
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Författare: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Sammanfattning Byggnadsdata i stor skala med hög precision är en viktig grund för regional stadsplanering och resursallokering samt forskning om katastrofrisker. Qinghai-Tibetplatån är världens tredje pol. Även om förståelsen av lokala människa–miljö-interaktioner på Qinghai-Tibetplatån är avgörande, har detta försvårats av bristen på byggnadsfotavtrycksdata med hög upplösning på grund av områdets vidsträckthet och avlägsenhet. I denna studie genererade vi de första vektoriserade byggnadstakavtrycken för Qinghai-Tibetplatån och dess omgivande områden genom att använda Google-bilder med hög upplösning och algoritmen för extrahering av byggnadskonturer från AI Earth-plattformen. Våra resultat inkluderar 13,09 miljoner byggnader som täcker 6092,7 km2, validerade med totalt 250 × 1 km2 testprover. Data hade en övergripande noggrannhet på 87 %, ett återkallande på 91,9 % och ett F1-poäng på 64,8 %, vilket ger en avancerad beskrivning av byggnadsfördelningen i studieområdet jämfört med CBRA. Vårt arbete har en enorm potential att underlätta exponeringsbedömning för studier om katastrofrisker i detta område. Bakgrund & Sammanfattning Digitaliseringens era har ökat efterfrågan på pålitliga data om byggnaders utbredning och attribut , , . Byggnadsdata ger viktig rumslig information inte bara om byggnader utan också om befolkning och fysiska tillgångar , och fungerar som en bra proxy för mänsklig aktivitet. Under de senaste decennierna har byggnadsdata använts flitigt för att övervaka stads- och landsbygdsutveckling , , förstå urbaniseringens påverkan på livsmedelssäkerhet, biologisk mångfald, klimatförändringar och folkhälsa samt välbefinnande , , för att formulera regionala utvecklingsstrategier och skydda urbana och rurala ekosystem , , . 1 2 3 4 5 6 7 8 9 10 11 Utvecklingen av satellit- och flygbilder, tillsammans med de senaste framstegen inom maskininlärning och djupinlärningsalgoritmer, har ökat tillgången på byggnadsdata , , . Byggnadsdata har tillhandahållits i rasterformat som en del av data för markanvändning/mark täckning. Den senaste versionen inkluderar tre 10-m globala produkter för markanvändning/mark täckning baserade på Sentinel-satelliter, nämligen Googles Dynamic World (DW) , Esris 2020 Land Cover , och World Cover 2020 (WC) från Europeiska rymdorganisationen (ESA) . Förutom information om rumslig fördelning försöker forskare också att koppla attributinformation till byggnadspixlar, såsom byggnadshöjd . Till exempel använde He .  multisensor-fusionsdata för fjärranalys för att konstruera världens första 30-m upplösningsdataset över urban tredimensionell rumslig och tidsmässig expansion som täcker perioden 1990–2010. Trots kontinuerlig förbättring av den rumsliga upplösningen kan rasterbaserade byggnadsdata fortfarande inte beskriva rumsliga objekt , och ökad upplösning ökar kraftigt lagrings- och beräkningskostnaderna . 12 13 14 15 16 17 14  et al 7 18 12 Byggnadsdata i vektorformat, även kända som vektoriserade byggnadstak eller byggnadsfotavtryck, är byggnadens konturdata projicerade på marken sett ovanifrån , , vilket ger information som geografisk plats, rumslig utsträckning av gränserna och fotavtryck för en enskild byggnad. Offentliga tjänsteleverantörer (t.ex. Google Earth och OpenStreetMap) tillhandahåller öppna vektoriserade byggnadstakdata med bred täckning, snabba uppdateringar och låg kostnad , , . År 2022 använde Microsoft Corporation djupa neurala nätverk-baserade semantiska segmentering för att extrahera konturerna av 777 miljoner byggnader, varav vissa innehåller byggnadshöjdsattribut, baserat på Bing Maps (inklusive Maxar- och Airbus-bilder) från 2014 till 2021 för varje kontinent utanför Kina. Den 30 maj 2023 släppte Google ett dataset med 1,8 miljarder byggnadskonturer extraherade från satellitbilder med hög upplösning på 0,5 m, som täcker ett område på 58 miljoner km2. Den låga redundansen och den kompakta strukturen hos vektordata representerade av hörn och sökvägar ger högre geografisk noggrannhet oberoende av nätstorlek, och införandet av topologiska regler förbättrar ytterligare integriteten hos vektordata . 