
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autores: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Resumo Dados de distribuição de edifícios de alta precisão em larga escala são uma base importante para o planejamento urbano regional, alocação de recursos e pesquisa de risco de desastres. O Planalto Qinghai-Tibete é o terceiro polo do mundo. Embora a compreensão das interações locais humano-ambiente no Planalto Qinghai-Tibete seja de suma importância, isso tem sido dificultado pela falta de dados de pegada de edifícios de alta resolução devido à vastidão e ao isolamento da área. Neste estudo, geramos as primeiras pegadas de telhados de edifícios vetorizados do Planalto Qinghai-Tibete e suas áreas circundantes, utilizando imagens de alta resolução do Google e o algoritmo de extração de contorno de edifícios da plataforma AI Earth. Nossos resultados incluem 13,09 milhões de edifícios cobrindo 6092,7 km², validados com um total de 250 × 1 km² de amostras de teste. Os dados tiveram uma precisão geral de 87%, um recall de 91,9% e uma pontuação F1 de 64,8%, fornecendo assim uma descrição avançada da distribuição de edifícios da área de estudo em comparação com o CBRA. Nosso trabalho tem imenso potencial para facilitar a avaliação de exposição para estudos de risco de desastres nesta área. Sumário do Contexto O advento da era digital aumentou a demanda por dados confiáveis sobre distribuição e atributos de edifícios , , . Os dados de distribuição de edifícios fornecem informações espaciais importantes não apenas de edifícios, mas também de população e ativos físicos , servindo como um bom proxy para a atividade humana. Nas últimas décadas, os dados de distribuição de edifícios têm sido amplamente utilizados no monitoramento do desenvolvimento urbano e rural , , na compreensão dos impactos da urbanização na segurança alimentar, biodiversidade, mudanças climáticas e bem-estar e saúde pública , , na formulação de estratégias de desenvolvimento regional e na proteção de ecossistemas urbanos e rurais , , . 1 2 3 4 5 6 7 8 9 10 11 O avanço de imagens de satélite e aéreas, juntamente com o progresso recente em algoritmos de aprendizado de máquina e aprendizado profundo, impulsionou a disponibilidade de dados de distribuição de edifícios , , . Os dados de distribuição de edifícios foram fornecidos em formato raster como parte dos dados de uso/cobertura do solo. A versão mais recente inclui três produtos globais de uso/cobertura do solo de 10m baseados em satélites Sentinel, a saber, Dynamic World (DW) do Google , Esri’s 2020 Land Cover , e World Cover 2020 (WC) da Agência Espacial Europeia (ESA) . Além de informações de distribuição espacial, os pesquisadores também estão tentando anexar informações de atributos aos pixels de edifícios, como altura do edifício . Por exemplo, He  .  usaram fusão de dados de sensoriamento remoto multissensor para construir o primeiro conjunto de dados de expansão espacial e temporal urbana em resolução de 30m do mundo, cobrindo o período de 1990 a 2010. Apesar da melhoria contínua da resolução espacial, os dados de distribuição de edifícios baseados em raster ainda não conseguem descrever objetos espaciais , e o aumento da resolução aumenta enormemente os custos de armazenamento e computação . 12 13 14 15 16 17 14 et al 7 18 12 Os dados de distribuição de edifícios em formato vetorial, também conhecidos como telhados de edifícios vetorizados ou pegadas de edifícios, são os dados de contorno de um edifício projetados no solo em uma visão aérea , , que fornecem informações como a localização geográfica, a extensão espacial dos limites e a pegada de um único edifício. Provedores de serviços públicos (por exemplo, Google Earth e OpenStreetMap) fornecem dados abertos de telhados de edifícios vetorizados com ampla cobertura, atualizações rápidas e baixo custo , , . Em 2022, a Microsoft Corporation usou segmentação semântica baseada em rede neural profunda para extrair os contornos de 777 milhões de edifícios, alguns dos quais contendo atributos de altura de edifícios, com base no Bing Maps (incluindo imagens Maxar e Airbus) de 2014 a 2021 para todos os continentes fora da China. Em 30 de maio de 2023, o Google lançou um conjunto de dados de 1,8 bilhão de contornos de edifícios extraídos de imagens de satélite de alta resolução de 0,5 m, cobrindo uma área de 58 milhões km². A baixa redundância e a estrutura compacta dos dados vetoriais representados por vértices e caminhos fornecem maior precisão geográfica independente do tamanho da malha, e a introdução de regras topológicas melhora ainda mais a integridade dos dados vetoriais . 19 20 21 22 23 13 Devido ao aumento da resolução das imagens e à diminuição dos custos de aquisição de dados, juntamente com o progresso recente em algoritmos de extração, a resolução e a cobertura dos dados de distribuição de edifícios estão em contínua melhoria . A viabilidade de imagens de ultra-alta resolução (VHR) permitiu a extração de pegadas de edifícios pela aplicação de métodos tradicionais baseados em características artesanais  ou métodos baseados em aprendizado profundo . Como a primeira abordagem enfrenta o desafio da diversidade de aparências e tamanhos de edifícios, e regras empíricas complexas e configurações de limiar, ela é limitada quando aplicada a imagens de sensoriamento remoto de alta resolução em larga escala . Métodos baseados em aprendizado profundo (por exemplo, redes neurais convolucionais) demonstraram desempenho eficaz e superior no aprendizado automático de características de alto nível e discriminatórias na segmentação de cenas de edifícios. Sun  .  propuseram uma estratégia de fusão baseada em máquinas de vetores de suporte paralelas para utilizar totalmente as características profundas extraídas de estruturas de redes neurais convolucionais multiescala em diferentes escalas, com desempenho superior na extração de edifícios complexos em áreas urbanas. No entanto, ao segmentar edifícios, a precisão do modelo é mais provável de ser limitada pela qualidade das amostras de treinamento, tornando a extrapolação difícil. O uso insuficiente de semântica de alto nível e a omissão de detalhes de baixo nível em modelos profundos, resultando em desfoque de bordas e omissões de edifícios pequenos, também dificultam a aplicação do aprendizado profundo na extração de pegadas de edifícios. 24 25 13 26 et al 27 A região do Planalto Qinghai-Tibete é a área mais elevada do mundo, com uma elevação média de >4000 metros acima do nível do mar, e cobre uma área de 2,5 milhões km²  . Mais de 10 milhões de pessoas habitam a região, apesar de seu clima extremo, invernos frios e longos, grandes diferenças anuais e diurnas de temperatura e ambientes térmicos internos precários. Embora esta região seja a maior barreira ecológica da China , a atividade humana impactou consideravelmente seu ecossistema vulnerável . Esta região também é extremamente propensa a desastres, com terremotos, deslizamentos de terra, fluxos de lama, inundações por transbordamento de lagos glaciais e desastres de neve levando a perdas de vidas e propriedades , , . Em resposta, dados precisos de distribuição de edifícios são críticos para modelar a distribuição da atividade humana para estudos humano-ambiente acoplados , , bem como análise de exposição e risco para desastres naturais , . Além disso, esta região tem longas horas de sol, abundantes recursos de energia solar e superfícies suficientes para coleta de energia solar, como telhados e espaços abertos , . Dados de distribuição de edifícios rurais de alta resolução poderiam fornecer um banco de dados confiável para avaliar o potencial fotovoltaico e melhorar eficientemente o padrão de vida daqueles que vivem em áreas rurais , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Como uma região subdesenvolvida, o Planalto Qinghai-Tibete e suas áreas vizinhas ainda não possuem um conjunto completo de dados de telhados de edifícios vetorizados de alta precisão, devido à sua vasta área, distribuição esparsa de edifícios, localização remota e restrições de recursos. Os dados mais prontos para uso são os fornecidos na escala nacional da China, que incluem os dados da Área de Telhados de Edifícios da China (CBRA) com grade de 2,5 m (Liu  ., 2023b) e o primeiro mapa nacional de cobertura do solo da China com resolução de 1 m (SinoLC) que inclui categorias de edifícios . Esses dados raster são incapazes de caracterizar objetos espaciais e requerem grandes recursos de armazenamento. Os dados da área de telhados vetorizados para 90 grandes cidades da China, lançados por Zhang  . , preencheram parcialmente essa lacuna; no entanto, apenas 14 cidades no Planalto Qinghai-Tibete foram incluídas neste conjunto de dados, e dados de telhados de edifícios vetorizados ainda estão ausentes para uma área de 2 milhões km². et al 42 et al 13 Portanto, este estudo visa gerar pegadas de telhados de edifícios vetorizados do Planalto Qinghai-Tibete e suas regiões vizinhas, incorporando imagens de satélite de alta resolução e algoritmo de aprendizado profundo. Nosso conjunto de dados foi validado usando amostras de teste compreendendo grades de 250 × 1 km² em várias sub-regiões, resultando em uma precisão geral de 91,92% e uma pontuação F1 de 64,81%. Métodos Estrutura Neste estudo, utilizamos algoritmos de extração de edifícios da plataforma AI Earth para gerar um conjunto de dados de telhados de edifícios vetorizados para o Planalto Qinghai-Tibete e sua região vizinha na China (Fig. 1). Os principais componentes de nossa estrutura incluíram: (1) preparação e pré-processamento de dados de satélite e dados auxiliares; (2) extração de telhados de edifícios vetorizados usando a plataforma AI Earth; (3) validação usando dados de telhados vetorizados manualmente.    A estrutura para extração e validação de telhados de edifícios. Área de estudo Este estudo focou principalmente no Planalto Qinghai-Tibete e suas regiões vizinhas no sudoeste da China sob o quadro geral da Segunda Expedição Científica e Programa de Pesquisa do Planalto Tibetano ; geograficamente, inclui a Região Autônoma do Tibete, Províncias de Qinghai, Província de Yunnan ocidental, Província de Sichuan ocidental, Província de Gansu sudoeste e Região Autônoma de Xinjiang sul. A elevação média da área de estudo é de 4000 m acima do nível do mar. A distribuição da população e dos edifícios na área de estudo é altamente influenciada pela elevação e pelo clima (Fig. 2), concentrando-se principalmente a leste da linha de Jilong County no Tibete a Qilian County em Qinghai ; no leste, eles se distribuem densamente nas áreas planas na borda leste da região, incluindo os vales dos rios na Província de Yunnan, Província de Sichuan ocidental e a Bacia do Rio Amarelo Xining-Lanzhou. Na superfície do planalto a oeste da linha, a população e os edifícios são distribuídos principalmente com áreas agro-pastoris limitadas ao longo dos principais vales dos rios e ao longo dos corredores de tráfego rodoviário. 43 44    Área de estudo (dados de população de LandScan; DEM de Resource and Environment Science and Data Centre). Imagens de satélite Dados de imagens de satélite de alta resolução de acesso aberto foram obtidos da Rivermap Co. (http://www.rivermap.cn/index.html), que foram obtidos da integração do Google Earth de imagens de satélite e dados aéreos. Entre eles, as imagens de satélite vêm principalmente dos satélites comerciais QuickBird e WorldView da DigitalGlobe, e a fotografia aérea é de fontes da BlueSky no Reino Unido e da Sanborn nos EUA . Para cada local, houve coleções de múltiplas imagens com resoluções de até 0,15 m em áreas localizadas. Tal integração de dados tem sido amplamente utilizada para reconhecimento de objetos em cenas complexas , , ,  e tem potencial para mapeamento em larga escala de alta resolução de tipos de objetos . 45 46 47 48 49 50 A área total de nossa área de estudo é de 3,06 milhões km², e o tamanho estimado dos dados de imagem de satélite é de 29,4 TB, com uma resolução espacial de 0,6 m. Considerando essas escalas, malhas de 0,175° × 0,175° foram criadas para nossa área de estudo para permitir pacotes de menor tamanho para download, com um total de 10.033 malhas usadas para cobrir toda a área de estudo. O número real de malhas baixadas foi menor, 5921, por dois motivos. Primeiro, como uma grande parte da área de estudo compreende áreas residenciais não humanas onde não existem edifícios, excluimos arbitrariamente malhas sem pixels de área construída do produto ESA World Cover. Segundo, cidades/prefeituras cujos dados de telhados vetorizados (ou seja, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong e Yuxi) foram recuperados nos dados de área de telhados vetorizados para 90 cidades na China  também foram excluídas. As imagens foram baixadas entre setembro de 2022 e janeiro de 2023, com resolução de 0,6 m, tamanho de quadro único de aprox. 3 GB e um tamanho total de 2,72 TB. As imagens baixadas foram tiradas principalmente de 2019 a 2021, mas imagens de algumas áreas remotas podem ter sido tiradas já em 2001 (Fig. 3). 13    Malhas para download de imagens e tempo de captura de imagens. Dados auxiliares Nossos dados auxiliares incluíam mapas de cobertura do solo de alta resolução, modelo digital de elevação (DEM), índice de vegetação por diferença normalizada (NDVI) e dados de distribuição populacional para análise de cluster subsequente para fins de amostragem (Tabela 1). Para cobertura do solo e área construída, o produto World Cover da ESA de Zanaga  .  foi obtido em Zenodo (https://zenodo.org/records/5571936). O produto foi gerado com base em imagens de satélite Sentinel 1 e Sentinel 2 para o ano inteiro de 2020 e uma amostra de 141.000 locais únicos distribuídos pelo mundo, treinados com o algoritmo de floresta aleatória, para representar a cobertura global do solo em 2020; ele tem vantagem em representar elementos de paisagem em pequena escala (por exemplo, áreas construídas e paisagens agrícolas complexas), pois considera uma unidade mínima de mapeamento relativamente pequena . A categoria "construída" no conjunto de dados refere-se à terra coberta por edifícios, estradas e outras estruturas feitas pelo homem (por exemplo, ferrovias), mas excluindo espaços verdes urbanos (por exemplo, parques e instalações esportivas), depósitos de aterro e locais de mineração . et al 17 51 17 Os dados DEM de 1 km e os dados NDVI foram obtidos do Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences (https://www.resdc.cn/Default.aspx). Os dados DEM são reamostrados dos dados SRTM V4.1 mais recentes (https://www.resdc.cn/data.aspx?DATAID=123), e os dados NDVI são mosaicos com base em produtos SPOT/VEGETATION PROBA-V de 1 km (http://www.vito-eodata.be/). Escolhemos os dados NDVI de 2021 para representar a vegetação no Planalto Qinghai-Tibete (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Os dados de densidade populacional foram obtidos do banco de dados LandScan (https://landscan.ornl.gov/) para análise estatística vital global desenvolvida pelo Oak Ridge National Laboratory do Departamento de Energia dos EUA e fornecida pela East View Cartographic (https://geospatial.com/); esses dados são gerados combinando ciência geoespacial, tecnologia de sensoriamento remoto e algoritmos de aprendizado de máquina, representando um dos bancos de dados de análise estatística de dinâmica populacional global mais precisos e confiáveis com base na localização geográfica, com resolução superior a 1 km . Usamos a distribuição populacional em 2021 para análise de cluster subsequente. 52 Pré-processamento de dados A distribuição da população e dos edifícios é dispersa para a maior parte de nossa área de estudo, com mais de 99,5% da área de estudo classificada como áreas não construídas de acordo com o produto World Cover da ESA . Para agilizar nossa extração, máscaras de área potencial de distribuição de edifícios foram primeiro geradas para cada malha de 0,175° × 0,175° antes da extração. Com base na categoria "Construída" nos dados do World Cover, uma zona de buffer de 1 km ao redor de cada pixel de área construída foi gerada como a área potencial de distribuição de edifícios. Após testar várias larguras de zona de buffer, descobrimos que uma largura de 1 km poderia acomodar 96% dos pixels de edifícios relatados nos produtos CBRA de 2020. A máscara nos permitiu excluir 86% da área total das imagens baixadas, economizando consequentemente um tempo computacional substancial. Analisamos o buffer usando uma sobreposição com as malhas geradas para excluir malhas que não continham edifícios. As imagens foram então cortadas novamente com buffers, e o algoritmo de extração de edifícios foi aplicado às imagens cortadas. 17 Extração de telhados de edifícios vetorizados O algoritmo de extração de telhados de edifícios vetorizados usado neste estudo é da plataforma AliCloud AI Earth (https://engine-aiearth.aliyun.com/#/), que combina um método de segmentação baseado em aprendizado profundo com um método de segmentação baseado em watershed para construir uma estrutura de segmentação de instância de edifícios - decoder duplo para segmentação de watershed. Este algoritmo adiciona uma tarefa de segmentação de limites à tarefa de segmentação semântica, e usa o algoritmo de watershed para pré-processar os resultados de previsão das duas tarefas durante a previsão, obtendo o resultado final de extração de edifícios. A rede neural PointRend proposta por Kirillov  .  é usada primeiro , que trata a segmentação de imagem como um problema de renderização e emprega um algoritmo de segmentação iterativo que amostra seletivamente pontos não uniformes para segmentação precisa, pois pontos semente mais estáveis e precisos aprendidos pela rede neural podem fornecer modelos de segmentação semântica finamente ajustados para estruturas e características chave do edifício. Subsequentemente, uma segmentação flexível de watershed é usada para pós-processamento , , que é capaz de se adaptar a objetos com diferentes morfologias e características. O algoritmo atinge uma precisão de contagem de >90% e uma precisão de estimativa de área de >85% em testes de validação baseados em amostras vetorizadas manualmente em diferentes regiões da China, ganhando o segundo lugar na competição de segmentação de edifícios de imagens SAR em todas as condições climáticas SpaceNet6. Em comparação com o Mask Region-CNN, o algoritmo melhora a precisão média em 11 pontos percentuais . et al 53 53 54 55 56 Registros de Dados O algoritmo de extração de telhados de edifícios vetorizados usado neste estudo pode ser chamado na plataforma AI Earth (https://engine-aiearth.aliyun.com/#/). Nosso conjunto de dados está disponível no National Tibetan Plateau Data Centre, que pode ser acessado em https://doi.org/10.11888/RemoteSen.tpdc.301170 . Todos os dados são obtidos usando o sistema de coordenadas GCS_WGS_1984 e empacotados em arquivos .rar (Tabela 2). Os dados de contorno de edifícios gerados por IA (Fig. 4) são organizados por nível 57

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

Este áudio é produzido no idioma original da história!

Mapas de IA mapeiam 13 milhões de edifícios em uma das regiões mais remotas do mundo.

About Author

COMENTARIOS

Rótulos

ESTE ARTIGO FOI APRESENTADO EM

Related Stories

State of the Noonion: A New Era For Brands and Writers

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

State of the Noonion: A New Era For Brands and Writers

Liberando o poder da IA. Uma revisão sistemática de técnicas de ponta: resumo e introdução

Valhalla de Floki se junta como patrocinador associado da viagem da Índia ao Sri Lanka

Vazamento do prompt do sistema Claude Sonnet 3.5: uma análise forense

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps