
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Penulis: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrak Data distribusi bangunan berskala besar dengan presisi tinggi merupakan landasan penting untuk perencanaan tata ruang regional dan penelitian alokasi sumber daya serta risiko bencana. Dataran Tinggi Qinghai-Tibet adalah kutub ketiga dunia. Meskipun memahami interaksi manusia-lingkungan lokal di Dataran Tinggi Qinghai-Tibet sangat penting, hal ini terhambat oleh kurangnya data jejak bangunan beresolusi tinggi karena luasnya wilayah dan keterpencilan. Dalam penelitian ini, kami menghasilkan cetakan atap bangunan vektor pertama dari Dataran Tinggi Qinghai-Tibet dan daerah sekitarnya dengan menggunakan citra Google beresolusi tinggi dan algoritma ekstraksi kontur bangunan dari platform AI Earth. Hasil kami mencakup 13,09 juta bangunan yang mencakup 6092,7 km2, divalidasi dengan total 250 sampel uji seluas 1 km2. Data tersebut memiliki akurasi keseluruhan 87%, recall 91,9%, dan skor F1 64,8%, sehingga memberikan deskripsi canggih tentang distribusi bangunan di wilayah studi dibandingkan dengan CBRA. Pekerjaan kami memiliki potensi besar dalam memfasilitasi penilaian paparan untuk studi risiko bencana di wilayah ini. Latar Belakang & Ringkasan Munculnya era digital telah meningkatkan permintaan data yang andal tentang distribusi dan atribut bangunan , , . Data distribusi bangunan memberikan informasi spasial penting tidak hanya tentang bangunan tetapi juga populasi dan aset fisik , berfungsi sebagai proksi yang baik untuk aktivitas manusia. Dalam beberapa dekade terakhir, data distribusi bangunan telah banyak digunakan dalam memantau perkembangan perkotaan dan pedesaan , , memahami dampak urbanisasi terhadap ketahanan pangan, keanekaragaman hayati, perubahan iklim, serta kesejahteraan dan kesehatan masyarakat , , merumuskan strategi pembangunan regional, dan melindungi ekosistem perkotaan dan pedesaan , , . 1 2 3 4 5 6 7 8 9 10 11 Kemajuan citra berbasis satelit dan udara, bersama dengan kemajuan terbaru dalam algoritma pembelajaran mesin dan pembelajaran mendalam, telah meningkatkan ketersediaan data distribusi bangunan , , . Data distribusi bangunan telah disediakan dalam format raster sebagai bagian dari data penggunaan/tutupan lahan. Rilis terbaru mencakup tiga produk penggunaan/tutupan lahan global 10 meter berdasarkan satelit Sentinel, yaitu Dynamic World (DW) Google , Esri’s 2020 Land Cover , dan World Cover 2020 (WC) dari European Space Agency (ESA) . Selain informasi distribusi spasial, para peneliti juga mencoba menambahkan informasi atribut ke piksel bangunan, seperti ketinggian bangunan . Misalnya, He  .  menggunakan fusi data penginderaan jauh multi-sumber untuk membangun dataset sebaran spasial dan temporal perkotaan 30 meter pertama di dunia yang mencakup periode dari tahun 1990 hingga 2010. Meskipun resolusi spasial terus meningkat, data distribusi bangunan berbasis raster masih belum dapat mendeskripsikan objek spasial , dan peningkatan resolusi sangat meningkatkan biaya penyimpanan dan komputasi . 12 13 14 15 16 17 14 et al 7 18 12 Data distribusi bangunan dalam format vektor, juga dikenal sebagai atap bangunan vektor atau jejak bangunan, adalah data garis luar bangunan yang diproyeksikan ke tanah dalam tampilan dari atas , , yang memberikan informasi seperti lokasi geografis, luasan spasial batas, dan jejak bangunan tunggal. Penyedia layanan publik (misalnya, Google Earth dan OpenStreetMap) menyediakan data atap bangunan vektor akses terbuka dengan cakupan luas, pembaruan cepat, dan biaya rendah , , . Pada tahun 2022, Microsoft Corporation menggunakan segmentasi semantik berbasis jaringan saraf dalam untuk mengekstrak garis luar 777 juta bangunan, beberapa di antaranya berisi atribut ketinggian bangunan, berdasarkan Bing Maps (termasuk citra Maxar dan Airbus) dari tahun 2014 hingga 2021 untuk setiap benua di luar Tiongkok. Pada tanggal 30 Mei 2023, Google merilis dataset 1,8 miliar garis luar bangunan yang diekstraksi dari citra satelit beresolusi tinggi 0,5 m, mencakup area seluas 58 juta km2. Redundansi rendah dan struktur ringkas data vektor yang direpresentasikan oleh titik dan jalur memberikan akurasi geografis yang lebih tinggi, terlepas dari ukuran mesh, dan pengenalan aturan topologis lebih lanjut meningkatkan integritas data vektor . 19 20 21 22 23 13 Karena peningkatan resolusi citra dan penurunan biaya akuisisi data, bersama dengan kemajuan terbaru dalam algoritma ekstraksi, resolusi dan cakupan data distribusi bangunan terus meningkat . Kelayakan citra beresolusi sangat tinggi (VHR) telah memungkinkan ekstraksi jejak bangunan melalui penerapan metode berbasis fitur buatan tangan tradisional  atau metode berbasis pembelajaran mendalam . Karena pendekatan pertama menghadapi tantangan keragaman penampilan dan ukuran bangunan, serta aturan praktis dan pengaturan ambang batas yang kompleks, pendekatannya terbatas ketika diterapkan pada citra penginderaan jauh beresolusi tinggi skala besar . Metode berbasis pembelajaran mendalam (misalnya, jaringan saraf konvolusional) telah menunjukkan kinerja yang efektif dan unggul dalam pembelajaran fitur tingkat tinggi dan diskriminatif secara otomatis dalam segmentasi pemandangan bangunan. Sun  .  mengusulkan strategi fusi berdasarkan mesin vektor dukungan paralel untuk memanfaatkan sepenuhnya fitur mendalam yang diekstraksi dari struktur jaringan saraf konvolusional multi-skala pada skala yang berbeda, dengan kinerja unggul dalam mengekstraksi bangunan kompleks di daerah perkotaan. Namun demikian, saat menyegmentasikan bangunan, akurasi model lebih mungkin dibatasi oleh kualitas sampel pelatihan, sehingga sulit untuk diekstrapolasi. Penggunaan semantik tingkat tinggi yang tidak mencukupi dan kelalaian detail tingkat rendah dalam model mendalam, yang mengakibatkan kaburnya tepi dan hilangnya bangunan kecil, juga menghambat penerapan pembelajaran mendalam dalam ekstraksi jejak bangunan. 24 25 13 26 et al 27 Wilayah Dataran Tinggi Qinghai-Tibet adalah wilayah paling tinggi di dunia, dengan ketinggian rata-rata >4000 meter di atas permukaan laut, dan mencakup area seluas 2,5 juta km2  . Lebih dari 10 juta orang menghuni wilayah tersebut meskipun iklimnya ekstrem, musim dingin yang dingin dan panjang, perbedaan suhu tahunan dan harian yang besar, serta lingkungan termal dalam ruangan yang buruk. Meskipun wilayah ini merupakan penghalang ekologis terbesar di Tiongkok , aktivitas manusia secara signifikan berdampak pada ekosistemnya yang rentan . Wilayah ini juga sangat rentan terhadap bencana, dengan gempa bumi, tanah longsor, lumpur, banjir luapan danau glasial, dan bencana salju yang menyebabkan kerugian korban jiwa dan harta benda , , . Sebagai tanggapan, data distribusi bangunan yang akurat sangat penting untuk memodelkan distribusi aktivitas manusia untuk studi manusia-lingkungan gabungan , , serta analisis paparan dan risiko untuk bencana alam , . Selain itu, wilayah ini memiliki jam sinar matahari yang panjang, sumber daya energi surya yang melimpah, dan permukaan pengumpul energi surya yang cukup seperti atap dan ruang terbuka , . Data distribusi bangunan pedesaan beresolusi tinggi dapat memberikan database yang andal untuk mengevaluasi potensi fotovoltaik dan meningkatkan standar hidup penduduk pedesaan secara efisien , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Sebagai wilayah yang kurang berkembang, Dataran Tinggi Qinghai-Tibet dan daerah sekitarnya masih belum memiliki set data atap bangunan vektor berpresisi tinggi yang lengkap, karena area yang luas, distribusi bangunan yang jarang, lokasi terpencil, dan kendala sumber daya. Data yang paling siap digunakan adalah yang disediakan dalam skala nasional Tiongkok, yang mencakup data Area Atap Bangunan Tiongkok (CBRA, Liu  ., 2023b) bergrid 2,5 m dan peta tutupan lahan nasional pertama Tiongkok dengan resolusi 1 m (SinoLC) yang mencakup kategori bangunan . Data raster ini tidak mampu mengkarakterisasi objek spasial dan membutuhkan sumber daya penyimpanan yang besar. Data area atap vektor untuk 90 kota besar di Tiongkok yang dirilis oleh Zhang  .  sebagian mengisi kesenjangan ini; namun, hanya 14 kota di Dataran Tinggi Qinghai-Tibet yang termasuk dalam dataset ini, dan data atap bangunan vektor masih belum ada untuk area seluas 2 juta km2. et al 42 et al 13 Oleh karena itu, penelitian ini bertujuan untuk menghasilkan cetakan atap bangunan vektor dari Dataran Tinggi Qinghai-Tibet dan wilayah sekitarnya dengan menggabungkan citra satelit beresolusi tinggi dan algoritma pembelajaran mendalam. Dataset kami divalidasi menggunakan sampel uji yang terdiri dari grid 250 × 1 km2 di berbagai sub-wilayah, menghasilkan akurasi keseluruhan 91,92% dan skor F1 64,81%. Metode Kerangka Kerja Dalam penelitian ini, kami memanfaatkan algoritma ekstraksi bangunan dari platform AI Earth untuk menghasilkan dataset atap bangunan vektor untuk Dataran Tinggi Qinghai-Tibet dan wilayah sekitarnya di Tiongkok (Gbr. 1). Komponen utama kerangka kerja kami meliputi: (1) persiapan dan pra-pemrosesan data satelit dan data tambahan; (2) ekstraksi atap bangunan vektor menggunakan platform AI Earth; (3) validasi menggunakan data atap vektor manual.    Kerangka kerja untuk ekstraksi dan validasi atap bangunan. Wilayah Studi Penelitian ini terutama berfokus pada Dataran Tinggi Qinghai-Tibet dan wilayah sekitarnya di barat daya Tiongkok di bawah kerangka kerja umum Ekspedisi Ilmiah dan Penelitian Dataran Tinggi Tibet Kedua ; secara geografis, mencakup Wilayah Otonomi Tibet, Provinsi Qinghai, Provinsi Yunnan barat, Provinsi Sichuan barat, Provinsi Gansu barat daya, dan Wilayah Otonomi Xinjiang selatan. Ketinggian rata-rata wilayah studi adalah 4000 m di atas permukaan laut. Distribusi populasi dan bangunan di wilayah studi sangat dipengaruhi oleh ketinggian dan iklim (Gbr. 2), terutama terkonsentrasi di timur garis dari Kabupaten Jilong di Tibet ke Kabupaten Qilian di Qinghai ; di timur, mereka tersebar padat di daerah dataran di tepi timur wilayah tersebut, termasuk lembah sungai di Provinsi Yunnan, Provinsi Sichuan barat, dan Cekungan Sungai Kuning Xining-Lanzhou. Di permukaan dataran tinggi di sebelah barat garis, populasi dan bangunan sebagian besar tersebar dengan daerah pertanian-padang rumput yang terbatas di sepanjang lembah sungai utama, dan di sepanjang koridor lalu lintas jalan. 43 44    Wilayah studi (data populasi dari LandScan; DEM dari Resource and Environment Science and Data Centre). Citra Satelit Data citra satelit beresolusi tinggi akses terbuka diperoleh dari Rivermap Co. (http://www.rivermap.cn/index.html), yang diperoleh dari integrasi citra satelit dan data udara Google Earth. Di antaranya, citra satelit terutama berasal dari satelit komersial QuickBird dan WorldView DigitalGlobe, dan fotografi udara bersumber dari BlueSky di Inggris dan Sanborn di AS . Untuk setiap lokasi, terdapat kumpulan citra ganda dengan resolusi hingga 0,15 m di area lokal. Integrasi data semacam itu telah banyak digunakan untuk pengenalan objek dalam pemandangan kompleks , , ,  dan memiliki potensi untuk pemetaan jenis objek beresolusi tinggi skala besar . 45 46 47 48 49 50 Total area wilayah studi kami adalah 3,06 juta km2, dan perkiraan ukuran data citra satelit adalah 29,4 TB, dengan resolusi spasial 0,6 m. Mempertimbangkan skala ini, jaring ikan 0,175° × 0,175° dibuat untuk wilayah studi kami untuk memungkinkan paket ukuran lebih kecil untuk diunduh, dengan total 10.033 jaring ikan digunakan untuk menutupi seluruh wilayah studi. Jumlah sebenarnya jaring ikan yang diunduh lebih sedikit yaitu 5921 karena dua alasan. Pertama, karena sebagian besar wilayah studi terdiri dari area non-pemukiman manusia di mana bangunan tidak ada, kami secara sewenang-wenang mengecualikan jaring ikan tanpa piksel area terbangun dari produk ESA World Cover. Kedua, kota/prefektur yang data atap vektornya (yaitu, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong, dan Yuxi) telah diambil dalam data area atap vektor untuk 90 kota di Tiongkok  juga dikecualikan. Citra diunduh antara September 2022 dan Januari 2023, dengan resolusi 0,6 m, ukuran bingkai tunggal sekitar 3 GB, dan total ukuran 2,72 TB. Citra yang diunduh sebagian besar diambil dari tahun 2019 hingga 2021, tetapi citra dari beberapa daerah terpencil mungkin diambil seawal tahun 2001 (Gbr. 3). 13    Jaring ikan untuk pengunduhan citra dan waktu pemotretan citra. Data Tambahan Data tambahan kami meliputi peta tutupan lahan beresolusi tinggi, model ketinggian digital (DEM), indeks vegetasi perbedaan normal (NDVI), dan data distribusi populasi untuk analisis klaster selanjutnya untuk tujuan pengambilan sampel (Tabel 1). Untuk tutupan lahan dan area terbangun, produk World Cover ESA dari Zanaga  .  diperoleh dari Zenodo (https://zenodo.org/records/5571936). Produk ini dihasilkan berdasarkan citra satelit Sentinel 1 dan Sentinel 2 untuk seluruh tahun 2020 dan sampel 141.000 lokasi unik yang tersebar di seluruh dunia, dilatih dengan algoritma random forest, untuk mewakili tutupan lahan global pada tahun 2020; produk ini memiliki keunggulan dalam mewakili elemen lanskap skala halus (misalnya, area terbangun dan lanskap pertanian yang kompleks), karena mempertimbangkan unit pemetaan minimum yang relatif kecil . Kategori "terbangun" dalam dataset mengacu pada lahan yang tertutup oleh bangunan, jalan, dan struktur buatan manusia lainnya (misalnya, rel kereta api) tetapi tidak termasuk ruang hijau perkotaan (misalnya, taman dan fasilitas olahraga), tumpukan sampah, dan lokasi penambangan . et al 17 51 17 Data DEM 1 km dan data NDVI diperoleh dari Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences (https://www.resdc.cn/Default.aspx). Data DEM di-resample dari data SRTM V4.1 terbaru (https://www.resdc.cn/data.aspx?DATAID=123), dan data NDVI dimosaik berdasarkan produk SPOT/VEGETATION PROBA-V 1 km (http://www.vito-eodata.be/). Kami memilih data NDVI tahun 2021 untuk mewakili vegetasi di Dataran Tinggi Qinghai-Tibet (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Data kepadatan penduduk diperoleh dari database LandScan (https://landscan.ornl.gov/) untuk analisis statistik vital global yang dikembangkan oleh U.S. Department of Energy’s Oak Ridge National Laboratory dan disediakan oleh East View Cartographic (https://geospatial.com/); data ini dihasilkan dengan menggabungkan ilmu geospasial, teknologi penginderaan jauh, dan algoritma pembelajaran mesin, mewakili salah satu database analisis statistik dinamis populasi global yang paling akurat dan andal berdasarkan lokasi geografis, dengan resolusi unggul pada 1 km . Kami menggunakan distribusi populasi pada tahun 2021 untuk analisis klaster selanjutnya. 52 Pra-pemrosesan Data Distribusi populasi dan bangunan tersebar di sebagian besar wilayah studi kami, dengan lebih dari 99,5% wilayah studi dikategorikan sebagai area non-terbangun menurut produk World Cover ESA . Untuk mempercepat ekstraksi kami, masker area distribusi bangunan potensial pertama-tama dibuat untuk setiap jaring ikan 0,175° × 0,175° sebelum ekstraksi. Berdasarkan kategori "Terbangun" dalam data World Cover, zona penyangga 1 km di sekitar setiap piksel area terbangun dihasilkan sebagai area distribusi bangunan potensial. Setelah menguji beberapa lebar zona penyangga, kami menemukan bahwa lebar 1 km dapat mengakomodasi 96% piksel bangunan yang dilaporkan dalam produk CBRA tahun 2020. Masker memungkinkan kami untuk mengecualikan 86% dari total area citra yang diunduh, sehingga menghemat waktu komputasi yang substansial. Kami menganalisis penyangga menggunakan tumpang tindih dengan jaring ikan yang dihasilkan untuk mengecualikan jaring yang tidak mengandung bangunan. Citra kemudian dipotong lagi dengan penyangga, dan kemudian algoritma ekstraksi bangunan diterapkan pada citra yang dipotong. 17 Ekstraksi Atap Bangunan Vektor Algoritma ekstraksi atap bangunan vektor yang digunakan dalam penelitian ini berasal dari platform AliCloud AI Earth (https://engine-aiearth.aliyun.com/#/), yang menggabungkan metode segmentasi berbasis pembelajaran mendalam dengan metode segmentasi berbasis watershed untuk membangun kerangka kerja segmentasi instance bangunan - decoder ganda untuk segmentasi watershed. Algoritma ini menambahkan tugas segmentasi batas ke tugas segmentasi semantik, dan menggunakan algoritma watershed untuk melakukan pra-pemrosesan hasil prediksi dari kedua tugas selama prediksi, memperoleh hasil ekstraksi bangunan akhir. Jaringan saraf PointRend yang diusulkan oleh Kirillov  .  digunakan terlebih dahulu , yang memperlakukan segmentasi citra sebagai masalah rendering dan menggunakan algoritma segmentasi iteratif yang secara selektif mengambil sampel titik-titik yang tidak seragam untuk segmentasi yang akurat, karena titik-titik awal yang lebih stabil dan akurat yang dipelajari oleh jaringan saraf dapat memberikan model segmentasi semantik yang disesuaikan secara halus untuk struktur dan fitur kunci bangunan. Selanjutnya, segmentasi watershed fleksibel digunakan untuk pasca-pemrosesan , , yang mampu beradaptasi dengan objek dengan morfologi dan fitur yang berbeda. Algoritma ini mencapai akurasi penghitungan >90% dan akurasi estimasi area >85% dalam pengujian validasi berdasarkan sampel vektor manual di berbagai wilayah Tiongkok, memenangkan tempat kedua dalam kompetisi segmentasi bangunan citra SAR segala cuaca SpaceNet6. Dibandingkan dengan Mask Region-CNN, algoritma ini meningkatkan mean average precision sebesar 11 poin persentase . et al 53 53 54 55 56 Catatan Data Algoritma ekstraksi atap bangunan vektor yang digunakan dalam penelitian ini dapat dipanggil di platform AI Earth (https://engine-aiearth.aliyun.com/#/). Dataset kami tersedia dari National Tibetan Plateau Data Centre, yang dapat diakses di https://doi.org/10.11888/RemoteSen.tpdc.301170 . Semua data diperoleh menggunakan sistem koordinat GCS_ WGS_ 1984 dan dikemas ke dalam file .rar (Tabel 2). Data kontur bangunan yang dihasilkan berbasis AI (Gbr. 4) diatur per tingkat provinsi sesuai dengan nama mereka, termasuk Gansu, Guizhou, Qinghai, Sichuan, Xinjiang, Xizang, dan Yunnan. Selain itu, data citra dari grid 250 km2 yang sesuai dan data verifikasi yang digambar tangan dari sumber asli juga diunggah dalam 'image_1km.rar' dan 'test_1km.rar'. Tahun akuisisi citra di Gbr. 3 ada di 'image_time.rar'. 57    Hasil ekstraksi. Validasi Teknis Persiapan data validasi berdasarkan pengambilan sampel bertingkat Vektorisasi atap bangunan secara manual dilakukan untuk memperoleh data atap bangunan "ground-truth" untuk tujuan validasi. Karena luasnya wilayah studi kami, serta perbedaan regional yang substansial dalam hal ketinggian, bentang alam, jenis vegetasi, dan jenis bangunan, kami menggunakan pendekatan pengambilan sampel bertingkat alih-alih pengambilan sampel ac

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

Audio ini dihasilkan dalam bahasa asal cerita!

Peta AI Memetakan 13 Juta Bangunan di Salah Satu Wilayah Paling Terpencil di Dunia

About Author

KOMEN

GANTUNG TANDA

ARTIKEL INI DIBENTANGKAN DALAM

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps