
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrakt Veľkoplošné, vysoko presné údaje o distribúcii budov sú dôležitým základom pre regionálne územné plánovanie, alokáciu zdrojov a výskum rizík katastrof. Tibetská náhorná plošina je tretím pólom sveta. Pochopenie miestnych interakcií medzi človekom a životným prostredím na Tibetskej náhornej plošine je kriticky dôležité, ale bolo obmedzené nedostatkom údajov o budovách vo vysokom rozlíšení v dôsledku rozsiahlej a odľahlej oblasti. V tejto štúdii sme pomocou snímok Google vo vysokom rozlíšení a algoritmu na extrakciu obrysov budov platformy AI Earth vygenerovali prvé vektorizované odtlačky strešných krytín budov Tibetskej náhornej plošiny a jej okolitých oblastí. Naše výsledky zahŕňajú 13,09 milióna budov pokrývajúcich 6092,7 km2, overených celkovo 250 testovacími vzorkami s rozlohou 1 km2. Dáta dosiahli celkovú presnosť 87 %, návratnosť 91,9 % a skóre F1 64,8 %, čím poskytujú pokročilejší opis distribúcie budov v študovanej oblasti v porovnaní s CBRA. Naša práca má obrovský potenciál pri uľahčovaní hodnotenia expozície pre štúdie rizík katastrof v tejto oblasti. Pozadie a zhrnutie Nástup digitálneho veku zvýšil dopyt po spoľahlivých údajoch o distribúcii a atribútoch budov , , . Údaje o distribúcii budov poskytujú dôležité priestorové informácie nielen o budovách, ale aj o populácii a fyzickom majetku , slúžia ako dobrý ukazovateľ ľudskej činnosti. V posledných desaťročiach sa údaje o distribúcii budov široko používali pri monitorovaní mestského a vidieckeho rozvoja , , pochopení vplyvov urbanizácie na potravinovú bezpečnosť, biodiverzitu, klimatické zmeny a verejné blaho a zdravie , , pri formulovaní stratégií regionálneho rozvoja a ochrane mestských a vidieckych ekosystémov , , . 1 2 3 4 5 6 7 8 9 10 11 Pokrok v satelitných a leteckých snímkach spolu s nedávnym pokrokom v algoritmoch strojového učenia a hlbokého učenia zvýšil dostupnosť údajov o distribúcii budov , , . Údaje o distribúcii budov boli poskytnuté vo formáte rastra ako súčasť údajov o využívaní pôdy/pokrytí pôdy. Najnovšie vydanie zahŕňa tri globálne produkty využitia pôdy/pokrytia pôdy s rozlíšením 10 m založené na satelitoch Sentinel, konkrétne Google Dynamic World (DW) , Esri Land Cover 2020  a World Cover 2020 (WC) Európskej vesmírnej agentúry (ESA) . Okrem informácií o priestorovej distribúcii sa vedci tiež snažia pripojiť k pixelom budov informácie o atribútoch, ako je výška budovy . Napríklad He  .  použili fúziu údajov z viacerých zdrojov diaľkového prieskumu na vytvorenie prvého globálneho 3D priestorového a časového datasetu mestského rastu s rozlíšením 30 m pokrývajúceho obdobie od roku 1990 do roku 2010. Napriek neustálemu zlepšovaniu priestorového rozlíšenia údaje o distribúcii budov založené na rastri stále nedokážu opísať priestorové objekty a zvyšovanie rozlíšenia výrazne zvyšuje náklady na úložisko a výpočty . 12 13 14 15 16 17 14 a kol 7 18 12 Údaje o distribúcii budov vo vektorovom formáte, známe aj ako vektorizované strešné krytiny alebo pôdorysy budov, sú obrysové údaje budovy premietnuté na zem z pohľadu zhora , , ktoré poskytujú informácie ako geografická poloha, priestorový rozsah hraníc a pôdorys jednotlivej budovy. Poskytovatelia verejných služieb (napr. Google Earth a OpenStreetMap) poskytujú voľne prístupné vektorizované údaje o strešných krytinách budov so širokým pokrytím, rýchlymi aktualizáciami a nízkymi nákladmi , , . V roku 2022 spoločnosť Microsoft použila sémantickú segmentáciu založenú na hlbokých neurónových sieťach na extrakciu obrysov 777 miliónov budov, z ktorých niektoré obsahujú atribúty výšky budovy, na základe máp Bing (vrátane snímok Maxar a Airbus) z rokov 2014 až 2021 pre každý kontinent mimo Číny. Dňa 30. mája 2023 spoločnosť Google zverejnila dataset 1,8 miliardy obrysov budov extrahovaných zo satelitných snímok s vysokým rozlíšením 0,5 m, pokrývajúcich plochu 58 miliónov km2. Nízka redundancia a kompaktná štruktúra vektorových údajov reprezentovaných vrcholmi a cestami poskytujú vyššiu geografickú presnosť nezávislú od veľkosti siete a zavedenie topologických pravidiel ďalej zlepšuje integritu vektorových údajov . 19 20 21 22 23 13 V dôsledku zvýšenia rozlíšenia snímok a zníženia nákladov na získanie údajov, spolu s nedávnym pokrokom v extrakčných algoritmoch, sa rozlíšenie a pokrytie údajov o distribúcii budov neustále zlepšujú . Životaschopnosť snímok s veľmi vysokým rozlíšením (VHR) umožnila extrakciu pôdorysov budov pomocou tradičných metód založených na ručne vytvorených funkciách alebo metód založených na hlbokom učení . Keďže prvý prístup čelí výzve rôznorodosti vzhľadu a veľkostí budov, ako aj zložitých pravidiel a nastavení prahov, je obmedzený pri aplikácii na rozsiahle snímky diaľkového prieskumu s vysokým rozlíšením . Metódy založené na hlbokom učení (napr. konvolučné neurónové siete) preukázali efektívny a vynikajúci výkon pri automatickom učení vysokoúrovňových a diskriminačných funkcií v segmentácii scén budov. Sun  .  navrhli stratégiu fúzie založenú na paralelnom podpornom vektorovom stroji na plné využitie hlbokých funkcií extrahovaných z konvolučných neurónových sietí viacerých meraní pri rôznych veľkostiach, s vynikajúcim výkonom pri extrakcii zložitých budov v mestských oblastiach. Napriek tomu, pri segmentácii budov je presnosť modelu pravdepodobnejšie obmedzená kvalitou tréningových vzoriek, čo sťažuje extrapoláciu. Nedostatočné využitie vysokoúrovňovej sémantiky a opomenutie nízkoúrovňových detailov v hlbokých modeloch, čo vedie k rozmazaným okrajom a opomenutiu malých budov, tiež bráni aplikácii hlbokého učenia pri extrakcii pôdorysov budov. 24 25 13 26 a kol 27 Región Tibetskej náhornej plošiny je najvyššie položenou oblasťou na svete s priemernou nadmorskou výškou >4000 metrov nad morom a pokrýva plochu 2,5 milióna km2  . V tejto oblasti žije viac ako 10 miliónov ľudí napriek jej extrémnej klíme, chladným a dlhým zimám, veľkým ročným a denným teplotným rozdielom a chabým vnútorným tepelným prostredím. Hoci táto oblasť je najväčšou ekologickou bariérou v Číne , ľudská činnosť značne ovplyvnila jej zraniteľné ekologické prostredie . Táto oblasť je tiež extrémne náchylná na katastrofy, pričom zemetrasenia, zosuvy pôdy, bahnotoky, záplavy z pretrhnutia ľadovcových jazier a snehové katastrofy vedú k stratám na životoch a majetku , , . V reakcii na to sú presné údaje o distribúcii budov kritické pre modelovanie distribúcie ľudskej činnosti pre štúdie spojeného človeka a životného prostredia , , ako aj analýza expozície a rizika prírodných katastrof , . Okrem toho má táto oblasť dlhé slnečné hodiny, bohaté zdroje slnečnej energie a dostatočné plochy na zber solárnej energie, ako sú strechy a otvorené priestory , . Údaje o distribúcii vidieckych budov vo vysokom rozlíšení by mohli poskytnúť spoľahlivú databázu na hodnotenie potenciálu fotovoltaiky a efektívne zlepšenie životnej úrovne obyvateľov vidieckych oblastí , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Ako nerozvinutý región, Tibetská náhorná plošina a jej susedné oblasti stále nemajú kompletnú sadu vysoko presných vektorizovaných údajov o strešných krytinách budov, a to vzhľadom na ich rozsiahlu plochu, riedku distribúciu budov, odľahlú polohu a obmedzené zdroje. Najpripravenejšie údaje sú tie, ktoré sú poskytované na národnej úrovni Číny, vrátane 2,5 m rastrovaných údajov China Building Rooftop Area (CBRA, Liu  ., 2023b) a prvej národnej mapy pokrytia pôdy v Číne s rozlíšením 1 m (SinoLC), ktorá obsahuje kategórie budov . Tieto rastrové údaje nie sú schopné charakterizovať priestorové objekty a vyžadujú si veľké úložné zdroje. Vektorizované údaje o ploche striech pre 90 hlavných miest Číny zverejnené Zhangom  .  čiastočne zaplnili túto medzeru; avšak len 14 miest na Tibetskej náhornej plošine bolo zahrnutých do tohto datasetu a vektorizované údaje o strešných krytinách budov stále chýbajú pre oblasť s rozlohou 2 milióny km2. a kol 42 a kol 13 Preto si táto štúdia kladie za cieľ vygenerovať vektorizované odtlačky strešných krytín budov Tibetskej náhornej plošiny a jej susedných regiónov začlenením satelitných snímok s vysokým rozlíšením a algoritmu hlbokého učenia. Náš dataset bol overený pomocou testovacích vzoriek zložených z mriežok 250 × 1 km2 v rôznych subregiónoch, čo viedlo k celkovej presnosti 91,92 % a skóre F1 64,81 %. Metódy Rámec V tejto štúdii sme použili algoritmy extrakcie budov z platformy AI Earth na generovanie vektorizovaného datasetu strešných krytín budov pre Tibetskú náhornú plošinu a jej susedný región v Číne (obr. 1). Hlavné komponenty nášho rámca zahŕňali: (1) prípravu a predzpracovanie satelitných údajov a pomocných údajov; (2) extrakciu vektorizovaných strešných krytín budov pomocou platformy AI Earth; (3) validáciu pomocou manuálne vektorizovaných údajov o strešných krytinách.    Rámec pre extrakciu a validáciu strešných krytín budov. Študovaná oblasť Táto štúdia sa primárne zamerala na Tibetskú náhornú plošinu a jej susedné regióny v juhozápadnej Číne v rámci všeobecného rámca Druhej vedeckej expedície a výskumného programu Tibetskej náhornej plošiny ; geograficky zahŕňa Tibetskú autonómnu oblasť, provincie Qinghai, západnú provinciu Yunnan, západnú provinciu Sichuan, juhozápadnú provinciu Gansu a južnú autonómnu oblasť Sin-ťiang. Priemerná nadmorská výška študovanej oblasti je 4000 m nad morom. Distribúciu obyvateľstva a budov v študovanej oblasti výrazne ovplyvňuje nadmorská výška a klíma (obr. 2), pričom sa sústreďuje hlavne na východ od línie od okresu Jilong v Tibete po okres Qilian v Qinghai ; na východe sa husto distribuuje v rovinatých oblastiach na východnom okraji regiónu, vrátane riečnych údolí v provincii Yunnan, západnej provincii Sichuan a povodí rieky Žltej rieky Si-ning-Lan-čou. Na náhornej plošine západne od línie sa obyvateľstvo a budovy väčšinou distribuujú s obmedzenými poľnohospodársko-pastevnými oblasťami pozdĺž hlavných riečnych údolí a pozdĺž dopravných koridorov. 43 44    Študovaná oblasť (údaje o populácii pochádzajú z LandScan; DEM pochádza z Čínskeho vedecko-technického dátového centra pre zdroje a životné prostredie). Satelitné snímky Voľne prístupné satelitné snímky s vysokým rozlíšením boli získané od spoločnosti Rivermap Co. (  ), ktoré boli získané z integrácie satelitných snímok a leteckých údajov Google Earth. Medzi nimi satelitné snímky pochádzajú hlavne z komerčných satelitov DigitalGlobe QuickBird a WorldView, a letecké fotografie sú z BlueSky vo Veľkej Británii a Sanborn v USA . Pre každú lokalitu existovali zbierky viacerých snímok s rozlíšením až 0,15 m v lokalizovaných oblastiach. Takáto integrácia údajov sa široko používa na rozpoznávanie objektov v zložitých scénach , , ,  a má potenciál pre rozsiahle mapovanie typov objektov vo vysokom rozlíšení . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Celková plocha našej študovanej oblasti je 3,06 milióna km2 a odhadovaná veľkosť údajov satelitných snímok je 29,4 TB s priestorovým rozlíšením 0,6 m. Pri zohľadnení týchto mier sme vytvorili rybnikové siete 0,175° × 0,175° pre našu študovanú oblasť, aby sme umožnili menšie balíky na stiahnutie, s celkovým počtom 10 033 rybnikových sietí na pokrytie celej študovanej oblasti. Skutočný počet stiahnutých rybnikových sietí bol menší, 5921, z dvoch dôvodov. Po prvé, keďže veľká časť študovanej oblasti pozostáva z neobývaných oblastí bez budov, odvolali sme rybnikové siete bez pixelov zastavanej plochy z produktu ESA World Cover. Po druhé, boli vylúčené mestá/prefektúry, ktorých vektorizované údaje o strešných krytinách (t. j. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong a Yuxi) už boli získané vo vektorizovaných údajoch o ploche striech pre 90 miest Číny . Snímky boli stiahnuté v období od septembra 2022 do januára 2023, s rozlíšením 0,6 m, veľkosťou jedného snímky cca 3 GB a celkovou veľkosťou 2,72 TB. Stiahnuté snímky boli hlavne z rokov 2019 až 2021, ale snímky z niektorých odľahlých oblastí mohli byť urobené už v roku 2001 (obr. 3). 13    Rybnikové siete na stiahnutie snímok a čas snímania. Pomocné údaje Naše pomocné údaje zahŕňali mapy využitia pôdy vo vysokom rozlíšení, digitálny model nadmorskej výšky (DEM), index vegetačného porastu (NDVI) a údaje o distribúcii obyvateľstva pre následnú klasterovú analýzu na účely odberu vzoriek (tabuľka 1). Pre využitie pôdy a zastavané plochy bol produkt ESA World Cover od Zanaga  .  získaný zo Zenodo (  ). Produkt bol generovaný na základe satelitných snímok Sentinel 1 a Sentinel 2 za celý rok 2020 a vzorky 141 000 jedinečných lokalít rozmiestnených po celom svete, trénovaný pomocou algoritmu náhodného lesa, na reprezentáciu globálneho pokrytia pôdy v roku 2020; má výhodu v reprezentácii jemných krajinných prvkov (napr. zastavané plochy a zložité poľnohospodárske krajiny), pretože zohľadňuje relatívne malú minimálnu mapovanú jednotku . Kategória „zastavaná oblasť“ v datasete označuje pôdu pokrytú budovami, cestami a inými umelými štruktúrami (napr. železnice), ale nezahŕňa mestskú zeleň (napr. parky a športové zariadenia), skládky ani bane . a kol 17 https://zenodo.org/records/5571936 51 17 1 km DEM údaje a NDVI údaje boli získané z Čínskeho vedecko-technického dátového centra pre zdroje a životné prostredie, Inštitútu geovedy a zdrojov, Čínskej akadémie vied (  ). DEM údaje sú resamplované z najnovších údajov SRTM V4.1 (  ) a NDVI údaje sú mozaikované na základe produktov SPOT/VEGETATION PROBA-V 1 km (  ). Vybrali sme údaje NDVI z roku 2021 na reprezentáciu vegetácie na Tibetskej náhornej plošine (  ). Údaje o hustote obyvateľstva boli získané z databázy LandScan (  ) pre globálnu analýzu vitálnych štatistík vyvinutú Národným laboratóriom Oak Ridge Ministerstva energetiky USA a poskytnutú spoločnosťou East View Cartographic (  ); tieto údaje sú generované kombináciou geoinformatiky, technológie diaľkového prieskumu a algoritmov strojového učenia, predstavujú jednu z najpresnejších a najspoľahlivejších globálnych databáz štatistickej analýzy dynamiky populácie založených na geografickej polohe, s vynikajúcim rozlíšením 1 km . Na následnú klasterovú analýzu sme použili distribúciu obyvateľstva z roku 2021. 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 Predzpracovanie údajov Distribúcia obyvateľstva a budov je vo väčšine našej študovanej oblasti rozptýlená, prič

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

Tento zvuk je vyrobený v pôvodnom jazyku príbehu!

AI mapuje 13 miliónov budov v jednej z najodľahlejších oblastí sveta

About Author

KOMENTÁRE

ZAVISTE ŠTÍTKY

TENTO ČLÁNOK BOL PREDSTAVENÝ V

Related Stories

When Blood Told

112 Stories To Learn About Hackernoon Community

Behavior of a shapely Spider

THE CRAB-SPIDER

When Blood Told

112 Stories To Learn About Hackernoon Community

Behavior of a shapely Spider

THE CRAB-SPIDER

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps