
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 저자: 
 
 
 
 
 
 
 
 
 
 타오 예 홍위우 샨 지도 우 치앙 저우 밍푸 마 원즈자오 루 야 위안 가오 리즈정 우 초록 대규모 고정밀 건물 분포 데이터는 지역 도시 계획, 자원 할당 및 재해 위험 연구의 중요한 기반입니다. 칭하이-티베트 고원은 세계의 세 번째 극입니다. 칭하이-티베트 고원의 인간-환경 상호 작용을 이해하는 것은 매우 중요하지만, 지역의 광대함과 멀리 떨어진 위치로 인해 고해상도 건물 윤곽 데이터 부족으로 어려움을 겪고 있습니다. 본 연구에서는 고해상도 Google 이미징과 AI Earth 플랫폼의 건물 윤곽 추출 알고리즘을 사용하여 칭하이-티베트 고원과 그 주변 지역의 최초 벡터화된 건물 옥상 윤곽을 생성했습니다. 결과에는 250 × 1km²의 테스트 샘플로 검증된 1,309만 개의 건물이 포함되며, 이는 6,092.7km²를 덮습니다. 데이터는 87%의 전체 정확도, 91.9%의 재현율, 64.8%의 F1 점수를 달성하여 CBRA와 비교했을 때 연구 지역의 건물 분포에 대한 고급 설명을 제공합니다. 본 연구는 이 지역의 재해 위험 연구에 대한 노출 평가를 촉진하는 데 상당한 잠재력을 가지고 있습니다. 배경 및 요약 디지털 시대의 도래로 신뢰할 수 있는 건물 분포 및 속성 데이터에 대한 수요가 증가했습니다 , , . 건물 분포 데이터는 건물뿐만 아니라 인구 및 물리적 자산에 대한 중요한 공간 정보를 제공합니다 . 이는 인간 활동의 좋은 프록시 역할을 합니다. 지난 수십 년 동안 건물 분포 데이터는 도시 및 농촌 개발 모니터링 , , 도시화가 식량 안보, 생물 다양성, 기후 변화 및 공중 보건과 건강 , 에 미치는 영향 이해, 지역 개발 전략 수립, 도시 및 농촌 생태계 보호 , , 에 널리 사용되었습니다. 1 2 3 4 5 6 7 8 9 10 11 위성 기반 및 항공 이미징의 발전과 기계 학습 및 딥 러닝 알고리즘의 최근 발전으로 건물 분포 데이터의 가용성이 증가했습니다 , , . 건물 분포 데이터는 토지 이용/피복 데이터의 일부로 래스터 형식으로 제공되었습니다. 가장 최신 릴리스에는 Sentinel 위성을 기반으로 한 세 가지 10m 글로벌 토지 이용/피복 제품이 포함됩니다. 즉, Google의 Dynamic World(DW) , Esri의 2020 Land Cover , 유럽 우주국(ESA)의 World Cover 2020(WC) 입니다. 공간 분포 정보 외에도 연구자들은 건물 높이 와 같은 속성 정보를 건물 픽셀에 연결하려고 합니다. 예를 들어, He  . 은 다중 소스 원격 감지 데이터 융합을 사용하여 1990년부터 2010년까지를 포함하는 세계 최초의 30m 해상도 도시 3차원 공간 및 시간 sprawl 데이터 세트를 구축했습니다. 공간 해상도가 지속적으로 개선되고 있음에도 불구하고 래스터 기반 건물 분포 데이터는 여전히 공간 객체를 설명할 수 없으며 , 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 건물 개요를 지면에 투영한 것입니다 , . 이는 지리적 위치, 경계의 공간적 범위 및 단일 건물의 윤곽에 대한 정보를 제공합니다. Google Earth 및 OpenStreetMap과 같은 공개 서비스 제공업체는 광범위한 적용 범위, 빠른 업데이트 및 저렴한 비용으로 개방형 액세스 벡터화된 건물 옥상 데이터를 제공합니다 , , . 2022년 Microsoft Corporation은 Bing Maps(Maxar 및 Airbus 이미지를 포함)에서 2014년부터 2021년까지 중국을 제외한 모든 대륙의 7억 7,700만 개 건물 윤곽을 추출하기 위해 딥 신경망 기반 의미 분할을 사용했습니다. 2023년 5월 30일, Google은 0.5m 고해상도 위성 영상에서 추출한 18억 개의 건물 윤곽 데이터 세트를 출시했으며, 이는 5,800만 km²의 면적을 덮습니다. 꼭짓점과 경로로 표현되는 벡터 데이터의 낮은 중복성과 컴팩트한 구조는 메쉬 크기에 관계없이 더 높은 지리적 정확도를 제공하며, 위상 규칙의 도입은 벡터 데이터의 무결성을 더욱 향상시킵니다 . 19 20 21 22 23 13 이미지 해상도 증가와 데이터 수집 비용 감소, 그리고 최신 추출 알고리즘의 발전으로 건물 분포 데이터의 해상도와 적용 범위가 지속적으로 개선되고 있습니다 . 초고해상도(VHR) 이미지의 실용성은 기존의 수작업 특징 기반 방법  또는 딥 러닝 기반 방법 을 적용하여 건물 윤곽을 추출할 수 있게 했습니다. 이전 접근 방식은 건물의 외관과 크기의 다양성, 그리고 복잡한 경험 법칙과 임계값 설정이라는 문제에 직면하므로, 대규모 고해상도 원격 감지 이미지에 적용하는 데 한계가 있습니다 . 딥 러닝 기반 방법(예: 컨볼루션 신경망)은 건물 장면 분할에서 고수준의 판별적 특징을 자동으로 학습하는 데 효과적이고 우수한 성능을 보여주었습니다. Sun  . 은 다양한 스케일에서 다중 스케일 컨볼루션 신경망 구조에서 추출된 딥 피처를 최대한 활용하기 위해 병렬 지원 벡터 머신 기반의 융합 전략을 제안했으며, 이는 도시 지역의 복잡한 건물 추출에서 우수한 성능을 보였습니다. 그럼에도 불구하고, 건물을 분할할 때 모델의 정확도는 훈련 샘플의 품질에 의해 제한될 가능성이 높아 외삽이 어렵습니다. 딥 모델에서 고수준 의미의 불충분한 사용과 저수준 세부 사항의 누락은 가장자리 흐림과 작은 건물 누락을 초래하여 건물 윤곽 추출에 딥 러닝을 적용하는 데 어려움을 줍니다. 24 25 13 26 et al 27 칭하이-티베트 고원 지역은 평균 고도가 해발 4000미터 이상이고 면적이 250만 km²인 세계에서 가장 높은 지역입니다 . 극한의 기후, 춥고 긴 겨울, 큰 연간 및 일교차, 열악한 실내 난방 환경에도 불구하고 1,000만 명 이상의 사람들이 이 지역에 거주하고 있습니다. 이 지역은 중국에서 가장 큰 생태 장벽 이지만, 인간 활동은 취약한 생태 환경 에 상당한 영향을 미쳤습니다. 또한 이 지역은 지진, 산사태, 진흙 사태, 빙호 붕괴 홍수, 눈 재해로 인해 인명 및 재산 피해 , , 가 발생하는 등 재해에 매우 취약합니다. 이에 따라 정확한 건물 분포 데이터는 인간-환경 연계 연구 , 를 위한 인간 활동 분포 모델링, 그리고 자연 재해에 대한 노출 및 위험 분석 , 에 중요합니다. 또한, 이 지역은 햇빛 시간이 길고 풍부한 태양 에너지 자원과 옥상 및 열린 공간과 같은 충분한 태양 에너지 수집 표면을 가지고 있습니다 , . 고해상도 농촌 건물 분포 데이터는 광전지 잠재력을 평가하고 농촌 지역 거주자의 삶의 질을 효율적으로 개선하기 위한 신뢰할 수 있는 데이터베이스를 제공할 수 있습니다 , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 미개발 지역으로서 칭하이-티베트 고원과 그 주변 지역은 넓은 면적, 희박한 건물 분포, 먼 위치 및 자원 제약으로 인해 고정밀 벡터화된 건물 옥상 데이터 세트가 아직 완전하지 않습니다. 가장 즉시 사용 가능한 데이터는 2.5m 격자 중국 건물 옥상 면적 데이터(CBRA, Liu  ., 2023b)와 건물 범주를 포함하는 중국 최초의 1m 해상도 전국 토지 피복 지도(SinoLC) 입니다. 이러한 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 포함되었고, 200만 km² 면적에 대한 벡터화된 건물 옥상 데이터는 여전히 누락되었습니다. et al 42 et al 13 따라서 본 연구는 고해상도 위성 영상과 딥 러닝 알고리즘을 통합하여 칭하이-티베트 고원 및 그 주변 지역의 벡터화된 건물 옥상 윤곽을 생성하는 것을 목표로 합니다. 우리 데이터 세트는 다양한 하위 지역에 걸쳐 250 × 1km² 격자를 사용하여 검증되었으며, 91.92%의 전체 정확도와 64.81%의 F1 점수를 달성했습니다. 방법 프레임워크 본 연구에서는 AI Earth 플랫폼의 건물 추출 알고리즘을 활용하여 칭하이-티베트 고원 및 중국 주변 지역에 대한 벡터화된 건물 옥상 데이터 세트를 생성했습니다(그림 1). 우리 프레임워크의 주요 구성 요소는 다음과 같습니다. (1) 위성 데이터 및 보조 데이터 준비 및 사전 처리; (2) AI Earth 플랫폼을 이용한 벡터화된 건물 옥상 추출; (3) 수동 벡터화된 옥상 데이터를 이용한 검증.    건물 옥상 추출 및 검증 프레임워크. 연구 지역 본 연구는 주로 제2차 티베트 고원 과학 탐사 및 연구 프로그램 의 일반적인 틀 안에서 중국 남서부의 칭하이-티베트 고원 및 그 주변 지역에 초점을 맞췄습니다. 지리적으로는 티베트 자치구, 칭하이성, 윈난성 서부, 쓰촨성 서부, 간쑤성 남서부, 신장 위구르 자치구 남부를 포함합니다. 연구 지역의 평균 고도는 해발 4000m입니다. 연구 지역의 인구 및 건물 분포는 고도와 기후(그림 2)의 영향을 많이 받으며, 주로 질룽현(티베트)에서 칠롄현(칭하이)까지의 선 동쪽에 집중되어 있습니다 . 동쪽에서는 윈난성, 쓰촨성 서부의 강 계곡 및 시닝-란저우 황하 유역을 포함한 지역의 평야 지역에 밀집 분포합니다. 선 서쪽의 고원 표면에서는 인구와 건물이 주로 주요 강 계곡과 도로 교통망을 따라 제한된 농목지대와 함께 분포합니다. 43 44    연구 지역(인구 데이터는 LandScan에서, DEM은 자원 및 환경 과학 데이터 센터에서 제공). 위성 영상 개방형 액세스 고해상도 위성 영상 데이터는 Rivermap Co.( )에서 얻었으며, 이는 Google Earth의 위성 영상과 항공 데이터 통합에서 얻은 것입니다. 그중 위성 영상은 주로 DigitalGlobe의 QuickBird 및 WorldView 상업용 위성에서 얻었으며, 항공 사진은 영국 BlueSky와 미국 Sanborn에서 공급받았습니다 . 각 위치에 대해 국지적 영역에서는 최대 0.15m의 해상도를 가진 여러 영상 컬렉션이 있었습니다. 이러한 데이터 통합은 복잡한 장면에서 객체 인식 , , , 에 널리 사용되었으며, 객체 유형의 대규모 고해상도 매핑 에 잠재력을 가지고 있습니다. http://www.rivermap.cn/index.html 45 46 47 48 49 50 우리 연구 지역의 총 면적은 306만 km²이며, 예상되는 위성 영상 데이터 크기는 29.4TB이고, 공간 해상도는 0.6m입니다. 이러한 규모를 고려하여, 더 작은 크기의 패키지로 다운로드할 수 있도록 연구 지역에 0.175° × 0.175° 어망을 생성했으며, 전체 연구 지역을 덮기 위해 총 10,033개의 어망이 사용되었습니다. 실제 다운로드된 어망 수는 5921개로 더 적었는데, 두 가지 이유가 있습니다. 첫째, 연구 지역의 상당 부분이 건물이 없는 비주거 지역이기 때문에 ESA World Cover 제품에서 건물이 없는 어망을 임의로 제외했습니다. 둘째, 중국 90개 도시의 벡터화된 옥상 면적 데이터 에서 벡터화된 옥상 데이터(즉, 라싸, 샨난, 쿤밍, 시닝, 하이동, 장예, 바이인, 란저우, 청두, 달리, 리장, 쿤밍, 자오통, 위시)가 이미 검색된 도시/지구도 제외했습니다. 영상은 2022년 9월부터 2023년 1월까지 다운로드되었으며, 해상도는 0.6m, 단일 프레임 크기는 약 3GB, 총 크기는 2.72TB였습니다. 다운로드된 영상은 주로 2019년에서 2021년 사이에 촬영되었지만, 일부 외딴 지역의 영상은 2001년까지 거슬러 올라갈 수 있습니다(그림 3). 13    영상 다운로드를 위한 어망 및 영상 촬영 시간. 보조 데이터 우리의 보조 데이터에는 샘플링을 위한 후속 클러스터 분석을 위해 고해상도 토지 피복 지도, 수치 표고 모델(DEM), 정규화된 차이 식생 지수(NDVI) 및 인구 분포 데이터가 포함됩니다(표 1). 토지 피복 및 건설 지역에 대해, Zanaga  . 의 ESA World Cover 제품은 Zenodo( )에서 얻었습니다. 이 제품은 2020년 전 세계에 걸쳐 분포하는 141,000개의 고유한 위치 샘플을 사용하여 Sentinel 1 및 Sentinel 2 위성 영상을 기반으로 2020년 전 세계 토지 피복을 나타내기 위해 랜덤 포레스트 알고리즘으로 훈련되었습니다. 이는 비교적 작은 최소 매핑 단위 를 고려하기 때문에 건물 지역 및 복잡한 농업 경관과 같은 미세한 경관 요소 표현에 장점이 있습니다. 이 데이터 세트의 "건축된" 범주는 건물, 도로 및 기타 인공 구조물(예: 철도)로 덮인 토지를 의미하지만, 도시 녹지 공간(예: 공원 및 스포츠 시설), 폐기물 매립지 및 채석장은 제외됩니다 . et al 17 https://zenodo.org/records/5571936 51 17 1km DEM 데이터와 NDVI 데이터는 중국 과학원 지질학 및 자원 연구소의 자원 및 환경 과학 데이터 센터( )에서 얻었습니다. DEM 데이터는 최신 SRTM V4.1 데이터 에서 리샘플링되었으며, NDVI 데이터는 SPOT/VEGETATION PROBA-V 1km 제품 을 기반으로 모자이크되었습니다. 칭하이-티베트 고원의 식생을 나타내기 위해 2021년 NDVI 데이터를 선택했습니다( ). 인구 밀도 데이터는 미국 에너지부 오크리지 국립 연구소에서 개발하고 East View Cartographic에서 제공하는 세계적인 생명 통계 분석을 위한 LandScan 데이터베이스 에서 얻었습니다. 이 데이터는 지리 과학, 원격 감지 기술 및 기계 학습 알고리즘을 결합하여 생성되었으며, 지리적 위치를 기반으로 하는 가장 정확하고 신뢰할 수 있는 글로벌 인구 동적 통계 분석 데이터베이스 중 하나이며, 1km의 우수한 해상도를 가지고 있습니다 . 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://landscan.ornl.gov/ 52 데이터 사전 처리 우리 연구 지역의 대부분은 인구 및 건물이 산재되어 있으며, ESA의 World Cover 제품 에 따르면 연구 지역의 99.5% 이상이 비건축 지역으로 분류됩니다. 추출을 가속화하기 위해 추출 전에 각 0.175° × 0.175° 어망에 대한 잠재적 건물 분포 영역의 마스크를 먼저 생성했습니다. World Cover 데이터의 "건축된" 범주를 기반으로, 각 건축된 픽셀 주변에 1km 완충 지대를 생성하여 잠재적 건물 분포 영역으로 삼았습니다. 여러 완충 지대 너비를 테스트한 후, 1km 너비가 2020년 CBRA 제품에서 보고된 건물 픽셀의 96%를 포함할 수 있음을 발견했습니다. 이 마스크를 통해 다운로드된 영상의 전체 면적의 86%를 제외할 수 있어 상당한 컴퓨팅 시간을 절약할 수 있었습니다. 건물이 포함되지 않은 어망을 제외하기 위해 생성된 어망과 완충 지대를 중첩하여 분석했습니다. 그런 다음 영상을 완충 지대로 다시 자르고, 잘라낸 영상에 건물 추출 알고리즘을 적용했습니다. 17 벡터화된 건물 옥상 추출 본 연구에서 사용된 벡터화된 건물 옥상 추출 알고리즘은 AliCloud AI Earth 플랫폼( )에서 제공되며, 딥 러닝 기반 분할 방법과 수계 기반 분할 방법을 결합하여 건물 인스턴스 분할 프레임워크인 이중 디코더를 구성합니다. 이 알고리즘은 의미 분할 작업에 경계 분할 작업을 추가하고, 두 작업의 예측 결과를 미리 처리하기 위해 수계 알고리즘을 사용하여 최종 건물 추출 결과를 얻습니다. Kirillov  . 이 제안한 PointRend 신경망이 먼저 사용됩니다 . 이 신경망은 이미지 분할을 렌더링 문제로 취급하고 비균일한 지점을 선택적으로 샘플링하여 정확한 분할을 수행합니다. 신경망이 학습한 더 안정적이고 정확한 씨앗 지점은 건물의 핵심 구조 및 특징에 대한 미세 조정된 의미 분할 모델을 제공할 수 있습니다. 이후, 유연한 수계 분할 , 을 후처리로 사용하여 다양한 형태와 특징을 가진 객체에 적응할 수 있습니다. 이 알고리즘은 중국의 여러 지역에서 수동 벡터화된 샘플을 기반으로 한 검증 테스트에서 90% 이상의 계수 정확도와 85% 이상의 면적 추정 정확도를 달성했으며, 모든 날씨 SAR 이미지 건물 분할 대회 SpaceNet6에서 2위를 차지했습니다. Mask Region-CNN과 비교했을 때, 이 알고리즘은 평균 평균 정밀도를 11% 포인트 향상시켰습니다 . 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. 우리 데이터 세트는 국립 티베트 고원 데이터 센터에서 사용할 수 있으며,  에서 액세스할 수 있습니다. 모든 데이터는 GCS_ WGS_ 1984 좌표계를 사용하여 얻었으며 .rar 파일로 패키징되었습니다(표 2). 생성된 AI 기반 건물 윤곽 데이터(그림 4)는 이름에 따라 주별로 배열되어 있으며, 간쑤, 구이저우, 칭하이, 쓰촨, 신장, 시짱, 윈난을 포함합니다. 또한, 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 1300만 채의 건물을 지도화하다

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Claude Sonnet 3.5 시스템 프롬프트 유출: 법의학적 분석

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

작업 흐름을 10배 향상하는 방법: 17가지 필수 앱

Claude Sonnet 3.5 시스템 프롬프트 유출: 법의학적 분석

성공적인 클라우드 마이그레이션을 위한 전체 가이드: 전략 및 모범 사례

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps