
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Waandishi: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Muhtasari Data kubwa ya usambazaji wa majengo yenye usahihi wa hali ya juu ni msingi muhimu kwa upangaji wa miji wa kikanda na mgao wa rasilimali na utafiti wa hatari ya maafa. Plateau ya Qinghai-Tibet ni ncha ya tatu ya dunia. Ingawa kuelewa mwingiliano wa binadamu na mazingira katika Plateau ya Qinghai-Tibet ni muhimu sana, hii imezuiliwa na ukosefu wa data ya kina ya alama za majengo kutokana na ukubwa na umbali wa eneo hilo. Katika utafiti huu, tulizalisha picha za kwanza za paa za majengo za Plateau ya Qinghai-Tibet na maeneo yake yanayozunguka kwa kutumia picha za hali ya juu za Google na algorithm ya uchimbaji wa mzunguko wa jengo wa jukwaa la AI Earth. Matokeo yetu yanajumuisha majengo milioni 13.09 yanayofunika 6092.7 km2, yaliyothibitishwa na jumla ya sampuli 250 za majaribio za km2. Data hiyo ilikuwa na usahihi wa jumla wa 87%, kumbukumbu ya 91.9%, na alama ya F1 ya 64.8%, hivyo kutoa maelezo ya juu zaidi ya usambazaji wa majengo wa eneo la utafiti ikilinganishwa na CBRA. Kazi yetu ina uwezo mkubwa katika kuwezesha tathmini ya athari kwa ajili ya masomo juu ya hatari ya maafa katika eneo hili. Muhtasari wa Mandhari Kuibuka kwa enzi ya kidijitali kumeongeza mahitaji ya data ya kuaminika juu ya usambazaji na sifa za majengo , , . Data ya usambazaji wa majengo hutoa habari muhimu ya anga sio tu ya majengo bali pia ya watu na mali za kimwili , ikihudumu kama dalili nzuri ya shughuli za kibinadamu. Katika miongo ya hivi karibuni, data ya usambazaji wa majengo imetumika sana katika ufuatiliaji wa maendeleo ya mijini na vijijini , , kuelewa athari za mijini kwenye usalama wa chakula, bioanuwai, mabadiliko ya hali ya hewa, na ustawi wa umma na afya , , kuunda mikakati ya maendeleo ya kikanda, na kulinda mazingira ya mijini na vijijini , , . 1 2 3 4 5 6 7 8 9 10 11 Maendeleo ya picha za setilaiti na za angani, pamoja na maendeleo ya hivi karibuni katika algorithms za akili bandia na za kina, yameongeza upatikanaji wa data ya usambazaji wa majengo , , . Data ya usambazaji wa majengo imetolewa katika umbizo la raster kama sehemu ya data ya matumizi/mwonekano wa ardhi. Toleo la hivi karibuni linajumuisha bidhaa tatu za matumizi/mwonekano wa ardhi duniani zenye azimio la mita 10 kulingana na setilaiti za Sentinel, yaani Dynamic World (DW) ya Google , Mwonekano wa Ardhi wa 2020 wa Esri , na World Cover 2020 (WC) ya Shirika la Anga la Ulaya (ESA) . Mbali na habari ya usambazaji wa anga, watafiti pia wanajaribu kuambatisha habari ya sifa kwenye picha za majengo, kama vile urefu wa jengo . Kwa mfano, He  .  walitumia data mbalimbali za setilaiti za utangamano ili kujenga seti ya kwanza duniani ya data ya upanuzi wa anga na muda wa mijini ya azimio la mita 30 inayojumuisha kipindi cha 1990 hadi 2010. Licha ya uboreshaji unaoendelea wa azimio la anga, data ya usambazaji wa majengo kulingana na raster bado haiwezi kuelezea vitu vya anga , na kuongeza azimio huongeza sana gharama za hifadhi na kompyuta . 12 13 14 15 16 17 14 et al 7 18 12 Data ya usambazaji wa majengo katika umbizo la vector, pia inajulikana kama paa za majengo zilizowekwa kwenye vector au alama za majengo, ni data ya muhtasari ya jengo iliyotengwa kwenye ardhi katika mwonekano wa juu , , ambayo hutoa habari kama vile eneo la kijiografia, kiwango cha anga cha mipaka, na alama ya jengo moja. Watoa huduma za umma (k.m., Google Earth na OpenStreetMap) hutoa data ya paa za majengo zilizowekwa kwenye vector bila malipo na chanjo pana, sasisho za haraka, na gharama ya chini , , . Mnamo 2022, Microsoft Corporation ilitumia utenganishaji wa maana kulingana na mtandao wa neural wa kina ili kutoa muhtasari wa majengo milioni 777, baadhi yake ikiwa na sifa za urefu wa jengo, kulingana na Bing Maps (ikijumuisha picha za Maxar na Airbus) kutoka 2014 hadi 2021 kwa kila bara isipokuwa China. Mnamo Mei 30, 2023, Google ilitoa data ya michoro 1.8 bilioni ya alama za majengo iliyotolewa kutoka picha za setilaiti zenye azimio la juu la mita 0.5, ikifunika eneo la km2 milioni 58. Upungufu mdogo wa kurudia na muundo mfupi wa data ya vector iliyowakilishwa na vertex na njia hutoa usahihi wa juu wa kijiografia huru kutoka kwa saizi ya mesh, na utambulisho wa sheria za topolojia huongeza zaidi uadilifu wa data ya vector . 19 20 21 22 23 13 Kwa sababu ya kuongezeka kwa azimio la picha na kupungua kwa gharama za upatikanaji wa data, pamoja na maendeleo ya hivi karibuni katika algorithms za uchimbaji, azimio na chanjo ya data ya usambazaji wa majengo huendelea kuboreshwa . Uhalali wa picha zenye azimio la juu sana (VHR) umezesha uchimbaji wa alama za majengo kwa matumizi ya mbinu za jadi za vipengele vilivyotengenezwa kwa mikono  au mbinu za kina za kina . Kwani mbinu ya kwanza inakabiliwa na changamoto ya utofauti wa mwonekano na saizi za majengo, na sheria tata za vidole na mipangilio ya kiwango, inazuiwa inapotumika kwa picha za setilaiti za hali ya juu zenye ukubwa mkubwa . Mbinu za kina za kina (k.m., mitandao ya neural ya convolutional) zimeonyesha utendaji mzuri na bora katika kujifunza kiotomatiki vipengele vya kiwango cha juu na vya kutofautisha katika utenganishaji wa eneo la jengo. Sun  .  walipendekeza mkakati wa utangamano kulingana na mashine za usaidizi zinazofanana ili kutumia kikamilifu vipengele vya kina vilivyotolewa kutoka kwa miundo ya mitandao ya neural ya convolutional yenye kiwango mbalimbali kwa viwango tofauti, na utendaji bora katika kuchimba majengo magumu katika maeneo ya mijini. Hata hivyo, wakati wa kutenganisha majengo, usahihi wa modeli una uwezekano mkubwa wa kuzuiwa na ubora wa sampuli za mafunzo, na kufanya uhamishaji kuwa mgumu. Matumizi yasiyotosha ya maana za kiwango cha juu na kuachwa kwa maelezo ya kiwango cha chini katika modeli za kina, na kusababisha kutokuwepo kwa kingo na kuachwa kwa majengo madogo, pia huzuia matumizi ya kina cha kina katika uchimbaji wa alama za majengo. 24 25 13 26 et al 27 Mkoa wa Plateau ya Qinghai-Tibet ndio eneo lililo juu zaidi duniani, na urefu wa wastani wa zaidi ya mita 4000 juu ya usawa wa bahari, na unachukua eneo la milioni 2.5 km2  . Zaidi ya watu milioni 10 wanaishi katika eneo hilo licha ya hali yake mbaya ya hewa, majira ya baridi kali na ndefu, tofauti kubwa za kila siku na za kila mwaka za joto, na mazingira duni ya joto ya ndani. Ingawa eneo hili ndilo kizuizi kikubwa cha ikolojia nchini China , shughuli za kibinadamu zimeathiri sana mazingira yake dhaifu ya kiikolojia . Eneo hili pia linakabiliwa na majanga mengi, na matetemeko ya ardhi, maporomoko ya ardhi, matope, mafuriko ya kutoka kwa mabwawa ya barafu, na majanga ya theluji yakisababisha hasara ya vifo na mali , , . Kwa kujibu, data sahihi ya usambazaji wa majengo ni muhimu kwa kuunda usambazaji wa shughuli za kibinadamu kwa ajili ya utafiti wa binadamu-mazingira uliounganishwa , , pamoja na uchambuzi wa athari na hatari kwa majanga ya asili , . Kwa kuongezea, eneo hili lina masaa marefu ya jua, rasilimali nyingi za nishati ya jua, na nyuso za kutosha za ukusanyaji wa nishati ya jua kama vile paa na maeneo wazi , . Data ya usambazaji wa majengo vijijini yenye azimio la juu inaweza kutoa hifadhidata ya kuaminika kwa kutathmini uwezo wa kupata nishati ya jua na kuboresha kwa ufanisi viwango vya maisha vya wanaoishi katika maeneo ya vijijini , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Kama eneo ambalo halijaendelezwa, Plateau ya Qinghai-Tibet na maeneo yake jirani bado hazina seti kamili ya data ya paa za majengo zilizowekwa kwenye vector zenye usahihi wa hali ya juu, kwa sababu ya eneo lao kubwa, usambazaji mdogo wa majengo, eneo la mbali, na vikwazo vya rasilimali. Data inayoweza kutumika zaidi ni ile inayotolewa kwa kiwango cha kitaifa cha China, ambayo inajumuisha data ya eneo la paa za majengo la China (CBRA, Liu  ., 2023b) yenye gridi ya mita 2.5 na ramani ya kwanza ya kitaifa ya matumizi ya ardhi ya China yenye azimio la mita 1 (SinoLC) ambayo inajumuisha kategoria za majengo . Data hii ya raster haiwezi kuelezea vitu vya anga na inahitaji rasilimali kubwa za hifadhi. Data ya eneo la paa za majengo zilizowekwa kwenye vector kwa miji 90 mikubwa nchini China iliyotolewa na Zhang  .  ilijaza sehemu ya pengo hili; hata hivyo, ni miji 14 tu katika Plateau ya Qinghai-Tibet ilijumuishwa katika data hii, na data ya paa za majengo zilizowekwa kwenye vector bado haipo kwa eneo la milioni 2 km2. et al 42 et al 13 Kwa hiyo, utafiti huu unalenga kuzalisha picha za paa za majengo zilizowekwa kwenye vector za Plateau ya Qinghai-Tibet na mikoa yake jirani kwa kuunganisha picha za setilaiti zenye azimio la juu na algorithm ya kina ya kina. Data yetu ilithibitishwa kwa kutumia sampuli za majaribio zinazojumuisha gridi za km2 250×1 katika sehemu mbalimbali, na kusababisha usahihi wa jumla wa 91.92% na alama ya F1 ya 64.81%. Mbinu Mfumo Katika utafiti huu, tulitumia algorithms za uchimbaji wa majengo kutoka kwa jukwaa la AI Earth ili kuzalisha data ya paa za majengo zilizowekwa kwenye vector kwa Plateau ya Qinghai-Tibet na mkoa wake jirani nchini China (Mchoro  ). Vipengele vikuu vya mfumo wetu vilijumuisha: (1) maandalizi na usindikaji wa awali wa data ya setilaiti na data saidizi; (2) uchimbaji wa paa za majengo zilizowekwa kwenye vector kwa kutumia jukwaa la AI Earth; (3) uthibitisho kwa kutumia data ya paa za majengo zilizowekwa kwenye vector kwa mikono. 1    Mfumo wa uchimbaji na uthibitisho wa paa za majengo. Eneo la Utafiti Utafiti huu ulijikita zaidi katika Plateau ya Qinghai-Tibet na mikoa yake jirani kusini magharibi mwa China chini ya mfumo mkuu wa Mpango wa Pili wa Utafiti na Sayansi wa Sayansi wa Tibetan Plateau ; kijiografia, unajumuisha Mkoa unaojiendesha wa Tibet, Mikoa ya Qinghai, magharibi mwa Mkoa wa Yunnan, magharibi mwa Mkoa wa Sichuan, kusini magharibi mwa Mkoa wa Gansu, na kusini mwa Mkoa unaojiendesha wa Xinjiang. Urefu wa wastani wa eneo la utafiti ni mita 4000 juu ya usawa wa bahari. Usambazaji wa watu na majengo katika eneo la utafiti huathiriwa sana na urefu na hali ya hewa (Mchoro  ), zaidi ya yote unajilimbikizia mashariki ya mstari kutoka Kaunti ya Jilong huko Tibet hadi Kaunti ya Qilian huko Qinghai ; mashariki, wanajilimbikizia katika maeneo tambarare kando ya ukingo wa mashariki wa eneo hilo, ikijumuisha mabonde ya mto katika Mkoa wa Yunnan, magharibi mwa Mkoa wa Sichuan, na Bonde la Mto Njano la Xining-Lanzhou. Katika uso wa plateau magharibi mwa mstari, watu na majengo kwa kiasi kikubwa huonekana na maeneo madogo ya kilimo-ufugaji kando ya mabonde makuu ya mto, na kando ya njia za usafirishaji wa barabara. 43 2 44    Eneo la utafiti (data ya watu inatoka LandScan; DEM inatoka Kituo cha Data cha Rasilimali na Mazingira). Picha za Setilaiti Data ya picha za setilaiti zenye azimio la juu zinazopatikana kwa umma ilipatikana kutoka kwa Rivermap Co. ( ), ambayo ilipatikana kutoka kwa kuunganishwa kwa picha za setilaiti na data ya anga ya Google Earth. Kati ya hizi, picha za setilaiti zinatoka kwa setilaiti za kibiashara za DigitalGlobe za QuickBird na WorldView, na upigaji picha wa angani unatoka kwa BlueSky nchini Uingereza na Sanborn nchini Marekani . Kwa kila eneo, kulikuwa na makusanyo ya picha nyingi zenye azimio la hadi mita 0.15 katika maeneo yaliyo ndani. Uunganishaji kama huo wa data umetumika sana kwa utambuzi wa vitu katika maeneo magumu , , ,  na ina uwezo wa kupanga ramani kwa kiwango kikubwa cha aina za vitu zenye azimio la juu . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Jumla ya eneo la utafiti wetu ni milioni 3.06 km2, na saizi iliyokadiriwa ya data ya picha za setilaiti ni TB 29.4, na azimio la anga la mita 0.6. Kwa kuzingatia viwango hivi, gridi za 0.175° × 0.175° ziliundwa kwa ajili ya eneo letu la utafiti ili kuwezesha vifurushi vidogo kwa ajili ya upakuaji, na jumla ya gridi 10,033 zilitumiwa kufunika eneo lote la utafiti. Idadi halisi ya gridi zilizopakuliwa ilikuwa ndogo zaidi ya 5921 kwa sababu mbili. Kwanza, kwani sehemu kubwa ya eneo la utafiti inajumuisha maeneo ya makazi yasiyo ya binadamu ambapo majengo hayapo, tuliondoa kwa nasibu gridi ambazo hazikuwa na picha za eneo lililojengwa kutoka kwa bidhaa ya World Cover ya ESA. Pili, miji/majimbo ambayo data ya paa za majengo zilizowekwa kwenye vector (yaani, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong, na Yuxi) yamepatikana katika data ya eneo la paa za majengo zilizowekwa kwenye vector kwa miji 90 nchini China  pia yaliondolewa. Picha zilipakuliwa kati ya Septemba 2022 na Januari 2023, kwa azimio la mita 0.6, saizi ya fremu moja ya takriban GB 3, na jumla ya saizi ya TB 2.72. Picha zilizopakuliwa zilichukuliwa zaidi kutoka 2019 hadi 2021, lakini picha kutoka maeneo fulani ya mbali zinaweza kuchukuliwa mapema kama 2001 (Mchoro  ). 13 3    Grids kwa upakuaji wa picha na muda wa upigaji picha. Data Saidizi Data yetu saidizi ilijumuisha ramani za mwonekano wa ardhi zenye azimio la juu, modeli ya urefu wa kidijitali (DEM), index ya tofauti ya mimea (NDVI), na data ya usambazaji wa watu kwa uchambuzi wa nguzo unaofuata kwa ajili ya sampuli (Jedwali  ). 1 Kwa ajili ya mwonekano wa ardhi na eneo lililojengwa, bidhaa ya World Cover ya ESA kutoka Zanaga  .  ilitolewa kutoka Zenodo ( ). Bidhaa hiyo ilizalishwa kwa kuzingatia picha za setilaiti za Sentinel 1 na Sentinel 2 kwa mwaka mzima wa 2020 na sampuli ya maeneo ya kipekee 141,000 yaliyosambazwa kote ulimwenguni, yaliyofunzwa na algorithm ya random forest, ili kuwakilisha mwonekano wa ardhi duniani kwa mwaka 2020; ina faida katika kuwakilisha vipengele vya mazingira kwa kiwango kidogo (k.m., maeneo yaliyojengwa na mandhari changamano za kilimo), kwani inazingatia kitengo kidogo cha uchoraji wa ramani . Kategoria ya "iliyojengwa" katika data inarejelea ardhi iliyofunikwa na majengo, barabara, na miundo mingine iliyotengenezwa na binadamu (k.m., reli) lakini haijumuishi maeneo ya kijani ya mijini (k.m., m parks na vifaa vya michezo), amana za taka, na maeneo ya uchimbaji madini . et al 17 https://zenodo.org/records/5571936 51 17 Data ya 1-km DEM na data ya NDVI ilipatikana kutoka Kituo cha Data cha Rasilimali na Mazingira, Taasisi ya Jiografia na Rasilimali, Chuo Kikuu cha Sayansi cha China ( ). Data ya DEM imerejeshwa kutoka data ya hivi karibuni ya SRTM V4.1 ( ), na data ya NDVI imejumuishwa kulingana na bidhaa za SPOT/VEGETATION PROBA-V za km 1 ( https://www.resdc.cn/Default.aspx https://www.resdc.cn/data.aspx?DATAID=123 http://www.vito-eodata.be

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

Sauti hii imetolewa katika lugha asilia ya hadithi!

AI Inaainisha Majengo Milioni 13 Katika Mojawapo Ya Mikoa Ya Mbali Sana Duniani

About Author

MAONI

HANG TAGS

MAKALA HII ILIWASILISHWA NDANI

Related Stories

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Details of the Aerial Voyage.—Kennedy silenced

Jinsi $ TRUTH token ya Swarm Network inapanga kukabiliana na taarifa mbaya kupitia uhakiki wa Blockchain

Speed up Swift compile time

Master Crypto Security: Your Complete Guide to Safe Wallet Management

Details of the Aerial Voyage.—Kennedy silenced

Jinsi $ TRUTH token ya Swarm Network inapanga kukabiliana na taarifa mbaya kupitia uhakiki wa Blockchain

Speed up Swift compile time

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps