
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Rezumat Datele de distribuție a clădirilor de înaltă precizie la scară largă sunt o fundație importantă pentru planificarea urbană regională și alocarea resurselor, precum și pentru cercetarea riscurilor de dezastru. Platoul Qinghai-Tibet este al treilea pol al lumii. Deși înțelegerea interacțiunilor locale om-mediu pe Platoul Qinghai-Tibet este de o importanță critică, aceasta a fost îngreunată de lipsa datelor de amprentă a clădirilor de înaltă rezoluție, din cauza vastei întinderi și a zonei îndepărtate. În acest studiu, am generat primele amprente vectorizate ale acoperișurilor clădirilor de pe Platoul Qinghai-Tibet și zonele înconjurătoare, utilizând imagini Google de înaltă rezoluție și algoritmul de extracție a contururilor clădirilor de pe platforma AI Earth. Rezultatele noastre includ 13,09 milioane de clădiri, acoperind 6092,7 km², validate cu un total de 250 x 1 km² de eșantioane de testare. Datele au avut o acuratețe generală de 87%, un recall de 91,9% și un scor F1 de 64,8%, oferind astfel o descriere avansată a distribuției clădirilor din zona de studiu, în comparație cu CBRA. Lucrarea noastră are un potențial imens în facilitarea evaluării expunerii pentru studiile privind riscul de dezastre în această zonă. Context & Rezumat Apariția erei digitale a crescut cererea pentru date fiabile privind distribuția și atributele clădirilor , , . Datele de distribuție a clădirilor oferă informații spațiale importante nu numai despre clădiri, ci și despre populație și active fizice , servind ca un bun indicator al activității umane. În ultimele decenii, datele de distribuție a clădirilor au fost utilizate pe scară largă în monitorizarea dezvoltării urbane și rurale , , înțelegerea impactului urbanizării asupra securității alimentare, biodiversității, schimbărilor climatice și bunăstării și sănătății publice , , formularea strategiilor de dezvoltare regională și protejarea ecosistemelor urbane și rurale , , . 1 2 3 4 5 6 7 8 9 10 11 Progresele în imagistica bazată pe satelit și aeriană, împreună cu progresele recente în algoritmii de învățare automată și învățare profundă, au sporit disponibilitatea datelor de distribuție a clădirilor , , . Datele de distribuție a clădirilor au fost furnizate în format raster ca parte a datelor de utilizare/acoperire a terenului. Cea mai recentă lansare include trei produse globale de utilizare/acoperire a terenului la rezoluție de 10 m, bazate pe sateliții Sentinel, și anume Dynamic World (DW) de la Google , Esri’s 2020 Land Cover  și World Cover 2020 (WC) de la Agenția Spațială Europeană (ESA) . Pe lângă informațiile despre distribuția spațială, cercetătorii încearcă, de asemenea, să atașeze informații despre atribute pixelilor clădirilor, cum ar fi înălțimea clădirilor . De exemplu, He et al.  au utilizat fuziunea datelor de la senzori de la distanță multi-sursă pentru a construi primul set de date 3D spațial și temporal al expansiunii urbane la rezoluție de 30 m din lume, acoperind perioada 1990-2010. În ciuda îmbunătățirii continue a rezoluției spațiale, datele de distribuție a clădirilor bazate pe raster nu pot descrie încă obiecte spațiale , iar creșterea rezoluției crește considerabil costurile de stocare și calcul . 12 13 14 15 16 17 14 7 18 12 Datele de distribuție a clădirilor în format vectorial, cunoscute și sub denumirea de acoperișuri de clădiri vectorizate sau amprente ale clădirilor, sunt datele de contur ale unei clădiri proiectate pe sol într-o vedere de sus , , care oferă informații precum locația geografică, extinderea spațială a limitelor și amprenta unei singure clădiri. Furnizorii de servicii publice (de exemplu, Google Earth și OpenStreetMap) oferă date deschise despre acoperișurile clădirilor vectorizate, cu acoperire largă, actualizări rapide și cost redus , , . În 2022, Microsoft Corporation a utilizat segmentarea semantică bazată pe rețele neuronale profunde pentru a extrage contururile a 777 de milioane de clădiri, unele dintre ele conținând atribute de înălțime a clădirilor, bazate pe Bing Maps (inclusiv imagini Maxar și Airbus) din perioada 2014-2021 pentru fiecare continent, cu excepția Chinei. Pe 30 mai 2023, Google a lansat un set de date cu 1,8 miliarde de contururi de clădiri extrase din imagini satelitare de înaltă rezoluție de 0,5 m, acoperind o suprafață de 58 de milioane km². Redundanța scăzută și structura compactă a datelor vectoriale reprezentate prin vârfuri și căi oferă o acuratețe geografică mai mare, independentă de dimensiunea rețelei, iar introducerea regulilor topologice îmbunătățește și mai mult integritatea datelor vectoriale . 19 20 21 22 23 13 Datorită creșterii rezoluției imagistice și scăderii costurilor de achiziție a datelor, împreună cu progresele recente în algoritmii de extracție, rezoluția și acoperirea datelor de distribuție a clădirilor se îmbunătățesc continuu . Viabilitatea imaginilor cu rezoluție foarte înaltă (VHR) a permis extragerea amprentelor clădirilor prin aplicarea metodelor tradiționale bazate pe caracteristici definite manual  sau a metodelor bazate pe învățare profundă . Deoarece prima abordare se confruntă cu provocarea diversității aspectelor și dimensiunilor clădirilor, precum și a regulilor complexe empirice și setărilor pragurilor, aceasta este limitată atunci când este aplicată imaginilor de la senzori de la distanță la scară largă și de înaltă rezoluție . Metodele bazate pe învățare profundă (de exemplu, rețele neuronale convoluționale) au demonstrat performanțe eficiente și superioare în segmentarea automată a scenelor de clădiri prin învățarea caracteristicilor de nivel înalt și discriminative. Sun et al.  au propus o strategie de fuziune bazată pe mașini cu vector suport paralele pentru a utiliza pe deplin caracteristicile profunde extrase din structuri de rețele neuronale convoluționale multi-scară la diferite scări, cu performanțe superioare în extragerea clădirilor complexe din zonele urbane. Cu toate acestea, atunci când se segmentează clădirile, acuratețea modelului este mai probabil să fie constrânsă de calitatea eșantioanelor de antrenament, făcând extrapolarea dificilă. Utilizarea insuficientă a semanticii de nivel înalt și omiterea detaliilor de nivel scăzut în modelele profunde, rezultând în estomparea marginilor și omiterea clădirilor mici, împiedică, de asemenea, aplicarea învățării profunde în extragerea amprentelor clădirilor. 24 25 13 26 27 Regiunea Platoului Qinghai-Tibet este cea mai înaltă zonă din lume, cu o altitudine medie de peste 4000 de metri deasupra nivelului mării și acoperă o suprafață de 2,5 milioane km² . Peste 10 milioane de oameni locuiesc în regiune, în ciuda climei sale extreme, a iernilor reci și lungi, a diferențelor mari de temperatură anuală și diurnă și a mediilor termice interioare precare. Deși această regiune este cea mai mare barieră ecologică din China , activitatea umană a afectat considerabil mediul său ecologic vulnerabil . Această regiune este, de asemenea, extrem de predispusă la dezastre, cutremure, alunecări de teren, debandări de noroi, inundații provocate de ieșirea din matcă a lacurilor glaciare și dezastre cauzate de zăpadă, ducând la pierderi de vieți omenești și materiale , , . În acest sens, datele precise de distribuție a clădirilor sunt esențiale pentru modelarea distribuției activității umane pentru studiul cuplat om-mediu , , precum și pentru analiza expunerii și riscurilor la dezastre naturale , . În plus, această regiune are ore lungi de soare, resurse abundente de energie solară și suprafețe suficiente pentru colectarea energiei solare, cum ar fi acoperișurile și spațiile deschise , . Datele de distribuție a clădirilor rurale de înaltă rezoluție ar putea oferi o bază de date fiabilă pentru evaluarea potențialului fotovoltaic și îmbunătățirea eficientă a nivelului de trai al locuitorilor din zonele rurale , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Fiind o regiune subdezvoltată, Platoul Qinghai-Tibet și zonele învecinate nu dispun încă de un set complet de date vectorizate de înaltă precizie privind acoperișurile clădirilor, din cauza suprafeței lor vaste, a distribuției sparse a clădirilor, a locației îndepărtate și a constrângerilor de resurse. Cele mai gata de utilizat date sunt cele furnizate la scară națională a Chinei, care includ datele de suprafață a acoperișurilor clădirilor din China (CBRA, Liu et al., 2023b) cu o grilă de 2,5 m și prima hartă națională a acoperirii terenului din China cu rezoluție de 1 m (SinoLC), care include categorii de clădiri . Aceste date raster nu pot caracteriza obiecte spațiale și necesită resurse mari de stocare. Datele vectoriale de suprafață a acoperișurilor pentru 90 de orașe mari din China, lansate de Zhang et al. , au umplut parțial acest gol; cu toate acestea, doar 14 orașe de pe Platoul Qinghai-Tibet au fost incluse în acest set de date, iar datele vectoriale ale acoperișurilor clădirilor sunt încă absente pentru o suprafață de 2 milioane km². 42 13 Prin urmare, acest studiu își propune să genereze amprente vectorizate ale acoperișurilor clădirilor de pe Platoul Qinghai-Tibet și din regiunile învecinate, prin integrarea imaginilor satelitare de înaltă rezoluție și a algoritmilor de învățare profundă. Setul nostru de date a fost validat utilizând eșantioane de testare compuse din grile de 250 x 1 km² din diverse subregiuni, rezultând o acuratețe generală de 91,92% și un scor F1 de 64,81%. Metode Cadru În acest studiu, am utilizat algoritmi de extracție a clădirilor de pe platforma AI Earth pentru a genera un set de date vectorizate ale acoperișurilor clădirilor pentru Platoul Qinghai-Tibet și regiunea învecinată din China (Fig. 1). Principalele componente ale cadrului nostru au inclus: (1) pregătirea și preprocesarea datelor satelitare și a datelor auxiliare; (2) extracția vectorizată a acoperișurilor clădirilor utilizând platforma AI Earth; (3) validarea utilizând date vectorizate manual ale acoperișurilor.    Cadrul pentru extracția și validarea acoperișurilor clădirilor. Zona de studiu Acest studiu s-a concentrat în principal pe Platoul Qinghai-Tibet și regiunile învecinate din sud-vestul Chinei, sub cadrul general al celei de-a Doua Expediții Științifice și Program de Cercetare a Platoului Tibetan ; geografic, include Regiunea Autonomă Tibet, Provinciile Qinghai, Provincia Yunnan de Vest, Provincia Sichuan de Vest, Provincia Gansu de Sud-Vest și Regiunea Autonomă Xinjiang de Sud. Altitudinea medie a zonei de studiu este de 4000 m deasupra nivelului mării. Distribuția populației și a clădirilor în zona de studiu este puternic influențată de altitudine și climă (Fig. 2), concentrându-se în principal la est de linia de la Comitatul Jilong din Tibet la Comitatul Qilian din Qinghai ; la est, acestea sunt distribuite dens în zonele de câmpie de pe marginea estică a regiunii, inclusiv în văile râurilor din provincia Yunnan, provincia Sichuan de vest și bazinul râului Galben Xining-Lanzhou. Pe suprafața platoului la vest de linie, populația și clădirile sunt distribuite în principal în zone agro-pastorale limitate de-a lungul principalelor văi ale râurilor și de-a lungul coridoarelor de trafic rutier. 43 44    Zona de studiu (datele populației sunt din LandScan; DEM este de la Centrul de Date pentru Știința Resurselor și Mediului). Imagini satelitare Datele imagistice satelitare de înaltă rezoluție, accesibile publicului, au fost obținute de la Rivermap Co. ( ), care au fost obținute prin integrarea imaginilor satelitare și a datelor aeriene de la Google Earth. Dintre acestea, imaginile satelitare provin în principal de la sateliții comerciali QuickBird și WorldView de la DigitalGlobe, iar fotografiile aeriene provin de la BlueSky din Marea Britanie și Sanborn din SUA . Pentru fiecare locație, au existat colecții de imagini multiple cu rezoluții de până la 0,15 m în zone localizate. O astfel de integrare de date a fost utilizată pe scară largă pentru recunoașterea obiectelor în scene complexe , , ,  și are potențialul de cartografiere la scară largă, de înaltă rezoluție, a tipurilor de obiecte . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Suprafața totală a zonei noastre de studiu este de 3,06 milioane km², iar dimensiunea estimată a datelor imagistice satelitare este de 29,4 TB, cu o rezoluție spațială de 0,6 m. Având în vedere aceste scări, au fost create peștișori de 0,175° x 0,175° pentru zona noastră de studiu, pentru a permite pachete de dimensiuni mai mici pentru descărcare, cu un total de 10.033 de peștișori utilizați pentru a acoperi întreaga zonă de studiu. Numărul real de peștișori descărcați a fost mai mic, de 5921, din două motive. În primul rând, deoarece o mare parte din zona de studiu constă în zone rezidențiale non-umane unde clădirile nu există, am exclus arbitrar peștișorii fără pixeli construiți din produsul ESA World Cover. În al doilea rând, orașele/prefecturile ale căror date vectorizate ale acoperișurilor (adică Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong și Yuxi) au fost deja preluate în datele vectoriale de suprafață a acoperișurilor pentru 90 de orașe din China , au fost, de asemenea, excluse. Imaginile au fost descărcate între septembrie 2022 și ianuarie 2023, cu o rezoluție de 0,6 m, o dimensiune a unei singure cadre de aprox. 3 GB și o dimensiune totală de 2,72 TB. Imaginile descărcate au fost realizate în principal între 2019 și 2021, dar imagini din unele zone îndepărtate ar putea fi fost realizate încă din 2001 (Fig. 3). 13    Peștișori pentru descărcarea imaginilor și momentul realizării imaginilor. Date auxiliare Datele noastre auxiliare au inclus hărți de acoperire a terenului de înaltă rezoluție, model digital de elevație (DEM), indice de vegetație normalizată diferențiată (NDVI) și date de distribuție a populației pentru analiza clusterizată ulterioară, în scopul eșantionării (Tabelul 1). Pentru acoperirea terenului și suprafața construită, produsul ESA’s World Cover de la Zanaga et al.  a fost obținut de la Zenodo ( ). Produsul a fost generat pe baza imaginilor satelitare Sentinel 1 și Sentinel 2 pentru întregul an 2020 și un eșantion de 141.000 de locații unice distribuite în întreaga lume, antrenat cu algoritmul random forest, pentru a reprezenta acoperirea globală a terenului în 2020; acesta are un avantaj în reprezentarea elementelor de peisaj la scară fină (de exemplu, suprafețe construite și peisaje agricole complexe), deoarece ia în considerare o unitate minimă de cartografiere relativ mică . Categoria „construită” din setul de date se referă la terenul acoperit de clădiri, drumuri și alte structuri artificiale (de exemplu, căi ferate), dar excluzând spațiile verzi urbane (de exemplu, parcuri și facilități sportive), depozitele de deșeuri și siturile miniere . 17 https://zenodo.org/records/5571936 51 17 Datele DEM de 1 km și datele NDVI au fost obținute de la Centrul de Date pentru Știința Resurselor și Mediului, Institutul de Geosciențe și Resurse, Academia Chineză de Științe ( ). Datele DEM sunt re-eșantionate din cele mai recente date SRTM V4.1 ( ), iar datele NDVI sunt mozaicate pe baza produselor SPOT/VEGETATION PROBA-V de 1 km ( ). Am ales datele NDVI din 2021 pentru a reprezenta vegetația de pe Platoul Qinghai-Tibet ( ). Datele de densitate a populației au fost obținute din baza de date LandScan ( ) pentru analiza statistică vitală globală dezvoltată de Laboratorul Național Oak Ridge al Departamentului de Energie al SUA și furnizate de East View Cartographic ( ); aceste date sunt generate prin combinarea științei geospațiale, a tehnologiei de la distanță și a algoritmilor de învățare automată, reprezentând una dintre cele mai precise și fiabile baze de date globale de analiză statistică a dinamicii populației bazată pe locația geografică, cu o rezoluție superioară de 1 km . Am folosit distribuția populației din 2021 pentru analiza clusterizată ulterioară. https://www.resdc.cn/Default.aspx https://www.resdc.cn/data.aspx?DATAID=123 http://www.vito-eodata.be https://www.resdc.cn/DOI/DOI.aspx?DOIID=49 https://landscan.ornl.gov/ https://geospatial.com/ 52 Preprocesarea datelor Distribuția populației și a clădirilor este dispersată pentru majoritatea zonei noastre de studiu, peste 99,5% din zona de studiu fiind clasificată ca zone neconstruite, conform produsului ESA’s World Cover . Pentru a accelera extracția noastră, au fost generate mai întâi măști ale zonei potențiale de distribuție a 17

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

Acest audio este produs în limba originală a poveștii!

Hărți AI pentru 13 milioane de clădiri dintr-una dintre cele mai izolate regiuni ale lumii

About Author

COMENTARII

Etichete suspendate

ACEST ARTICOL A FOST PREZENTAT IN

Related Stories

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 1 Results 🎉

Round the year with the stars by Garrett Putman Serviss - Table of Links

Elon Just Made Gambling Define the News - And It's More Honest Than Journalism Ever Was

The Robots Are Taking Over

The #bitcoin Writing Contest by Rootstock and HackerNoon: Round 1 Results 🎉

Round the year with the stars by Garrett Putman Serviss - Table of Links

Elon Just Made Gambling Define the News - And It's More Honest Than Journalism Ever Was

The Robots Are Taking Over

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps