
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Kopsavilkums Liela mēroga augstas precizitātes ēku izvietojuma dati ir svarīgs pamats reģionālās pilsētvides plānošanai un resursu sadalei, kā arī katastrofu riska izpētei. Cjinhai-Tibetana plato ir pasaules trešais pols. Lai gan ir ārkārtīgi svarīgi izprast vietējo cilvēku un vides mijiedarbību Cjinhai-Tibetana plato, to ir apgrūtinājusi augstas izšķirtspējas ēku pēdu datu trūkums, ko izraisījis plašais apvidus un attālums. Šajā pētījumā mēs izveidojām pirmās Cjinhai-Tibetana plato un tā apkārtnes ēku jumtu kontūru vektora datus, izmantojot augstas izšķirtspējas Google attēlus un AI Earth platformas ēku kontūru izvilkšanas algoritmu. Mūsu rezultāti ietver 13.09 miljonus ēku, kas aptver 6092,7 km2, un tika validēti ar kopējiem 250 × 1 km2 testēšanas paraugiem. Datu kopējā precizitāte bija 87%, atsaukšanās 91,9% un F1 rādītājs 64,8%, tādējādi nodrošinot uzlabotu aprakstu par pētījuma teritorijas ēku izvietojumu, salīdzinot ar CBRA. Mūsu darbam ir milzīgs potenciāls veicināt riska novērtēšanas izpēti šajā jomā. Fons un kopsavilkums Digitālā laikmeta ienākšana ir palielinājusi pieprasījumu pēc uzticamiem datiem par ēku izvietojumu un atribūtiem , , . Ēku izvietojuma dati sniedz svarīgu telpisku informāciju ne tikai par ēkām, bet arī par iedzīvotājiem un fiziskajiem aktīviem , kalpojot par labu cilvēka darbības indikatoru. Pēdējās desmitgadēs ēku izvietojuma dati ir plaši izmantoti pilsētu un lauku attīstības uzraudzībai , , urbanizācijas ietekmes uz pārtikas nodrošinājumu, bioloģisko daudzveidību, klimata pārmaiņām un sabiedrības labklājību un veselību izpratnei , , reģionālo attīstības stratēģiju formulēšanai un pilsētu un lauku ekosistēmu aizsardzībai , , . 1 2 3 4 5 6 7 8 9 10 11 Ar satelītu un gaisa attēlu palīdzību, kā arī ar jaunākajiem sasniegumiem mašīnmācīšanās un dziļās mācīšanās algoritmos, ir palielinājusies ēku izvietojuma datu pieejamība , , . Ēku izvietojuma dati ir sniegti rastra formātā kā daļa no zemes izmantošanas/seguma datiem. Jaunākais izdevums ietver trīs 10 metru globālos zemes izmantošanas/seguma produktus, kas balstīti uz Sentinel satelītiem, proti, Google Dynamic World (DW) , Esri 2020 Land Cover  un Eiropas Kosmosa aģentūras (ESA) World Cover 2020 (WC) . Papildus telpiskās izvietojuma informācijai pētnieki arī cenšas pievienot ēku pikseļiem atribūtu informāciju, piemēram, ēkas augstumu . Piemēram, He u.c.  izmantoja daudzlīdzekļu attālās zondēšanas datu saplūdināšanu, lai izveidotu pasaulē pirmo 30 metru izšķirtspējas pilsētu trīsdimensiju telpisko un laika izplešanās datu kopumu, kas aptver periodu no 1990. līdz 2010. gadam. Neskatoties uz telpiskās izšķirtspējas nepārtrauktu uzlabošanu, rastra formāta ēku izvietojuma dati joprojām nespēj aprakstīt telpiskos objektus , un izšķirtspējas palielināšana ievērojami palielina glabāšanas un aprēķinu izmaksas . 12 13 14 15 16 17 14 7 18 12 Vektoru formātā esošie ēku izvietojuma dati, kas pazīstami arī kā vektorizēti ēku jumti vai ēku pēdas, ir ēku kontūru dati, kas projicēti uz zemes no augšskata , , kas sniedz informāciju, piemēram, par ģeogrāfisko atrašanās vietu, robežu telpisko izklājumu un atsevišķas ēkas pēdu. Sabiedriskie pakalpojumu sniedzēji (piemēram, Google Earth un OpenStreetMap) nodrošina brīvi pieejamus vektorizētus ēku jumtu datus ar plašu pārklājumu, ātru atjaunināšanu un zemu cenu , , . 2022. gadā Microsoft Corporation izmantoja dziļo neironu tīklu balstītu semantisko segmentāciju, lai izvilktu 777 miljonu ēku kontūras, no kurām dažas satur ēkas augstuma atribūtus, pamatojoties uz Bing Maps (tostarp Maxar un Airbus attēlus) no 2014. līdz 2021. gadam katram kontinentam ārpus Ķīnas. 2023. gada 30. maijā Google publicēja 1,8 miljardu ēku kontūru datu kopumu, kas izvilkts no 0,5 m augstas izšķirtspējas satelītu attēliem, aptverot 58 miljonus km2. Vektoru datu ar mazām dublēšanās un kompaktu struktūru, kas attēloti ar virsotnēm un ceļiem, nodrošina augstāku ģeogrāfisko precizitāti neatkarīgi no tīkla izmēra, un topoloģisko noteikumu ieviešana vēl vairāk uzlabo vektoru datu integritāti . 19 20 21 22 23 13 Sakārtojot attēlu izšķirtspēju un samazinot datu iegūšanas izmaksas, kopā ar jaunākajiem sasniegumiem izvilkšanas algoritmos, ēku izvietojuma datu izšķirtspēja un pārklājums nepārtraukti uzlabojas . Ļoti augstas izšķirtspējas (VHR) attēlu dzīvotspēja ir ļāvusi izvilkt ēku pēdas, piemērojot tradicionālās, ar rokām darinātās uz funkcijām balstītās metodes  vai dziļās mācīšanās metodes . Tā kā iepriekšējā pieeja saskaras ar izaicinājumu ēku izskatu un izmēru daudzveidības dēļ, kā arī sarežģītu empīrisko likumu un sliekšņu iestatīšanas dēļ, tā ir ierobežota, piemērojot liela mēroga augstas izšķirtspējas attālās zondēšanas attēliem . Dziļās mācīšanās metodes (piemēram, konvolucionālie neironu tīkli) ir parādījušas efektīvu un pārāku veiktspēju, automātiski apgūstot augsta līmeņa un atšķirīgas funkcijas ēku ainu segmentācijā. Sun u.c.  ierosināja saplūdināšanas stratēģiju, kas balstīta uz paralēliem atbalsta vektoru mašīnām, lai pilnībā izmantotu dziļās funkcijas, kas izvilktas no daudzlīmeņu konvolucionālo neironu tīklu struktūrām dažādos līmeņos, ar pārāku veiktspēju sarežģītu ēku izvilkšanā pilsētu apvidos. Tomēr, segmentējot ēkas, modeļa precizitāti biežāk ierobežo apmācības paraugu kvalitāte, padarot ekstrapolāciju par grūtu. Nepietiekama augsta līmeņa semantikas izmantošana un zema līmeņa detaļu izlaidums dziļajos modeļos, kas izraisa malu izplūdumu un mazu ēku izlaidumus, arī kavē dziļās mācīšanās pielietošanu ēku pēdu izvilkšanā. 24 25 13 26 27 Cjinhai-Tibetana plato reģions ir pasaules augstākais apgabals, ar vidējo augstumu virs jūras līmeņa virs 4000 metriem un platību 2,5 miljoni km2  . Vairāk nekā 10 miljoni cilvēku apdzīvo reģionu, neskatoties uz tā ekstrēmo klimatu, aukstām un garām ziemām, lielām gada un diennakts temperatūras atšķirībām un sliktu iekštelpu termisko vidi. Lai gan šis reģions ir lielākā Ķīnas ekoloģiskā barjera , cilvēka darbība ievērojami ietekmē tā neaizsargāto ekoloģisko vidi . Šis reģions ir arī ļoti pakļauts katastrofām, kur zemestrīces, zemes nogruvumi, dubļu plūdi, ledāju ezeru izplūdes un sniega katastrofas rada upuru un īpašuma zaudējumus , , . Reaģējot uz to, precīzi ēku izvietojuma dati ir kritiski svarīgi cilvēka darbības izvietojuma modelēšanai savstarpēji saistītām cilvēka un vides pētījumam , , kā arī apdraudējumu un riska analīzei dabas katastrofām , . Turklāt šajā reģionā ir ilgas saules spīdēšanas stundas, bagātīgi saules enerģijas resursi un pietiekamas saules enerģijas savākšanas virsmas, piemēram, jumti un atklātas telpas , . Augstas izšķirtspējas lauku ēku izvietojuma dati varētu nodrošināt uzticamu datu bāzi fotovoltiskā potenciāla novērtēšanai un lauku apvidos dzīvojošo cilvēku dzīves līmeņa efektīvai uzlabošanai , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kā mazattīstīts reģions, Cjinhai-Tibetana plato un tā kaimiņreģioni joprojām nav ieguvuši pilnu augstas precizitātes vektorizēto ēku jumtu datu kopumu, ņemot vērā to lielo platību, reti izvietotās ēkas, attālumu un resursu ierobežojumus. Visgatavākie izmantošanai ir dati, kas sniegti Ķīnas nacionālajā mērogā, kuri ietver 2,5 m tīkloto Ķīnas ēku jumta laukuma datus (CBRA, Liu u.c., 2023b) un Ķīnas pirmo nacionālo zemes seguma karti ar 1 m izšķirtspēju (SinoLC), kas ietver ēku kategorijas . Šie rastra dati nespēj raksturot telpiskos objektus un prasa lielus glabāšanas resursus. Zhang u.c.  publicētie 90 Ķīnas lielāko pilsētu vektorizētie jumta laukuma dati daļēji aizpildīja šo plaisu; tomēr šajā datu kopumā tika iekļautas tikai 14 pilsētas Cjinhai-Tibetana plato, un 2 miljonu km2 platībai joprojām trūkst vektorizēto ēku jumtu datu. 42 13 Tāpēc šis pētījums ir vērsts uz Cjinhai-Tibetana plato un tā kaimiņreģionu ēku jumtu pēdu vektoru datu izveidi, integrējot augstas izšķirtspējas satelītu attēlus un dziļās mācīšanās algoritmu. Mūsu datu kopu validēja, izmantojot testa paraugus, kas sastāvēja no 250 × 1 km2 kvadrātiem dažādos apakšreģionos, sasniedzot kopējo precizitāti 91,92% un F1 rādītāju 64,81%. Metodes Ietvars Šajā pētījumā mēs izmantojām ēku izvilkšanas algoritmus no AI Earth platformas, lai izveidotu vektorizētus ēku jumtu datus Cjinhai-Tibetana plato un tā kaimiņreģionā Ķīnā (1. att. ). Mūsu ietvara galvenās sastāvdaļas bija: (1) satelītu datu un palīgdatu sagatavošana un pirmapstrāde; (2) vektorizētu ēku jumtu izvilkšana, izmantojot AI Earth platformu; (3) validācija, izmantojot manuāli vektorizētus jumtu datus. 1    Ēku jumtu izvilkšanas un validācijas ietvars. Pētījuma teritorija Šis pētījums galvenokārt koncentrējās uz Cjinhai-Tibetana plato un tā kaimiņreģioniem Ķīnas dienvidrietumos, saskaņā ar vispārējo Otrās Tibetana plato zinātniskās ekspedīcijas un pētījumu programmas  ietvaru; ģeogrāfiski tas ietver Tibetiešu autonomo reģionu, Cjinhai provinces, Junaņas provinces rietumu daļu, Sičuaņas provinces rietumu daļu, Ganas provinces dienvidrietumu daļu un Siņdzjanas autonomā reģiona dienvidu daļu. Vidējais augstums pētījuma teritorijā ir 4000 m virs jūras līmeņa. Iedzīvotāju un ēku izvietojumu pētījuma teritorijā lielā mērā ietekmē augstums un klimats (2. att. ), galvenokārt koncentrējoties uz austrumiem no līnijas, kas iet no Džilongas apriņķa Tibetā līdz Čiļenai apriņķim Cjinhai ; austrumos tie ir blīvi izvietoti līdzenumu apgabalos reģiona austrumu malā, ieskaitot Junaņas provinces, Sičuaņas provinces rietumu daļas un Siningas-Lancžou Dzeltenās upes baseina upju ielejas. Uz rietumiem no līnijas esošajā plato virsmā iedzīvotāji un ēkas galvenokārt izvietoti ar ierobežotām lauksaimniecības-ganību zemēm gar lielajām upju ielejām un gar ceļu satiksmes koridoriem. 43 2 44    Pētījuma teritorija (iedzīvotāju dati ir no LandScan; DEM ir no Resursu un vides zinātnes un datu centra). Satelīta attēli Atvērtā piekļuve augstas izšķirtspējas satelītu attēlu dati tika iegūti no Rivermap Co. ( ), kas tika iegūti no Google Earth, integrējot satelītu attēlus un gaisa datus. Starp tiem satelītu attēli galvenokārt nāk no DigitalGlobe QuickBird un WorldView komerciālajiem satelītiem, bet gaisa fotogrāfijas ir no BlueSky Lielbritānijā un Sanborn ASV . Katrai atrašanās vietai bija vairāku attēlu kolekcijas ar izšķirtspēju līdz 0,15 m lokalizētās vietās. Šāda datu integrācija ir plaši izmantota objektu atpazīšanai sarežģītās ainās , , , , un tai ir potenciāls liela mēroga augstas izšķirtspējas objektu tipu kartēšanai . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Mūsu pētījuma teritorijas kopējā platība ir 3,06 miljoni km2, un satelītu attēlu datu lēstais apjoms ir 29,4 TB ar telpisko izšķirtspēju 0,6 m. Ņemot vērā šos mērogus, mūsu pētījuma teritorijai tika izveidoti 0,175° × 0,175° tīkli, lai nodrošinātu mazāka izmēra iepakojumus lejupielādei, kopā tika izmantoti 10 033 tīkli, lai segtu visu pētījuma teritoriju. Faktiskais lejupielādēto tīklu skaits bija mazāks — 5921 divu iemeslu dēļ. Pirmkārt, tā kā liela daļa pētījuma teritorijas sastāv no neapdzīvotām teritorijām, kurās nav ēku, mēs patvaļīgi izslēdzām tīklus bez jebkādiem apbūvētiem pikseļiem no ESA World Cover produkta. Otrkārt, tika izslēgtas pilsētas/prefektūras, kuru vektorizētie jumtu dati (ti, Lhasa, Šannana, Kunnmina, Sininga, Haidonga, Džanji, Baijina, Lancžou, Čendžu, Dali, Lijianga, Kunnmina, Džaotuna un Jusi) jau tika iegūti 90 Ķīnas pilsētu vektorizētajos jumtu laukuma datos . Attēli tika lejupielādēti no 2022. gada septembra līdz 2023. gada janvārim, ar izšķirtspēju 0,6 m, viena kadra izmēru apm. 3 GB un kopējo apjomu 2,72 TB. Lejupielādētie attēli galvenokārt tika uzņemti no 2019. līdz 2021. gadam, taču attēli no dažiem attāliem apgabaliem varētu būt uzņemti jau 2001. gadā (3. att. ). 13 3    Tīkli attēlu lejupielādei un attēlu uzņemšanas laiks. Palīgdatu Mūsu palīgdatu vidū bija augstas izšķirtspējas zemes seguma kartes, digitālais augstuma modelis (DEM), normalizētais veģetācijas indekss (NDVI) un iedzīvotāju izvietojuma dati turpmākai kopu analīzei paraugu ņemšanas nolūkā (1. tabula ). 1 Zemes seguma un apbūvēto teritoriju dati tika iegūti no ESA World Cover produkta, ko nodrošina Zanaga u.c. , no Zenodo ( ). Produkts tika izveidots, pamatojoties uz Sentinel 1 un Sentinel 2 satelītu attēliem visam 2020. gadam un 141 000 unikālu vietu paraugu visā pasaulē, apmācīts ar nejaušā meža algoritmu, lai attēlotu globālo zemes segumu 2020. gadā; tam ir priekšrocība smalku ainavas elementu (piemēram, apbūvētu teritoriju un sarežģītu lauksaimniecības ainavu) attēlošanā, jo tas ņem vērā salīdzinoši mazu minimālo kartēšanas vienību . "Apbūvēts" kategorija datu kopā ietver zemi, kas klāta ar ēkām, ceļiem un citām cilvēka radīt 17 https://zenodo.org/records/5571936 51

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

Šis audio ir izveidots stāsta oriģinālvalodā!

Mākslīgais intelekts kartē 13 miljonus ēku vienā no pasaules attālākajiem reģioniem

About Author

KOMENTĀRI

PAKARINĀT TAGUS

ŠIS RAKSTS TIKS PĀRSTRĀDĀTS

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps