
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autorë: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrakt Të dhënat e shpërndarjes së ndërtesave me saktësi të lartë në shkallë të gjerë janë një themel i rëndësishëm për planifikimin urban rajonal dhe alokimin e burimeve, si dhe kërkimin e rrezikut nga fatkeqësitë. Platou i Qinghai-Tibetit është poli i tretë i botës. Megjithëse të kuptuarit e ndërveprimeve lokale njeri-mjedis në Platou të Qinghai-Tibetit është jashtëzakonisht e rëndësishme, kjo është penguar nga mungesa e të dhënave të gjurmëve të ndërtesave me rezolucion të lartë për shkak të vëllimit të madh dhe largësisë së zonës. Në këtë studim, ne gjeneruam gjurmët e para të vektorizuara të çative të ndërtesave të Platou të Qinghai-Tibetit dhe zonave përreth tij duke përdorur imazhet e Google me rezolucion të lartë dhe algoritmin e nxjerrjes së konturit të ndërtesave të platformës AI Earth. Rezultatet tona përfshijnë 13.09 milion ndërtesa që mbulojnë 6092.7 km², të vlerësuara me një total prej 250 × 1 km² mostra testimi. Të dhënat kishin një saktësi të përgjithshme prej 87%, një rikuperim prej 91.9% dhe një rezultat F1 prej 64.8%, duke ofruar kështu një përshkrim të përparuar të shpërndarjes së ndërtesave të zonës së studimit në krahasim me CBRA. Puna jonë ka potencial të madh në lehtësimin e vlerësimit të ekspozimit për studime mbi rrezikun nga fatkeqësitë në këtë zonë. Sfondi & Përmbledhja Ardhja e epokës dixhitale ka rritur kërkesën për të dhëna të besueshme mbi shpërndarjen dhe atributet e ndërtesave , , . Të dhënat e shpërndarjes së ndërtesave ofrojnë informacion hapësinor të rëndësishëm jo vetëm për ndërtesat, por edhe për popullsinë dhe asetet fizike , duke shërbyer si një tregues i mirë i aktivitetit njerëzor. Në dekadat e fundit, të dhënat e shpërndarjes së ndërtesave janë përdorur gjerësisht në monitorimin e zhvillimit urban dhe rural , , kuptimin e ndikimeve të urbanizimit në sigurinë ushqimore, biodiversitetin, ndryshimet klimatike dhe mirëqenien dhe shëndetin publik , , formulimin e strategjive të zhvillimit rajonal dhe mbrojtjen e ekosistemeve urbane dhe rurale , , . 1 2 3 4 5 6 7 8 9 10 11 Avancimi i imazheve satelitore dhe ajrore, së bashku me përparimet e fundit në algoritmet e mësimit të makinerive dhe thellësisë, ka rritur disponueshmërinë e të dhënave të shpërndarjes së ndërtesave , , . Të dhënat e shpërndarjes së ndërtesave janë ofruar në format raster si pjesë e të dhënave të përdorimit/mbulimit të tokës. Lëshimi më i fundit përfshin tre produkte të mbulimit/përdorimit global të tokës me 10 m të bazuara në satelitët Sentinel, të quajtur Dynamic World (DW) të Google , Esri’s 2020 Land Cover , dhe World Cover 2020 (WC) të Agjencisë Europiane të Hapësirës (ESA) . Përveç informacionit hapësinor të shpërndarjes, studiuesit po përpiqen gjithashtu të lidhin informacionin e atributeve me pikat e ndërtesave, siç është lartësia e ndërtesës . Për shembull, He  .  përdorën bashkimin e të dhënave të sensoreve të largët me burime të shumta për të ndërtuar datasetin e parë në botë me rezolucion 30 m të shtrirjes hapësinore dhe kohore urbane që mbulon periudhën nga 1990 deri në 2010. Pavarësisht përmirësimit të vazhdueshëm të rezolucionit hapësinor, të dhënat e shpërndarjes së ndërtesave të bazuara në raster ende nuk mund të përshkruajnë objekte hapësinore , dhe rritja e rezolucionit rrit në mënyrë të konsiderueshme kostot e ruajtjes dhe kompjuterike . 12 13 14 15 16 17 14 et al 7 18 12 Të dhënat e shpërndarjes së ndërtesave në format vektor, të njohura gjithashtu si çati ndërtesash të vektorizuara ose gjurmë ndërtesash, janë të dhënat e konturit të një ndërtese të projektuar në tokë nga një pamje nga lart , , të cilat ofrojnë informacion si vendndodhja gjeografike, shtrirja hapësinore e kufijve dhe gjurmët e një ndërtese individuale. Ofruesit e shërbimeve publike (p.sh., Google Earth dhe OpenStreetMap) ofrojnë të dhëna të çative ndërtesash të vektorizuara të aksesueshme falas me mbulim të gjerë, përditësime të shpejta dhe kosto të ulët , , . Në vitin 2022, Microsoft Corporation përdori segmentimin semantik bazuar në rrjetet nervore thellë për të nxjerrë konturet e 777 milionë ndërtesave, disa prej të cilave përmbajnë atribute të lartësisë së ndërtesës, bazuar në Bing Maps (duke përfshirë imazhet Maxar dhe Airbus) nga viti 2014 deri në 2021 për çdo kontinent jashtë Kinës. Më 30 maj 2023, Google lëshoi një dataset prej 1.8 miliardë konturesh ndërtesash të nxjerra nga imazhe satelitore me rezolucion të lartë 0.5 m, që mbulojnë një sipërfaqe prej 58 milion km². Redundanca e ulët dhe struktura kompakte e të dhënave vektoriale të përfaqësuara nga kulmet dhe shtigjet ofrojnë saktësi gjeografike më të lartë të pavarur nga madhësia e rrjetës, dhe futja e rregullave topologjike përmirëson më tej integritetin e të dhënave vektoriale . 19 20 21 22 23 13 Për shkak të rritjes së rezolucionit të imazheve dhe uljes së kostove të blerjes së të dhënave, së bashku me përparimet e fundit në algoritmat e nxjerrjes, rezolucioni dhe mbulimi i të dhënave të shpërndarjes së ndërtesave po përmirësohen vazhdimisht . Realizueshmëria e imazheve me rezolucion shumë të lartë (VHR) ka mundësuar nxjerrjen e gjurmëve të ndërtesave me aplikimin e metodave tradicionale të bazuar në tipare të krijuara nga njeriu  ose metoda të bazuara në mësimin e thellë . Ndërsa qasja e parë përballet me sfidën e larmisë së pamjeve dhe madhësive të ndërtesave, dhe rregullave komplekse empirike dhe vendosjes së pragjeve, ajo është e kufizuar kur aplikohet në imazhe me rezolucion të lartë në shkallë të gjerë të sensoreve të largët . Metodat e bazuara në mësimin e thellë (p.sh., rrjetet nervore konvolucionale) kanë treguar performancë efektive dhe superiore në mësimin automatik të tipareve të nivelit të lartë dhe dalluese në segmentimin e skenave të ndërtesave. Sun  .  propozuan një strategji bashkimi bazuar në makina mbështetëse vektoriale paralele për të shfrytëzuar plotësisht tiparet e thella të nxjerra nga strukturat e rrjeteve nervore konvolucionale me shumë shkallë në shkallë të ndryshme, me performancë superiore në nxjerrjen e ndërtesave komplekse në zonat urbane. Megjithatë, gjatë segmentimit të ndërtesave, saktësia e modelit ka më shumë gjasa të kufizohet nga cilësia e mostrave të trajnimit, duke e bërë vështirë ekstrapolimin. Përdorimi i pamjaftueshëm i semantikës së nivelit të lartë dhe lëshimi i detajeve të nivelit të ulët në modelet e thella, duke rezultuar në vija të turbullta dhe lëshime të ndërtesave të vogla, gjithashtu pengojnë aplikimin e mësimit të thellë në nxjerrjen e gjurmëve të ndërtesave. 24 25 13 26 et al 27 Rajoni i Platou të Qinghai-Tibetit është zona më e lartë në botë, me një lartësi mesatare prej >4000 metra mbi nivelin e detit dhe mbulon një sipërfaqe prej 2.5 milion km². Më shumë se 10 milionë njerëz banojnë në rajon pavarësisht klimës së tij ekstreme, dimrave të ftohtë dhe të gjatë, dallimeve të mëdha vjetore dhe ditore të temperaturës dhe ambienteve të varfra termike të brendshme. Megjithëse ky rajon është barrierë ekologjike më e madhe në Kinë, aktiviteti njerëzor ka ndikuar ndjeshëm në mjedisin e tij ekologjik të brishtë. Ky rajon është gjithashtu jashtëzakonisht i prirur ndaj fatkeqësive, me tërmete, rrëshqitje dheu, rrëshqitje balte, përmbytje shpërthimi nga liqene akullnajore dhe fatkeqësi bore që çojnë në humbje njerëzore dhe materiale,,. Si përgjigje, të dhënat e sakta të shpërndarjes së ndërtesave janë kritike për modelimin e shpërndarjes së aktivitetit njerëzor për studime të kombinuara njeri-mjedis,, si dhe analizën e ekspozimit dhe rrezikut nga fatkeqësitë natyrore,. Për më tepër, ky rajon ka orë të gjata diellore, burime të bollshme të energjisë diellore dhe sipërfaqe të mjaftueshme për mbledhjen e energjisë diellore si çati dhe hapësira të hapura,. Të dhënat e shpërndarjes së ndërtesave rurale me rezolucion të lartë mund të ofrojnë një bazë të dhënash të besueshme për vlerësimin e potencialit fotovoltaik dhe përmirësimin efikas të standardeve të jetesës së banorëve të zonave rurale,. Si një rajon i pazhvilluar, Platou i Qinghai-Tibetit dhe zonat përreth tij ende nuk kanë një grup të plotë të të dhënave të çative ndërtesash të vektorizuara me saktësi të lartë, për shkak të sipërfaqes së tyre të madhe, shpërndarjes së rrallë të ndërtesave, vendndodhjes së largët dhe kufizimeve të burimeve. Të dhënat më të gatshme për përdorim janë ato të ofruara në shkallë kombëtare të Kinës, të cilat përfshijnë të dhënat e sipërfaqes së çative të ndërtesave të Kinës me rrjetë 2.5 m (CBRA, Liu  ., 2023b) dhe hartën kombëtare të mbulimit të tokës të Kinës me rezolucion 1 m (SinoLC) që përfshin kategoritë e ndërtesave. Këto të dhëna raster nuk janë në gjendje të karakterizojnë objektet hapësinore dhe kërkojnë burime të mëdha ruajtjeje. Të dhënat e sipërfaqes së çative të vektorizuara për 90 qytete të Kinës të lëshuara nga Zhang  . pjesërisht plotësuan këtë boshllëk; megjithatë, vetëm 14 qytete në Platou të Qinghai-Tibetit u përfshinë në këtë dataset, dhe të dhënat e çative ndërtesash të vektorizuara ende mungojnë për një sipërfaqe prej 2 milion km². et al et al Prandaj, ky studim synon të gjenerojë gjurmë çati ndërtesash të vektorizuara të Platou të Qinghai-Tibetit dhe rajoneve të tij fqinje duke përfshirë imazhe satelitore me rezolucion të lartë dhe algoritmin e mësimit të thellë. Dataseti ynë u vlerësua duke përdorur mostra testimi që përfshinin rrjeta 250 × 1 km² nëpër nënrajone të ndryshme, duke rezultuar në një saktësi të përgjithshme prej 91.92% dhe një rezultat F1 prej 64.81%. Metoda Korniza Në këtë studim, ne përdorëm algoritme të nxjerrjes së ndërtesave nga platforma AI Earth për të gjeneruar një dataset të çative ndërtesash të vektorizuara për Platou të Qinghai-Tibetit dhe rajonin e tij fqinj në Kinë (Fig.). Komponentët kryesorë të kornizës sonë përfshinin: (1) përgatitja dhe para-procesimi i të dhënave satelitore dhe ndihmëse; (2) nxjerrja e çative ndërtesash të vektorizuara duke përdorur platformën AI Earth; (3) vlerësimi duke përdorur të dhëna të çative të vektorizuara manualisht.    Korniza për nxjerrjen dhe vlerësimin e çative të ndërtesave. Zona e studimit Ky studim u fokusua kryesisht në Platou të Qinghai-Tibetit dhe rajonet e tij fqinje në Kinën jugperëndimore në kuadrin e përgjithshëm të Ekspeditës dhe Programit Kërkimor Shkencor të dytë të Platou Tibetian; gjeografikisht, ai përfshin Rajonin Autonom Tibetian, Provincat Qinghai, Provincën Yunnan perëndimore, Provincën Sichuan perëndimore, Provincën Gansu jugperëndimore dhe Rajonin Autonom Xinjiang jugore. Lartësia mesatare e zonës së studimit është 4000 m mbi nivelin e detit. Shpërndarja e popullsisë dhe ndërtesave në zonën e studimit ndikohet ndjeshëm nga lartësia dhe klima (Fig.), duke u përqendruar kryesisht në lindje të vijës nga Qarku Jilong në Tibet në Qarkun Qilian në Qinghai; në lindje, ato shpërndahen dendur në zonat e rrafshëta në skajin lindor të rajonit, duke përfshirë luginat e lumenjve në Provincën Yunnan, Provincën Sichuan perëndimore dhe pellgun lumor Huang He të Xining-Lanzhou. Në sipërfaqen e platou në perëndim të vijës, popullsia dhe ndërtesat janë kryesisht të shpërndara me zona të kufizuara bujqësore-bujqësore përgjatë luginave kryesore të lumenjve dhe përgjatë korridoreve të transportit rrugor.    Zona e studimit (të dhënat e popullsisë janë nga LandScan; DEM është nga Qendra e të dhënave të shkencës dhe burimeve mjedisore). Imazhe satelitore Të dhënat e imazheve satelitore me rezolucion të lartë të aksesueshme falas u morën nga Rivermap Co. ( ), të cilat u morën nga integrimi i imazheve satelitore dhe të dhënave ajrore të Google Earth. Midis tyre, imazhet satelitore kryesisht vijnë nga satelitët komercialë QuickBird dhe WorldView të DigitalGlobe, dhe fotografimi ajror buron nga BlueSky në MB dhe Sanborn në SHBA. Për çdo vendndodhje, kishte koleksione të imazheve të shumta me rezolucion deri në 0.15 m në zona të lokalizuara. Kjo integrim të dhënash është përdorur gjerësisht për njohjen e objekteve në skena komplekse,,, dhe ka potencialin për hartimin në shkallë të gjerë me rezolucion të lartë të llojeve të objekteve. Sipërfaqja totale e zonës sonë të studimit është 3.06 milion km², dhe madhësia e vlerësuar e të dhënave të imazheve satelitore është 29.4 TB, me një rezolucion hapësinor prej 0.6 m. Duke marrë parasysh këto shkallë, u krijuan rrjeta 0.175° × 0.175° për zonën tonë të studimit për të mundësuar paketë me madhësi më të vogël për shkarkim, me një total prej 10,033 rrjetash të përdorura për të mbuluar të gjithë zonën e studimit. Numri aktual i rrjetave të shkarkuara ishte më i vogël, 5921, për dy arsye. Së pari, pasi një pjesë e madhe e zonës së studimit përbëhet nga zona jo-rezidenciale ku ndërtesat nuk ekzistojnë, ne arbitrarisht përjashtuam rrjetat pa asnjë piksel të zonës së ndërtuar nga produkti ESA World Cover. Së dyti, qytetet/prefekturat, të cilave të dhënat e çative të vektorizuara (dmth., Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong dhe Yuxi) janë marrë nga të dhënat e sipërfaqes së çative të vektorizuara për 90 qytete të Kinës gjithashtu u përjashtuan. Imazhet u shkarkuan gjatë Shtatorit 2022 dhe Janarit 2023, me një rezolucion prej 0.6 m, një madhësi të vetme kuadri prej rreth 3 GB dhe një madhësi totale prej 2.72 TB. Imazhet e shkarkuara kryesisht ishin marrë nga 2019 deri në 2021, por imazhet nga disa zona të largëta mund të jenë marrë që nga viti 2001 (Fig.).    Rrjetat për shkarkimin e imazheve dhe koha e shkrepjes së imazhit. Të dhëna ndihmëse Të dhënat tona ndihmëse përfshinin harta të mbulimit të tokës me rezolucion të lartë, model dixhital i lartësisë (DEM), indeks i ndryshimit normalizuar të vegjetacionit (NDVI) dhe të dhëna të shpërndarjes së popullsisë për analizë klasteri pasuese për qëllimin e kampionimit (Tabela). Për mbulimin e tokës dhe zonën e ndërtuar, produkti World Cover i ESA-s nga Zanaga  . u mor nga Zenodo ( ). Produkti u gjenerua bazuar në imazhet satelitore Sentinel 1 dhe Sentinel 2 për të gjithë vitin 2020 dhe një mostër prej 141,000 vendndodhjesh unike të shpërndara në mbarë botën, e trajnuar me algoritmin e pyjeve të rastit, për të paraqitur mbulimin global të tokës në vitin 2020; ajo ka një avantazh në paraqitjen e elementeve të peizazhit të shkallës së imët (p.sh., zonat e ndërtuara dhe peizazhet komplekse bujqësore), pasi ajo merr parasysh një njësi minimale hartimi relativisht të vogël. Kategoria "e ndërtuar" në dataset i referohet tokës së mbuluar nga ndërtesat, rrugët dhe strukturat e tjera të bëra nga njeriu (p.sh., hekurudha) por duke përjashtuar hapësirat e gjelbra urbane (p.sh., parqe dhe objekte sportive), deponitë e mbeturinave dhe vend-minierat. et al Të dhënat DEM prej 1 km dhe të dhënat NDVI u morën nga Qendra e të Dhënave të Shkencës dhe Burimeve Mjedisore, Instituti i Gjeoshkencave dhe Burimeve, Akademia Kineze e Shkencave ( ). Të dhënat DEM janë ri-kampionuar nga të dhënat më të fundit SRTM V4.1 ( ), dhe të dhënat NDVI janë mozaikuar bazuar në produktet SPOT/VEGETATION PROBA-V 1-km ( ). Ne zgjodhëm të dhënat NDVI të vitit 2021 për të paraqitur vegjetacionin në Platou të Qinghai-Tibetit ( ). Të dhënat e dendësisë së popullsisë u morën nga databaza LandScan ( ) për analizën statistikore globale të të dhënave jetësore të zhvilluar nga Laboratori Kombëtar Oak Ridge i Departamentit të Energjisë së SHBA dhe ofruar nga East View Cartographic ( ); këto të dhëna gjenerohen duke kombinuar shkencën gjeohapësinore, teknologjinë e sensoreve të largët dhe algoritmet e mësimit të makinerive, duke paraqitur një nga databazat më të sakta dhe të besueshme globale të analizës statistikore dinamike të popullsisë bazuar në vendndodhjen gjeografike, me rezolucion superior prej 1 km. Ne përdorëm shpërndarjen e popullsisë në vitin 2021 për analizën klasteri pasuese. Para-procesimi i të dhënave Shpërndarja e popullsisë dhe ndërtesave është e shpërndarë për shumicën e zonës sonë të studimit, me mbi 99.5% të zonës së studimit të kategorizuar si zona jo-të-ndërtuara sipas produktit World Cover të ESA-s. Për të përshpejtuar nxjerrjen tonë, maskat e zonës së mundshme të shpërndarjes së ndërtesave u gjeneruan së pari për çdo rrjetë 0.175° × 0.175° para nxjerrjes. Bazuar në kategorinë "e ndërtuar" në të dhënat World Cover, u gjenerua një zonë tamponi 1 km rreth çdo pike të zonës së ndërtuar si zona e mundshme e shpërndarjes së ndërtesave. Pas testimeve të disa gjerësive të zonave tampon, ne gjetëm se

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

Kjo audio është prodhuar në gjuhën origjinale të tregimit!

AI harton 13 milion ndërtesa në një nga rajonet më të largëta të botës

About Author

KOMENTE

VARUR TAGS

KY ARTIKU U PARAQIT NË

Related Stories

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Rrjeti SQD sapo vrau emetimet e tokenëve.Ja çfarë paguan 16 miliardë dollarë në DeFi TVL

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps