AI нь дэлхийн хамгийн алслагдсан бүс нутгуудын нэгт 13 сая барилгыг зурдаг.

```html Зохиогчид: Тао Е Хонгю Шан Жидонг Ву Чианг Зхоу Мингфу Ма Венжи Жао Ру Я Юан Гао Лиженг Ву Хураангуй Томоохон хэмжээний өндөр нарийвчлалтай барилгын байршлын мэдээлэл нь бүс нутгийн хот төлөвлөлт, нөөц хуваарилалт, гамшгийн эрсдлийн судалгаанд чухал ач холбогдолтой суурь юм. Төвөдийн өндөрлөг нь дэлхийн гурав дахь туйл юм. Төвөдийн өндөрлөгийн хүмүүн-байгаль орчны харилцан үйлчлэлийг ойлгох нь маш чухал боловч энэ нь тухайн бүс нутгийн өргөн уудам, хүрч очиход бэрхшээлтэй байдлаас шалтгаалж өндөр нягтралтай барилгын ул мөрний мэдээлэл байхгүйн улмаас хязгаарлагдсан. Энэхүү судалгаанд бид өндөр нягтралтай Google дүрсийг ашиглан Төвөдийн өндөрлөг болон түүний эргэн тойрны газрыг хамарсан барилгын дээврийн ул мөрийг анх удаа вектор хэлбэрээр үүсгэсэн бөгөөд AI Earth платформ дахь барилгын контурыг гаргаж авах алгоритмыг ашигласан. Бидний үр дүн нь 6092.7 км² талбайг хамарсан 13.09 сая барилгыг агуулсан бөгөөд нийт 250 × 1 км² туршилтын дээжээр баталгаажсан. Өгөгдөл нь 87% -ийн ерөнхий нарийвчлалтай, 91.9% -ийн мэдрэмжтэй, 64.8% -ийн F1 оноотой байсан нь CBRA-тай харьцуулахад судлагдсан бүс нутгийн барилгын байршлыг илүү дэвшилтэт байдлаар тодорхойлсон. Манай ажил нь энэ бүс нутаг дахь гамшгийн эрсдлийн судалгаанд өртөлтийн үнэлгээг хөнгөвчлөхөд ихээхэн ач холбогдолтой юм. Үндэслэл ба Товч Дижитал эриний төлөвшилт нь барилгын байршил, шинж чанарын талаархи найдвартай мэдээллийн эрэлтийг нэмэгдүүлсэн [1, 2, 3]. Барилгын байршлын мэдээлэл нь зөвхөн барилгуудын төдийгүй хүн ам, биет байгууламжуудын орон зайн мэдээллийг [4] өгдөг бөгөөд энэ нь хүний үйл ажиллагааны сайн хэмжүүр болдог. Сүүлийн арван жилд барилгын байршлын мэдээлэл нь хот, хөдөөгийн хөгжлийг хянах [5, 6], хотжилтын хүнсний аюулгүй байдал, биологийн төрөл зүйл, уур амьсгалын өөрчлөлт, нийгмийн сайн сайхан байдал, эрүүл мэндэд үзүүлэх нөлөөллийг ойлгох [7, 8], бүс нутгийн хөгжлийн стратегийг боловсруулах, хот, хөдөөгийн экосистемийг хамгаалах [9, 10, 11] зэрэгт өргөн ашиглагдаж байна. Сансрын болон агаарын дүрслэл, машин болон гүнзгийрүүлсэн сургалтын алгоритм дахь сүүлийн үеийн дэвшилтүүд нь барилгын байршлын мэдээллийн хүртээмжийг нэмэгдүүлсэн [12, 13, 14]. Барилгын байршлын мэдээлэл нь газрын өнгө өнгийн мэдээлэл хэсэг байдлаар өгөгдсөн. Хамгийн сүүлийн үеийн хувилбар нь Sentinel хиймэл дагуулууд дээр суурилсан 10 метрийн дэлхийн газар ашиглалт/бүтээцийн гурван бүтээгдэхүүнийг багтаасан: Google-ийн Динамик Дэлхий (DW) [15], Esri-ийн 2020 оны Газар бүтэц [16], болон Европын сансрын агентлагийн (ESA) World Cover 2020 (WC) [17]. Орон зайн байршлын мэдээллээс гадна судлаачид барилгын пиксельүүдэд барилгын өндөр [14] гэх мэт шинж чанарын мэдээллийг нэмэхээр оролдож байна. Жишээлбэл, Хе . [7] нь 1990-2010 оны хоорондох дэлхийн анхны 30 метрийн нягтралтай хот доторх гурван хэмжээст орон зайн болон цаг хугацааны тэлэлтийн өгөгдлийг бий болгохын тулд олон эх үүсвэрээс авсан алсын мэдрэх чадватай өгөгдлийн нэгдэлийг ашигласан. Орон зайн нягтралыг тасралтгүй сайжруулж байгаа хэдий ч, растер-based барилгын байршлын мэдээлэл нь орон зайн обьектуудыг [18] тодорхойлох боломжгүй хэвээр байгаа бөгөөд нягтралыг нэмэгдүүлэх нь хадгалах болон тооцоолох зардлыг ихээхэн нэмэгдүүлдэг [12]. болон бусад Вектор хэлбэр дэх барилгын байршлын мэдээлэл, өөрөөр хэлбэл, векторжуулсан барилгын дээврийн ул мөр буюу барилгын ул мөр нь дээд талаас харахад газарт туссан барилгын гадна талын хил хязгаарыг илэрхийлдэг [19, 20]. Энэ нь барилга байгууламжийн газарзүйн байршил, хил хязгаарын орон зайн хэмжээ, нэг барилгын ул мөрийг агуулсан мэдээллийг өгдөг. Google Earth болон OpenStreetMap зэрэг олон нийтийн үйлчилгээ үзүүлэгчид өргөн хамрах хүрээ, хурдан шинэчлэлт, бага зардлаар нээлттэй векторжуулсан барилгын дээврийн ул мөрийн мэдээллийг [21, 22, 23] өгдөг. 2022 онд Microsoft корпораци нь 2014-2021 оны хооронд бүх тивүүдийг хамарсан Bing Maps (Maxar болон Airbus дүрсийг оруулаад) дээр үндэслэн 777 сая барилгын гадна талын хил хязгаарыг гаргаж авахын тулд гүнзгийрүүлсэн мэдрэлийн сүлжээний семантик хуваалтын аргыг ашигласан. 2023 оны 5-р сарын 30-нд Google нь 58 сая км² талбайг хамарсан 0.5 метрийн нягтралтай хиймэл дагуулын дүрсийг ашиглан гаргаж авсан 1.8 тэрбум барилгын хил хязгаарын өгөгдлийг нийтэлсэн. Цэг ба шугамаар илэрхийлэгдсэн вектор өгөгдлийн бага давхцал ба авсаг бүтэц нь сүлжээний хэмжээнээс үл хамаарах өндөр газарзүйн нарийвчлалыг хангадаг бөгөөд топологийн дүрмүүдийг нэвтрүүлснээр вектор өгөгдлийн бүрэн бүтэн байдлыг сайжруулдаг [13]. Дүрсийн нягтралыг нэмэгдүүлж, өгөгдөл олж авах зардлыг бууруулснаас гадна, гаргаж авах алгоритм дахь сүүлийн үеийн дэвшилтүүдтэй хамт барилгын байршлын өгөгдлийн нягтрал ба хамрах хүрээ тасралтгүй сайжирч байна [24]. Маш өндөр нягтралтай (VHR) дүрсийн боломжит байдал нь уламжлалт гар аргаар боловсруулсан шинж чанар-based аргаар [25] эсвэл гүнзгийрүүлсэн сургалтанд суурилсан аргаар [13] барилгын ул мөрийг гаргаж авахад нөлөөлсөн. Эхний арга нь барилгын төрөл бүрийн дүр төрх, хэмжээ, барилгын дүрмийн төвөгтэй байдал, тохиргооны тохиргооны хүндрэлтэй тулгардаг тул том хэмжээний өндөр нягтралтай алсын мэдрэх чадватай дүрсийг ашиглахад хязгаарлагдмал байдаг [26]. Гүнзгийрүүлсэн сургалтанд суурилсан арга (жишээлбэл, convolutional neural networks) нь барилгын дүрсийг хуваарилахдаа өндөр түвшний, ялгах шинж чанаруудыг автоматаар сурах чадварыг харуулсан. Sun . [27] нь өөр өөр хэмжээстэй олон хэмжээст convolutional neural network бүтцийг гүнзгийрүүлсэн шинж чанаруудыг бүрэн ашиглах зорилгоор паралель дэмжих вектор машиныг үндэслэн нэгдлийн стратегийг санал болгосон бөгөөд хот доторх төвөгтэй барилгуудыг гаргаж авахад илүү сайн гүйцэтгэлтэй байдаг. Гэсэн хэдий ч, барилгуудыг хуваарилахдаа моделийн нарийвчлал нь сургалтын дээжний чанарт илүүтэй холбоотой байдаг тул extrapolation хийхэд хэцүү байдаг. Гүнзгийрүүлсэн моделиудад өндөр түвшний семантик мэдээллийг хангалтгүй ашиглах, бага түвшний нарийвчлалыг үл тоомсорлох нь ирмэгийн бүдгэрэлт, жижиг барилгуудыг алдах зэрэг нь гүнзгийрүүлсэн сургалтыг барилгын ул мөр гаргахад хэрэглэхэд саад болдог. болон бусад Төвөдийн өндөрлөгийн бүс нь дэлхийн хамгийн өндөр газар нутаг бөгөөд дундаж өндөр нь далайн түвшнээс дээш 4000 метрээс их бөгөөд 2.5 сая км² талбайг эзэлдэг [28]. Хэдийгээр энэ бүс нь Хятад дахь хамгийн том экосистемийн саад тотголыг [29] бүрдүүлдэг боловч экстрим уур амьсгал, хүйтэн, урт өвөл, жилийн болон өдрийн температурын хэлбэлзэл, дотор талын дулааны тааламжгүй орчин зэрэг хүндрэлтэй хэдий ч 10 сая гаруй хүн оршин суудаг. Хүний үйл ажиллагаа нь эмзэг экосистемийн орчинд [30] ихээхэн нөлөөлдөг. Энэ бүс нь газар хөдлөлт, үер, нуранги, мөсөн голын нуурын үер, цасны гамшиг зэрэг гамшгийн эрсдэлтэй бүс бөгөөд хүний амь нас, эд хөрөнгийн алдагдалд хүргэдэг [31, 32, 33]. Үүнтэй холбогдуулан, хүний үйл ажиллагааны байршлыг нарийвчлан зураглах нь хүний-байгаль орчны хамтарсан судалгаа [34, 35] болон байгалийн гамшгийн өртөлт, эрсдлийн шинжилгээнд [36, 37] чухал ач холбогдолтой. Нэмж дурдахад, энэ бүс нь урт хугацааны нарны гэрэл, элбэг дэлхий нарны эрчим хүчний нөөц, мөн дээвэр, нээлттэй талбай зэрэг хангалттай нарны эрчим хүч цуглуулах гадаргуутай [38, 39]. Хөдөөгийн барилгын байршлын өндөр нягтралтай өгөгдөл нь фотоволтайк чадавхийг үнэлэх, хөдөөгийн оршин суугчдын амьдралын түвшинг үр дүнтэй сайжруулах найдвартай өгөгдлийн санг [40, 41] бүрдүүлэх боломжтой. Хөгжил дорой бүс болгосон Төвөдийн өндөрлөг болон түүний ойр орчмын нутаг нь өргөн уудам, барилга байгууламжийн сийрэг байдал, алслагдсан байршил, нөөцийн хязгаарлалт зэргээс шалтгаалж өндөр нарийвчлалтай векторжуулсан барилгын дээврийн өгөгдлийн бүрэн багцтай байдаггүй. Хамгийн бэлэн ашиглагдах боломжтой өгөгдөл нь Хятад улсын хэмжээнд өгөгдсөн, 2.5 метрийн нягтралтай Хятад барилгын дээврийн талбайн өгөгдөл (CBRA, Liu ., 2023b) ба 1 метрийн нягтралтай Хятадын анхны улсын газар бүрхэвчний газрын зураг (SinoLC) барилгын ангиллыг агуулсан [42] юм. Эдгээр растер өгөгдөл нь орон зайн обьектуудыг тодорхойлох чадваргүй бөгөөд их хэмжээний хадгалах нөөц шаарддаг. Zhang . [13] -аас нийтлэгдсэн Хятадын 90 хотын векторжуулсан дээврийн талбайн өгөгдөл энэ цоорхойг хэсэгчлэн нөхсөн; гэсэн хэдий ч, Төвөдийн өндөрлөгийн зөвхөн 14 хот энэ өгөгдөлд багтсан бөгөөд 2 сая км² талбай нь векторжуулсан барилгын дээврийн өгөгдөлгүй хэвээр байна. болон бусад болон бусад Тиймээс энэхүү судалгаа нь өндөр нягтралтай хиймэл дагуул, гүнзгийрүүлсэн сургалтын алгоритмыг ашиглан Төвөдийн өндөрлөг болон түүний ойр орчмын бүс нутгийн векторжуулсан барилгын дээврийн ул мөрийг үүсгэх зорилготой юм. Бидний өгөгдлийг янз бүрийн дэд бүс нутгийг хамарсан 250 × 1 км² сүлжээ бүхий туршилтын дээж ашиглан баталгаажуулсан бөгөөд 91.92% -ийн ерөнхий нарийвчлалтай, 64.81% -ийн F1 оноотой байсан. Арга зүй Нэгдсэн төлөвлөлт Энэхүү судалгаанд бид AI Earth платформ дахь барилгыг гаргаж авах алгоритмуудыг ашиглан Төвөдийн өндөрлөг болон Хятад дахь түүний ойр орчмын бүс нутгийг хамарсан векторжуулсан барилгын дээврийн өгөгдлийн багцыг үүсгэсэн (Зураг 1). Манай нэгдсэн төлөвлөлтийн гол бүрэлдэхүүн хэсгүүд нь: (1) хиймэл дагуулын өгөгдөл 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 ба баталгаажуулах нэгдсэн төлөвлөлт. Судалгааны талбай Энэхүү судалгаа нь Төвөдийн хоёр дахь шинжлэх ухааны экспедиц, судалгааны хөтөлбөрийн [43] ерөнхий хүрээнд голчлон Төвөдийн өндөрлөг болон баруун өмнөд Хятад дахь түүний ойр орчмын бүс нутагт төвлөрсөн; газарзүйн хувьд, энэ нь Төвөдийн өөртөө засах орон, Цинхай мужууд, баруун Юньнань муж, баруун Сычуань муж, баруун өмнөд Ганьсү муж, болон өмнөд Шинжаан өөртөө засах орон юм. Судалгааны бүс нутгийн дундаж өндөр нь далайн түвшнээс дээш 4000 метр юм. Судалгааны бүс нутгийн хүн ам, барилгын байршил нь өндөр, цаг уур (Зураг 2) -аар ихээхэн нөлөөлдөг бөгөөд голчлон Жилонг хотоос (Төвөд) Цилянь хот (Цинхай) хүртэлх шугамын зүүн талд төвлөрдөг [44]; зүүн талд, тэдгээр нь бүс нутгийн зүүн ирмэгийн тэгш тал, Юньнань, баруун Сычуань мужууд дахь голын хөндий, болон Шининг-Ланжоу шар мөрний сав газрыг хамарсан байдаг. Шугамын баруун талд байрлах өндөрлөгийн гадаргуу дээр хүн ам, барилга нь ихэвчлэн хязгаарлагдмал агро-мал аж ахуйн бүс нутаг, голын гол хөндий, болон замын тээврийн коридоруудын дагуу байрладаг. Судалгааны талбай (хүн амын өгөгдөл нь LandScan; DEM нь Нөөц, Байгаль орчны Шинжлэх Ухаан, Мэдээллийн Төвөөс авсан). Хиймэл дагуулын дүрс Нээлттэй ашиглах боломжтой өндөр нягтралтай хиймэл дагуулын дүрсний өгөгдлийг Rivermap Co. (http://www.rivermap.cn/index.html) -аас авсан бөгөөд энэ нь Google Earth-ийн хиймэл дагуулын дүрс болон агаарын өгөгдлийг нэгтгэх замаар авсан. Үүний дотор, хиймэл дагуулын дүрс нь голчлон DigitalGlobe-ийн QuickBird болон WorldView арилжааны хиймэл дагуулуудаас, харин агаарын зураг нь Их Британийн BlueSky болон АНУ-ын Sanborn-аас [45] авсан. Байршлын хувьд 0.15 м хүртэлх нягтралтай олон дүрсний цуглуулга байсан. Ийм өгөгдлийн нэгдэл нь төвөгтэй орчны обьектыг таних [46, 47, 48, 49] болон том хэмжээний өндөр нягтралтай обьект төрлийг зураглах [50] зорилгоор өргөн ашиглагдсан. Бидний судалгааны талбай нь нийт 3.06 сая км² бөгөөд хиймэл дагуулын дүрсний өгөгдлийн хэмжээ нь 29.4 TB, орон зайн нягтрал нь 0.6 м гэж таамаглаж байна. Эдгээр хэмжээг харгалзан үзвэл, татаж авах боломжтой жижиг хэмжээний багцуудыг боломжтой болгохын тулд манай судалгааны талбайд 0.175° × 0.175° зайд хуваагдсан сүлжээг үүсгэсэн бөгөөд нийт 10,033 сүлжээ нь бүх судалгааны талбайг хамарсан. Татаж авсан сүлжээнүүдийн бодит тоо нь 5921 байсан нь хоёр шалтгаантай. Нэгдүгээрт, судалгааны талбайн ихэнх хэсэг нь барилга байхгүй хүмүүс амьдрах боломжгүй бүс нутгийг эзэлдэг тул бид ESA World Cover бүтээгдэхүүнээс ямар нэгэн барилга байгууламжийн пиксел агуулаагүй сүлжээнүүдийг хасчээ. Хоёрдугаарт, Хятадын 90 хотын векторжуулсан дээврийн талбайн өгөгдлийг (жишээлбэл, Лхаса, Шаннан, Куньмин, Шининг, Хайдонг, Жанжи, Байин, Ланжоу, Чэнду, Дали, Лижианг, Куньмин, Жаотонг, болон Юкси) аль хэдийн олж авсан хот/аймагууд [13] мөн хасагдсан. Дүрсүүдийг 2022 оны 9-р сараас 2023 оны 1-р сар хооронд татаж авсан бөгөөд 0.6 м нягтралтай, нэг хүрээний хэмжээ нь ойролцоогоор 3 GB, нийт хэмжээ нь 2.72 TB байсан. Татаж авсан дүрсүүд нь голчлон 2019-2021 оны хооронд авсан боловч зарим алслагдсан газрын дүрс нь 2001 он хүртэлх байж болно (Зураг 3). Дүрс татаж авах болон дүрс зурах хугацааны сүлжээ. Туслах өгөгдөл Манай туслах өгөгдөл нь дараагийн кластерийн шинжилгээнд зориулж өндөр нягтралтай газар бүрхэвчний зураг, дижитал өндрийн модель (DEM), ногоон байдлын өөрчлөлтийн индекс (NDVI), болон хүн амын байршлын өгөгдлийг [1] багтаасан. Газар бүрхэвч ба барилга байгууламжийн хувьд, Zanaga -аас авсан ESA-ийн World Cover бүтээгдэхүүн [17] нь Zenodo (https://zenodo.org/records/5571936) -оос авсан. Бүтээгдэхүүн нь 2020 онд дэлхий даяар тархсан 141,000 гаруй өвөрмөц байршлын дээжийг ашиглан Sentinel 1 ба Sentinel 2 хиймэл дагуулын дүрс дээр үндэслэн бүтээгдсэн бөгөөд Random Forest алгоритмаар сургагдсан. Энэ нь 2020 онд дэлхийн газар бүрхэвчийг төлөөлдөг; энэ нь жижиг газрын хамгийн бага нэгж [51] -ийг харгалзан үзсэн тул нарийхан газар нутгийн элементүүдийг (жишээлбэл, барилга байгууламж ба төвөгтэй хөдөө аж ахуйн ландшафт) төлөөлөх давуу талтай. Бүтээгдэхүүний "барилга байгууламж" ангилалд барилга, зам, болон бусад хүний хийсэн бүтэц (жишээлбэл, төмөр зам) -аар бүрхэгдсэн газар нутаг багтдаг боловч хотын ногоон байгууламжууд (жишээлбэл, цэцэрлэгт хүрээлэн, спортын байгууламж), хог хаягдлын байр, болон уул уурхайн талбайг оруулаагүй болно [17]. болон бусад 1 км DEM өгөгдөл ба NDVI өгөгдлийг Хятадын Шинжлэх Ухааны Академийн Газарзүйн Шинжлэх Ухаан, Нөөц Судлалын Төвөөс (https://www.resdc.cn/Default.aspx) авсан. DEM өгөгдөл нь хамгийн сүүлийн үеийн SRTM V4.1 өгөгдлөөс [https://www.resdc.cn/data.aspx?DATAID=123] дахин хэмжээстэй болгосон бөгөөд NDVI өгөгдөл нь SPOT/VEGETATION PROBA-V 1 км бүтээгдэхүүнээс [http://www.vito-eodata.be/] авсан. Бид Төвөдийн өндөрлөгийн ногоон байдлыг төлөөлөхөөр 2021 оны NDVI өгөгдлийг сонгосон [https://www.resdc.cn/DOI/DOI.aspx?DOIID=49]. Хүн амын нягтралын өгөгдлийг АНУ-ын Эрчим хүчний яамны Oak Ridge Үндэсний Лабораторийн бүтээсэн Дэлхийн эрүүл мэндийн статистикийн шинжилгээнд зориулсан LandScan бааз [https://landscan.ornl.gov/] -аас авсан бөгөөд East View Cartographic [https://geospatial.com/] -аас нийлүүлсэн; эдгээр өгөгдлийг газарзүйн шинжлэх ухаан, алсын мэдрэх чадватай технологи, болон машин сургалтын алгоритмуудыг нэгтгэн бүтээсэн бөгөөд газарзүйн байршлыг үндэслэн дэлхийн хамгийн нарийвчлалтай, найдвартай хүн амын динамик статистикийн шинжилгээний бааз суурь болдог бөгөөд 1 км [52] -ийн нягтралтай байдаг. Бид 2021 оны хүн амын байршлыг дараагийн кластерийн шинжилгээнд ашигласан. Өгөгдлийг урьдчилан боловсруулах Бидний судалгааны талбайн ихэнх хэсэгт хүн ам, барилгын байршил нь тархсан байдаг бөгөөд ESA-ийн World Cover бүтээгдэхүүний [17] дагуу судалгааны талбайн 99.5% -иас дээш хэсгийг барилга байгууламжгүй гэж ангилсан. Гаргаж авах ажлыг түргэтгэхийн тулд, барилгын байршлын боломжит талбайн маскууд нь хадгалах болон тооцоолох зардлыг ихээхэн хэмнэсэн. Тэрхүү нөөц барилгын байршлын боломжит талбайг тодорхойлохын тулд барилга байгууламжтай бүс бүрийн эргэн тойронд 1 км буфер бүс үүсгэсэн. Хэд хэдэн буфер бүсийн өргөнийг туршиж үзсэний дараа, 1 км өргөнтэй буфер нь 2020 оны CBRA бүтээгдэхүүнд тайлагнагдсан барилгын пикселийн 96% -ийг багтааж чадсан. Маск нь бидний татаж авсан дүрсийн нийт талбайн 86% -ийг хасах боломжийг олгосон. Барилга агуулдаггүй сүлжээнүүдийг хасахын тулд бид үүсгэсэн сүлжээнүүдтэй үүссэн буферүүдийг давхцуулан шинжилсэн. Дараа нь дүрсүүд нь буферүүдээр дахин тайрагдсан бөгөөд дараа нь барилгыг гаргаж авах алгоритмыг тайрсан дүрсүүдэд хэрэглэсэн. Векторжуулсан барилгын дээврийн ул мөрийг гаргаж авах Энэхүү судалгаанд ашигласан векторжуулсан барилгын дээврийн ул мөрийг гаргаж авах алгоритм нь