19 20 21 22 23 13 På grund av ökningen av bildupplösningen och minskningen av datainsamlingskostnader, tillsammans med de senaste framstegen inom extraheringsalgoritmer, förbättras upplösningen och täckningen av byggnadsdata kontinuerligt . Livskraften hos mycket högupplösta (VHR) bilder har möjliggjort extrahering av byggnadsfotavtryck genom tillämpning av traditionella handgjorda funktionsbaserade metoder  eller djupinlärningsbaserade metoder . Eftersom det förstnämnda tillvägagångssättet möter utmaningen med mångfald i byggnadens utseende och storlekar, samt komplexa tumregler och tröskelinställningar, är det begränsat när det tillämpas på storskaliga fjärranalysbilder med hög upplösning . Djupinlärningsbaserade metoder (t.ex. faltningsneurala nätverk) har visat effektiv och överlägsen prestanda för att automatiskt lära sig hög nivå och diskriminerande egenskaper i segmentering av byggnadsscener. Sun .  föreslog en fusionsstrategi baserad på parallella supportvektormaskiner för att fullt ut utnyttja djupa egenskaper extraherade från faltningsneurala nätverksstrukturer i flera skalor vid olika skalor, med överlägsen prestanda för att extrahera komplexa byggnader i urbana områden. Ändå, vid segmentering av byggnader, begränsas modellens noggrannhet sannolikt av kvaliteten på träningsproven, vilket gör extrapolering svår. Otillräcklig användning av hög nivå-semantik och utelämnande av låg nivå-detaljer i djupa modeller, vilket resulterar i suddiga kanter och utelämnande av små byggnader, försvårar också tillämpningen av djupinlärning vid extrahering av byggnadsfotavtryck. 24 25 13 26  et al 27 Qinghai-Tibetplatån är världens mest höglänta område, med en genomsnittlig höjd av >4000 meter över havet, och täcker ett område på 2,5 miljoner km2  . Mer än 10 miljoner människor bor i regionen trots dess extrema klimat, kalla och långa vintrar, stora årliga och dagliga temperaturskillnader och dåliga inomhus termiska miljöer. Även om denna region är den största ekologiska barriären i Kina , har mänsklig aktivitet avsevärt påverkat dess sårbara ekologiska miljö . Denna region är också extremt katastrofbenägen, med jordbävningar, jordskred, lerflöden, glaciärsjöutbrott och snökatastrofer som leder till dödsfall och egendomsskador , , . Som svar är exakta byggnadsdata avgörande för att modellera fördelningen av mänsklig aktivitet för studier av kopplade människa–miljö-interaktioner , , samt för exponering och riskanalys för naturkatastrofer , . Dessutom har denna region långa solskenstimmar, rikliga solenergiresurser och tillräckliga solenergisamlingsytor som tak och öppna ytor , . Landsbygdsbyggnadsdata med hög upplösning kan ge en pålitlig databas för att utvärdera solcellspotentialen och effektivt förbättra levnadsstandarden för dem som bor på landsbygden , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Som ett underutvecklat område saknar Qinghai-Tibetplatån och dess grannområden fortfarande en komplett uppsättning av vektoriserade byggnadstakdata med hög precision, på grund av deras vidsträckta yta, glest fördelade byggnader, avlägsna läge och resursbegränsningar. De mest användbara data är de som tillhandahålls på nationell nivå i Kina, vilka inkluderar 2,5-m rutnätet China Building Rooftop Area data (CBRA, Liu ., 2023b) och Kinas första nationella karta över markanvändning med 1-m upplösning (SinoLC) som inkluderar byggnadskategorier . Dessa rasterdata kan inte karakterisera rumsliga objekt och kräver stora lagringsresurser. De vektoriserade takarea-data för 90 större städer i Kina som släpptes av Zhang .  fyllde delvis detta gap; dock inkluderades endast 14 städer på Qinghai-Tibetplatån i detta dataset, och vektoriserade byggnadstakdata saknas fortfarande för ett område på 2 miljoner km2.  et al 42  et al 13 Därför syftar denna studie till att generera vektoriserade byggnadstakavtryck för Qinghai-Tibetplatån och dess omgivande regioner genom att integrera satellitbilder med hög upplösning och djupinlärningsalgoritmer. Vårt dataset validerades med testprover som omfattade 250 × 1 km2 rutnät över olika delregioner, vilket resulterade i en övergripande noggrannhet på 91,92 % och ett F1-poäng på 64,81 %. Metoder Ramverk I denna studie använde vi byggnadsextraheringsalgoritmer från AI Earth-plattformen för att generera ett vektoriserat byggnadstakdataset för Qinghai-Tibetplatån och dess omgivande region i Kina (Fig. ). De viktigaste komponenterna i vårt ramverk inkluderade: (1) förberedelse och förbehandling av satellitdata och hjälpdata; (2) vektoriserad extrahering av byggnadstak med AI Earth-plattformen; (3) validering med manuellt vektoriserade takdata.  1    Ramverket för extrahering och validering av byggnadstak. Studieområde Denna studie fokuserade främst på Qinghai-Tibetplatån och dess omgivande regioner i sydvästra Kina under det allmänna ramverket för det andra vetenskapliga expeditionen och forskningsprogrammet för Tibetplatån ; geografiskt inkluderar det den autonoma regionen Tibet, provinserna Qinghai, västra Yunnan-provinsen, västra Sichuan-provinsen, sydvästra Gansu-provinsen och södra Xinjiang-autonoma regionen. Genomsnittlig höjd över havet i studieområdet är 4000 meter. Fördelningen av befolkning och byggnader i studieområdet påverkas starkt av höjd och klimat (Fig. ), och koncentreras huvudsakligen öster om linjen från Jilong County i Tibet till Qilian County i Qinghai ; i öster fördelar de sig tätt i slättområdena på regionens östra kant, inklusive floddalarna i Yunnan-provinsen, västra Sichuan-provinsen och Xining-Lanzhou Gula flodbäckenet. På platåytan väster om linjen är befolkning och byggnader mestadels fördelade med begränsade jordbruks- och betesområden längs de stora floddalarna och längs vägtrafikkorridorerna. 43  2 44    Studieområde (befolkningsdata kommer från LandScan; DEM kommer från Resource and Environment Science and Data Centre). Satellitbilder Öppet tillgängliga satellitbilder med hög upplösning erhölls från Rivermap Co. ( ), som erhölls från Googles jordintegration av satellitbilder och flygdata. Bland dessa kommer satellitbilderna främst från DigitalGlobes QuickBird och WorldView kommersiella satelliter, och flygfoton kommer från BlueSky i Storbritannien och Sanborn i USA . För varje plats fanns samlingar av flera bilder med upplösningar på upp till 0,15 m i lokaliserade områden. Sådana dataintegrationer har använts flitigt för objektdetektering i komplexa scener , , ,  och har potential för storskalig kartläggning med hög upplösning av objekttyper . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Det totala området för vårt studieområde är 3,06 miljoner km2, och den uppskattade storleken på satellitbilddata är 29,4 TB, med en rumslig upplösning på 0,6 m. Med tanke på dessa skalor skapades 0,175° × 0,175° fisknät för vårt studieområde för att möjliggöra mindre paket för nedladdning, med totalt 10 033 fisknät som användes för att täcka hela studieområdet. Det faktiska antalet nedladdade fisknät var färre, 5921, av två skäl. För det första, eftersom en stor del av studieområdet består av icke-mänskliga bostadsområden där byggnader inte finns, exkluderade vi godtyckligt fisknät utan några bebyggda områdespixlar från ESA World Cover-produkten. För det andra exkluderades även städer/prefekturer vars vektoriserade takdata (dvs. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong och Yuxi) har hämtats i de vektoriserade takarea-data för 90 städer i Kina . Bilderna laddades ner mellan september 2022 och januari 2023, med en upplösning på 0,6 m, en enskild bildstorlek på ca. 3 GB, och en total storlek på 2,72 TB. Nedladdade bilder togs huvudsakligen från 2019 till 2021, men bilder från vissa avlägsna områden kan ha tagits så tidigt som 2001 (Fig. ). 13  3    Fisknät för bildnedladdning och bildtagningstid. Hjälpdata Våra hjälpdata inkluderade marktäckningskartor med hög upplösning, digital höjdmodell (DEM), normaliserad skillnadsväxtindex (NDVI) och befolkningsdata för efterföljande klusteranalys i syfte att sampla (Tabell ).  1 För marktäckning och bebyggt område, ESA:s World Cover-produkt från Zanaga .  erhölls från Zenodo ( ). Produkten genererades baserat på Sentinel 1- och Sentinel 2-satellitbilder för hela år 2020 och ett urval av 141 000 unika platser fördelade över hela världen, tränade med random forest-algoritmen, för att representera global marktäckning år 2020; den har en fördel i att representera finmaskiga landskapselement (t.ex. bebyggda områden och komplexa jordbrukslandskap), eftersom den tar hänsyn till en relativt liten minimikartläggningsenhet . Kategorin "bebyggd" i datasetet avser mark som täcks av byggnader, vägar och andra människoskapade strukturer (t.ex. järnvägar) men exkluderar urbana grönområden (t.ex. parker och idrottsanläggningar), deponier och gruvplatser .  et al 17 https://zenodo.org/records/5571936 51 17 DEM-data på 1 km och NDVI-data erhölls från Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ). DEM-datan är resampling från de senaste SRTM V4.1-data ( ), och NDVI-datan är mosaikbaserad på SPOT/VEGETATION PROBA-V 1-km-produkter ( ). Vi valde NDVI-data från 2021 för att representera vegetationen på Qinghai-Tibetplatån ( ). Befolkningsdensitetsdata erhölls från LandScan-databasen ( ) för global vital statistikanalys utvecklad av U.S. Department of Energy’s Oak Ridge National Laboratory och tillhandahållen av East View Cartographic ( ); dessa data genereras genom att kombinera geovetenskap, fjärranalysteknik och maskininlärningsalgoritmer, och representerar en av de mest exakta och pålitliga globala befolkningsdynamikens statistiska analysdatabaser baserade på geografisk plats, med en överlägsen upplösning på 1 km . Vi använde befolkningsfördelningen år 2021 för efterföljande klusteranalys. 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 Databehandling Fördelningen av befolkning och byggnader är spridd för det mesta av vårt studieområde, med över 99,5 % av studieområdet klassificerat som icke-bebyggt område enligt ESA:s World Cover-produkt . För att påskynda vår extrahering genererades först masker för potentiella byggnadsfördelningsområden för varje 0,175° × 0,175° fisknät före extraheringen. Baserat på kategorin "Bebyggd" i World Cover-data genererades en buffertzon på 1 km runt varje bebyggd områdespixel som det potentiella byggnadsfördelningsområdet. Efter att ha testat flera buffertzonbredder fann vi att en bredd på 1 km kunde rymma 96 % av byggnadspixlarna som rapporterades i CBRA-produkterna från 2020. Masken möjliggjorde för oss att exkludera 86 % av den totala ytan av de nedladdade bilderna, vilket sparade betydande beräkningstid. Vi analyserade bufferten genom överläggning med de genererade fisknäten för att exkludera nät som inte innehöll byggnader. Bilderna beskars sedan igen med buffertar, och därefter tillämpades byggnadsextraheringsalgoritmen på de beskurna bilderna. 17 Vektoriserad extrahering av byggnadstak Den vektoriserade byggnadstakextraheringsalgoritmen som används i denna studie kommer från AliCloud AI Earth-plattformen ( ), som kombinerar en djupinlärningsbaserad segmenteringsmetod med en vattenbaserad segmenteringsmetod för att konstruera ett ramverk för segmentering av byggnadsinstanser - dub https://engine-aiearth.aliyun.com/#/

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

Det här ljudet är producerat på berättelsens originalspråk!

AI-kartor över 13 miljoner byggnader i en av världens mest avlägsna regioner

About Author

KOMMENTARER

HÄNG TAGGAR

DENNA ARTIKEL PRESENTERAS I

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps