
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autori: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Vu Qiang Džou Mingfu Ma Wenzhi Džao Ru Ja Jian Gao Lizheng Vu Apstrakt Veliki skupovi podataka o preciznoj distribuciji zgrada su važni temelji za regionalno prostorno planiranje i alokaciju resursa, kao i za istraživanje rizika od katastrofa. Qinghai-Tibetska visoravan je treći pol sveta. Iako je razumevanje lokalnih interakcija čovek-životna sredina na Qinghai-Tibetskoj visoravni od kritičnog značaja, to je otežano nedostatkom podataka o otisku zgrada visoke rezolucije zbog prostranosti i udaljenosti oblasti. U ovoj studiji smo generisali prve vektorizovane otiske krovova zgrada Qinghai-Tibetske visoravni i njenih okolnih područja, koristeći Google slike visoke rezolucije i algoritam za ekstrakciju kontura zgrada sa AI Earth platforme. Naši rezultati uključuju 13,09 miliona zgrada koje pokrivaju 6092,7 km², validiranih sa ukupno 250 x 1 km² testnih uzoraka. Podaci su imali ukupnu tačnost od 87%, opoziv od 91,9%, i F1 rezultat od 64,8%, čime smo obezbedili napredan opis distribucije zgrada u studijskoj oblasti u poređenju sa CBRA. Naš rad ima ogroman potencijal u olakšavanju procene izloženosti za studije rizika od katastrofa u ovoj oblasti. Pozadina i sažetak Pojavom digitalne ere povećana je 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. Poslednjih decenija, podaci o distribuciji zgrada su široko korišćeni u praćenju urbanog i ruralnog razvoja , , razumevanju uticaja urbanizacije na sigurnost hrane, biodiverzitet, klimatske promene i javno blagostanje i zdravlje , , formulisanju strategija regionalnog razvoja i zaštiti urbanih i ruralnih ekosistema , , . 1 2 3 4 5 6 7 8 9 10 11 Napredak satelitskih i vazdušnih snimaka, zajedno sa nedavnim napretkom u algoritmima mašinskog učenja i dubokog učenja, podstakao je dostupnost podataka o distribuciji zgrada , , . Podaci o distribuciji zgrada su obezbeđeni u raster formatu kao deo podataka o korišćenju/pokrovu zemljišta. Najnovije izdanje uključuje tri globalna proizvoda o korišćenju/pokrovu zemljišta od 10 m zasnovana na Sentinel satelitima, naime Google’s Dynamic World (DW) , Esri’s 2020 Land Cover , i World Cover 2020 (WC) Evropske svemirske agencije (ESA) . Pored informacija o prostornoj distribuciji, istraživači takođe pokušavaju da pridruže atributne informacije pikselima zgrada, kao što je visina zgrada . Na primer, He et al.  su koristili fuziju podataka daljinskog sensinga iz više izvora za konstruisanje prvog svetskog skupa podataka o urbanom trodimenzionalnom prostornom i vremenskom širenju rezolucije 30 m koji pokriva period od 1990. do 2010. godine. Uprkos kontinuiranom poboljšanju prostorne rezolucije, podaci o distribuciji zgrada zasnovani na rasteru još uvek ne mogu da opišu prostorne objekte , a povećanje rezolucije znatno povećava troškove skladištenja i računanja . 12 13 14 15 16 17 14 7 18 12 Podaci o distribuciji zgrada u vektorskom formatu, takođe poznati kao vektorizovani krovovi zgrada ili otisci zgrada, su podaci o obrisima zgrade projektovani na zemlju iz nadzemnog prikaza , , koji pružaju informacije kao što su geografska lokacija, prostorni opseg granica i otisak pojedinačne zgrade. Pružaoci javnih usluga (npr. Google Earth i OpenStreetMap) nude otvoreno dostupne vektorizovane podatke o krovovima zgrada sa širokim pokrićem, brzim ažuriranjima i niskim troškovima , , . U 2022. godini, Microsoft Corporation je koristio semantičku segmentaciju zasnovanu na dubokim neuralnim mrežama za ekstrakciju obrisa 777 miliona zgrada, od kojih neke sadrže atribute visine zgrada, na osnovu Bing Maps (uključujući Maxar i Airbus snimke) od 2014. do 2021. godine za svaki kontinent izvan Kine. Dana 30. maja 2023. godine, Google je objavio skup podataka od 1,8 milijardi obrisa zgrada ekstrahovanih iz satelitskih snimaka visoke rezolucije od 0,5 m, koji pokrivaju površinu od 58 miliona km². Niska redundansa i kompaktna struktura vektorskih podataka predstavljenih vrhovima i putevima pružaju veću geografsku tačnost nezavisnu od veličine mreže, a uvođenje topoloških pravila dodatno poboljšava integritet vektorskih podataka . 19 20 21 22 23 13 Zbog povećanja rezolucije snimaka i smanjenja troškova nabavke podataka, zajedno sa nedavnim napretkom u algoritmima ekstrakcije, rezolucija i pokrivenost podataka o distribuciji zgrada se kontinuirano poboljšavaju . Izvodljivost slika vrlo visoke rezolucije (VHR) omogućila je ekstrakciju otisaka zgrada primenom tradicionalnih metoda zasnovanih na ručno kreiranim karakteristikama  ili metoda zasnovanih na dubokom učenju . Budući da prvi pristup suočava sa izazovom raznolikosti izgleda i veličina zgrada, kao i složenih pravila palca i podešavanja pragova, ograničen je kada se primenjuje na slike daljinskog sensinga velikog obima i visoke rezolucije . Metode zasnovane na dubokom učenju (npr. konvolucione neuralne mreže) pokazale su efikasne i superiorne performanse u automatskom učenju visok nivoa i diskriminativnih karakteristika u segmentaciji scena zgrada. Sun et al.  predložili su strategiju fuzije zasnovanu na paralelnim mašinama za podršku vektora kako bi se u potpunosti iskoristile duboke karakteristike ekstrahovane iz konvolucionih neuralnih mreža višestrukih skala pri različitim skalama, sa superiornim performansama u ekstrakciji složenih zgrada u urbanim područjima. Uprkos tome, prilikom segmentacije zgrada, tačnost modela je verovatnije ograničena kvalitetom trening uzoraka, što otežava ekstrapolaciju. Nedovoljno korišćenje visok nivoa semantike i izostavljanje niskog nivoa detalja u dubokim modelima, što rezultira zamućenim ivicama i izostavljanjem malih zgrada, takođe otežavaju primenu dubokog učenja u ekstrakciji otisaka zgrada. 24 25 13 26 27 Qinghai-Tibetska visoravan je najviši region na svetu, sa prosečnom nadmorskom visinom od >4000 metara nadmorske visine, i pokriva površinu od 2,5 miliona km² . Više od 10 miliona ljudi živi u regionu uprkos ekstremnoj klimi, hladnim i dugim zimama, velikim godišnjim i dnevnim razlikama u temperaturi i lošim unutrašnjim termalnim uslovima. Iako je ovaj region najveća ekološka barijera u Kini , ljudska aktivnost značajno je uticala na njegovo osetljivo eko-okruženje . Ovaj region je takođe izuzetno sklon katastrofama, sa zemljotresima, klizištima, blato bujicama, poplavama iz glečerskih jezera i snežnim katastrofama koje dovode do gubitaka života i imovine , , . Kao odgovor, precizni podaci o distribuciji zgrada su ključni za modeliranje distribucije ljudske aktivnosti za proučavanje povezanosti čoveka i životne sredine , , kao i za analizu izloženosti i rizika od prirodnih katastrofa , . Pored toga, ovaj region ima duge periode sunčeve svetlosti, obilje solarnih energetskih resursa i dovoljno površina za sakupljanje solarne energije kao što su krovovi i otvoreni prostori , . Podaci o distribuciji ruralnih zgrada visoke rezolucije mogli bi da pruže pouzdanu bazu podataka za procenu fotonaponskog potencijala i efikasno poboljšanje životnog standarda onih koji žive u ruralnim područjima , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kao nerazvijen region, Qinghai-Tibetska visoravan i njena susedna područja još uvek nemaju kompletan set podataka o vektorizovanim krovovima zgrada visoke preciznosti, zbog njihove ogromne površine, retke distribucije zgrada, udaljene lokacije i ograničenih resursa. Najspremniji za upotrebu podaci su oni koji se nude na nacionalnom nivou Kine, koji uključuju China Building Rooftop Area data (CBRA, Liu et al., 2023b) rezolucije 2,5 m i prvu nacionalnu kartu pokrovnosti zemljišta Kine rezolucije 1 m (SinoLC) koja uključuje kategorije zgrada . Ovi rasterski podaci ne mogu da okarakterišu prostorne objekte i zahtevaju velike resurse za skladištenje. Podaci o vektorskoj površini krovova za 90 velikih gradova u Kini koje je objavio Zhang et al.  delimično su popunili ovu prazninu; međutim, samo 14 gradova na Qinghai-Tibetskoj visoravni je uključeno u ovaj skup podataka, a podaci o vektorizovanim krovovima zgrada su i dalje odsutni za površinu od 2 miliona km². 42 13 Stoga, ova studija ima za cilj da generiše vektorizovane otiske krovova zgrada Qinghai-Tibetske visoravni i njenih susednih regiona integrisanjem satelitskih snimaka visoke rezolucije i algoritma dubokog učenja. Naš skup podataka je validiran korišćenjem test uzoraka koji se sastoje od mreža 250 x 1 km² širom različitih podregiona, što je rezultiralo ukupnom tačnošću od 91,92% i F1 rezultatom od 64,81%. Metode Okvir U ovoj studiji, koristili smo algoritme za ekstrakciju zgrada sa AI Earth platforme za generisanje vektorizovanog skupa podataka o krovovima zgrada za Qinghai-Tibetsku visoravan i njen susedni region u Kini (Slika 1). Glavne komponente našeg okvira uključivale su: (1) pripremu i predobradu podataka satelita i pomoćnih podataka; (2) ekstrakciju vektorizovanih krovova zgrada korišćenjem AI Earth platforme; (3) validaciju korišćenjem ručno vektorizovanih podataka o krovovima.    Okvir za ekstrakciju i validaciju krovova zgrada. Studijska oblast Ova studija se uglavnom fokusirala na Qinghai-Tibetsku visoravan i njene susedne regione u jugozapadnoj Kini pod opštim okvirom druge naučne ekspedicije i istraživačkog programa Tibetske visoravni ; geografski, uključuje Tibetsku autonomnu regiju, provincije Qinghai, zapadnu provinciju Yunnan, zapadnu provinciju Sichuan, jugozapadnu provinciju Gansu i južnu autonomnu regiju Xinjiang. Prosečna nadmorska visina studijske oblasti je 4000 m nadmorske visine. Distribucija stanovništva i zgrada u studijskoj oblasti je pod velikim uticajem nadmorske visine i klime (Slika 2), uglavnom se koncentriše istočno od linije od okruga Jilong u Tibetu do okruga Qilian u Qinghaiu ; na istoku, gusto su raspoređeni u ravničarskim područjima na istočnoj ivici regiona, uključujući rečne doline u provinciji Yunnan, zapadnoj provinciji Sichuan i basenu reke Huang He u Sining-Lancou. U visoravni zapadno od linije, stanovništvo i zgrade su uglavnom raspoređeni sa ograničenim agro-pastoralnim područjima duž glavnih rečnih dolina i duž koridora drumskog saobraćaja. 43 44    Studijska oblast (podaci o stanovništvu su iz LandScana; DEM je iz Centra za nauku i podatke o resursima i životnoj sredini). Satelitski snimci Satelitski snimci visoke rezolucije dostupni javnosti dobijeni su od Rivermap Co. ( ), koji su dobijeni iz integracije satelitskih snimaka i vazdušnih podataka Google Earth-a. Među njima, satelitski snimci uglavnom potiču od komercijalnih satelita DigitalGlobe QuickBird i WorldView, a vazdušno fotografisanje je iz britanskog BlueSky-a i američkog Sanborna . Za svaku lokaciju postojale su kolekcije više snimaka sa rezolucijama do 0,15 m u lokalizovanim područjima. Takva integracija podataka je široko korišćena za prepoznavanje objekata u složenim scenama , , ,  i ima potencijal za mapiranje tipova objekata velikog obima i visoke rezolucije . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Ukupna površina naše studijske oblasti je 3,06 miliona km², a procenjena veličina podataka satelitskih snimaka je 29,4 TB, sa prostornom rezolucijom od 0,6 m. Uzimajući u obzir ove razmere, kreirane su riblje mreže od 0,175° x 0,175° za našu studijsku oblast kako bi se omogućilo pakovanje manjih veličina za preuzimanje, sa ukupno 10.033 ribljih mreža korišćenih za pokrivanje cele studijske oblasti. Stvarni broj preuzetih ribljih mreža je bio manji, 5921, iz dva razloga. Prvo, pošto veliki deo studijske oblasti obuhvata nenaseljena područja gde zgrade ne postoje, proizvoljno smo isključili riblje mreže bez ikakvih piksela izgrađenog područja iz ESA World Cover proizvoda. Drugo, gradovi/prefekture čiji su podaci o vektorizovanim krovovima (tj. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong i Yuxi) preuzeti u podacima o vektorskoj površini krovova za 90 gradova u Kini , takođe su isključeni. Snimci su preuzeti tokom septembra 2022. i januara 2023. godine, sa rezolucijom od 0,6 m, veličinom jednog kadra od cca. 3 GB, i ukupnom veličinom od 2,72 TB. Preuzeti snimci su uglavnom snimljeni od 2019. do 2021. godine, ali snimci iz nekih udaljenih područja mogli su biti snimljeni još 2001. godine (Slika 3). 13    Riblje mreže za preuzimanje slika i vreme snimanja slika. Pomoćni podaci Naši pomoćni podaci uključivali su mape pokrovnosti zemljišta visoke rezolucije, digitalni model nadmorske visine (DEM), indeks normalizovane razlike vegetacije (NDVI) i podatke o distribuciji stanovništva za naknadnu klustersku analizu radi uzorkovanja (Tabela 1). Za pokrovnost zemljišta i izgrađeno područje, ESA-in World Cover proizvod Zanaga et al.  je dobijen sa Zenodo ( ). Proizvod je generisan na osnovu Sentinel 1 i Sentinel 2 satelitskih snimaka za celu 2020. godinu i uzorka od 141.000 jedinstvenih lokacija raspoređenih širom sveta, obučenih algoritmom slučajne šume, kako bi se predstavila globalna pokrovnost zemljišta u 2020. godini; ima prednost u predstavljanju finih pejzažnih elemenata (npr. izgrađenih područja i složenih poljoprivrednih pejzaža), jer uzima u obzir relativno malu minimalnu jedinicu mapiranja . Kategorija "izgrađeno" u skupu podataka odnosi se na zemljište pokriveno zgradama, putevima i drugim veštačkim strukturama (npr. železničkim prugama), ali isključuje urbane zelene površine (npr. parkove i sportske objekte), deponije i rudarska mesta . 17 https://zenodo.org/records/5571936 51 17 DEM podaci od 1 km i NDVI podaci dobijeni su iz Centra za nauku i podatke o resursima i životnoj sredini, Institut za geonauke i resurse, Kineske akademije nauka ( ). DEM podaci su resamplovani sa najnovijih SRTM V4.1 podataka ( ), a NDVI podaci su mozaikovani na osnovu SPOT/VEGETATION PROBA-V 1-km proizvoda ( ). Odabrali smo NDVI podatke iz 2021. godine da predstavimo vegetaciju na Qinghai-Tibetskoj visoravni ( ). Podaci o gustini stanovništva dobijeni su iz LandScan baze podataka ( ) za globalnu analizu vitalnih statistika koju je razvio Oak Ridge National Laboratory pri Ministarstvu energetike SAD i obezbedio East View Cartographic ( ); ovi podaci su generisani kombinovanjem geografskih nauka, tehnologije daljinskog sensinga i algoritama mašinskog učenja, predstavljajući jednu od najtačnijih i najpouzdanijih globalnih baza podataka za dinamičku statističku analizu stanovništva zasnovanu na geografskoj lokaciji, sa superiornom rezolucijom od 1 km . Koristili smo distribuciju stanovništva iz 2021. godine 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 naše studijske oblasti, sa preko 99,5% studijske oblasti kategorisano kao neizgrađeno područje prema ESA World Cover proizvodu . Da bismo ubrzali našu ekstrakciju, prvo smo generisali maske potencijalne oblasti distribucije zgrada za svaku riblju mrežu od 0,175° x 0,175° pre ekstrakcije. Na osnovu kategorije "Izgrađeno" u World Cover podacima, generisana je tampon zona od 1 km oko svakog piksela izgrađenog područja kao potencijalna oblast distribucije zgrada. Nakon testiranja različitih širina tampon zona, otkrili smo da širina od 1 km može da obuhvati 96% piksela zgrada prijavljenih u CBRA proizvodima iz 2020. 17

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 Mapira 13 Miliona Zgrada u Jednom od Najudaljenijih Regiona na Svijetu

About Author

КОМЕНТАРИ

ХАНГ ТАГС

ОВАЈ ЧЛАНАК ЈЕ ПРЕДСТАВЉЕН У

Related Stories

Sravana Kumar Reddy Yeruva’s Fusion Transformation Sets a New Standard in ERP Excellence

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

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

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

Sravana Kumar Reddy Yeruva’s Fusion Transformation Sets a New Standard in ERP Excellence

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

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

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

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps