AI Mapuje 13 Milionów Budynków w Jednym z Najbardziej Odległych Regionów Świata

Autorzy: Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrakt Wielkoskalowe, precyzyjne dane dotyczące rozmieszczenia budynków stanowią ważną podstawę dla regionalnego planowania urbanistycznego, alokacji zasobów i badań nad ryzykiem katastrof. Płaskowyż Qinghai-Tybet to trzeci biegun świata. Chociaż zrozumienie lokalnych interakcji człowiek-środowisko na Płaskowyżu Qinghai-Tybet jest niezwykle ważne, brak wysokorozdzielczych danych o obrysach budynków ze względu na ogromny obszar i odległość utrudniał to. W niniejszym badaniu wygenerowaliśmy pierwsze wektoryzowane odciski dachów budynków Płaskowyżu Qinghai-Tybet i jego okolic, wykorzystując wysokorozdzielcze obrazy Google i algorytm ekstrakcji konturów budynków platformy AI Earth. Nasze wyniki obejmują 13,09 mln budynków obejmujących 6092,7 km², zweryfikowane przy użyciu próbek testowych o łącznej powierzchni 250 × 1 km². Dane wykazały ogólną dokładność na poziomie 87%, czułość 91,9% i wynik F1 64,8%, zapewniając w ten sposób zaawansowany opis rozmieszczenia budynków w obszarze badawczym w porównaniu z CBRA. Nasza praca ma ogromny potencjał w ułatwianiu oceny ekspozycji w badaniach nad ryzykiem katastrof w tym obszarze. Tło i podsumowanie Nadejście ery cyfrowej zwiększyło zapotrzebowanie na wiarygodne dane dotyczące rozmieszczenia i atrybutów budynków. Dane o rozmieszczeniu budynków dostarczają ważnych informacji przestrzennych nie tylko o budynkach, ale także o ludności i zasobach materialnych, służąc jako dobry wskaźnik aktywności ludzkiej. W ostatnich dziesięcioleciach dane o rozmieszczeniu budynków były szeroko wykorzystywane do monitorowania rozwoju obszarów miejskich i wiejskich, zrozumienia wpływu urbanizacji na bezpieczeństwo żywnościowe, bioróżnorodność, zmiany klimatu oraz dobrobyt i zdrowie publiczne, formułowania strategii rozwoju regionalnego i ochrony ekosystemów miejskich i wiejskich. Postęp w dziedzinie zobrazowań satelitarnych i lotniczych, wraz z niedawnymi postępami w algorytmach uczenia maszynowego i głębokiego uczenia, zwiększył dostępność danych o rozmieszczeniu budynków. Dane o rozmieszczeniu budynków są udostępniane w formacie rastrowym jako część danych o użytkowaniu/pokryciu terenu. Najnowsze wydanie obejmuje trzy globalne produkty dotyczące użytkowania/pokrycia terenu o rozdzielczości 10 m oparte na satelitach Sentinel, a mianowicie Dynamic World (DW) firmy Google, Esri’s 2020 Land Cover oraz World Cover 2020 (WC) Europejskiej Agencji Kosmicznej (ESA). Oprócz informacji o rozmieszczeniu przestrzennym, badacze próbują również przypisać atrybuty do pikseli budynków, takie jak wysokość budynku. Na przykład He i in. wykorzystali fuzję danych teledetekcyjnych z wielu źródeł do stworzenia pierwszego na świecie globalnego zbioru danych o trójwymiarowym, przestrzennym i czasowym rozprzestrzenianiu się miast o rozdzielczości 30 m obejmującego okres od 1990 do 2010 roku. Pomimo ciągłego poprawiania rozdzielczości przestrzennej, rastrowe dane o rozmieszczeniu budynków nadal nie mogą opisać obiektów przestrzennych, a zwiększanie rozdzielczości znacznie zwiększa koszty przechowywania i obliczeń. Dane o rozmieszczeniu budynków w formacie wektorowym, znane również jako wektoryzowane odciski dachów budynków lub obrysy budynków, to dane konturowe budynku rzutowane na ziemię z widoku z góry, które dostarczają informacji takich jak lokalizacja geograficzna, zasięg przestrzenny granic i obrys pojedynczego budynku. Dostawcy usług publicznych (np. Google Earth i OpenStreetMap) udostępniają otwarte, wektoryzowane dane dotyczące dachów budynków o szerokim zasięgu, szybkich aktualizacjach i niskim koszcie. W 2022 roku Microsoft Corporation wykorzystał segmentację semantyczną opartą na głębokich sieciach neuronowych do ekstrakcji obrysów 777 milionów budynków, z których niektóre zawierały atrybuty wysokości budynku, na podstawie Bing Maps (w tym obrazy Maxar i Airbus) z lat 2014–2021 dla każdego kontynentu poza Chinami. W dniu 30 maja 2023 r. Google udostępnił zbiór danych 1,8 miliarda obrysów budynków wyekstrahowanych z obrazów satelitarnych o wysokiej rozdzielczości 0,5 m, obejmujący obszar 58 milionów km². Niska redundancja i zwarta struktura danych wektorowych reprezentowanych przez wierzchołki i ścieżki zapewniają wyższą dokładność geograficzną niezależną od rozmiaru siatki, a wprowadzenie reguł topologicznych dodatkowo poprawia integralność danych wektorowych. Ze względu na wzrost rozdzielczości obrazów i spadek kosztów pozyskiwania danych, wraz z niedawnymi postępami w algorytmach ekstrakcji, rozdzielczość i zasięg danych o rozmieszczeniu budynków stale się poprawiają. Wykonalność obrazów o bardzo wysokiej rozdzielczości (VHR) umożliwiła ekstrakcję obrysów budynków za pomocą tradycyjnych metod opartych na ręcznie tworzonych cechach lub metod opartych na głębokim uczeniu. Ponieważ pierwsze podejście napotyka wyzwanie różnorodności wyglądu i rozmiarów budynków, a także złożonych heurystyk i ustawień progów, jest ono ograniczone w zastosowaniu do obrazów teledetekcyjnych na dużą skalę o wysokiej rozdzielczości. Metody oparte na głębokim uczeniu (np. konwolucyjne sieci neuronowe) wykazały skuteczne i lepsze wyniki w automatycznym uczeniu się cech wysokiego poziomu i rozróżniających w segmentacji scen budowlanych. Sun i in. zaproponowali strategię fuzji opartą na równoległych maszynach wektorowych w celu pełnego wykorzystania cech głębokich wyekstrahowanych z wieloskalowych struktur konwolucyjnych sieci neuronowych w różnych skalach, z lepszą wydajnością w ekstrakcji złożonych budynków na obszarach miejskich. Niemniej jednak, podczas segmentacji budynków, dokładność modelu jest bardziej prawdopodobna, że będzie ograniczona przez jakość próbek treningowych, co utrudnia ekstrapolację. Niewystarczające wykorzystanie semantyki wysokiego poziomu i pominięcie szczegółów niskiego poziomu w modelach głębokich, prowadzące do rozmycia krawędzi i pominięcia małych budynków, również utrudniają zastosowanie głębokiego uczenia w ekstrakcji obrysów budynków. Region Płaskowyżu Qinghai-Tybet jest najwyżej położonym obszarem na świecie, ze średnią wysokością ponad 4000 metrów nad poziomem morza i obejmującym obszar 2,5 miliona km². Ponad 10 milionów ludzi zamieszkuje ten region pomimo jego ekstremalnego klimatu, zimnych i długich zim, dużych dobowych i rocznych różnic temperatur oraz złych warunków termicznych w pomieszczeniach. Chociaż region ten jest największą barierą ekologiczną w Chinach, działalność ludzka znacznie wpłynęła na jego wrażliwe środowisko ekologiczne. Region ten jest również niezwykle podatny na katastrofy, a trzęsienia ziemi, osuwiska, spływy błotne, powodzie z wypiętrzenia lodowcowych jezior i katastrofy śnieżne prowadzą do strat w ludziach i mieniu. W odpowiedzi dokładne dane o rozmieszczeniu budynków są kluczowe dla modelowania rozmieszczenia ludności w badaniach coupled human-environment, a także dla analizy ekspozycji i ryzyka katastrof naturalnych. Ponadto region ten charakteryzuje się długimi godzinami nasłonecznienia, obfitymi zasobami energii słonecznej i wystarczającymi powierzchniami do zbierania energii słonecznej, takimi jak dachy i otwarte przestrzenie. Wiejskie dane o rozmieszczeniu budynków o wysokiej rozdzielczości mogłyby stanowić wiarygodną bazę danych do oceny potencjału fotowoltaicznego i efektywnej poprawy standardów życia mieszkańców obszarów wiejskich. Jako słabo rozwinięty region, Płaskowyż Qinghai-Tybet i jego sąsiednie obszary nadal nie posiadają kompletnego zestawu precyzyjnych wektoryzowanych danych dotyczących dachów budynków, ze względu na ich ogromny obszar, rzadkie rozmieszczenie budynków, odległą lokalizację i ograniczenia zasobów. Najbardziej gotowe do użycia dane to te udostępniane w skali krajowej Chin, które obejmują dane China Building Rooftop Area (CBRA) o rozdzielczości 2,5 m (Liu i in., 2023b) oraz pierwszą krajową mapę pokrycia terenu Chin o rozdzielczości 1 m (SinoLC), która obejmuje kategorie budynków. Te dane rastrowe nie są w stanie scharakteryzować obiektów przestrzennych i wymagają dużych zasobów pamięci masowej. Wektoryzowane dane o powierzchni dachów dla 90 głównych miast Chin udostępnione przez Zhanga i in. częściowo wypełniły tę lukę; jednakże tylko 14 miast na Płaskowyżu Qinghai-Tybet zostało uwzględnionych w tym zbiorze danych, a wektoryzowane dane o dachach budynków nadal brakuje dla obszaru 2 milionów km². Dlatego też niniejsze badanie ma na celu wygenerowanie wektoryzowanych obrysów dachów budynków Płaskowyżu Qinghai-Tybet i jego sąsiednich regionów poprzez wykorzystanie wysokorozdzielczych obrazów satelitarnych i algorytmu głębokiego uczenia. Nasz zbiór danych został zweryfikowany przy użyciu próbek testowych składających się z siatek 250 × 1 km² w różnych podregionach, co dało ogólną dokładność 91,92% i wynik F1 64,81%. Metody Struktura W niniejszym badaniu wykorzystaliśmy algorytmy ekstrakcji budynków z platformy AI Earth do wygenerowania wektoryzowanego zbioru danych dachów budynków dla Płaskowyżu Qinghai-Tybet i jego sąsiedniego regionu w Chinach (Rys. 1). Główne komponenty naszej struktury obejmowały: (1) przygotowanie i wstępne przetwarzanie danych satelitarnych i pomocniczych; (2) ekstrakcję wektoryzowanych dachów budynków za pomocą platformy AI Earth; (3) walidację przy użyciu ręcznie wektoryzowanych danych dachów. Struktura ekstrakcji i walidacji dachów budynków. Obszar badawczy Niniejsze badanie skupiało się głównie na Płaskowyżu Qinghai-Tybet i jego sąsiednich regionach w południowo-zachodnich Chinach, w ramach ogólnej struktury Drugiej Ekspedycji Naukowej i Badawczej Płaskowyżu Tybetańskiego; geograficznie obejmuje Region Autonomiczny Tybetu, prowincje Qinghai, zachodnią prowincję Yunnan, zachodnią prowincję Syczuan, południowo-zachodnią prowincję Gansu i południowy Region Autonomiczny Sinciang. Średnia wysokość obszaru badawczego wynosi 4000 m n.p.m. Rozmieszczenie ludności i budynków na obszarze badawczym jest silnie uzależnione od wysokości i klimatu (Rys. 2), koncentrując się głównie na wschód od linii od powiatu Jilong w Tybecie do powiatu Qilian w Qinghai; na wschodzie gęsto rozmieszczone są na obszarach równinnych na wschodniej krawędzi regionu, w tym w dolinach rzecznych prowincji Yunnan, zachodniej prowincji Syczuan oraz Kotliny Rzeki Żółtej Xining-Lanzhou. Na powierzchni płaskowyżu na zachód od linii ludność i budynki są głównie rozmieszczone na ograniczonych obszarach rolniczo-pasterskich wzdłuż głównych dolin rzecznych oraz wzdłuż korytarzy dróg. Obszar badawczy (dane ludności pochodzą z LandScan; DEM pochodzi z Centrum Danych Nauki i Środowiska Zasobów). Obrazy satelitarne Otwarcie dostępne wysokorozdzielcze dane obrazów satelitarnych zostały uzyskane od Rivermap Co. (http://www.rivermap.cn/index.html), które zostały uzyskane z integracji obrazów satelitarnych i danych lotniczych Google Earth. Wśród nich obrazy satelitarne pochodzą głównie z komercyjnych satelitów DigitalGlobe QuickBird i WorldView, a fotografie lotnicze pochodzą z BlueSky w Wielkiej Brytanii i Sanborn w USA. Dla każdej lokalizacji istniały kolekcje wielu obrazów o rozdzielczości do 0,15 m na obszarach zlokalizowanych. Taka integracja danych była szeroko stosowana do rozpoznawania obiektów w złożonych scenach i ma potencjał do tworzenia map typów obiektów na dużą skalę o wysokiej rozdzielczości. Całkowity obszar naszego obszaru badawczego wynosi 3,06 mln km², a szacowana wielkość danych obrazów satelitarnych wynosi 29,4 TB, o rozdzielczości przestrzennej 0,6 m. Biorąc pod uwagę te skale, stworzono siatkę 0,175° × 0,175° dla naszego obszaru badawczego, aby umożliwić pobieranie mniejszych paczek, o łącznej liczbie 10 033 siatek pokrywających cały obszar badawczy. Rzeczywista liczba pobranych siatek była mniejsza i wynosiła 5921 z dwóch powodów. Po pierwsze, ponieważ duża część obszaru badawczego obejmuje tereny niezamieszkałe przez człowieka, gdzie nie ma budynków, arbitralnie wykluczyliśmy siatki bez pikseli zabudowanych z produktu ESA World Cover. Po drugie, wykluczono również miasta/prefektury, dla których dane dotyczące obrysów dachów (tj. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) zostały już pobrane w zbiorze danych wektoryzowanych obszarów dachowych dla 90 miast w Chinach. Obrazy zostały pobrane od września 2022 r. do stycznia 2023 r., z rozdzielczością 0,6 m, rozmiarem pojedynczej klatki ok. 3 GB i całkowitym rozmiarem 2,72 TB. Pobierane obrazy pochodziły głównie z lat 2019–2021, ale obrazy z niektórych odległych obszarów mogły być wykonane już w 2001 r. (Rys. 3). Siatki do pobierania obrazów i czas wykonania zdjęć. Dane pomocnicze Nasze dane pomocnicze obejmowały mapy pokrycia terenu o wysokiej rozdzielczości, cyfrowy model terenu (DEM), wskaźnik znormalizowanej różnicy wegetacji (NDVI) oraz dane dotyczące rozmieszczenia ludności do późniejszej analizy klastrowej w celu próbkowania (Tabela 1). W przypadku pokrycia terenu i obszarów zabudowanych, produkt ESA World Cover od Zanagi i in. został uzyskany z Zenodo (https://zenodo.org/records/5571936). Produkt został wygenerowany na podstawie obrazów satelitarnych Sentinel 1 i Sentinel 2 z całego roku 2020 i próbki 141 000 unikalnych lokalizacji rozmieszczonych na całym świecie, przeszkolonych przy użyciu algorytmu lasu losowego, w celu przedstawienia globalnego pokrycia terenu w 2020 roku; ma on zaletę w przedstawianiu drobnoziarnistych elementów krajobrazu (np. obszarów zabudowanych i złożonych krajobrazów rolniczych), ponieważ uwzględnia stosunkowo małą minimalną jednostkę mapowania. Kategoria "zabudowany" w zbiorze danych odnosi się do terenu pokrytego budynkami, drogami i innymi konstrukcjami stworzonymi przez człowieka (np. torami kolejowymi), ale z wyłączeniem terenów zielonych (np. parków i obiektów sportowych), składowisk odpadów i terenów wydobywczych. Dane DEM o rozdzielczości 1 km i dane NDVI zostały uzyskane z Centrum Danych Nauki i Środowiska Zasobów, Instytutu Geonauk i Zasobów, Chińskiej Akademii Nauk (https://www.resdc.cn/Default.aspx). Dane DEM zostały przeskalowane z najnowszych danych SRTM V4.1 (https://www.resdc.cn/data.aspx?DATAID=123), a dane NDVI zostały połączone na podstawie produktów SPOT/VEGETATION PROBA-V o rozdzielczości 1 km (http://www.vito-eodata.be/). Wybraliśmy dane NDVI z 2021 roku, aby przedstawić wegetację na Płaskowyżu Qinghai-Tybet (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Dane dotyczące gęstości zaludnienia zostały uzyskane z bazy danych LandScan (https://landscan.ornl.gov/) do globalnej analizy statystyk ludności, opracowanej przez Oak Ridge National Laboratory Departamentu Energii USA i dostarczonej przez East View Cartographic (https://geospatial.com/); dane te są generowane poprzez połączenie nauk o geoprzestrzeni, technologii teledetekcji i algorytmów uczenia maszynowego, stanowiąc jedną z najdokładniejszych i najbardziej wiarygodnych globalnych baz danych analizy dynamiki ludności w oparciu o lokalizację geograficzną, z doskonałą rozdzielczością 1 km. Wykorzystaliśmy rozmieszczenie ludności z 2021 roku do późniejszej analizy klastrowej. Wstępne przetwarzanie danych Rozmieszczenie ludności i budynków jest na większości naszego obszaru badawczego rozproszone, przy czym ponad 99,5% obszaru badawczego jest sklasyfikowane jako tereny niezabudowane według produktu ESA World Cover. Aby przyspieszyć naszą ekstrakcję, najpierw wygenerowano maski potencjalnych obszarów rozmieszczenia budynków dla każdej siatki 0,175° × 0,175° przed ekstrakcją. Na podstawie kategorii "zabudowany" w danych World Cover, wygenerowano strefę buforową o szerokości 1 km wokół każdego piksela obszaru zabudowanego jako potencjalny obszar rozmieszczenia budynków. Po przetestowaniu kilku szerokości stref buforowych, stwierdziliśmy, że szerokość 1 km może pomieścić 96% pikseli budynków zgłoszonych w produktach CBRA z 2020 roku. Maska pozwoliła nam wykluczyć 86% całkowitej powierzchni pobranych obrazów, co skutkowało znacznym oszczędnością czasu obliczeniowego. Przeanalizowaliśmy bufor poprzez nałożenie go na wygenerowane siatki, aby wykluczyć siatki, które nie zawierały budynków. Obrazy zostały następnie ponownie przycięte buforami, a algorytm ekstrakcji budynków został zastosowany do przyciętych obrazów. Wektoryzowana ekstrakcja dachów budynków Wektoryzowany algorytm ekstrakcji dachów budynków używany w tym badaniu pochodzi z platformy AliCloud AI Earth (https://engine-aiearth.aliyun.com/#/), która łączy metodę segmentacji opartą na głębokim uczeniu z metodą segmentacji opartą na podziale krainy (watershed) w celu skonstruowania struktury segmentacji instancji budynków - podwójny dekoder do segmentacji podziałem krainy. Algorytm ten dodaje zadanie segmentacji granic do zadania segmentacji semantycznej i wykorzystuje algorytm podziału krainy do wstępnego przetworzenia wyników predykcji obu zadań podczas predykcji, uzyskując ostateczny wynik ekstrakcji budynków. Najpierw użyta została sieć neuronowa PointRend zaproponowana przez Kirillova i in., która traktuje segmentację obrazu jako problem renderowania i wykorzystuje iteracyjny algorytm segmentacji, który selektywnie próbkuje nierównomierne punkty w celu dokładnej segmentacji, ponieważ bardziej stabilne i dokładne punkty początkowe nauczone przez sieć neuronową mogą zapewnić precyzyjnie dostrojone modele segmentacji semantycznej dla kluczowych struktur i cech budynku. Następnie, jako post-processing, stosuje się elastyczną segmentację podziałem krainy, która potrafi dostosować się do obiektów o różnej morfologii i cechach. Algorytm osiąga dokładność liczenia powyżej 90% i dokładność szacowania powierzchni powyżej 85% w testach walidacyjnych opartych na ręcznie wektoryzowanych próbkach w różnych regionach Chin, zajmując drugie miejsce w całodobowym konkursie segmentacji budynków przy użyciu obrazów SAR SpaceNet6. W porównaniu do Mask Region-CNN, algorytm poprawia średnią precyzję o 11 punktów procentowych. Zapisy danych Wektoryzowany algorytm ekstrakcji dachów budynków używany w tym badaniu może być wywoływany na platformie AI Earth (https://engine-aiearth.aliyun.com/#/). Nasz zbiór danych jest dostępny w National Tibetan Plateau Data Centre, do którego można uzyskać dostęp pod adresem https://doi.org/10.11888/RemoteSen.tpdc.301170. Wszystkie dane są uzyskiwane przy użyciu systemu współrzędnych GCS_WGS_1984 i pakowane do plików .rar (Tabela 2). Wygenerowane dane konturowe budynków oparte na AI (Rys. 4) są ułożone na poziomie prowincji zgodnie z ich nazwami, w tym Gansu, Guizhou, Qinghai, Syczuan, Sinciang, Xizang i Yunnan. Dodatkowo, dane obrazów odpowiadających siatkom 250 km² i ręcznie narysowane dane weryfikacyjne z oryginalnych źródeł zostały również przesłane w formatach 'image_1km.rar' i 'test_1km.rar'. Rok pozyskania obrazu na Rys. 3 znajduje się w 'image_time.rar'. Wyniki ekstrakcji. Walidacja techniczna Przygotowanie danych walidacyjnych oparte na próbkowaniu warstwowym Przeprowadzono ręczną wektoryzację dachów budynków w celu uzyskania danych "ground-truth" dotyczących dachów budynków do celów walidacji. Ze względu na ogromny obszar naszego obszaru badawczego, a także znaczące różnice regionalne pod względem wysokości, ukształtowania terenu, typu roślinności i typu budynków, zastosowaliśmy podejście próbkowania warstwowego zamiast próbkowania losowego, aby uzyskać zrównoważoną próbkę pod względem różnych podregionów. Przeprowadziliśmy klasteryzację K-średnich na 5921 siatkach na podstawie pięciu wskaźników: obszar zabudowany, średni NDVI, gęstość zaludnienia, średnia wysokość i odchylenie standardowe wysokości. K-średnich jest algorytmem klasteryzacji opartym na odległości euklidesowej, w którym im mniejsza odległość między charakterystykami dwóch celów, tym większe podobieństwo. Po standaryzacji danych poprzez odjęcie średniej i podzielenie przez odchylenie standardowe, metoda łokcia została użyta do wybrania najbardziej odpowiedniej liczby kategorii. W trakcie procesu, gdy liczba kategorii została zwiększona do pięciu, tempo spadku sumy kwadratów błędów gwałtownie spadło. Dlatego też sklastrowaliśmy 5921 siatek na pięć kategorii do późniejszych analiz (Tabela 3, Rys. 5). Mapa podziału geograficznego i siatki do tworzenia zbioru danych walidacyjnych. Klaster I (powierzchnia płaskowyżu i strefa niskiej gęstości zabudowy) obejmuje duży obszar na powierzchni płaskowyżu Płaskowyżu Qinghai-Tybet – o największym obszarze i najbardziej płaskim terenie – i charakteryzuje się wysoką wysokością, niskim zaludnieniem, niskim pokryciem roślinności i niskim obszarem zabudowanym. Siatki w Klastrze II (strefa wysokogórska i o średnio-niskiej gęstości zabudowy) znajdują się głównie na obszarach przygranicznych Qinghai, Syczuanu i Tybetu, a w większości pokryte są alpejskimi łąkami i zaroślami, i głównie są to źródła dużych rzek w Chinach. Jednak warunki klimatyczne Klastra II są stosunkowo surowe, co skutkuje stosunkowo rzadkim zaludnieniem i zabudową. Siatki w Klastrze III (największe zróżnicowanie terenu i średnia gęstość zabudowy) mają największe zróżnicowanie wysokości, znajdując się głównie w strefie przejściowej topograficznej wokół płaskowyżu. Klaster IV (średnio-niskie wysokości i średnio-wysoka gęstość zabudowy) obejmuje głównie prowincje Gansu i Yunnan we wschodniej części Płaskowyżu Qinghai-Tybet, z relatywnie niską wysokością, bujną roślinnością oraz gęstym zaludnieniem i zabudową. Klaster V (niska wysokość i wysoka gęstość zabudowy) ma najmniejszą liczbę siatek, ale największy obszar miejski, najniższą średnią wysokość oraz najwyższą gęstość zaludnienia i zabudowy. Następnie wybrano łącznie 250 siatek na podstawie podziału na klastry; w każdej siatce użyto siatki 1 km² do przygotowania danych „ground-truth” do walidacji dokładności, co dało wskaźnik próbkowania 4,22% (250/5921 siatek) lub 0,093% (250 km²/267904 km² maska bufora). Liczba wybranych siatek próbkowych dla każdego klastra jest proporcjonalna do jego całkowitego rozmiaru. W każdym klastrze nadajemy priorytet siatkom o dużym obszarze zabudowanym w produkcie ESA World Cover. W trakcie tego procesu staraliśmy się również unikać wybierania sąsiednich siatek, tak aby próbka zapewniała lepsze pokrycie przestrzenne. Ostateczny rozkład wybranych siatek pokazano na Rys. 5. Każda próbkowana siatka została następnie podzielona na siatki 1 km², a siatka o największym obszarze zabudowanym według produktu ESA World Cover została wybrana do ręcznej wektoryzacji dachów budynków. Ostatecznie uzyskaliśmy łącznie 149 035 ręcznie obrysowanych budynków o łącznej powierzchni 24,65 km². Wynik walidacji Użyliśmy podejścia ilościowego do wal