```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Sažetak Podaci o velikim zgradama visoke preciznosti važan su temelj za regionalno urbanističko planiranje i alokaciju resursa te istraživanje rizika od katastrofa. Japansko-tibetanska visoravan je treći pol svijeta. Iako je razumijevanje lokalnih interakcija čovjeka i okoliša na Japansko-tibetanskoj visoravni od ključne važnosti, to je otežano nedostatkom podataka o otiscima zgrada visoke razlučivosti zbog goleme i udaljene površine. U ovoj studiji generirali smo prve vektorizirane otiske krovova zgrada na Japansko-tibetanskoj visoravni i njenim okolnim područjima korištenjem Google snimaka visoke razlučivosti i algoritma za ekstrakciju kontura zgrada s platforme AI Earth. Naši rezultati uključuju 13,09 milijuna zgrada koje pokrivaju 6092,7 km², validiranih s ukupno 250 x 1 km² testnih uzoraka. Podaci su imali ukupnu točnost od 87%, opoziv od 91,9% i F1 rezultat od 64,8%, čime pružaju napredan opis distribucije zgrada u studijskom području u usporedbi s CBRA. Naš rad ima ogroman potencijal u olakšavanju procjene izloženosti za studije rizika od katastrofa u ovom području. Pozadina i sažetak Pojavom digitalne ere povećala se potražnja za pouzdanim podacima o distribuciji i atributima zgrada , , . Podaci o distribuciji zgrada pružaju važne prostorne informacije ne samo o zgradama, već i o stanovništvu i fizičkoj imovini , služeći kao dobar pokazatelj ljudske aktivnosti. Posljednjih desetljeća podaci o distribuciji zgrada naširoko su korišteni u praćenju urbanog i ruralnog razvoja , , razumijevanju utjecaja urbanizacije na sigurnost hrane, bioraznolikost, klimatske promjene te dobrobit i zdravlje javnosti , , formuliranju strategija regionalnog razvoja i zaštiti urbanih i ruralnih ekosustava , , . 1 2 3 4 5 6 7 8 9 10 11 Napredak satelitskih i zračnih snimaka, zajedno s nedavnim napretkom u algoritmima strojnog učenja i dubokog učenja, potaknuo je dostupnost podataka o distribuciji zgrada , , . Podaci o distribuciji zgrada pruženi su u rasterskom formatu kao dio podataka o korištenju/pokrovnosti zemljišta. Najnovije izdanje uključuje tri globalna proizvoda za korištenje/pokrovnost zemljišta od 10 m temeljena na Sentinel satelitima, naime Googleov Dynamic World (DW) , Esrijev 2020 Land Cover , i World Cover 2020 (WC) Europske svemirske agencije (ESA) . Osim informacija o prostornoj distribuciji, istraživači također pokušavaju priložiti informacije o atributima piksela zgrada, kao što je visina zgrade . Na primjer, He  .  koristili su fuziju podataka daljinskih istraživanja iz više izvora za konstruiranje prvog svjetskog trodimenzionalnog prostornog i vremenskog skupa podataka o širenju urbanih područja rezolucije 30 m koji pokriva razdoblje od 1990. do 2010. godine. Unatoč kontinuiranom poboljšanju prostorne razlučivosti, podaci o distribuciji zgrada temeljeni na rasterima i dalje ne mogu opisati prostorne objekte , a povećanje razlučivosti znatno povećava troškove pohrane i računanja . 12 13 14 15 16 17 14 et al 7 18 12 Podaci o distribuciji zgrada u vektorskom formatu, također poznati kao vektorizirani krovovi zgrada ili otisci zgrada, su vanjski podaci zgrade projicirani na tlo u pogledu odozgo , , koji pružaju informacije kao što su geografski položaj, prostorni opseg granica i otisak pojedinačne zgrade. Pružatelji javnih usluga (npr. Google Earth i OpenStreetMap) pružaju podatke o vektoriziranim krovovima zgrada otvorenog pristupa sa širokim pokrivanjem, brzom ažuriranju i niskim troškovima , , . Godine 2022. Microsoft Corporation koristio je semantičku segmentaciju temeljenu na dubokim neuralnim mrežama za izdvajanje kontura 777 milijuna zgrada, od kojih neke sadrže atribute visine zgrade, na temelju Bing Maps (uključujući Maxar i Airbus snimke) od 2014. do 2021. za svaki kontinent izvan Kine. Dana 30. svibnja 2023. Google je objavio skup podataka od 1,8 milijardi obrisa zgrada izdvojenih iz satelitskih snimaka visoke razlučivosti od 0,5 m, koji pokrivaju površinu od 58 milijuna km². Mala redundancija i kompaktna struktura vektorskih podataka predstavljenih vrhovima i putanjama pružaju veću geografsku točnost neovisnu o veličini mreže, a uvođenje topoloških pravila dodatno poboljšava cjelovitost vektorskih podataka . 19 20 21 22 23 13 Zbog povećanja razlučivosti snimaka i smanjenja troškova nabave podataka, zajedno s nedavnim napretkom u algoritmima ekstrakcije, razlučivost i pokrivenost podataka o distribuciji zgrada kontinuirano se poboljšavaju . Izvodljivost slika vrlo visoke razlučivosti (VHR) omogućila je ekstrakciju otisaka zgrada primjenom tradicionalnih metoda temeljenih na ručno izrađenim značajkama  ili metoda temeljenih na dubokom učenju . Budući da se prvi pristup suočava s izazovom raznolikosti izgleda i veličina zgrada, te složenim pravilima palca i postavkama pragova, ograničen je kada se primjenjuje na slike daljinskih istraživanja velikih razmjera visoke razlučivosti . Metode temeljene na dubokom učenju (npr. konvolucijske neuronske mreže) pokazale su učinkovite i superiorne performanse u automatskom učenju visokorazinskih i diskriminirajućih značajki u segmentaciji prizora zgrada. Sun  .  predložili su strategiju fuzije temeljenu na paralelnim potpornim vektorskim strojevima za potpunu upotrebu dubokih značajki ekstrahiranih iz konvolucijskih neuronskih mrežnih struktura u više razmjera na različitim razinama, sa superiornim performansama u ekstrakciji složenih zgrada u urbanim područjima. Ipak, prilikom segmentacije zgrada, točnost modela vjerojatnije je ograničena kvalitetom uzoraka za obuku, što otežava ekstrapolaciju. Nedovoljna upotreba visokorazinskih semantičkih informacija i izostavljanje niskorazinskih detalja u dubokim modelima, što rezultira zamrljanjem rubova i izostavljanjem malih zgrada, također otežavaju primjenu dubokog učenja u ekstrakciji otisaka zgrada. 24 25 13 26 et al 27 Regija Japansko-tibetanske visoravni najviši je dio svijeta, s prosječnom nadmorskom visinom od >4000 metara nadmorske visine, i pokriva površinu od 2,5 milijuna km². Više od 10 milijuna ljudi živi u regiji unatoč njezinoj ekstremnoj klimi, hladnim i dugim zimama, velikim godišnjim i dnevnim temperaturnim razlikama te lošim zatvorenim termalnim uvjetima. Iako je ova regija najveća ekološka barijera u Kini , ljudska aktivnost znatno je utjecala na njen osjetljivi eko-okoliš . Ova regija je također izrazito sklona katastrofama, s potresima, klizištima, blatanjima, poplavama iz ledenjačkih jezera i snježnim katastrofama koje dovode do gubitaka života i imovine , , . Kao odgovor, točni podaci o distribuciji zgrada ključni su za modeliranje distribucije ljudske aktivnosti za studije o povezanosti čovjeka i okoliša , , kao i za analizu izloženosti i rizika od prirodnih katastrofa , . Dodatno, ova regija ima duge sunčane sate, obilne resurse solarne energije i dovoljne površine za prikupljanje solarne energije kao što su krovovi i otvoreni prostori , . Podaci o distribuciji ruralnih zgrada visoke razlučivosti mogli bi pružiti pouzdanu bazu podataka za procjenu fotonaponskog potencijala i učinkovito poboljšanje životnog standarda onih koji žive u ruralnim područjima , . 29 30 31 32 33 34 35 36 37 38 39 40 41 Kao nerazvijena regija, Japansko-tibetanska visoravan i njezina susjedna područja još uvijek nemaju potpun skup podataka o vektoriziranim krovovima zgrada visoke preciznosti, zbog njihove goleme površine, rijetke distribucije zgrada, udaljene lokacije i ograničenih resursa. Naj spremniji podaci su oni koji se pružaju na nacionalnoj razini Kine, koji uključuju kineske podatke o površini krovova zgrada (CBRA, Liu  ., 2023b) s rešetkom od 2,5 m i prvu nacionalnu kartu pokrovnosti zemljišta Kine rezolucije 1 m (SinoLC) koja uključuje kategorije zgrada . Ovi rasterski podaci ne mogu karakterizirati prostorne objekte i zahtijevaju velike resurse za pohranu. Podaci o vektoriziranoj površini krovova za 90 velikih gradova u Kini koje je objavio Zhang  .  djelomično su popunili ovu prazninu; međutim, samo je 14 gradova na Japansko-tibetanskoj visoravni uključeno u ovaj skup podataka, a vektorizirani podaci o krovovima zgrada i dalje nedostaju za područje od 2 milijuna km². et al 42 et al 13 Stoga, ova studija ima za cilj generiranje vektoriziranih otisaka krovova zgrada na Japansko-tibetanskoj visoravni i njezinim susjednim regijama integriranjem satelitskih snimaka visoke razlučivosti i algoritma dubokog učenja. Naš skup podataka validiran je korištenjem testnih uzoraka koji se sastoje od mreža od 250 x 1 km² diljem različitih podregija, što je rezultiralo ukupnom točnošću od 91,92% i F1 rezultatom od 64,81%. Metode Okvir U ovoj studiji koristili smo algoritme za ekstrakciju zgrada s platforme AI Earth za generiranje vektoriziranog skupa podataka o krovovima zgrada za Japansko-tibetansku visoravan i njenu susjednu regiju u Kini (Slika  ). Glavne komponente našeg okvira uključivale su: (1) pripremu i predobradu satelitskih podataka i pomoćnih podataka; (2) ekstrakciju vektoriziranih krovova zgrada pomoću platforme AI Earth; (3) validaciju pomoću ručno vektoriziranih podataka o krovovima. 1    Okvir za ekstrakciju i validaciju krovova zgrada. Područje studije Ova studija se uglavnom fokusirala na Japansko-tibetansku visoravan i njene susjedne regije u jugozapadnoj Kini pod općim okvirom Druge znanstvene ekspedicije i istraživačkog programa Japansko-tibetanske visoravni ; geografski, uključuje Tibetsku autonomnu regiju, provincije Qinghai, zapadnu provinciju Yunnan, zapadnu provinciju Sichuan, jugozapadnu provinciju Gansu i južnu autonomnu regiju Xinjiang. Prosječna nadmorska visina studijskog područja je 4000 m nadmorske visine. Distribuciju stanovništva i zgrada u studijskom području uvelike utječe nadmorska visina i klima (Slika  ), uglavnom se koncentrirajući istočno od linije od okruga Jilong u Tibetu do okruga Qilian u Qinghaiju ; na istoku, gusto su raspoređeni u ravničarskim područjima na istočnom rubu regije, uključujući riječne doline u provinciji Yunnan, zapadnoj provinciji Sichuan i bazenu rijeke Yellow River u Xining-Lanzhou. Na visoravni zapadno od linije, stanovništvo i zgrade uglavnom su raspoređeni s ograničenim poljoprivredno-stočarskim područjima duž glavnih riječnih dolina i duž koridora cestovnog prometa. 43 2 44    Područje studije (podaci o stanovništvu su iz LandScana; DEM je iz Centra za podatke o resursima i okolišu). Satelitski snimci Satelitski snimci visoke razlučivosti otvorenog pristupa dobiveni su od tvrtke Rivermap Co. ( ), koji su dobiveni integracijom satelitskih snimaka i zračnih podataka Google Earth-a. Među njima, satelitski snimci uglavnom potječu od DigitalGlobeovih komercijalnih satelita QuickBird i WorldView, a zračni snimci potječu od BlueSky-a u Velikoj Britaniji i Sanborn-a u SAD-u . Za svaku lokaciju postojale su zbirke višestrukih snimaka s razlučivosti do 0,15 m na lokaliziranim područjima. Takva integracija podataka naširoko je korištena za prepoznavanje objekata u složenim scenama , , ,  i ima potencijal za kartiranje objekata velikih razmjera visoke razlučivosti . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Ukupna površina našeg studijskog područja je 3,06 milijuna km², a procijenjena veličina podataka satelitskih snimaka je 29,4 TB, s prostornom razlučivosti od 0,6 m. S obzirom na te razmjere, stvorene su riblje mreže od 0,175° x 0,175° za naše studijsko područje kako bi se omogućilo preuzimanje paketa manje veličine, s ukupno 10.033 riblje mreže korištene za pokrivanje cijelog studijskog područja. Stvarni broj preuzetih ribljih mreža bio je manji, 5921, iz dva razloga. Prvo, budući da je velik dio studijskog područja ne-stambeno područje gdje zgrada nema, proizvoljno smo isključili riblje mreže bez piksela izgrađenih područja iz proizvoda ESA World Cover. Drugo, isključeni su gradovi/prefekture čiji su vektorizirani podaci o krovovima (tj. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) već preuzeti u podacima o vektoriziranoj površini krovova za 90 gradova u Kini . Snimke su preuzete tijekom rujna 2022. i siječnja 2023., s razlučivošću od 0,6 m, veličinom jednog kadra od ca. 3 GB, i ukupnom veličinom od 2,72 TB. Preuzete snimke uglavnom su snimljene od 2019. do 2021., ali snimke iz nekih udaljenih područja možda su snimljene već 2001. (Slika  ). 13 3    Riblje mreže za preuzimanje slika i vrijeme snimanja. Pomoćni podaci Naši pomoćni podaci uključivali su karte pokrovnosti zemljišta visoke razlučivosti, digitalni model elevacije (DEM), indeks normalizirane razlike vegetacije (NDVI) i podatke o distribuciji stanovništva za naknadnu klustersku analizu u svrhu uzorkovanja (Tablica  ). 1 Za pokrovnost zemljišta i izgrađena područja, ESA-in proizvod World Cover od Zanage  .  dobiven je iz Zenodo ( ). Proizvod je generiran na temelju satelitskih snimaka Sentinel 1 i Sentinel 2 za cijelu godinu 2020. i uzorka od 141.000 jedinstvenih lokacija raspoređenih diljem svijeta, treniranog algoritmom slučajne šume, kako bi se predstavila globalna pokrovnost zemljišta u 2020.; ima prednost u predstavljanju finih pejzažnih elemenata (npr. izgrađena područja i složeni poljoprivredni pejzaži), jer uzima u obzir relativno malu minimalnu jedinicu kartiranja . Kategorija "izgrađeno" u skupu podataka odnosi se na zemljište pokriveno zgradama, cestama i drugim umjetnim strukturama (npr. željezničke pruge), ali isključuje urbane zelene površine (npr. parkove i sportske objekte), odlagališta otpada i rudarska mjesta . et al 17 https://zenodo.org/records/5571936 51 17 DEM podaci od 1 km i NDVI podaci dobiveni su iz Centra za podatke o resursima i okolišu, Instituta za geoznanost i resurse, Kineske akademije znanosti ( ). DEM podaci su preuzorkovani iz najnovijih SRTM V4.1 podataka ( ), a NDVI podaci su sastavljeni na temelju SPOT/VEGETATION PROBA-V proizvoda od 1 km ( ). Odabrali smo NDVI podatke iz 2021. za predstavljanje vegetacije na Japansko-tibetanskoj visoravni ( ). Podaci o gustoći stanovništva dobiveni su iz baze podataka LandScan ( ) za globalnu analizu vitalnih statistika koju je razvio Oak Ridge National Laboratory američkog Ministarstva energetike i pružio East View Cartographic ( ); ovi podaci su generirani kombiniranjem geografskih znanosti, tehnologije daljinskih istraživanja i algoritama strojnog učenja, predstavljajući jednu od najtočnijih i najpouzdanijih globalnih baza podataka za analizu dinamike stanovništva na temelju geografske lokacije, s superiornom razlučivošću od 1 km . Koristili smo distribuciju stanovništva iz 2021. za naknadnu klustersku analizu. 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 Predobrada podataka Distribucija stanovništva i zgrada je raspršena za većinu našeg studijskog područja, s preko 99,5% studijskog područja kategorizirano kao neizgrađeno područje prema proizvodu ESA-ovog World Covera

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

Овај аудио је произведен на оригиналном језику приче!

AI mapeira 13 miliona zgrada u jednom od najudaljenijih regiona na svetu.

About Author

КОМЕНТАРИ

ХАНГ ТАГС

ОВАЈ ЧЛАНАК ЈЕ ПРЕДСТАВЉЕН У

Related Stories

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Building a website with React and Bulma

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Building the Cloud Future: Sreedevi Velagala's Trek in AWS Architecture

Leadership Success Story: Srinath Muralinathan's Transformative Projects at Amazon

Building a website with React and Bulma

Scaling Web Testing with Automation: Srikanth Srinivas’s Digital Strategy Breakthrough

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps