```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 저자: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu 초록 대규모 고정밀 건물 분포 데이터는 지역 도시 계획, 자원 할당 및 재해 위험 연구에 중요한 기반입니다. 칭하이-티베트 고원은 세계의 세 번째 극입니다. 칭하이-티베트 고원의 지역 인간-환경 상호 작용을 이해하는 것은 매우 중요하지만, 지역의 광대함과 고립성으로 인해 고해상도 건물 윤곽 데이터가 부족하여 어려움을 겪고 있습니다. 본 연구에서는 고해상도 Google 이미징과 AI Earth 플랫폼의 건물 윤곽 추출 알고리즘을 사용하여 칭하이-티베트 고원 및 주변 지역의 최초 벡터화된 건물 옥상 윤곽을 생성했습니다. 우리 결과에는 6092.7 km2를 포함하는 1309만 채의 건물이 포함되며, 이는 총 250 x 1 km2의 테스트 샘플로 검증되었습니다. 데이터는 87%의 전반적인 정확도, 91.9%의 재현율, 64.8%의 F1 점수를 기록하여 CBRA에 비해 연구 지역의 건물 분포에 대한 고급 설명을 제공합니다. 우리 작업은 이 지역의 재해 위험 연구에 대한 노출 평가를 촉진하는 데 엄청난 잠재력을 가지고 있습니다. 배경 및 요약 디지털 시대의 도래는 신뢰할 수 있는 건물 분포 및 속성에 대한 데이터 수요를 증가시켰습니다 , , . 건물 분포 데이터는 건물뿐만 아니라 인구 및 물리적 자산에 대한 중요한 공간 정보를 제공합니다 . 최근 수십 년 동안 건물 분포 데이터는 도시 및 농촌 개발 모니터링 , , 도시화가 식량 안보, 생물 다양성, 기후 변화, 공중 보건 및 건강 , , 지역 개발 전략 수립, 도시 및 농촌 생태계 보호 , , 에 미치는 영향을 이해하는 데 널리 사용되었습니다. 1 2 3 4 5 6 7 8 9 10 11 위성 기반 및 항공 이미징의 발전과 함께 기계 학습 및 딥러닝 알고리즘의 최근 발전으로 건물 분포 데이터의 가용성이 향상되었습니다 , , . 건물 분포 데이터는 토지 이용/피복 데이터의 일부로 래스터 형식으로 제공되었습니다. 가장 최신 릴리스에는 Sentinel 위성을 기반으로 하는 세 가지 10m 글로벌 토지 이용/피복 제품, 즉 Google의 Dynamic World (DW) , Esri의 2020 Land Cover , 유럽 우주국(ESA)의 World Cover 2020 (WC) 가 포함됩니다. 공간 분포 정보 외에도 연구자들은 건물 높이 와 같은 속성 정보를 건물 픽셀에 첨부하려고 합니다. 예를 들어, He  . 은 다중 소스 원격 감지 데이터 융합을 사용하여 1990년부터 2010년까지의 기간을 포함하는 세계 최초의 30m 해상도 도시 3차원 시공간 확장 데이터 세트를 구축했습니다. 공간 해상도의 지속적인 개선에도 불구하고 래스터 기반 건물 분포 데이터는 여전히 공간 객체를 설명할 수 없습니다 . 또한 해상도를 높이면 저장 및 컴퓨팅 비용이 크게 증가합니다 . 12 13 14 15 16 17 14 et al 7 18 12 벡터 형식의 건물 분포 데이터, 즉 벡터화된 건물 옥상 또는 건물 윤곽은 위에서 내려다본 건물 평면도를 나타냅니다 , . 이는 단일 건물의 지리적 위치, 공간 범위 및 윤곽에 대한 정보를 제공합니다. Google Earth 및 OpenStreetMap과 같은 공공 서비스 제공업체는 넓은 범위, 빠른 업데이트 및 저렴한 비용으로 무료 액세스 가능한 벡터화된 건물 옥상 데이터를 제공합니다 , , . 2022년 Microsoft Corporation은 Bing Maps(Maxar 및 Airbus 이미징 포함)에서 2014년부터 2021년까지 중국 외 모든 대륙의 7억 7700만 채 건물 윤곽을 추출하기 위해 딥 뉴럴 네트워크 기반 의미론적 분할을 사용했습니다. 2023년 5월 30일, Google은 5800만 km2 면적을 커버하는 0.5m 고해상도 위성 이미지에서 추출한 18억 개의 건물 윤곽 데이터 세트를 발표했습니다. 점과 선으로 표현되는 벡터 데이터의 낮은 중복성과 컴팩트한 구조는 메쉬 크기에 독립적인 더 높은 지리적 정확도를 제공하며, 토폴로지 규칙의 도입은 벡터 데이터의 무결성을 더욱 향상시킵니다 . 19 20 21 22 23 13 이미지 해상도 증가, 데이터 획득 비용 감소, 추출 알고리즘의 최근 발전으로 인해 건물 분포 데이터의 해상도와 범위가 지속적으로 개선되고 있습니다 . 초고해상도(VHR) 이미지의 실현 가능성은 전통적인 수작업 특징 기반 방법  또는 딥러닝 기반 방법 을 사용하여 건물 윤곽을 추출할 수 있게 했습니다. 그러나 이전 접근 방식은 건물의 외관과 크기의 다양성, 복잡한 경험 법칙 및 임계값 설정이라는 문제에 직면하므로 대규모 고해상도 원격 감지 이미지에 적용하는 데 한계가 있습니다 . 딥러닝 기반 방법(예: 컨볼루션 신경망)은 건물 장면 분할에서 고수준의 구별 특징을 자동으로 학습하는 데 효과적이고 뛰어난 성능을 보여주었습니다. Sun  . 은 서로 다른 규모에서 다중 스케일 컨볼루션 신경망 구조에서 추출된 딥 특징을 완전히 활용하기 위해 병렬 지원 벡터 머신 기반 융합 전략을 제안했으며, 도시 지역의 복잡한 건물 추출에 뛰어난 성능을 보였습니다. 그럼에도 불구하고 건물을 분할할 때 모델의 정확도는 훈련 샘플의 품질에 의해 제약을 받을 가능성이 높아 외삽이 어렵습니다. 딥 모델에서 고수준 의미론의 불충분한 사용과 저수준 세부 사항의 생략은 가장자리 흐림과 작은 건물 누락을 초래하여 건물 윤곽 추출에 딥러닝을 적용하는 데 방해가 됩니다. 24 25 13 26 et al 27 칭하이-티베트 고원 지역은 해발 4000미터 이상의 평균 고도를 가진 세계에서 가장 높은 지역이며, 250만 km2의 면적을 차지합니다 . 이 지역은 극심한 기후, 춥고 긴 겨울, 큰 연간 및 일교차, 열악한 실내 열 환경에도 불구하고 1000만 명 이상의 사람들이 거주하고 있습니다. 이 지역은 중국의 가장 큰 생태 장벽 이지만, 인간 활동은 취약한 생태 환경 에 상당한 영향을 미쳤습니다. 이 지역은 또한 지진, 산사태, 이류, 빙하호 범람, 눈 재해로 인한 인명 및 재산 피해 , , 가 발생하는 등 재해에 매우 취약합니다. 이에 대응하여, 정확한 건물 분포 데이터는 복합 인간-환경 연구 , 를 위한 인간 활동 분포 모델링과 자연 재해 노출 및 위험 분석 , 에 매우 중요합니다. 또한, 이 지역은 일조 시간이 길고, 풍부한 태양 에너지 자원, 그리고 옥상 및 열린 공간과 같은 충분한 태양 에너지 수집 표면을 가지고 있습니다 , . 고해상도 농촌 건물 분포 데이터는 광전지 잠재력을 평가하고 농촌 지역 거주자의 생활 수준을 효율적으로 개선하기 위한 신뢰할 수 있는 데이터베이스를 제공할 수 있습니다 , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 저개발 지역인 칭하이-티베트 고원 및 주변 지역은 지역의 광대함, 희박한 건물 분포, 외딴 위치 및 자원 제약으로 인해 여전히 고정밀 벡터화된 건물 옥상 데이터 세트가 완전하지 않습니다. 가장 즉시 사용 가능한 데이터는 중국 전국 규모로 제공되는 2.5m 격자 중국 건물 옥상 면적 데이터(CBRA, Liu  ., 2023b) 및 건물 범주를 포함하는 중국 최초의 1m 해상도 전국 토지 피복 지도(SinoLC) 입니다. 이들 래스터 데이터는 공간 객체를 특성화할 수 없으며 많은 저장 공간이 필요합니다. Zhang  . 이 발표한 중국 90개 주요 도시의 벡터화된 옥상 면적 데이터는 이 격차를 부분적으로 메웠지만, 칭하이-티베트 고원의 14개 도시만 이 데이터 세트에 포함되었으며, 200만 km2 면적에 대한 벡터화된 건물 옥상 데이터는 여전히 누락되었습니다. et al 42 et al 13 따라서 본 연구는 고해상도 위성 이미지와 딥러닝 알고리즘을 통합하여 칭하이-티베트 고원 및 주변 지역의 벡터화된 건물 옥상 윤곽을 생성하는 것을 목표로 합니다. 우리 데이터 세트는 다양한 하위 지역에 걸친 250 x 1 km2 그리드를 포함하는 테스트 샘플을 사용하여 검증되었으며, 91.92%의 전반적인 정확도와 64.81%의 F1 점수를 기록했습니다. 방법 프레임워크 본 연구에서는 AI Earth 플랫폼의 건물 추출 알고리즘을 사용하여 중국 칭하이-티베트 고원 및 주변 지역의 벡터화된 건물 옥상 데이터 세트를 생성했습니다(그림 1) . 우리 프레임워크의 주요 구성 요소는 다음과 같습니다: (1) 위성 데이터 및 보조 데이터 준비 및 전처리; (2) AI Earth 플랫폼을 이용한 벡터화된 건물 옥상 추출; (3) 수동 벡터화된 옥상 데이터를 이용한 검증. 1    건물 옥상 추출 및 검증 프레임워크. 연구 지역 본 연구는 주로 칭하이-티베트 고원 및 주변 지역에 초점을 맞추었으며, 지리적으로 티베트 자치구, 칭하이성, 서부 윈난성, 서부 쓰촨성, 남서부 간쑤성, 남부 신장 자치구 를 포함합니다. 연구 지역의 평균 고도는 해발 4000m입니다. 연구 지역의 인구 및 건물 분포는 고도와 기후의 영향을 크게 받으며(그림 2) , 주로 틸롱현(티베트)에서 칠롄현(칭하이)까지 이어지는 선 동쪽에 집중되어 있습니다 . 동쪽으로는 윈난성, 서부 쓰촨성, 시닝-란저우 황하 분지의 강 계곡을 포함한 동쪽 가장자리의 평야 지역에 조밀하게 분포합니다. 선 서쪽의 고원 표면에서는 인구와 건물이 주로 주요 강 계곡과 도로 교통 통로를 따라 있는 제한된 농목 지역과 함께 분포합니다. 43 2 44    연구 지역(인구 데이터는 LandScan에서, DEM은 자원 및 환경 과학 데이터 센터에서 가져옴). 위성 이미지 무료 액세스 가능한 고해상도 위성 이미지 데이터는 Rivermap Co.( )에서 얻었습니다. 이 데이터는 Google Earth의 위성 이미지 및 항공 데이터 통합에서 나왔습니다. 그중 위성 이미지는 주로 DigitalGlobe의 QuickBird 및 WorldView 상용 위성에서 나왔으며, 항공 사진은 영국의 BlueSky와 미국의 Sanborn에서 가져왔습니다 . 각 위치에 대해 0.15m까지의 해상도를 가진 여러 이미지가 지역적으로 수집되었습니다. 이러한 데이터 통합은 복잡한 장면에서의 객체 인식 , , , 에 널리 사용되었으며, 객체 유형의 대규모 고해상도 매핑 에 잠재력이 있습니다. http://www.rivermap.cn/index.html 45 46 47 48 49 50 우리 연구 지역의 총 면적은 306만 km2이며, 위성 이미지 데이터의 추정 크기는 29.4TB이고 공간 해상도는 0.6m입니다. 이러한 규모를 고려하여 연구 지역 전체를 덮기 위해 0.175° x 0.175° 격자를 생성하여 더 작은 크기의 패키지로 다운로드할 수 있도록 했으며, 총 10,033개의 격자를 사용했습니다. 실제 다운로드된 격자 수는 5921개로 더 적었습니다. 첫째, 연구 지역의 상당 부분이 건물이 없는 비주거 지역이므로, ESA World Cover 제품에서 건물 픽셀이 없는 격자는 임의로 제외했습니다. 둘째, 중국 90개 도시의 벡터화된 옥상 면적 데이터에서 벡터화된 옥상 데이터(즉, 라싸, 샨난, 쿤밍, 시닝, 하이동, 장예, 바이인, 란저우, 청두, 달리, 리장, 쿤밍, 자오퉁, 위시)를 이미 검색한 도시/현도도 제외했습니다 . 이미지는 2022년 9월부터 2023년 1월까지 다운로드되었으며, 해상도는 0.6m, 단일 프레임 크기는 약 3GB, 총 크기는 2.72TB였습니다. 다운로드된 이미지는 주로 2019년부터 2021년까지 촬영되었지만, 일부 외딴 지역의 이미지는 2001년으로 거슬러 올라갈 수 있습니다(그림 3) . 13 3    이미지 다운로드 및 이미지 촬영 시간 격자. 보조 데이터 우리의 보조 데이터에는 후속 클러스터 분석을 위한 고해상도 토지 피복 지도, 수치 표고 모델(DEM), 정규화된 차이 식생 지수(NDVI), 인구 분포 데이터가 포함됩니다(표 1) . 1 토지 피복 및 건물 지역의 경우, Zanaga  . 의 ESA World Cover 제품을 Zenodo( )에서 얻었습니다. 이 제품은 2020년 전체 기간과 전 세계에 분포된 141,000개의 고유 위치 샘플을 기반으로 Sentinel 1 및 Sentinel 2 위성 이미지를 사용하여 생성되었으며, 랜덤 포레스트 알고리즘으로 훈련되어 2020년 전 세계 토지 피복을 나타냅니다. 상대적으로 작은 최소 매핑 단위 를 고려하여 건물 지역 및 복잡한 농업 경관과 같은 미세 규모 경관 요소를 나타내는 데 장점이 있습니다. 데이터 세트의 "건물" 범주는 건물, 도로 및 기타 인공 구조물(예: 철도)로 덮인 토지를 의미하지만, 도시 녹지(예: 공원 및 스포츠 시설), 매립지 및 채광 부지는 제외됩니다 . et al 17 https://zenodo.org/records/5571936 51 17 1km DEM 데이터 및 NDVI 데이터는 중국 과학원 지질학 및 자원 연구소의 자원 및 환경 과학 데이터 센터( )에서 얻었습니다. DEM 데이터는 최신 SRTM V4.1 데이터 에서 재샘플링되었으며, NDVI 데이터는 SPOT/VEGETATION PROBA-V 1km 제품 를 기반으로 모자이크되었습니다. 칭하이-티베트 고원의 식생을 나타내기 위해 2021년 NDVI 데이터를 사용했습니다( ). 인구 밀도 데이터는 미국 에너지부 산하 오크리지 국립 연구소에서 개발하고 East View Cartographic( )에서 제공한 전 세계 필수 통계 분석을 위한 LandScan 데이터베이스 에서 얻었습니다. 이 데이터는 지리 과학, 원격 감지 기술 및 기계 학습 알고리즘을 결합하여 생성되었으며, 지리적 위치를 기반으로 한 가장 정확하고 신뢰할 수 있는 전 세계 인구 동적 통계 분석 데이터베이스 중 하나이며, 1km의 우수한 해상도를 제공합니다 . 후속 클러스터 분석을 위해 2021년 인구 분포를 사용했습니다. 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://geospatial.com/ https://landscan.ornl.gov/ 52 데이터 전처리 우리 연구 지역의 대부분은 인구와 건물이 흩어져 있으며, ESA의 World Cover 제품 에 따르면 연구 지역의 99.5% 이상이 비건물 지역으로 분류됩니다. 추출을 용이하게 하기 위해 추출 전에 각 0.175° x 0.175° 격자에 대한 잠재적 건물 분포 영역의 마스크를 먼저 생성했습니다. World Cover 데이터의 "건물" 범주를 기반으로 각 건물 픽셀 주변에 1km 버퍼 영역을 생성하여 잠재적 건물 분포 영역으로 삼았습니다. 여러 버퍼 너비를 테스트한 후 1km 너비가 2020년 CBRA 제품에 보고된 건물 픽셀의 96%를 수용할 수 있음을 발견했습니다. 이 마스크를 사용하면 다운로드된 이미지의 전체 영역의 86%를 제외할 수 있어 상당한 계산 시간을 절약할 수 있었습니다. 건물이 포함되지 않은 격자를 제외하기 위해 생성된 격자와 버퍼를 중첩하여 분석했습니다. 그런 다음 격자는 다시 잘리고 건물 추출 알고리즘이 잘린 이미지에 적용되었습니다. 17 벡터화된 건물 옥상 추출 본 연구에서 사용된 벡터화된 건물 옥상 추출 알고리즘은 AliCloud AI Earth 플랫폼( )에서 제공되며, 딥러닝 기반 분할 방법과 워터셰드 기반 분할 방법을 결합하여 건물 인스턴스 분할 프레임워크인 이중 디코더(double decoder)를 구성합니다. 이 알고리즘은 의미론적 분할 작업에 경계 분할 작업을 추가하고, 워터셰드 알고리즘을 사용하여 두 작업의 예측 결과를 전처리하여 최종 건물 추출 결과를 얻습니다. Kirillov  . 이 제안한 PointRend 신경망이 먼저 사용됩니다 . 이 신경망은 이미지 분할을 렌더링 문제로 취급하고 선택적으로 비균일 점을 샘플링하여 정확한 분할을 수행합니다. 신경망이 학습한 더 안정적이고 정확한 시드 포인트는 건물의 주요 구조 및 특징에 대한 세밀하게 조정된 의미론적 분할 모델을 제공할 수 있기 때문입니다. 이후, 유연한 워터셰드 분할이 후처리 , 에 사용되어 다양한 형태와 특징을 가진 객체에 적응할 수 있습니다. 이 알고리즘은 중국의 다른 지역에 대한 수동 벡터화 샘플을 기반으로 한 검증 테스트에서 90% 이상의 개수 정확도와 85% 이상의 면적 추정 정확도를 달성했으며, 모든 날씨 SAR 이미지 건물 분할 대회 SpaceNet6에서 2위를 차지했습니다. Mask Region-CNN에 비해 평균 정밀도가 11% 포인트 향상되었습니다 . https://engine-aiearth.aliyun.com/#/ et al 53 53 54 55 56 데이터 기록 본 연구에서 사용된 벡터화된 건물 옥상 추출 알고리즘은 AI Earth 플랫폼( )에서 호출할 수 있습니다. 저희 데이터 세트는 국립 티베트 고원 데이터 센터에서 이용 가능하며,  에서 접근할 수 있습니다. 모든 데이터는 GCS_ W https://engine-aiearth.aliyun.com/#/ https://doi.org/10.11888/RemoteSen.tpdc.301170 57

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

이 오디오는 이야기의 원래 언어로 제작되었습니다!

AI, 세계에서 가장 외딴 지역 중 하나에 있는 1,300만 채의 건물을 지도에 표시합니다.

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

Crypto Growth: 효과적인 사용자 페르소나 만들기

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Crypto Growth: 효과적인 사용자 페르소나 만들기

탭하여 수익 창출: 텔레그램에서 솔라나 이전에 100억 명의 암호화폐 사용자를 확보할 수 있음

보이지 않는 레이어: 사용자 인터뷰가 대체할 수 없는 자산인 이유

AI/ML 데이터레이크용 참조 아키텍처 구축을 위한 설계자 가이드

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps