```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 연구의 중요한 기반입니다. 칭하이-티베트 고원은 세계의 세 번째 극입니다. 칭하이-티베트 고원의 국지적 인간-환경 상호 작용을 이해하는 것이 매우 중요하지만, 지역의 광대함과 외딴 곳 때문에 고해상도 건물 지형 데이터 부족으로 어려움을 겪었습니다. 본 연구에서는 고해상도 Google 이미지를 사용하여 칭하이-티베트 고원 및 주변 지역의 최초 벡터화된 건물 옥상 지형을 생성했으며, AI Earth 플랫폼의 건물 윤곽 추출 알고리즘을 사용했습니다. 결과에는 6092.7 km²를 덮는 1309만 채의 건물이 포함되었으며, 총 250 x 1 km²의 테스트 샘플로 검증되었습니다. 데이터는 87%의 전체 정확도, 91.9%의 재현율, 64.8%의 F1 점수를 달성하여 CBRA에 비해 연구 지역의 건물 분포에 대한 고급 설명을 제공했습니다. 본 연구는 이 지역의 재해 위험 연구에 대한 노출 평가를 촉진할 잠재력이 매우 큽니다. 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 제공하며 , 인간 활동의 좋은 대리 역할을 합니다. 최근 수십 년 동안 건물 분포 데이터는 도시 및 농촌 개발 모니터링 ,  , 도시화가 식량 안보, 생물 다양성, 기후 변화, 공중 보건 및 건강 ,  에 미치는 영향을 이해하고, 지역 개발 전략을 수립하고, 도시 및 농촌 생태계를 보호 ,  ,  하는 데 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 최신의 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 첨부하려고 합니다. 예를 들어, He . 은 다중 소스 원격 감지 데이터 융합을 사용하여 1990년부터 2010년까지를 포함하는 세계 최초의 30m 해상도 도시 3차원 시공간 확산 데이터셋을 구축했습니다. 공간 해상도의 지속적인 개선에도 불구하고 래스터 기반 건물 분포 데이터는 여전히 공간 객체를 설명할 수 없으며 , 해상도 증가는 저장 및 컴퓨팅 비용을 크게 증가시킵니다. . 12 13 14 15 16 17 14 et al 7 18 12 벡터 형식의 건물 분포 데이터, 즉 벡터화된 건물 옥상 또는 건물 지형은 위에서 내려다본 모습으로 지면에 투영된 건물의 윤곽선 데이터이며 ,  , 지리적 위치, 경계의 공간적 범위, 단일 건물의 지형과 같은 정보를 제공합니다. Google Earth 및 OpenStreetMap과 같은 공공 서비스 제공업체는 광범위한 적용 범위, 빠른 업데이트 및 저렴한 비용으로 공개 액세스 가능한 벡터화된 건물 옥상 데이터를 제공합니다. ,  ,  . 2022년 Microsoft Corporation은 딥 신경망 기반 의미론적 분할을 사용하여 2014년부터 2021년까지 중국을 제외한 모든 대륙에 대해 Bing Maps(Maxar 및 Airbus 이미지 포함)를 기반으로 7억 7700만 채의 건물 윤곽선을 추출했으며, 일부는 건물 높이 속성을 포함했습니다. 2023년 5월 30일 Google은 5800만 km² 면적을 포함하는 0.5m 고해상도 위성 이미지에서 추출한 18억 채의 건물 윤곽선 데이터셋을 출시했습니다. 꼭짓점과 경로로 표현되는 벡터 데이터의 낮은 중복성과 압축된 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 증가, 데이터 획득 비용 감소, 최근 추출 알고리즘의 발전으로 건물 분포 데이터의 해상도와 적용 범위가 지속적으로 개선되고 있습니다. . 초고해상도(VHR) 이미지의 생존 가능성은 기존의 손으로 만든 특징 기반 방법  또는 딥 러닝 기반 방법 을 사용하여 건물 지형을 추출할 수 있도록 했습니다. 전자의 접근 방식은 건물의 외관 및 크기의 다양성과 복잡한 경험 법칙 및 임계값 설정이라는 문제에 직면하므로 대규모 고해상도 원격 감지 이미지에 적용하는 데 한계가 있습니다. . 컨볼루션 신경망과 같은 딥 러닝 기반 방법은 건물 장면 분할에서 고수준의 판별적 특징을 자동으로 학습하는 데 효과적이고 우수한 성능을 보여주었습니다. Sun . 은 다른 규모에서 다중 스케일 컨볼루션 신경망 구조에서 추출된 딥 특징을 최대한 활용하기 위해 병렬 지원 벡터 머신 기반의 융합 전략을 제안했으며, 도시 지역의 복잡한 건물 추출에 우수한 성능을 보였습니다. 그럼에도 불구하고 건물을 분할할 때 모델의 정확도는 훈련 샘플의 품질에 의해 제약될 가능성이 높으며, 외삽이 어렵습니다. 딥 모델에서 고수준 의미론의 불충분한 사용과 저수준 세부 정보의 누락으로 인해 가장자리 흐림 및 소형 건물 누락이 발생하며, 이는 건물 지형 추출에 딥 러닝을 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 이상이 거주합니다. 이 지역은 중국에서 가장 큰 생태 장벽이지만 , 인간 활동은 취약한 생태 환경 에 상당한 영향을 미쳤습니다. 이 지역은 또한 지진, 산사태, 진흙 사태, 빙호 붕괴 홍수, 눈 재해로 인해 사상자 및 재산 피해를 초래하는 등 재해가 발생하기 쉽습니다. ,  ,  . 이에 대응하여 정확한 건물 분포 데이터는 결합된 인간-환경 연구 ,  를 위한 인간 활동 분포 모델링, 그리고 자연 재해에 대한 노출 및 위험 분석 ,  에 중요합니다. 또한, 이 지역은 일조 시간이 길고, 풍부한 태양 에너지 자원이 있으며, 옥상 및 개방된 공간과 같은 충분한 태양 에너지 수집 표면이 있습니다. ,  . 고해상도 농촌 건물 분포 데이터는 광전지 잠재력을 평가하고 농촌 지역 거주민의 생활 수준을 효율적으로 개선하는 데 신뢰할 수 있는 데이터베이스를 제공할 수 있습니다. ,  . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 개발되지 않은 지역으로서, 칭하이-티베트 고원 및 주변 지역은 광활한 면적, 희소한 건물 분포, 외딴 위치 및 자원 제약으로 인해 아직 완전한 고정밀 벡터화된 건물 옥상 데이터 세트를 갖추고 있지 않습니다. 가장 즉시 사용 가능한 데이터는 중국 건물 옥상 면적 데이터(CBRA, Liu ., 2023b) 및 건물 범주를 포함하는 1m 해상도의 중국 최초 전국 토지 피복 지도(SinoLC)를 포함하는 국가 규모 데이터입니다. . 이 래스터 데이터는 공간 객체를 특성화할 수 없으며 많은 저장 공간이 필요합니다. Zhang . 이 중국 90개 주요 도시를 위해 출시한 벡터화된 옥상 면적 데이터는 이 격차를 부분적으로 메웠지만, 칭하이-티베트 고원의 14개 도시만 이 데이터셋에 포함되었으며, 200만 km² 면적에 대한 벡터화된 건물 옥상 데이터는 여전히 부족합니다. et al 42 et al 13 따라서 본 연구는 고해상도 위성 이미지와 딥 러닝 알고리즘을 통합하여 칭하이-티베트 고원 및 주변 지역의 벡터화된 건물 옥상 지형을 생성하는 것을 목표로 합니다. 당사의 데이터셋은 다양한 하위 지역에 걸쳐 250 x 1 km² 격자를 포함하는 테스트 샘플을 사용하여 검증되었으며, 전체 정확도 91.92%, F1 점수 64.81%를 달성했습니다. 방법 프레임워크 본 연구에서는 AI Earth 플랫폼의 건물 추출 알고리즘을 사용하여 중국 칭하이-티베트 고원 및 주변 지역의 벡터화된 건물 옥상 데이터셋을 생성했습니다(그림  ). 당사 프레임워크의 주요 구성 요소는 다음과 같습니다: (1) 위성 데이터 및 보조 데이터 준비 및 전처리; (2) AI Earth 플랫폼을 사용한 벡터화된 건물 옥상 추출; (3) 수동 벡터화된 옥상 데이터 사용한 검증. 1    건물 옥상 추출 및 검증 프레임워크. 연구 지역 본 연구는 주로 제2차 티베트 고원 과학 탐사 및 연구 프로그램 의 일반적인 프레임워크 하에 중국 남서부 칭하이-티베트 고원 및 주변 지역에 초점을 맞췄습니다. 지리적으로 티베트 자치구, 칭하이성, 윈난성 서부, 쓰촨성 서부, 간쑤성 남서부, 신장 자치구 남부를 포함합니다. 연구 지역의 평균 고도는 해발 4000m입니다. 연구 지역의 인구 및 건물 분포는 고도와 기후의 영향을 크게 받으며(그림  ), 주로 Jilong County(티베트)에서 Qilian County(칭하이)까지의 선 동쪽에 집중되어 있습니다. ; 동쪽에서는 윈난성, 쓰촨성 서부의 강 계곡, 시닝-란저우 황하 유역을 포함한 동쪽 가장자리의 평지 지역에 밀집되어 분포합니다. 선 서쪽의 고원 표면에서는 인구와 건물이 주로 주요 강 계곡을 따라 제한된 농목 지역과 도로 교통망을 따라 분포합니다. 43 2 44    연구 지역(인구 데이터는 LandScan에서, DEM은 자원 및 환경 과학 데이터 센터에서 가져옴). 위성 이미지 Rivermap Co.( )에서 공개 액세스 가능한 고해상도 위성 이미지 데이터를 얻었으며, 이는 Google Earth의 위성 이미지 및 항공 데이터 통합을 통해 얻어졌습니다. 그중에서도 위성 이미지는 주로 DigitalGlobe의 QuickBird 및 WorldView 상업용 위성에서 나왔고, 항공 사진은 영국의 BlueSky와 미국의 Sanborn에서 출처를 얻었습니다. . 각 위치에 대해 국지화된 영역에서 최대 0.15m의 해상도를 가진 여러 이미지 모음이 있었습니다. 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 연구 지역의 총 면적은 306만 km²이며, 위성 이미지 데이터의 예상 크기는 29.4TB이고, 공간 해상도는 0.6m입니다. 이러한 규모를 고려하여, 연구 지역에 0.175° x 0.175° 피쉬넷을 생성하여 더 작은 크기의 패키지를 다운로드할 수 있도록 했으며, 총 10,033개의 피쉬넷을 사용하여 전체 연구 지역을 덮었습니다. 다운로드된 피쉬넷의 실제 수는 두 가지 이유로 5921개로 더 적었습니다. 첫째, 연구 지역의 상당 부분이 건물이 없는 비주거 지역이므로 ESA World Cover 제품에서 건물 지역이 없는 피쉬넷은 임의로 제외했습니다. 둘째, 중국 90개 도시의 벡터화된 옥상 면적 데이터 에서 벡터화된 옥상 데이터(예: 라싸, 샨난, 쿤밍, 시닝, 하이둥, 장예, 바이인, 란저우, 청두, 달리, 리장, 쿤밍, 자오통, 위시)를 이미 검색한 도시/현도도 제외했습니다. 이미지는 2022년 9월부터 2023년 1월까지 0.6m 해상도, 단일 프레임 크기 약 3GB, 총 2.72TB의 규모로 다운로드되었습니다. 다운로드된 이미지는 주로 2019년부터 2021년까지 촬영되었지만, 일부 외딴 지역의 이미지는 2001년만큼 오래된 것일 수도 있습니다(그림  ). 13 3    이미지 다운로드 및 이미지 촬영 시간 피쉬넷. 보조 데이터 당사의 보조 데이터에는 후속 클러스터 분석을 위한 고해상도 토지 피복 지도, 수치 표고 모델(DEM), 정규화된 식생 지수(NDVI), 인구 분포 데이터가 포함되었습니다(표  ). 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 무작위 포레스트 알고리즘으로 훈련되었으며, 2020년 전 세계 토지 피복을 나타냅니다. 비교적 작은 최소 매핑 단위 를 고려하기 때문에 건물 지역 및 복잡한 농업 풍경과 같은 세밀한 풍경 요소를 나타내는 데 장점이 있습니다. 데이터셋의 "건물" 범주는 건물, 도로 및 기타 인공 구조물(예: 철도)로 덮인 토지를 의미하지만, 도시 녹지 공간(예: 공원 및 스포츠 시설), 매립지 및 채굴 사이트는 제외합니다. . et al 17 https://zenodo.org/records/5571936 51 17 1km DEM 데이터 및 NDVI 데이터는 중국 과학원 지질 과학 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 모자이킹되었습니다. 칭하이-티베트 고원의 식생을 나타내기 위해 2021년 NDVI 데이터를 선택했습니다( ). 인구 밀도 데이터는 미국 에너지부 오크리지 국립 연구소에서 개발하고 East View Cartographic에서 제공하는 전 세계 활력 통계 분석을 위한 LandScan 데이터베이스 에서 얻었으며, 지리 정보 과학, 원격 감지 기술 및 기계 학습 알고리즘을 결합하여 생성되었습니다. 지리적 위치를 기반으로 한 가장 정확하고 신뢰할 수 있는 전 세계 인구 역동적 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://landscan.ornl.gov/ 52 데이터 전처리 연구 지역의 대부분에서 인구 및 건물 분포는 산발적이며, ESA의 World Cover 제품 에 따르면 연구 지역의 99.5% 이상이 건물 비점유 지역으로 분류됩니다. 추출을 가속화하기 위해 추출 전에 각 0.175° x 0.175° 피쉬넷에 대한 잠재 건물 분포 영역의 마스크를 먼저 생성했습니다. World Cover 데이터의 "건물" 범주를 기반으로 각 건물 픽셀 주변에 1km 버퍼 영역을 생성하여 잠재 건물 분포 영역으로 삼았습니다. 여러 버퍼 너비를 테스트한 후 1km 너비가 2020년 CBRA 제품에서 보고된 건물 픽셀의 96%를 수용할 수 있음을 발견했습니다. 마스크를 사용하면 다운로드된 이미지의 전체 면적의 86%를 제외할 수 있어 계산 시간을 크게 절약할 수 있었습니다. 건물이 포함되지 않은 피쉬넷을 제외하기 위해 생성된 피쉬넷과 버퍼를 중첩하여 분석했습니다. 그런 다음 이미지를 버퍼로 다시 자르고, 잘린 이미지에 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 워터셰드 기반 분할 방법을 결합하여 건물 인스턴스 분할 프레임워크인 이중 디코더를 구축합니다. 이 알고리즘은 의미론적 분할 작업에 경계 분할 작업을 추가하고, 두 작업의 예측 결과를 사전 처리하기 위해 워터셰드 알고리즘을 사용하여 최종 건물 추출 결과를 얻습니다. Kirillov . 이 제안한 PointRend 신경망이 먼저 사용됩니다. , 이는 이미지 분할을 렌더링 문제로 취급하고 정확한 분할을 위해 비균일 점을 선택적으로 샘플링하는 반복 분할 알고리즘을 사용합니다. 왜냐하면 신경망에서 학습된 더 안정적이고 정확한 시작점은 건물의 주요 구조 및 특징에 대한 미세 조정된 의미론적 분할 모델을 제공할 수 있기 때문입니다. 그 후, 유연한 워터셰드 분할이 후처리 ,  에 사용되며, 이는 다양한 형태와 특징을 가진 객체에 적응할 수 있습니다. 이 알고리즘은 중국의 여러 지역에서 수동 벡터화된 샘플을 기반으로 한 검증 테스트에서 90% 이상의 개수 정확도와 85% 이상의 면적 추정 정확도를 달성했으며, 전천후 SAR 이미지 건물 분할 대회 SpaceNet6에서 2위를 차지했습니다. Mask Region-CNN과 비교하여 이 알고리즘은 평균 정밀도를 11% 포인트 향상시킵니다. . 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. 당사의 데이터셋은 국립 티베트 고원 데이터 센터에서 사용할 수 있으며,  https://engine-aiearth.aliyun.com/#/ https://doi

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 1,300만 채의 건물을 지도화하다

About Author

코멘트

태그 걸기

이 기사는 다음에서 발표되었습니다.

Related Stories

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

이 18가지 개발자 도구로 생산성을 높이세요 🚀🔥

Floki의 Valhalla가 인도 스리랑카 투어의 보조 후원자로 합류

디지털 유목민 들어보기: 태국의 새로운 DTV 비자에 대해 알아야 할 사항

포럼에서 피드까지: 소셜 미디어 알고리즘이 디지털 상호작용을 형성하는 방식

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps