AI нь Дэлхийн хамгийн алслагдсан бүс нутгуудын нэгийг 13 сая барилгыг зуржээ.

Зохиогчид: Тао Е Хонгю Шан Жидонг Ву Чианг Зжоу Мингфу Ма Венжи Жао Ру Я Юан Гао Лизенг Ву Хураангуй Бүс нутгийн хот байгуулалт, нөөц хуваарилалт, гамшгийн эрсдэлийн судалгаанд зориулсан барилгын өндөр нарийвчлалтай, өргөн цар хүрээтэй барилгын байршлын өгөгдөл нь чухал ач холбогдолтой. Цинхай-Төвдийн өндөрлөг нь дэлхийн гурав дахь туйл юм. Цинхай-Төвдийн өндөрлөгийн газар нутгийн хүн-байгаль орчны харилцан үйлчлэлийг ойлгох нь маш чухал боловч тус бүс нутгийн өргөн уудам, алслагдмал байдлаас шалтгаалсан өндөр нягтралтай барилгын ул мөрний өгөгдөл дутагдсанаас үүнийг хязгаарлаж байв. Энэхүү судалгаанд бид өндөр нягтралтай Google дүрсийг болон AI Earth платформын барилгын контурыг гаргаж авах алгоритмыг ашиглан Цинхай-Төвдийн өндөрлөг болон түүний орчмын анхны векторжуулсан барилгын дээврийн хэвлийг гаргав. Бидний үр дүн нь 6092.7 км² талбайг хамарсан 13.09 сая барилгыг агуулж байгаа бөгөөд нийт 250 × 1 км² туршилтын дээжээр баталгаажуулсан. Өгөгдлийн нийт үнэн зөв байдал 87%, үр өгөөж 91.9%, F1 оноо 64.8% байсан нь CBRA-тай харьцуулахад тус судалгааны талбайн барилгын байршлын талаар дэвшилтэт тодорхойлолтыг өгч байна. Манай ажил нь тус бүс нутаг дахь гамшгийн эрсдэлийн судалгаанд зориулсан өртөлтийн үнэлгээг хөнгөвчлөх ихээхэн боломжтой юм. Агуулгын тойм Дижитал эриний ирэлт нь барилгын байршил, шинж чанарын талаарх найдвартай өгөгдлийн эрэлтийг нэмэгдүүлсэн. Барилгын байршлын өгөгдөл нь зөвхөн барилгуудын төдийгүй хүн ам, эд хөрөнгийн талаарх орон зайн мэдээллийг өгдөг, хүний үйл ажиллагааны сайн шинж тэмдэг болдог. Сүүлийн арван жилд барилгын байршлын өгөгдлийг хот, хөдөөгийн хөгжлийг хянах, хүн амын хотжилт нь хүнсний аюулгүй байдал, биологийн төрөл зүйл, цаг уурын өөрчлөлт, нийгмийн сайн сайхан байдал, эрүүл мэндэд үзүүлэх нөлөөллийг ойлгох, бүс нутгийн хөгжлийн стратегийг боловсруулах, хот, хөдөөгийн экосистемийг хамгаалах зэрэгт өргөнөөр ашиглаж байна. Сансрын болон агаарын дүрстэй зураг авалтын ахиц дэвшил, машин сургалт болон гүнзгийрүүлсэн сургалтын алгоритм дахь сүүлийн үеийн дэвшилтүүд нь барилгын байршлын өгөгдлийн боломжийг нэмэгдүүлсэн. Барилгын байршлын өгөгдлийг газар ашиглалт/бүрхэвчтэй өгөгдлийн нэг хэсэг болгон растер форматаар өгдөг. Хамгийн сүүлийн үеийн хувилбарт Sentinel хиймэл дагуул дээр суурилсан 10 метрийн дэлхийн газар ашиглалт/бүрхэвчтэй гурван бүтээгдэхүүн багтсан нь Google-ийн Dynamic World (DW), Esri-ийн 2020 Land Cover, болон Европын сансрын агентлагийн (ESA) World Cover 2020 (WC) юм. Орон зайн байршлын мэдээллээс гадна судлаачид барилгын өндөр зэрэг шинж чанарын мэдээллийг барилгын пикселүүдэд нэмэхээр оролдож байна. Жишээлбэл, He et al. нь 1990-2010 оны хоорондох дэлхийн анхны 30 метрийн нягтралтай хот суурингийн гурван хэмжээст орон зайн болон цаг хугацааны тэлэлтийн өгөгдлийг бүтээхийн тулд олон эх үүсвэрийн зайны мэдрэгч дүрсийг хослуулан ашигласан. Орон зайн нягтралыг тасралтгүй сайжруулж байгаа хэдий ч растер-based барилгын байршлын өгөгдөл нь орон зайн объектуудыг тодорхойлж чадахгүй хэвээр байгаа бөгөөд нягтралыг нэмэгдүүлэх нь хадгалалт болон тооцоолох зардлыг ихээр нэмэгдүүлдэг. Вектор формат дахь барилгын байршлын өгөгдөл, өөрөөр хэлбэл, векторжуулсан барилгын дээврийн хэвлий эсвэл барилгын ул мөр нь дээд талаас харах үед газарт тусгагдсан барилгын гадаад контурын өгөгдөл юм. Энэ нь барилга тус бүрийн газарзүйн байршил, хилийн орон зайн хэмжээ, ул мөрийн талаарх мэдээллийг өгдөг. Google Earth болон OpenStreetMap зэрэг олон нийтийн үйлчилгээ үзүүлэгчид өргөн хамрах хүрээ, хурдан шинэчлэлт, бага зардлаар нээлттэй хандах боломжтой векторжуулсан барилгын дээврийн хэвлий өгөгдлийг санал болгодог. 2022 онд Microsoft корпораци нь Bing Maps-аас (Maxar болон Airbus дүрсийг багтаасан) 2014-2021 оны хоорондох бүх тивээс (Хятадаас бусад) 777 сая барилгын гадаад контурыг гаргаж авахад гүнзгийрүүлсэн нейрон сүлжээнд суурилсан семантик хуваалтын аргыг ашигласан. 2023 оны 5-р сарын 30-нд Google нь 58 сая км² талбайг хамарсан 0.5 м өндөр нягтралтай хиймэл дагуул зургаас гаргаж авсан 1.8 тэрбум барилгын контурын дата сетийг гаргасан. Вертекс болон зам гэх мэт тоо бүртгэлд хамрагдсан өгөгдлөөр илэрхийлэгдсэн вектор өгөгдлийн бага давхардал болон нягт бүтэц нь торны хэмжээнээс үл хамааран илүү өндөр газарзүйн нарийвчлалыг хангадаг бөгөөд топологийн дүрмийг нэвтрүүлснээр вектор өгөгдлийн бүрэн бүтэн байдлыг сайжруулдаг. Дүрсийн нягтрал нэмэгдэж, өгөгдөл олж авах зардал буурч, мөн гаргаж авах алгоритмууд дахь сүүлийн үеийн дэвшилтүүдтэй хамт барилгын байршлын өгөгдлийн нягтрал болон хамрах хүрээ нь тасралтгүй сайжирч байна. Маш өндөр нягтралтай (VHR) зургийн боломжит байдал нь уламжлалт гар аргаар боловсруулсан шинж чанар-based аргууд эсвэл гүнзгийрүүлсэн сургалтанд суурилсан аргуудыг ашиглан барилгын ул мөрийг гаргаж авахад боломжтой болгосон. Эхний арга нь барилгын төрөл бүрийн дүр төрх, хэмжээ, төвөгтэй ухаант дүрэм, босго тогтоох зэрэгтэй тулгардаг тул өндөр нягтралтай, өргөн цар хүрээтэй зайны мэдрэгч зургуудад хэрэглэхэд хязгаарлагдмал байдаг. Гүнзгийрүүлсэн сургалтанд суурилсан аргууд (жишээлбэл, конволюцон нейрон сүлжээ) нь барилгын дүрсийг хуваах үед өндөр түвшний болон ялгах шинж чанарыг автоматаар сурах чадвартай болох нь батлагдсан. Sun et al. нь өөр өөр хэмжээтэй олон хэмжээст конволюцон нейрон сүлжээний бүтцээс авсан гүнзгий шинж чанарыг бүрэн ашиглахын тулд параллель дэмжих вектор машиныг үндэслэн нэгтгэх стратегийг санал болгосон бөгөөд хот суурингийн төвөгтэй барилгуудыг гаргаж авахад илүү сайн гүйцэтгэлтэй байдаг. Гэсэн хэдий ч, барилгуудыг хуваах үед загварын үнэн зөв байдал нь сургалтын дээжний чанараар илүү их хязгаарлагддаг тул extrapolation хийхэд хэцүү болгодог. Гүнзгийрүүлсэн загваруудад өндөр түвшний семантик мэдлэгийг хангалтгүй ашиглах, бага түвшний нарийвчлалыг орхигдуулах нь ирмэгийн бүдэгрэлт болон жижиг барилгуудыг орхих явдал нь гүнзгийрүүлсэн сургалтыг барилгын ул мөр гаргаж авахад саад болдог. Цинхай-Төвдийн өндөрлөгийн бүс нь дэлхийн хамгийн өндөр уул, далайн түвшнээс дээш 4000 метрээс дээш дундаж өндөртэй, 2.5 сая км² талбайг хамардаг. Энэ бүс нь хэт уур амьсгалтай, хүйтэн, урт өвөлтэй, жилийн болон өдрийн температурын их хэлбэлзэлтэй, доторх дулааны орчин муутай хэдий ч 10 сая гаруй хүн амьдардаг. Энэ бүс нь Хятад дахь хамгийн том экологийн хязгаарлагч боловч хүний үйл ажиллагаа нь эмзэг экосистемийг ихээр нөлөөлсөн. Энэ бүс нь газар хөдлөлт, нуранги, үерийн үер, мөстлөгийн нуурын үер, цасны гамшиг зэрэг гамшигт нэрвэгддэг бөгөөд хүний амь нас, эд хөрөнгийн алдагдалд хүргэдэг. Үүний хариуд, хүн ба байгаль орчны харилцан уялдаатай судалгаа болон байгалийн гамшгийн өртөлтийн болон эрсдэлийн шинжилгээ хийхийн тулд барилгын байршлын нарийвчлалтай өгөгдөл нь чухал байдаг. Нэмж дурдахад, энэ бүс нь урт нарны гэрлийн цаг, элбэг нарны эрчим хүчний нөөц, дээвэр болон нээлттэй талбай зэрэг хангалттай нарны эрчим хүч цуглуулах гадаргуутай. Хөдөөгийн барилгын байршлын өндөр нягтралтай өгөгдөл нь фотоволтайк боломжийг үнэлэх, хөдөөгийн оршин суугчдын амьдралын түвшинг үр ашигтай сайжруулахад найдвартай мэдээллийн сан болно. Хөгжил дорой бүс нутгийн хувьд Цинхай-Төвдийн өндөрлөг болон түүний хөрш орнууд нь өргөн талбай, сийрэг барилгын байршил, алслагдсан байдал, нөөцийн хязгаарлалт зэргээс шалтгаалж өндөр нягтралтай векторжуулсан барилгын дээврийн хэвлий өгөгдлийн бүрэн багцтай болоогүй байна. Хамгийн бэлэн болсон өгөгдөл нь Хятад улсын хэмжээнд өгөгддөг 2.5 метрийн нүдэн тортой China Building Rooftop Area (CBRA, Liu et al., 2023b) болон барилгын категориудыг агуулсан Хятадын анхны 1 метрийн нягтралтай улсын газар бүрхэвчний зураг (SinoLC) юм. Эдгээр растер өгөгдлүүд нь орон зайн объектуудыг тодорхойлж чадахгүй бөгөөд их хэмжээний санах ой шаарддаг. Zhang et al. -ийн гаргасан Хятадын 90 хотын векторжуулсан дээврийн талбайн өгөгдөл нь энэ хоосон зайг зарим талаар нөхсөн; гэсэн хэдий ч, Цинхай-Төвдийн өндөрлөгийн ердөө 14 хот энэ өгөгдөлд багтсан бөгөөд 2 сая км² талбайгаас векторжуулсан барилгын дээврийн хэвлий өгөгдөл дутагдсаар байна. Тиймээс, энэхүү судалгааны зорилго нь өндөр нягтралтай хиймэл дагуул зураг болон гүнзгийрүүлсэн сургалтын алгоритмыг ашиглан Цинхай-Төвдийн өндөрлөг болон түүний хөрш зэргэлдээх бүс нутгуудын векторжуулсан барилгын дээврийн ул мөрийг гаргах явдал юм. Манай дата сетийг янз бүрийн дэд бүс нутгийг хамарсан 250 × 1 км² нүдэн тор бүхий туршилтын дээж ашиглан баталгаажуулсан бөгөөд энэ нь 91.92% -ийн нийт үнэн зөв байдал, 64.81% -ийн F1 оноог өгсөн. Арга Ажиллагааны хүрээ Энэхүү судалгаанд бид AI Earth платформын барилгыг гаргаж авах алгоритмыг ашиглан Хятад дахь Цинхай-Төвдийн өндөрлөг болон түүний хөрш зэргэлдээх бүс нутгийн векторжуулсан барилгын дээврийн ул мөрийн дата сетийг гаргав (Зураг 1). Ажиллагааны үндсэн бүрэлдэхүүн хэсгүүд нь: (1) хиймэл дагуул болон туслах өгөгдлийн бэлтгэл ба урьдчилан боловсруулалт; (2) AI Earth платформыг ашиглан векторжуулсан барилгын дээврийн ул мөрийг гаргаж авах; (3) гараар векторжуулсан дээврийн өгөгдлийг ашиглан баталгаажуулалт. Барилгын дээврийн ул мөрийг гаргаж авах болон баталгаажуулах ажиллагааны хүрээ. Судалгааны талбай Энэхүү судалгаа нь Төвдийн хоёр дахь шинжлэх ухааны экспедиц ба судалгааны хөтөлбөрийн ерөнхий хүрээнд Хятад дахь Цинхай-Төвдийн өндөрлөг болон түүний хөрш зэргэлдээх бүс нутгуудад голлон төвлөрсөн; газарзүйн хувьд энэ нь Төвдийн өөртөө засах муж, Цинхай муж, Баруун Юньнань муж, Баруун Сычуань муж, Баруун Өмнөд Ганьсү муж, Баруун Өмнөд Шинжаан өөртөө засах орон нутгийг багтаана. Судалгааны талбайн дундаж өндөр нь далайн түвшнээс дээш 4000 м байна. Судалгааны талбай дахь хүн ам, барилгын байршил нь өндөр, уур амьсгалаас ихээхэн хамаардаг (Зураг 2), голчлон Жилонг хотоос (Төвд) Цилянь хот (Цинхай) хүртэлх шугамын зүүн талд төвлөрсөн байдаг; зүүн талд, тэд Юньнань, Баруун Сычуань муж, мөн Шинэнин-Ланьчжоу шар мөрний хөндий зэрэг голын хөндийг багтаасан хөндий газруудад нягт байршдаг. Шугамын баруун талд байх өндөрлөгийн гадаргуу дээр хүн ам, барилгууд нь ихэвчлэн хязгаарлагдмал агро-мал аж ахуйн бүс нутгууд, голын гол хөндий дагуу, мөн замын тээврийн шугам дагуу байрладаг. Судалгааны талбай (хүн амын өгөгдөл нь LandScan-аас авсан; DEM нь Нөөц ба Орчны Шинжлэх Ухаан ба Өгөгдлийн Төвөөс авсан). Сансрын зураг Нээлттэй хандах боломжтой өндөр нягтралтай хиймэл дагуул зургийн өгөгдлийг Rivermap Co. (http://www.rivermap.cn/index.html) -оос авсан бөгөөд энэ нь Google Earth-ийн хиймэл дагуул зураг болон агаарын өгөгдлийг нэгтгэх замаар авсан. Үүнээс гадна, хиймэл дагуул зураг нь голчлон DigitalGlobe-ийн QuickBird болон WorldView арилжааны хиймэл дагуул, агаарын гэрэл зураг нь Их Британийн BlueSky болон АНУ-ын Sanborn-аас авсан. Байршил тус бүрт 0.15 м хүртэлх нягтралтай олон дүрсийн цуглуулга байсан. Ийм өгөгдлийг нэгтгэх нь төвөгтэй дүрсийг таних болон объектын төрлүүдийг өргөн цар хүрээтэй зураглах боломжтой болгоход өргөнөөр ашиглагдсан. Бидний судалгааны талбайн нийт талбай нь 3.06 сая км² бөгөөд хиймэл дагуул зургийн тооцоолсон хэмжээ нь 29.4 TB, орон зайн нягтрал нь 0.6 м байна. Ийм хэмжээг харгалзан үзэж, 0.175° × 0.175° нүдэн тор нь бидний судалгааны талбайг хэмжээтэй нь бага байлгах зорилгоор бүтээгдсэн бөгөөд нийт 10,033 нүдэн тор нь бүх судалгааны талбайг хамарсан. Хоёр шалтгааны улмаас татаж авсан нүдэн торын бодит тоо 5921 байсан. Эхнийх нь, судалгааны талбайн ихэнх хэсэг нь барилга байхгүй хүн амгүй бүс нутгийг бүрдүүлдэг тул бид ESA World Cover бүтээгдэхүүний аль нэг барилга байгууламжийн пиксел агуулаагүй нүдэн торыг хаяв. Хоёрдугаарт, Хятад дахь 90 хотын векторжуулсан дээврийн талбайн өгөгдлөөс (жишээлбэл, Лхаса, Шаннан, Куньмин, Шинэнин, Хайдун, Чжанъе, Баййин, Ланьчжоу, Чэнду, Дали, Лижианг, Куньмин, Жаотонг, ба Юкси) авсан хот/аймагуудыг мөн хассан. Зургуудыг 2022 оны 9-р сараас 2023 оны 1-р сар хүртэл татаж авсан, нягтрал нь 0.6 м, нэг зураг нь ойролцоогоор 3 ГБ, нийт хэмжээ нь 2.72 TB байсан. Татаж авсан зурагнууд нь голчлон 2019-2021 оны хооронд хийгдсэн боловч зарим алслагдсан бүс нутгийн зургууд 2001 оны эхээр хийгдсэн байж болно (Зураг 3). Зургийг татаж авах болон зургийг буулгах хугацааны нүдэн тор. Туслах өгөгдөл Бидний туслах өгөгдөл нь дээж авах зорилгоор дараахь кластер шинжилгээнд зориулсан өндөр нягтралтай газар бүрхэвчний газрын зураг, тоон өндрийн загвар (DEM), нийтлэг ялгаварын өсөлт (NDVI), болон хүн амын байршлын өгөгдлийг агуулсан (Хүснэгт 1). Газар бүрхэвч болон барилга байгууламжийн хувьд, Zanaga et al.-ээс авсан ESA-ийн World Cover бүтээгдэхүүн нь Zenodo (https://zenodo.org/records/5571936) -оос авсан. Энэ бүтээгдэхүүн нь Sentinel 1 болон Sentinel 2 хиймэл дагуул зургаас 2020 оны туршид болон дэлхий даяар байршсан 141,000 өвөрмөц байршлын дээжээс бүтээгдсэн бөгөөд Random Forest алгоритмаар сургагдсан бөгөөд 2020 онд дэлхийн газар бүрхэвчийг илэрхийлдэг; энэ нь жижиг хамгийн бага зураглах нэгж -ийг харьцангуй бага байлгадаг тул барилга байгууламж, төвөгтэй хөдөө аж ахуйн ландшафт зэрэг нарийн хэмжээст ландшафтын элементүүдийг илэрхийлэх давуутай юм. Бүтээгдэхүүний "барилга байгууламж" ангилалд барилга, зам, бусад хүний бүтээсэн байгууламжууд (жишээлбэл, төмөр зам) хамаардаг боловч хот суурингийн ногоон байгууламжууд (жишээлбэл, цэцэрлэгт хүрээлэн, спортын байгууламжууд), хог хаягдлын байгууламж, уул уурхайн сайтуудыг оруулаагүй болно. 1 км DEM өгөгдөл болон NDVI өгөгдлийг Хятадын Шинжлэх Ухааны Академийн Геодезийн Шинжлэх Ухаан, Нөөцийн Төвөөс авсан (https://www.resdc.cn/Default.aspx). DEM өгөгдөл нь хамгийн сүүлийн үеийн SRTM V4.1 өгөгдлөөс [https://www.resdc.cn/data.aspx?DATAID=123] дахин хэмжээстэй болсон бөгөөд NDVI өгөгдөл нь SPOT/VEGETATION PROBA-V 1 км бүтээгдэхүүнийг [http://www.vito-eodata.be/] үндэслэн нэгтгэгдсэн. Бид Цинхай-Төвдийн өндөрлөгийн хэмжээг илэрхийлэхийн тулд 2021 оны NDVI өгөгдлийг сонгосон [https://www.resdc.cn/DOI/DOI.aspx?DOIID=49]. Хүн амын нягтралтай өгөгдлийг АНУ-ын Эрчим хүчний яамны Oak Ridge үндэсний лабораторийн бүтээсэн дэлхийн чухал статистикийн шинжилгээнд зориулж East View Cartographic [https://geospatial.com/] -аас өгсөн LandScan багц [https://landscan.ornl.gov/] -аас авсан; энэ өгөгдөл нь газарзүйн байршил, 1 км-ийн нягтралтай зайны мэдрэгч технологи, машин сургалтын алгоритмуудыг хослуулан бүтээгдсэн бөгөөд газарзүйн байршил дээр суурилсан хамгийн нарийвчлалтай, найдвартай дэлхийн хүн амын динамик статистикийн шинжилгээний багц юм. Дараахь кластер шинжилгээнд зориулж 2021 оны хүн амын байршлыг ашигласан. Өгөгдлийг урьдчилан боловсруулах Бидний судалгааны талбайн ихэнх хувьд хүн ам, барилгын байршил нь сийрэг байдаг бөгөөд ESA-ийн World Cover бүтээгдэхүүний дагуу судалгааны талбайн 99.5% -иас дээш нь барилга байгууламжгүй гэж ангилагддаг. Бидний гаргах ажлыг хурдасгахын тулд, барилгын боломжит байршлын талбайг анх 0.175° × 0.175° нүдэн тор тус бүрт гаргав. World Cover өгөгдлийн "Барилга байгууламж" ангилалд үндэслэн, барилга байгууламжийн пиксел тойрог нь барилгын боломжит байршлын талбай болгон 1 км буфер бүс үүсгэв. Хэд хэдэн буфер бүсийн өргөнийг туршсаны дараа 1 км-ийн өргөн нь 2020 оны CBRA бүтээгдэхүүнд тайлагдсан барилгын пикселийн 96% -ийг багтаах боломжтойг олж мэдсэн. Маск нь бидэнд татаж авсан дүрсийн нийт талбайн 86% -ийг хасах боломжийг олгож, улмаар тооцоолох цагийг ихээхэн хэмнэв. Бид барилга байгууламж агуулаагүй торнуудыг хасахын тулд үүссэн нүдэн тортой давхцалтайгаар буфер을 шинжилсэн. Дараа нь зурагнууд нь буферээр дахин тайрагдсан бөгөөд дараа нь барилгыг гаргаж авах алгоритмыг тайрсан зураг дээр хэрэглэв. Векторжуулсан барилгын дээврийн ул мөрийг гаргаж авах Энэхүү судалгаанд ашигласан векторжуулсан барилгын дээврийн ул мөрийг гаргах алгоритм нь AliCloud AI Earth платформ [https://engine-aiearth.aliyun.com/#/] -аас авсан б