```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autoriai: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Santrauka Didelio masto, didelio tikslumo pastatų pasiskirstymo duomenys yra svarbus regioninio miesto planavimo, išteklių paskirstymo ir stichinių nelaimių rizikos tyrimų pagrindas. Činghai-Tibeto plynaukštė yra trečiasis pasaulio ašigalis. Nors vietinių žmonių ir aplinkos sąveikos Činghai-Tibeto plynaukštėje supratimas yra labai svarbus, tam trukdo didelės raiškos pastatų kontūrų duomenų trūkumas dėl didelio ploto ir atokumo. Šiame tyrime, naudodami didelės raiškos „Google“ vaizdus ir dirbtinio intelekto „AI Earth“ platformos pastatų kontūrų išgavimo algoritmą, sukūrėme pirmuosius vektorizuotus pastatų stogų atvaizdus Činghai-Tibeto plynaukštėje ir jos apylinkėse. Mūsų rezultatai apima 13,09 milijono pastatų, dengiančių 6092,7 km², patikrintų naudojant viso 250 × 1 km² bandymo imtis. Duomenų bendras tikslumas siekė 87 %, atšaukimas – 91,9 %, o F1 balas – 64,8 %, taip suteikiant pažangesnį pastatų pasiskirstymo aprašymą tyrinėtoje teritorijoje, palyginti su CBRA. Mūsų darbas turi didžiulį potencialą palengvinti stichinių nelaimių rizikos poveikio vertinimą šioje teritorijoje. Pagrindas ir santrauka Skaitmeninės eros atsiradimas padidino patikimų duomenų apie pastatų pasiskirstymą ir ypatybes paklausą , , . Pastatų pasiskirstymo duomenys suteikia svarbią erdvės informaciją ne tik apie pastatus, bet ir apie gyventojus bei materialines vertybes , ir yra geras žmonių veiklos rodiklis. Pastaraisiais dešimtmečiais pastatų pasiskirstymo duomenys buvo plačiai naudojami stebint miestų ir kaimo plėtrą , , suprantant urbanizacijos poveikį maisto saugai, biologinei įvairovei, klimato kaitai bei visuomenės gerovei ir sveikatai , , formuojant regioninės plėtros strategijas ir saugant miestų bei kaimo ekosistemas , , . 1 2 3 4 5 6 7 8 9 10 11 Palydovinių ir oro nuotraukų pažanga, kartu su naujausiais mašininio mokymosi ir giluminio mokymosi algoritmų pasiekimais, padidino pastatų pasiskirstymo duomenų prieinamumą , , . Pastatų pasiskirstymo duomenys pateikiami rastriniu formatu kaip žemės naudojimo / dangos duomenų dalis. Naujausiame leidinyje pateikiami trys 10 metrų pasauliniai žemės naudojimo / dangos produktai, pagrįsti „Sentinel“ palydovais, ty „Google“ dinamiškas pasaulis (DW) , „Esri“ 2020 m. žemės danga  ir Europos kosmoso agentūros (ESA) „World Cover 2020“ (WC) . Be erdvinės pasiskirstymo informacijos, tyrėjai taip pat bando priskirti atributinę informaciją pastatų pikseliams, pvz., pastatų aukštį . Pavyzdžiui, He ir kt.  panaudojo įvairių šaltinių nuotolinio zondavimo duomenų sujungimą, kad sukurtų pirmuosius pasaulyje 30 metrų raiškos 3D urbanistinius erdvinio ir laiko plitimo duomenis, apimančius laikotarpį nuo 1990 iki 2010 m. Nepaisant nuolatinio erdvinės raiškos gerinimo, rastriniai pastatų pasiskirstymo duomenys vis dar negali apibūdinti erdvinio objekto , o didinant raišką smarkiai didėja saugojimo ir skaičiavimo išlaidos . 12 13 14 15 16 17 14 7 18 12 Vektorinio formato pastatų pasiskirstymo duomenys, dar žinomi kaip vektorizuoti pastatų stogų arba pastatų kontūrai, yra pastato projekcijos ant žemės kontūrų duomenys iš viršaus , , kurie suteikia informaciją, tokią kaip geografinė buvimo vieta, erdvinis ribų mastas ir atskiro pastato kontūras. Viešųjų paslaugų teikėjai (pvz., „Google Earth“ ir „OpenStreetMap“) teikia atvirus vektorizuotus pastatų stogų duomenis su plačia aprėptimi, greitais atnaujinimais ir mažomis išlaidomis , , . 2022 m. „Microsoft Corporation“ naudojo giluminį neuronų tinklą, pagrįstą semantine segmentacija, kad išgautų 777 milijonų pastatų kontūrus, kai kurie iš kurių turi pastato aukščio atributus, remdamiesi „Bing Maps“ (įskaitant „Maxar“ ir „Airbus“ vaizdus) nuo 2014 iki 2021 m. kiekviename žemyne, išskyrus Kiniją. 2023 m. gegužės 30 d. „Google“ paskelbė 1,8 milijardo pastatų kontūrų duomenis, išgautus iš 0,5 m aukštos raiškos palydovinių vaizdų, apimančius 58 milijonų km² plotą. Mažas duomenų pertekliaus kiekis ir kompaktiška vektorinių duomenų struktūra, apibūdinama viršūnių ir takų, suteikia didesnį geografinį tikslumą, nepriklausomai nuo tinklelį dydžio, o topologinių taisyklių įvedimas dar labiau pagerina vektorinių duomenų vientisumą . 19 20 21 22 23 13 Dėl didėjančios vaizdų raiškos ir mažėjančių duomenų įsigijimo sąnaudų, kartu su naujausiais išgavimo algoritmų pasiekimais, pastatų pasiskirstymo duomenų raiška ir aprėptis nuolat gerėja . Labai didelės raiškos (VHR) vaizdų gyvybingumas leido išgauti pastatų kontūrus, taikant tradicinius rankiniu būdu sukurtų funkcijų metodus  arba giluminio mokymosi metodus . Kadangi pirmasis metodas susiduria su pastatų išvaizdos ir dydžių įvairovės bei sudėtingų praktinių taisyklių ir nustatymų iššūkiu, jo taikymas didelio masto didelės raiškos nuotolinio zondavimo vaizdams yra ribotas . Giluminio mokymosi metodai (pvz., konvoliuciniai neuronų tinklai) parodė veiksmingą ir pranašesnį našumą automatiškai mokantis aukšto lygio ir diskriminacines ypatybes pastatų scenų segmentacijoje. Sun ir kt.  pasiūlė lygiagrečiųjų atraminių vektorių mašinų (SVM) sujungimo strategiją, kad būtų visiškai išnaudotos giluminės ypatybės, išgautos iš įvairių mastų konvoliucinių neuronų tinklų struktūrų, su pranašesniu našumu išgaunant sudėtingus pastatus miestų teritorijose. Vis dėlto, segmentuojant pastatus, modelio tikslumas labiau priklauso nuo mokomųjų pavyzdžių kokybės, todėl ekstrapoliacija yra sunki. Nepakankamas aukšto lygio semantikos naudojimas ir žemo lygio detalių praleidimas giliuose modeliuose, dėl kurių atsiranda kraštų neryškumas ir praleidžiami maži pastatai, taip pat trukdo giluminiam mokymuisi taikyti pastatų kontūrų išgavimui. 24 25 13 26 27 Činghai-Tibeto plynaukštės regionas yra aukščiausia pasaulio vieta, kurios vidutinis aukštis viršija 4000 metrų virš jūros lygio ir užima 2,5 milijono km² plotą . Daugiau nei 10 milijonų žmonių gyvena šiame regione, nepaisant ekstremalaus klimato, šaltų ir ilgų žiemų, didelių metinių ir paros temperatūrų skirtumų bei prastų patalpų šilumos sąlygų. Nors šis regionas yra didžiausia Kinijos ekologinė riba , žmonių veikla daro didelį poveikį jos pažeidžiamai ekologinei aplinkai . Šis regionas taip pat yra itin linkęs į stichines nelaimes, tokias kaip žemės drebėjimai, nuošliaužos, purvo nuošliaužos, ledynų ežerų potvyniai ir sniego nelaimės, kurios sukelia aukų ir materialinės žalos , , . Atsižvelgiant į tai, tikslūs pastatų pasiskirstymo duomenys yra būtini modeliuojant žmonių veiklos pasiskirstymą siekiant tirti žmonių ir aplinkos sąveiką , , taip pat vertinant stichinių nelaimių poveikį ir riziką , . Be to, šiame regione yra ilgos saulės šviesos valandos, gausūs saulės energijos ištekliai ir pakankamai paviršių saulės energijai surinkti, pvz., stogai ir atviros erdvės , . Didelės raiškos kaimo pastatų pasiskirstymo duomenys galėtų suteikti patikimą duomenų bazę vertinant fotovoltinės energijos potencialą ir efektyviai gerinant kaimo gyventojų gyvenimo lygį , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kaip mažai išsivysčiusiame regione, Činghai-Tibeto plynaukštėje ir jos apylinkėse vis dar nėra pilno aukšto tikslumo vektorizuotų pastatų stogų duomenų rinkinio, dėl didelio ploto, retų pastatų pasiskirstymo, atokumo ir išteklių apribojimų. Labiausiai paruošti naudoti duomenys yra nacionalinio Kinijos masto, įskaitant 2,5 m tinklelį turinčius Kinijos pastatų stogų ploto duomenis (CBRA, Liu ir kt., 2023b) ir pirmąjį Kinijos nacionalinį 1 m raiškos žemės dangos žemėlapį (SinoLC), kuriame yra pastatų kategorijos . Šie rastriniai duomenys negali apibūdinti erdvinių objektų ir reikalauja daug saugojimo išteklių. Zhang ir kt.  paskelbti 90 didžiųjų Kinijos miestų vektorizuotų stogų ploto duomenys iš dalies užpildė šią spragą; tačiau šiame duomenų rinkinyje buvo tik 14 miestų Činghai-Tibeto plynaukštėje, o vektorizuotų pastatų stogų duomenų vis dar trūksta 2 milijonų km² plotui. 42 13 Todėl šio tyrimo tikslas yra sukurti Činghai-Tibeto plynaukštės ir jos apylinkių vektorizuotus pastatų stogų atvaizdus, naudojant didelės raiškos palydovinius vaizdus ir giluminio mokymosi algoritmą. Mūsų duomenų rinkinys buvo patvirtintas naudojant bandymo imtis, sudarytas iš 250 × 1 km² tinklelių įvairiuose subregionuose, ir pasiekė 91,92 % bendrą tikslumą ir 64,81 % F1 balą. Metodai Karkasas Šiame tyrime naudojome „AI Earth“ platformos pastatų išgavimo algoritmus, kad sukurtume Činghai-Tibeto plynaukštės ir jos apylinkių Kinijoje vektorizuotą pastatų stogų duomenų rinkinį (1 pav.). Mūsų karkaso pagrindiniai komponentai buvo: (1) palydovinių duomenų ir papildomų duomenų parengimas ir priešapdorojimas; (2) vektorizuotų pastatų stogų išgavimas naudojant „AI Earth“ platformą; (3) patvirtinimas naudojant rankiniu būdu vektorizuotus stogų duomenis.    Pastatų stogų išgavimo ir patvirtinimo karkasas. Tyrimo sritis Šis tyrimas daugiausia sutelktas į Činghai-Tibeto plynaukštę ir jos apylinkes pietvakarių Kinijoje pagal antrąją Tibeto plynaukštės mokslinę ekspediciją ir tyrimų programą ; geografiniu požiūriu ji apima Tibeto autonominį regioną, Činghai provinciją, vakarų Junano provinciją, vakarų Sičuano provinciją, pietvakarių Gansu provinciją ir pietų Sindziango autonominį regioną. Vidutinis tyrimo srities aukštis virš jūros lygio yra 4000 m. Gyventojų ir pastatų pasiskirstymą tyrinėtoje teritorijoje labai veikia aukštis ir klimatas (2 pav.) , daugiausia sutelkiant į rytus nuo linijos nuo Džilono apskrities Tibete iki Čilianio apskrities Činghai provincijoje ; rytuose jie pasiskirstę tankiai lygumų teritorijose regiono rytiniame pakraštyje, įskaitant slėnius Junano provincijoje, vakarų Sičuano provincijoje ir geltonosios upės baseine Siningas-Landžou. Plynaukštės paviršiuje į vakarus nuo linijos gyventojai ir pastatai daugiausia pasiskirstę ribotose žemės ūkio ir ganyklų teritorijose palei pagrindinius upių slėnius ir palei kelių transporto koridorius. 43 2 44    Tyrimo sritis (gyventojų duomenys iš „LandScan“; DEM iš Išteklių ir aplinkos mokslo bei duomenų centro). Palydoviniai vaizdai Atvirus didelės raiškos palydovinių vaizdų duomenis gavome iš „Rivermap Co.“ ( ), kurie buvo gauti iš „Google Earth“ palydovinių vaizdų ir oro duomenų integracijos. Tarp jų, palydoviniai vaizdai daugiausia gauti iš „DigitalGlobe“ „QuickBird“ ir „WorldView“ komercinių palydovų, o oro fotografija – iš Didžiosios Britanijos „BlueSky“ ir JAV „Sanborn“ . Kiekvienoje vietoje buvo surinkta keletas vaizdų, kurių raiška vietinėse teritorijose siekė iki 0,15 m. Tokia duomenų integracija buvo plačiai naudojama objektų atpažinimui sudėtingose scenose , , ,  ir turi potencialą didelio masto didelės raiškos objektų tipų kartografavimui . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Mūsų tyrimo srities bendras plotas yra 3,06 milijono km², o numatomas palydovinių vaizdų duomenų dydis yra 29,4 TB, su 0,6 m erdvinė raiška. Atsižvelgiant į šiuos mastus, mūsų tyrimo teritorijai buvo sukurtos 0,175° × 0,175° tinklelės, leidžiančios mažesnių dydžių paketus atsisiųsti, iš viso 10 033 tinklelės, naudojamos visai tyrimo teritorijai padengti. Atsisiųstų tinklelių faktinis skaičius buvo mažesnis – 5921, dėl dviejų priežasčių. Pirma, didelė dalis tyrimo teritorijos susideda iš negyvenamų teritorijų, kuriose nėra pastatų, todėl savavališkai atsisakėme tinklelių be jokių pastatytų plotų pikselių iš ESA „World Cover“ produkto. Antra, taip pat buvo atmesti miestai/prefektūros, kurių vektorizuotų stogų duomenys (ty Lhasa, Šananas, Kunminas, Siningas, Haidongas, Džangdžė, Baijinas, Lančou, Čengdu, Dali, Lijiangas, Kunminas, Džaočunas ir Jusi) jau buvo gauti 90 Kinijos miestų vektorizuotų stogų ploto duomenyse . Vaizdai buvo atsisiųsti 2022 m. rugsėjo – 2023 m. sausio mėn., kurių raiška buvo 0,6 m, vieno kadro dydis apie 3 GB, o bendras dydis – 2,72 TB. Atsisiųsti vaizdai daugiausia buvo padaryti nuo 2019 iki 2021 m., tačiau kai kurių atokiais regionų vaizdai galėjo būti padaryti dar 2001 m. (3 pav.) . 13 3    Tinklelės vaizdų atsisiuntimui ir vaizdų fotografavimo laikas. Pagalbiniai duomenys Mūsų papildomus duomenis sudarė didelės raiškos žemės dangos žemėlapiai, skaitmeninis aukščio modelis (DEM), normalizuotas vegetacijos skirtumas (NDVI) ir gyventojų pasiskirstymo duomenys, skirti vėlesnei klasterių analizei imties sudarymo tikslais (1 lentelė) . 1 Žemės dangos ir pastatytų plotų duomenims gauti buvo naudojamas ESA „World Cover“ produktas iš Zanaga ir kt. , kurį gauta iš „Zenodo“ ( ). Produktas buvo sukurtas remiantis „Sentinel 1“ ir „Sentinel 2“ palydoviniais vaizdais už visus 2020 m. ir 141 000 unikalių vietovių, apmokytas naudojant atsitiktinio miško algoritmą, siekiant atspindėti pasaulinę žemės dangą 2020 m.; jis turi privalumą atspindint smulkius kraštovaizdžio elementus (pvz., pastatytus plotus ir sudėtingus žemės ūkio kraštovaizdžius), nes jis atsižvelgia į gana mažą minimalų kartografavimo vienetą . „Pastatyto“ kategorija duomenyse reiškia žemę, padengtą pastatais, keliais ir kitomis žmogaus sukurtomis konstrukcijomis (pvz., geležinkeliais), bet ne miestų žaliąsias zonas (pvz., parkus ir sporto aikštynus), sąvartynus ir kasyklas . 17 https://zenodo.org/records/5571936 51 17 1 km DEM duomenys ir NDVI duomenys gauti iš Kinijos mokslų akademijos Geologijos ir išteklių instituto išteklių ir aplinkos mokslo bei duomenų centro ( ). DEM duomenys yra perskaičiuoti iš naujausių SRTM V4.1 duomenų ( ), o NDVI duomenys yra sujungti remiantis SPOT/VEGETATION PROBA-V 1 km produktais ( ). 2021 m. NDVI duomenis pasirinkome, kad atspindėtų augmeniją Činghai-Tibeto plynaukštėje ( ). Gyventojų tankumo duomenys gauti iš „LandScan“ duomenų bazės ( 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

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

Šis garso įrašas sukurtas originalia istorijos kalba!

Dirbtinis intelektas nupiešia 13 milijonų pastatų viename atokiausių pasaulio regionų

About Author

KOMENTARAI

PABAIGTI ŽYMES

ŠIS STRAIPSNIS BUVO PRISTATYMAS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps