```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autorzy: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Streszczenie Wielkoskalowe, precyzyjne dane dotyczące rozmieszczenia budynków stanowią ważne podstawy dla regionalnego planowania przestrzennego, alokacji zasobów oraz badań nad ryzykiem klęsk żywiołowych. Płaskowyż Tybetański to „trzeci biegun” świata. Zrozumienie lokalnych interakcji człowiek-środowisko na Płaskowyżu Tybetańskim jest niezwykle ważne, jednak utrudnione przez brak danych o śladach budynków o wysokiej rozdzielczości, ze względu na ogromny obszar i odległość. W niniejszym badaniu wygenerowaliśmy pierwsze wektoryzowane obrysy dachów budynków na Płaskowyżu Tybetańskim i jego okolicach, wykorzystując obrazy Google o wysokiej rozdzielczości oraz algorytm ekstrakcji konturów budynków platformy AI Earth. Nasze wyniki obejmują 13,09 mln budynków pokrywających 6092,7 km², zweryfikowane na podstawie 250 próbek testowych o wymiarach 1 km². Dane wykazały ogólną dokładność na poziomie 87%, czułość na poziomie 91,9% i wynik F1 na poziomie 64,8%, zapewniając tym samym zaawansowany opis rozmieszczenia budynków w obszarze badawczym w porównaniu z CBRA. Nasza praca ma ogromny potencjał w ułatwianiu oceny ekspozycji na potrzeby badań nad ryzykiem klęsk żywiołowych w tym regionie. Podsumowanie tła i streszczenie Rozwój ery cyfrowej zwiększył zapotrzebowanie na wiarygodne dane dotyczące rozmieszczenia i atrybutów budynków , , . Dane dotyczące rozmieszczenia budynków dostarczają ważnych informacji przestrzennych nie tylko o budynkach, ale także o populacji i zasobach fizycznych , służąc jako dobry wskaźnik aktywności ludzkiej. W ostatnich dziesięcioleciach dane dotyczące rozmieszczenia budynków były szeroko stosowane do monitorowania rozwoju urbanistycznego i wiejskiego , , zrozumienia wpływu urbanizacji na bezpieczeństwo żywnościowe, bioróżnorodność, zmiany klimatu oraz dobrostan i zdrowie publiczne , , formułowania regionalnych strategii rozwoju oraz ochrony ekosystemów miejskich i wiejskich , , . 1 2 3 4 5 6 7 8 9 10 11 Postęp w dziedzinie zobrazowań satelitarnych i lotniczych, wraz z najnowszymi osiągnięciami w algorytmach uczenia maszynowego i głębokiego uczenia, przyczynił się do zwiększenia dostępności danych o rozmieszczeniu budynków , , . Dane dotyczące rozmieszczenia budynków były dostarczane w formacie rastrowym jako część danych o użytkowaniu/pokryciu terenu. Najnowsza wersja zawiera trzy globalne produkty o rozdzielczości 10 m dotyczące użytkowania/pokrycia terenu 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 starają się również przypisać pikselom budynków informacje o atrybutach, takie jak wysokość budynków . Na przykład He i in.  wykorzystali fuzję danych z różnych źródeł teledetekcyjnych do stworzenia pierwszego na świecie globalnego zbioru danych o trójwymiarowym rozprzestrzenianiu się miast o rozdzielczości 30 m, obejmującego okres od 1990 do 2010 roku. Pomimo ciągłego poprawiania rozdzielczości przestrzennej, rastrowe dane dotyczące rozmieszczenia budynków nadal nie pozwalają na opisanie obiektów przestrzennych , a zwiększanie rozdzielczości znacznie zwiększa koszty przechowywania i obliczeń . 12 13 14 15 16 17 14 7 18 12 Dane dotyczące rozmieszczenia budynków w formacie wektorowym, znane również jako wektoryzowane dachy budynków lub obrysy budynków, to dane zarysów budynku rzutowane na ziemię w widoku z góry , , które dostarczają informacji takich jak położenie geograficzne, zasięg przestrzenny granic i obrys pojedynczego budynku. Dostawcy usług publicznych (np. Google Earth i OpenStreetMap) udostępniają otwarte wektoryzowane dane dachów budynków o szerokim zasięgu, szybkich aktualizacjach i niskich kosztach , , . W 2022 roku Microsoft Corporation wykorzystał segmentację semantyczną opartą na głębokich sieciach neuronowych do wyodrębnienia obrysów 777 milionów budynków, z których niektóre zawierały atrybuty wysokości budynków, na podstawie danych Bing Maps (w tym zdjęć Maxar i Airbus) z lat 2014–2021 dla każdego kontynentu poza Chinami. 30 maja 2023 r. Google udostępnił zbiór danych zawierający 1,8 miliarda obrysów budynków wyodrębnionych z zdjęć satelitarnych o wysokiej rozdzielczości 0,5 m, obejmujących obszar 58 milionów km². Niska redundancja i zwarta struktura danych wektorowych reprezentowanych przez wierzchołki i ścieżki zapewniają wyższą dokładność geograficzną niezależnie od rozmiaru siatki, a wprowadzenie reguł topologicznych dodatkowo poprawia integralność danych wektorowych . 19 20 21 22 23 13 W związku ze wzrostem rozdzielczości zobrazowań i spadkiem kosztów pozyskiwania danych, a także najnowszymi postępami w algorytmach ekstrakcji, rozdzielczość i zasięg danych dotyczących rozmieszczenia budynków stale się poprawiają . Możliwość wykorzystania 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 wyzwania związane z różnorodnością wyglądu i rozmiarów budynków, a także złożonymi zasadami i ustawieniami progów, jest ono ograniczone w zastosowaniu do wielkoskalowych obrazów teledetekcyjnych 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, aby w pełni wykorzystać cechy głębokie wyodrębnione z wieloskalowych struktur konwolucyjnych sieci neuronowych na różnych skalach, osiągając lepsze wyniki w ekstrakcji złożonych budynków na obszarach miejskich. Niemniej jednak, podczas segmentacji budynków, dokładność modelu jest bardziej prawdopodobna do ograniczenia 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. 24 25 13 26 27 Region Płaskowyżu Tybetańskiego jest najwyżej położonym obszarem na świecie, ze średnią wysokością ponad 4000 metrów nad poziomem morza i obejmuje obszar 2,5 miliona km² . Ponad 10 milionów ludzi zamieszkuje ten region, pomimo jego ekstremalnego klimatu, mroźnych i długich zim, dużych dobowych i rocznych wahań temperatury oraz złych warunków termicznych w pomieszczeniach. Chociaż region ten jest największą barierą ekologiczną w Chinach , działalność człowieka znacząco wpłynęła na jego wrażliwe środowisko ekologiczne . Region ten jest również niezwykle podatny na klęski żywiołowe, takie jak trzęsienia ziemi, osuwiska, spływy błotne, powodzie z przełamania lodowcowych jezior i katastrofy śnieżne, prowadzące do ofiar i strat materialnych , , . W odpowiedzi, dokładne dane dotyczące rozmieszczenia budynków są kluczowe dla modelowania rozmieszczenia ludności w celu badań nad połączonymi interakcjami człowiek-środowisko , , a także analizy ekspozycji i ryzyka związanego z klęskami żywiołowymi , . Ponadto region ten charakteryzuje się długimi godzinami nasłonecznienia, obfitymi zasobami energii słonecznej i wystarczającymi powierzchniami do jej pozyskiwania, takimi jak dachy i otwarte przestrzenie , . Wysokorozdzielcze dane dotyczące rozmieszczenia budynków wiejskich mogłyby stanowić wiarygodną bazę danych do oceny potencjału fotowoltaicznego i efektywnego poprawiania standardów życia mieszkańców obszarów wiejskich , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Jako niedorozwinięty region, Płaskowyż Tybetański i jego sąsiednie obszary nadal nie posiadają kompletnego zestawu precyzyjnych, wektoryzowanych danych dotyczących dachów budynków, ze względu na ich ogromny obszar, rzadkie rozmieszczenie budynków, odległe położenie i ograniczenia zasobów. Najbardziej gotowe do użycia dane to te udostępniane na skalę krajową w Chinach, w tym dane dotyczące obszaru dachów budynków w Chinach w siatce 2,5 m (CBRA, Liu i in., 2023b) oraz pierwsza krajowa mapa pokrycia terenu Chin o rozdzielczości 1 m (SinoLC), która obejmuje kategorie budynków . Te dane rastrowe nie pozwalają na scharakteryzowanie obiektów przestrzennych i wymagają dużych zasobów pamięci masowej. Wektoryzowane dane dotyczące obszaru dachów dla 90 głównych miast Chin udostępnione przez Zhanga i in.  częściowo wypełniły tę lukę; jednakże tylko 14 miast na Płaskowyżu Tybetańskim zostało uwzględnionych w tym zbiorze danych, a wektoryzowane dane dachów budynków nadal brakują dla obszaru 2 milionów km². 42 13 Dlatego niniejsze badanie ma na celu wygenerowanie wektoryzowanych obrysów dachów budynków na Płaskowyżu Tybetańskim i jego sąsiednich regionach poprzez wykorzystanie zdjęć satelitarnych o wysokiej rozdzielczości i algorytmu głębokiego uczenia. Nasz zbiór danych został zweryfikowany przy użyciu próbek testowych obejmujących siatki o wymiarach 250 x 1 km² w różnych podregionach, co zaowocowało ogólną dokładnością 91,92% i wynikiem F1 wynoszącym 64,81%. Metody Struktura W niniejszym badaniu wykorzystaliśmy algorytmy ekstrakcji budynków z platformy AI Earth do wygenerowania wektoryzowanego zbioru danych dachów budynków dla Płaskowyżu Tybetańskiego i jego sąsiednich regionów w Chinach (Rys. 1) . Główne komponenty naszej struktury obejmowały: (1) przygotowanie i wstępne przetwarzanie danych satelitarnych i pomocniczych; (2) wektoryzowana ekstrakcja dachów budynków przy użyciu platformy AI Earth; (3) walidacja przy użyciu ręcznie wektoryzowanych danych dachów. 1   Struktura ekstrakcji i walidacji dachów budynków. Obszar badawczy Niniejsze badanie skupiło się głównie na Płaskowyżu Tybetańskim i jego sąsiednich regionach w południowo-zachodnich Chinach, w ramach ogólnych ram 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 w dużej mierze 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 rozkładają się gęsto na obszarach równinnych na wschodniej krawędzi regionu, w tym w dolinach rzecznych w prowincji Yunnan, zachodniej prowincji Syczuan i w basenie rzeki Huang He Xining-Lanzhou. Na powierzchni płaskowyżu na zachód od linii ludność i budynki są w większości rozmieszczone na ograniczonych obszarach rolniczo-pastewnych wzdłuż głównych dolin rzecznych i wzdłuż korytarzy transportu drogowego. 43 2 44   Obszar badawczy (dane populacyjne z LandScan; DEM z Centrum Danych Naukowych o Zasobach i Środowisku). Zdjęcia satelitarne Dostępne bezpłatnie zdjęcia satelitarne o wysokiej rozdzielczości zostały uzyskane od Rivermap Co. (http://www.rivermap.cn/index.html), która zintegrowała obrazy satelitarne i dane lotnicze z Google Earth. Spośród nich zdjęcia satelitarne pochodzą głównie z komercyjnych satelitów DigitalGlobe QuickBird i WorldView, a zdjęcia lotnicze pochodzą z BlueSky w Wielkiej Brytanii i Sanborn w USA . Dla każdej lokalizacji istniały kolekcje wielu zdjęć o rozdzielczości do 0,15 m na obszarach zlokalizowanych. Takie połączenie danych zostało szeroko wykorzystane do rozpoznawania obiektów w złożonych scenach , , ,  i ma potencjał do wielkoskalowego mapowania typów obiektów o wysokiej rozdzielczości . 45 46 47 48 49 50 Całkowita powierzchnia naszego obszaru badawczego wynosi 3,06 mln km², a szacowana wielkość danych zdjęć satelitarnych to 29,4 TB, o rozdzielczości przestrzennej 0,6 m. Biorąc pod uwagę te skale, stworzono siatki o wymiarach 0,175° × 0,175° dla naszego obszaru badawczego, aby umożliwić pobieranie mniejszych pakietów, o łącznej liczbie 10 033 siatek pokrywających cały obszar badawczy. Rzeczywista liczba pobranych siatek była mniejsza, wynosząca 5921, z dwóch powodów. Po pierwsze, ponieważ duża część obszaru badawczego składa się z obszarów nierozwojowych, gdzie nie ma budynków, arbitralnie wykluczyliśmy siatki bez pikseli obszarów zabudowanych z produktu ESA World Cover. Po drugie, wykluczono również miasta/prefektury, dla których wektoryzowane dane dachów (tj. Lhasy, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) zostały już pobrane w danych dotyczących obszaru dachów dla 90 miast w Chinach . Obrazy zostały pobrane we wrześniu 2022 r. i styczniu 2023 r., z rozdzielczością 0,6 m, rozmiarem pojedynczej klatki około 3 GB i całkowitym rozmiarem 2,72 TB. Pobierane obrazy pochodziły głównie z lat 2019–2021, ale obrazy z niektórych odległych obszarów mogły zostać wykonane już w 2001 roku (Rys. 3) . 13 3   Siatki do pobierania obrazów i czas ich wykonania. Dane pomocnicze Nasze dane pomocnicze obejmowały mapy pokrycia terenu o wysokiej rozdzielczości, model cyfrowego podłoża (DEM), wskaźnik normalizowanej różnicy wegetacji (NDVI) oraz dane dotyczące rozmieszczenia ludności do późniejszej analizy klastrowej w celu próbkowania (Tabela 1) . 1 Dla pokrycia terenu i obszarów zabudowanych, produkt ESA World Cover od Zanaga i in.  został uzyskany z Zenodo (https://zenodo.org/records/5571936). Produkt został wygenerowany na podstawie danych satelitarnych Sentinel 1 i Sentinel 2 z całego roku 2020 i próbki 141 000 unikalnych lokalizacji rozmieszczonych na całym świecie, wytrenowany z wykorzystaniem algorytmu lasu losowego, aby przedstawić globalne pokrycie terenu w 2020 roku; ma on zaletę w przedstawianiu drobnych 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 kopalnianych . 17 51 17 Dane DEM o rozdzielczości 1 km i dane NDVI zostały uzyskane z Centrum Danych Naukowych o Zasobach i Środowisku, 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 roślinność na Płaskowyżu Tybetańskim (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Dane o gęstości zaludnienia zostały uzyskane z bazy danych LandScan (https://landscan.ornl.gov/) do analizy statystyk witalnych na całym świecie, opracowanej przez Departament Energii USA w Oak Ridge National Laboratory i dostarczonej przez East View Cartographic (https://geospatial.com/); dane te są generowane przez połączenie nauk o danych geoprzestrzennych, technologii teledetekcji i algorytmów uczenia maszynowego, stanowiąc jedną z najdokładniejszych i najbardziej wiarygodnych globalnych baz danych statystycznych o dynamice populacji opartych na lokalizacji geograficznej, o doskonałej rozdzielczości 1 km . Użyliśmy danych o rozmieszczeniu ludności z 2021 roku do późniejszej analizy klastrowej. 52 Wstępne przetwarzanie danych Rozmieszczenie ludności i budynków jest na większości obszaru badawczego rozproszone, przy czym ponad 99,5% obszaru badawczego jest klasyfikowane jako obszary niezabudowane zgodnie z produktem ESA World Cover . Aby przyspieszyć naszą ekstrakcję, dla każdej siatki o wymiarach 0,175° × 0,175° zostały najpierw wygenerowane maski potencjalnych obszarów rozmieszczenia budynków przed ekstrakcją. Na podstawie kategorii „zabudowany” w danych World Cover, utworzono 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 17

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

Ten dźwięk jest produkowany w oryginalnym języku historii!

AI mapuje 13 milionów budynków w jednym z najbardziej odległych regionów świata.

About Author

UWAGI

ZAWIEŚĆ TAGI

ARTYKUŁ TEN ZOSTAŁ PREZENTOWANY W

Related Stories

Meet Klink Finance: HackerNoon Company of the Week

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Meet Beldex: HackerNoon Company of the Week

Reach More Readers! BOOST Your Story on HackerNoon

Meet Klink Finance: HackerNoon Company of the Week

Listen to Tech Brief Podcasts on Your Headphones: Stay Connected to HackerNoon Anywhere, Anytime

Meet Beldex: HackerNoon Company of the Week

Reach More Readers! BOOST Your Story on HackerNoon

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps