要ですが、その広大さと遠隔性から高解像度の建築物フットプリントデータが不足しているため、これまで困難でした。本研究では、高解像度のGoogle画像とAI Earthプラットフォームの建築輪郭抽出アルゴリズムを使用して、青海・チベット高原とその周辺地域の初のベクトル化された建築物屋根プリントを生成しました。結果として、6092.7 km2をカバーする1309万棟の建築物が得られ、合計250 x 1 km2のテストサンプルで検証されました。データは、全体精度87%、リコール91.9%、F1スコア64.8%を達成し、CBRAと比較して研究地域の建築物分布の高度な記述を提供しました。本研究は、この地域における災害リスク研究のためのエクスポージャー評価を促進する上で、計り知れない可能性を秘めています。 背景と概要 デジタル時代の到来により、信頼性の高い建築物分布と属性データに対する需要が増加しています 、 、 。建築物分布データは、建築物だけでなく、人口や物理的資産の重要な空間情報を提供します 。これは人間の活動の良い代理となります。過去数十年間、建築物分布データは、都市および農村開発の監視 、 、食料安全保障、生物多様性、気候変動、公衆衛生への都市化の影響の理解 、 、地域開発戦略の策定、都市および農村生態系の保護 、 、 に広く使用されてきました。 1 2 3 4 5 6 7 8 9 10 11 衛星ベースおよび航空ベースの画像、および最近の機械学習と深層学習アルゴリズムの進歩により、建築物分布データの利用可能性が高まっています 、 、 。建築物分布データは、土地利用/被覆データの一部としてラスター形式で提供されています。最新のリリースには、Sentinel衛星に基づく3つの10mグローバル土地利用/被覆製品が含まれています。すなわち、GoogleのDynamic World (DW) 、Esriの2020 Land Cover 、および欧州宇宙機関（ESA）のWorld Cover 2020 (WC) です。空間分布情報に加えて、研究者は建築物ピクセルに建築物の高さ などの属性情報も付与しようとしています。例えば、Heら は、マルチソースリモートセンシングデータ融合を使用して、1990年から2010年をカバーする世界初の30m解像度の都市3次元空間・時間スプロールデータセットを構築しました。空間解像度の継続的な改善にもかかわらず、ラスターベースの建築物分布データは依然として空間オブジェクトを記述できません 。また、解像度の増加はストレージとコンピューティングコストを大幅に増加させます 。 12 13 14 15 16 17 14 7 18 12 ベクトル形式の建築物分布データ、またはベクトル化された建築物屋根または建築物フットプリントとしても知られるものは、上空からの視点でお地面に投影された建築物の輪郭データです 、 。これは、個々の建築物の地理的位置、境界の空間範囲、およびフットプリントに関する情報を提供します。Google EarthやOpenStreetMapなどの公開サービスプロバイダーは、広範なカバレッジ、迅速な更新、低コストで、公開アクセス可能なベクトル化された建築物屋根データを提供しています 、 、 。2022年には、Microsoft Corporationは、Bing Maps（MaxarおよびAirbusの画像を含む）から2014年から2021年までの、中国を除くすべての大陸の7億7700万棟の建築物の輪郭を抽出するために、深層ニューラルネットワークベースのセマンティックセグメンテーションを使用しました。2023年5月30日、Googleは、5800万km2の面積をカバーする0.5m高解像度衛星画像から抽出された18億棟の建築物輪郭のデータセットをリリースしました。頂点とパスで表されるベクトルデータの低い冗長性とコンパクトな構造は、メッシュサイズに依存しない高い地理的精度を提供し、トポロジカルルールの導入はベクトルデータの完全性をさらに向上させます 。 19 20 21 22 23 13 画像解像度の向上とデータ取得コストの低下、および抽出アルゴリズムの最近の進歩により、建築物分布データの解像度とカバレッジは継続的に向上しています 。超高解像度（VHR）画像の実現可能性は、従来のハンドクラフト特徴ベースの手法 または深層学習ベースの手法 の適用による建築物フットプリントの抽出を可能にしました。前者のアプローチは、建築物の外観とサイズの多様性、および複雑な経験則と閾値設定の課題に直面するため、大規模高解像度リモートセンシング画像への適用は限定的です 。深層学習ベースの手法（例：畳み込みニューラルネットワーク）は、建築物シーンセグメンテーションにおける高レベルで識別性の高い特徴を自動的に学習する上で効果的で優れたパフォーマンスを示しています。Sunら は、異なるスケールでマルチスケール畳み込みニューラルネットワーク構造から抽出された深層特徴を完全に活用するために、並列サポートベクターマシンに基づく融合戦略を提案し、都市部での複雑な建築物の抽出において優れたパフォーマンスを発揮しました。それにもかかわらず、建築物のセグメンテーションにおいて、モデルの精度はトレーニングサンプルの品質によって制約される可能性が高く、外挿が困難になります。深層モデルでの高レベルセマンティクスの不十分な使用と低レベル詳細の省略は、エッジのぼやけや小規模建築物の見落としにつながり、深層学習の建築物フットプリント抽出への応用を妨げます。 24 25 13 26 27 青海・チベット高原地域は、標高が平均4000メートル以上で、面積が250万km2の、世界で最も標高の高い地域です 。この地域は極端な気候、寒冷で長い冬、大きな年・日較差、劣悪な室内熱環境にもかかわらず、1000万人以上が居住しています。この地域は中国最大の生態学的障壁ですが 、人間の活動は脆弱な生態環境にかなりの影響を与えています 。この地域はまた、地震、地滑り、泥流、氷河湖決壊洪水、雪害による人命や財産の損失 、 、 により、極めて災害が発生しやすい地域でもあります。これに対応するため、正確な建築物分布データは、人間と環境の連動研究 、 のための人間の活動分布のモデリング、および自然災害の暴露とリスク分析 、 に不可欠です。さらに、この地域は日照時間が長く、豊富な太陽エネルギー資源、および屋根やオープンスペースのような十分な太陽エネルギー収集面があります 、 。高解像度の農村建築物分布データは、太陽光発電の可能性を評価し、農村地域に住む人々の生活水準を効率的に向上させるための信頼できるデータベースを提供する可能性があります 、 。 28 29 30 31 32 33 34 35 36 37 38 39 40 41 未開発地域である青海・チベット高原とその周辺地域では、その広大な面積、まばらな建築物分布、遠隔地、およびリソースの制約により、依然として高精度のベクトル化された建築物屋根データセットが完全には整備されていません。最もすぐに利用できるデータは、中国全土を対象とするもので、2.5mグリッドのChina Building Rooftop Areaデータ（CBRA、Liuら、2023b）や、建築物カテゴリを含む中国初の1m解像度の全国土地被覆マップ（SinoLC）などがあります 。これらのラスターデータは空間オブジェクトを特徴付けることができず、大量のストレージリソースを必要とします。Zhangら がリリースした中国の90主要都市のベクトル化された屋根面積データは、このギャップを部分的に埋めましたが、青海・チベット高原の都市はわずか14都市しか含まれておらず、200万km2の地域では依然としてベクトル化された建築物屋根データが不足しています。 42 13 したがって、本研究では、高解像度衛星画像と深層学習アルゴリズムを組み合わせて、青海・チベット高原とその周辺地域のベクトル化された建築物屋根プリントを生成することを目的としています。当社のデータセットは、さまざまなサブ地域にわたる250 x 1 km2のグリッドを使用したテストサンプルで検証され、全体精度91.92%、F1スコア64.81%を達成しました。 方法 フレームワーク 本研究では、AI Earthプラットフォームの建築物抽出アルゴリズムを利用して、青海・チベット高原とその周辺地域（図 ）のベクトル化された建築物屋根データセットを生成しました。当社のフレームワークの主要コンポーネントは次のとおりです。（1）衛星データと補助データの準備と前処理。（2）AI Earthプラットフォームを使用したベクトル化された建築物屋根の抽出。（3）手動によるベクトル化された屋根データを使用した検証。 1 建築物屋根の抽出と検証のためのフレームワーク。 研究地域 本研究は、主に第二次チベット高原科学探査・研究プログラム の一般的な枠組みの下で、中国南西部にある青海・チベット高原とその周辺地域に焦点を当てています。地理的には、チベット自治区、青海省、雲南省西部、四川省西部、甘粛省南西部、および新疆ウイグル自治区南部が含まれます。研究地域の平均標高は海抜4000メートルです。研究地域の人口と建築物の分布は、標高と気候（図 ）に大きく影響されます。主に、チベットのジロン県から青海のチーリエン県を結ぶ線の東側に集中しています 。東側では、雲南省、四川省西部、および西寧・蘭州黄河盆地の河谷地帯を含む、地域東端の平野部に密集しています。線より西の高原表面では、人口と建築物は主に、主要な河谷沿いの限られた農牧地域、および道路交通回廊に沿って分布しています。 43 2 44 研究地域（人口データはLandScanから、DEMは資源環境科学データセンターから取得）。 衛星画像 オープンアクセス高解像度衛星画像データはRivermap Co.（ ）から取得されました。これは、Google Earthの衛星画像と航空データの統合によって得られたものです。その中でも、衛星画像は主にDigitalGlobeのQuickBirdおよびWorldView商用衛星から、航空写真は英国のBlueSkyおよび米国のSanbornから取得されています 。各場所について、局所的な地域では最大0.15mの解像度の複数の画像コレクションがありました。このようなデータ統合は、複雑なシーンでの物体認識 、 、 、 に広く使用されており、大規模高解像度マッピングの対象タイプ に可能性があります。 http://www.rivermap.cn/index.html 45 46 47 48 49 50 当社の研究地域の総面積は306万km2であり、衛星画像データの推定サイズは29.4TB、空間解像度は0.6mです。これらの規模を考慮して、研究地域全体をカバーするために合計10,033個の0.175°x 0.175°のフィッシュネットが作成され、小規模なパッケージでのダウンロードが可能になりました。ダウンロードされたフィッシュネットの実際の数は、2つの理由で5921個と少なくなりました。第一に、研究地域の大部分は建築物が存在しない非居住地域であるため、ESA World Cover製品に建築物ピクセルを含まないフィッシュネットを任意に除外しました。第二に、中国の90都市のベクトル化された屋根面積データ でベクトル化された屋根面積データが取得されている都市/県（すなわち、ラサ、シャンナン、昆明、西寧、海東、張掖、白銀、蘭州、成都、大理、麗江、昆明、昭通、玉溪）も除外されました。画像は2022年9月から2023年1月にかけてダウンロードされ、解像度は0.6m、単一フレームサイズは約3GB、総サイズは2.72TBでした。ダウンロードされた画像は主に2019年から2021年のものですが、一部の遠隔地の画像は2001年まで遡る可能性があります（図 ）。 13 3 画像ダウンロードのためのフィッシュネットと画像撮影時間。 補助データ 当社の補助データには、サンプリングのための後続のクラスター分析を目的とした、高解像度土地被覆マップ、デジタル標高モデル（DEM）、正規化差植生指数（NDVI）、および人口分布データが含まれていました（表 ）。 1 土地被覆と建築物エリアについては、Zenodo（ ）からZanagaら のESA World Cover製品を取得しました。この製品は、Sentinel 1およびSentinel 2衛星画像に基づいて2020年全体と世界中に分布する141,000のユニークな場所のサンプルから生成され、ランダムフォレストアルゴリズムでトレーニングされ、2020年のグローバル土地被覆を表しています。最小マッピングユニットが比較的少ないため、建築物エリアや複雑な農業景観などの微細な景観要素を表すのに有利です 。データセットの「建築物」カテゴリは、建築物、道路、その他の人工構造物（線路など）で覆われた土地を指しますが、都市の緑地（公園やスポーツ施設など）、埋立地、鉱山サイトは除外されます 。 https://zenodo.org/records/5571936 17 51 17 1km DEMデータとNDVIデータは、中国科学院地球科学・資源研究所の資源環境科学データセンター（ ）から取得されました。DEMデータは最新のSRTM V4.1データ からリサンプリングされ、NDVIデータはSPOT/VEGETATION PROBA-V 1km製品 に基づいてモザイク処理されています。青海・チベット高原の植生を表すために2021年のNDVIデータを使用しました（ ）。人口密度データは、米国エネルギー省オークリッジ国立研究所によって開発されたグローバルな生命統計分析のためのLandScanデータベース（ ）から取得され、East View Cartographic（ ）によって提供されています。このデータは、地理情報科学、リモートセンシング技術、および機械学習アルゴリズムを組み合わせて生成されており、地理的位置に基づいた最も正確で信頼性の高いグローバル人口動態統計分析データベースの1つであり、1kmの優れた解像度を持っています 。後続のクラスター分析のために2021年の人口分布を使用しました。 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 データ前処理 当社の研究地域の大部分では、人口と建築物の分布は散在しており、ESAのWorld Cover製品 によると、研究面積の99.5%以上が非建築物エリアに分類されています。抽出を迅速化するために、抽出前に各0.175°x 0.175°フィッシュネットに対して潜在的な建築物分布エリアのマスクが最初に生成されました。World Coverデータの「建築物」カテゴリに基づいて、各建築物ピクセルを囲む1kmのバッファゾーンが潜在的な建築物分布エリアとして生成されました。いくつかのバッファゾーン幅をテストした後、1kmの幅で、2020年のCBRA製品で報告された建築物ピクセルの96%を収容できることがわかりました。このマスクにより、ダウンロードされた画像全体の86%を除外でき、計算時間を大幅に節約できました。生成されたフィッシュネットとのオーバーレイを使用してバッファを分析し、建築物を含まないネットを除外しました。その後、画像をバッファで再度クロップし、クロップされた画像に建築物抽出アルゴリズムを適用しました。 17 ベクトル化された建築物屋根抽出 本研究で使用されたベクトル化された建築物屋根抽出アルゴリズムは、AliCloud AI Earthプラットフォーム（ ）のものであり、深層学習ベースのセグメンテーション手法とウォーターシェッドベースのセグメンテーション手法を組み合わせて、建築物インスタンスセグメンテーションフレームワークであるdouble decoder for watershed segmentationを構築しています。このアルゴリズムは、セマンティックセグメンテーションタスクに境界セグメンテーションタスクを追加し、ウォーターシェッドアルゴリズムを使用して、予測時に2つのタスクの予測結果を前処理し、最終的な建築物抽出結果を取得します。Kirillovら によって提案されたPointRendニューラルネットワークが最初に（ ）使用され、画像セグメンテーションをレンダリング問題として扱い、非均一な点を選択的にサンプリングして正確なセグメンテーションを行う反復セグメンテーションアルゴリズムを採用しています。これにより、ニューラルネットワークによって学習されたより安定した正確なシードポイントが、建築物の主要な構造と特徴に対して精密に調整されたセマンティックセグメンテーションモデルを提供できます。その後、柔軟なウォーターシェッドセグメンテーションが後処理 、 に使用され、さまざまな形態と特徴を持つオブジェクトに適応できます。このアルゴリズムは、中国のさまざまな地域の手動ベクトル化サンプルに基づいた検証テストで、90%以上のカウント精度と85%以上の面積推定精度を達成し、全天候型SAR画像建築物セグメンテーションコンペティションSpaceNet6で2位を獲得しました。Mask Region-CNNと比較して、平均平均精度が11パーセントポイント向上しました 。 https://engine-aiearth.aliyun.com/#/ 53 53 54 55 56 データレコード 本研究で使用されたベクトル化された建築物屋根抽出アルゴリズムは、AI Earthプラットフォーム（ ）で呼び出すことができます。当社のデータセットは、National Tibetan Plateau Data Centreから入手可能であり、 でアクセスできます。すべてのデータはGCS_WGS_1984座標系を使用して取得され、.rarファイルにパッケージ化されています（表 ）。生成されたAIベースの建築物輪郭データ（図 ）は、甘粛省、貴州省、青海省、四川省、新疆ウイグル自治区、西蔵自治区、雲南省の名前で州レベルで配置されています。さらに、対応する250km2グリッドの画像データと、元のソースからの手動で描画された検証データも、「image_1km.rar」および「test_1km.rar」にアップロードされました。図 の画像取得 https://engine-aiearth.aliyun.com/#/ https://doi.org/10.11888/RemoteSen.tpdc.301170 57 2 4 3