AI Mapping ช่วยระบุอาคาร 13 ล้านหลังในภูมิภาคที่ห่างไกลที่สุดแห่งหนึ่งของโลก

ผู้เขียน: เต๋า เย่ หงหยู ชาน จี้ตง อู๋ เชียง โจว หมิงฝู หม่า เวนจื่อ จ้าว รู ย่า หยวน เกา ลิเจิ้ง อู๋ บทคัดย่อ ข้อมูลการกระจายตัวของอาคารขนาดใหญ่ที่มีความแม่นยำสูงเป็นรากฐานสำคัญสำหรับการวางผังเมืองระดับภูมิภาค การจัดสรรทรัพยากร และการวิจัยความเสี่ยงจากภัยพิบัติ ที่ราบสูงชิงไห่-ทิเบตเป็นขั้วโลกที่สามของโลก แม้ว่าการทำความเข้าใจปฏิสัมพันธ์ระหว่างมนุษย์กับสิ่งแวดล้อมในท้องถิ่นบนที่ราบสูงชิงไห่-ทิเบตมีความสำคัญอย่างยิ่ง แต่ก็ถูกจำกัดด้วยการขาดข้อมูลรอยเท้าอาคารที่มีความละเอียดสูงเนื่องจากพื้นที่กว้างใหญ่และห่างไกล ในการศึกษานี้ เราได้สร้างแผนผังหลังคาอาคารแบบเวกเตอร์ชุดแรกของที่ราบสูงชิงไห่-ทิเบตและพื้นที่โดยรอบโดยใช้ภาพ Google ที่มีความละเอียดสูงและอัลกอริทึมการสกัดโครงร่างอาคารของแพลตฟอร์ม AI Earth ผลลัพธ์ของเราประกอบด้วยอาคาร 13.09 ล้านหลัง ครอบคลุมพื้นที่ 6092.7 ตร.กม. ซึ่งได้รับการตรวจสอบแล้วด้วยตัวอย่างทดสอบรวม 250 × 1 ตร.กม. ข้อมูลมีค่าความแม่นยำโดยรวม 87% ค่าการเรียกคืน 91.9% และค่า F1-score 64.8% จึงให้คำอธิบายการกระจายตัวของอาคารในพื้นที่ศึกษาที่ดีขึ้นเมื่อเทียบกับ CBRA งานของเรามีศักยภาพมหาศาลในการอำนวยความสะดวกในการประเมินการสัมผัสสำหรับงานวิจัยเกี่ยวกับความเสี่ยงจากภัยพิบัติในพื้นที่นี้ ข้อมูลเบื้องต้นและสรุป การเกิดขึ้นของยุคดิจิทัลได้เพิ่มความต้องการข้อมูลที่เชื่อถือได้เกี่ยวกับการกระจายตัวและคุณลักษณะของอาคาร , , ข้อมูลการกระจายตัวของอาคารให้ข้อมูลเชิงพื้นที่ที่สำคัญไม่เพียงแต่อาคารเท่านั้น แต่ยังรวมถึงประชากรและทรัพย์สินทางกายภาพด้วย ซึ่งทำหน้าที่เป็นตัวแทนที่ดีของกิจกรรมของมนุษย์ ในช่วงหลายทศวรรษที่ผ่านมา ข้อมูลการกระจายตัวของอาคารได้ถูกนำมาใช้อย่างแพร่หลายในการติดตามการพัฒนาในเมืองและชนบท , การทำความเข้าใจผลกระทบของการขยายตัวของเมืองต่อความมั่นคงทางอาหาร ความหลากหลายทางชีวภาพ การเปลี่ยนแปลงสภาพภูมิอากาศ และความเป็นอยู่ที่ดีต่อสุขภาพของสาธารณะ , การกำหนดกลยุทธ์การพัฒนาระดับภูมิภาค และการปกป้องระบบนิเวศในเมืองและชนบท , , . 1 2 3 4 5 6 7 8 9 10 11 การพัฒนาของภาพถ่ายดาวเทียมและภาพถ่ายทางอากาศ ควบคู่ไปกับความก้าวหน้าล่าสุดในอัลกอริทึมการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึก ได้ช่วยเพิ่มความพร้อมใช้งานของข้อมูลการกระจายตัวของอาคาร , , ข้อมูลการกระจายตัวของอาคารมีให้ในรูปแบบแรสเตอร์เป็นส่วนหนึ่งของข้อมูลการใช้ประโยชน์ที่ดิน/การปกคลุมที่ดิน การเผยแพร่ล่าสุดประกอบด้วยผลิตภัณฑ์การใช้ประโยชน์ที่ดิน/การปกคลุมที่ดินทั่วโลก 3 แบบที่ความละเอียด 10 เมตร ซึ่งอิงตามดาวเทียม Sentinel ได้แก่ Dynamic World (DW) ของ Google , Esri’s 2020 Land Cover , และ World Cover 2020 (WC) ของ European Space Agency (ESA) นอกจากข้อมูลการกระจายตัวเชิงพื้นที่แล้ว นักวิจัยยังพยายามที่จะเพิ่มข้อมูลคุณลักษณะให้กับพิกเซลอาคาร เช่น ความสูงของอาคาร ตัวอย่างเช่น He . ได้ใช้การหลอมรวมข้อมูลการสำรวจระยะไกลจากหลายแหล่งเพื่อสร้างชุดข้อมูลการขยายตัวเชิงพื้นที่และเวลาของเมืองที่ความละเอียด 30 เมตรชุดแรกของโลก ครอบคลุมช่วงปี 1990 ถึง 2010 แม้ว่าจะมีการปรับปรุงความละเอียดเชิงพื้นที่อย่างต่อเนื่อง แต่ข้อมูลการกระจายตัวของอาคารแบบแรสเตอร์ยังไม่สามารถอธิบายวัตถุเชิงพื้นที่ได้ และการเพิ่มความละเอียดจะเพิ่มต้นทุนการจัดเก็บและประมวลผลอย่างมาก . 12 13 14 15 16 17 14 et al 7 18 12 ข้อมูลการกระจายตัวของอาคารในรูปแบบเวกเตอร์ หรือที่เรียกว่าแผนผังหลังคาอาคารแบบเวกเตอร์หรือรอยเท้าอาคาร คือข้อมูลโครงร่างของอาคารที่ฉายลงบนพื้นดินในมุมมองจากด้านบน , ซึ่งให้ข้อมูล เช่น ตำแหน่งทางภูมิศาสตร์ ขอบเขตเชิงพื้นที่ของแนวขอบ และรอยเท้าของอาคารแต่ละหลัง ผู้ให้บริการสาธารณะ (เช่น Google Earth และ OpenStreetMap) ให้ข้อมูลแผนผังหลังคาอาคารแบบเวกเตอร์ที่เปิดให้เข้าถึงได้ โดยมีขอบเขตครอบคลุมกว้าง การอัปเดตที่รวดเร็ว และต้นทุนต่ำ , , ในปี 2022 Microsoft Corporation ได้ใช้วิธีการแบ่งส่วนตามความหมายที่ใช้โครงข่ายประสาทเทียมเชิงลึกเพื่อสกัดโครงร่างอาคาร 777 ล้านหลัง ซึ่งบางส่วนมีข้อมูลความสูงของอาคาร โดยอิงจาก Bing Maps (รวมภาพจาก Maxar และ Airbus) ตั้งแต่ปี 2014 ถึง 2021 สำหรับทุกทวีป ยกเว้นจีน เมื่อวันที่ 30 พฤษภาคม 2023 Google ได้เผยแพร่ชุดข้อมูลโครงร่างอาคาร 1.8 พันล้านหลัง ที่สกัดจากภาพถ่ายดาวเทียมความละเอียดสูง 0.5 เมตร ครอบคลุมพื้นที่ 58 ล้าน ตร.กม. ข้อมูลเวกเตอร์ที่แสดงด้วยจุดยอดและเส้นทาง ซึ่งมีความซ้ำซ้อนต่ำและโครงสร้างกะทัดรัด ให้ความแม่นยำทางภูมิศาสตร์ที่สูงขึ้นโดยไม่ขึ้นกับขนาดตาข่าย และการนำกฎทางโทโพโลยีมาใช้ช่วยเพิ่มความสมบูรณ์ของข้อมูลเวกเตอร์ . 19 20 21 22 23 13 เนื่องจากการเพิ่มขึ้นของความละเอียดของภาพถ่ายและการลดลงของต้นทุนการได้มาซึ่งข้อมูล ควบคู่ไปกับความก้าวหน้าล่าสุดในอัลกอริทึมการสกัด ข้อมูลการกระจายตัวของอาคารจึงได้รับการปรับปรุงความละเอียดและขอบเขตอย่างต่อเนื่อง ความเป็นไปได้ของภาพถ่ายความละเอียดสูงมาก (VHR) ได้เปิดใช้งานการสกัดรอยเท้าอาคารโดยการใช้วิธีการที่ใช้คุณลักษณะที่มนุษย์สร้างขึ้นแบบดั้งเดิม หรือวิธีการที่ใช้การเรียนรู้เชิงลึก เนื่องจากแนวทางแรกเผชิญกับความท้าทายของความหลากหลายของลักษณะอาคารและขนาด รวมถึงกฎและเกณฑ์การตั้งค่าที่ซับซ้อน จึงมีข้อจำกัดเมื่อนำไปใช้กับภาพถ่ายระยะไกลความละเอียดสูงขนาดใหญ่ วิธีการที่ใช้การเรียนรู้เชิงลึก (เช่น โครงข่ายประสาทเทียมแบบสังวัตนาการ) ได้แสดงประสิทธิภาพที่ดีและเหนือกว่าในการเรียนรู้คุณลักษณะระดับสูงและจำแนกได้โดยอัตโนมัติในการแบ่งส่วนฉากอาคาร Sun . ได้เสนอวิธีการหลอมรวมโดยใช้อัลกอริทึม support vector machine แบบขนาน เพื่อใช้ประโยชน์จากคุณลักษณะเชิงลึกที่สกัดจากโครงสร้างโครงข่ายประสาทเทียมแบบสังวัตนาการหลายระดับในขนาดต่างๆ โดยมีประสิทธิภาพเหนือกว่าในการสกัดอาคารที่ซับซ้อนในพื้นที่เมือง อย่างไรก็ตาม เมื่อแบ่งส่วนอาคาร ความแม่นยำของแบบจำลองมีแนวโน้มที่จะถูกจำกัดด้วยคุณภาพของตัวอย่างการฝึกอบรม ทำให้การประมาณค่าทำได้ยาก การใช้ประโยชน์จากความหมายระดับสูงไม่เพียงพอและการละเว้นรายละเอียดระดับต่ำในแบบจำลองเชิงลึก ซึ่งส่งผลให้ขอบเขตไม่ชัดเจนและอาคารขนาดเล็กหายไป ก็เป็นอุปสรรคต่อการนำการเรียนรู้เชิงลึกมาใช้ในการสกัดรอยเท้าอาคารเช่นกัน 24 25 13 26 et al 27 ภูมิภาคที่ราบสูงชิงไห่-ทิเบตเป็นพื้นที่ที่มีความสูงมากที่สุดในโลก โดยมีความสูงเฉลี่ยมากกว่า 4000 เมตรเหนือระดับน้ำทะเล และครอบคลุมพื้นที่ 2.5 ล้าน ตร.กม. ประชากรกว่า 10 ล้านคนอาศัยอยู่ในภูมิภาคนี้ แม้จะมีสภาพอากาศที่รุนแรง ฤดูหนาวที่หนาวเย็นและยาวนาน ความแตกต่างของอุณหภูมิรายปีและรายวันสูง และสภาพแวดล้อมภายในอาคารที่อบอุ่นไม่เพียงพอ แม้ว่าภูมิภาคนี้จะเป็นแนวป้องกันทางนิเวศวิทยาที่ใหญ่ที่สุดในประเทศจีน แต่กิจกรรมของมนุษย์ก็ส่งผลกระทบอย่างมากต่อระบบนิเวศที่เปราะบาง ภูมิภาคนี้ยังมีความเสี่ยงต่อภัยพิบัติสูงมาก เช่น แผ่นดินไหว ดินถล่ม โคลนถล่ม น้ำท่วมฉับพลันจากทะเลสาบน้ำแข็ง และภัยพิบัติหิมะ ซึ่งนำไปสู่การสูญเสียชีวิตและทรัพย์สิน , , เพื่อตอบสนองต่อสิ่งนี้ ข้อมูลการกระจายตัวของอาคารที่แม่นยำจึงมีความสำคัญอย่างยิ่งต่อการสร้างแบบจำลองการกระจายตัวของกิจกรรมมนุษย์สำหรับการศึกษาปฏิสัมพันธ์ระหว่างมนุษย์กับสิ่งแวดล้อม , รวมถึงการประเมินการสัมผัสและความเสี่ยงจากภัยธรรมชาติ , นอกจากนี้ ภูมิภาคนี้ยังมีชั่วโมงแดดที่ยาวนาน ทรัพยากรพลังงานแสงอาทิตย์ที่อุดมสมบูรณ์ และพื้นผิวที่เพียงพอสำหรับการรวบรวมพลังงานแสงอาทิตย์ เช่น หลังคาและพื้นที่เปิดโล่ง , ข้อมูลการกระจายตัวของอาคารในชนบทที่มีความละเอียดสูงสามารถจัดเตรียมฐานข้อมูลที่เชื่อถือได้สำหรับการประเมินศักยภาพพลังงานแสงอาทิตย์และปรับปรุงคุณภาพชีวิตของผู้ที่อาศัยอยู่ในพื้นที่ชนบทอย่างมีประสิทธิภาพ , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 เนื่องจากเป็นภูมิภาคที่ยังไม่ได้รับการพัฒนา ที่ราบสูงชิงไห่-ทิเบตและพื้นที่โดยรอบยังไม่มีข้อมูลแผนผังหลังคาอาคารแบบเวกเตอร์ที่มีความแม่นยำสูงครบถ้วน เนื่องจากมีพื้นที่กว้างใหญ่ การกระจายตัวของอาคารที่เบาบาง ตำแหน่งที่ห่างไกล และข้อจำกัดด้านทรัพยากร ข้อมูลที่พร้อมใช้งานมากที่สุดคือข้อมูลที่จัดทำในระดับประเทศของจีน ซึ่งรวมถึงข้อมูลพื้นที่หลังคาอาคารของจีน (CBRA, Liu ., 2023b) ที่มีความละเอียด 2.5 เมตร และแผนที่การปกคลุมที่ดินแห่งชาติชุดแรกของจีนที่มีความละเอียด 1 เมตร (SinoLC) ซึ่งรวมหมวดหมู่อาคารด้วย ข้อมูลแรสเตอร์เหล่านี้ไม่สามารถอธิบายวัตถุเชิงพื้นที่ได้และต้องการทรัพยากรจัดเก็บจำนวนมาก ข้อมูลพื้นที่หลังคาแบบเวกเตอร์สำหรับ 90 เมืองใหญ่ในประเทศจีนที่เผยแพร่โดย Zhang . ได้เติมเต็มช่องว่างนี้บางส่วน อย่างไรก็ตาม มีเพียง 14 เมืองในที่ราบสูงชิงไห่-ทิเบตเท่านั้นที่รวมอยู่ในชุดข้อมูลนี้ และข้อมูลแผนผังหลังคาอาคารแบบเวกเตอร์ยังคงขาดหายไปสำหรับพื้นที่ 2 ล้าน ตร.กม. et al 42 et al 13 ดังนั้น การศึกษานี้จึงมีวัตถุประสงค์เพื่อสร้างแผนผังหลังคาอาคารแบบเวกเตอร์ของที่ราบสูงชิงไห่-ทิเบตและภูมิภาคโดยรอบ โดยใช้การรวมภาพถ่ายดาวเทียมที่มีความละเอียดสูงและอัลกอริทึมการเรียนรู้เชิงลึก ชุดข้อมูลของเราได้รับการตรวจสอบโดยใช้ตัวอย่างทดสอบประกอบด้วยกริดขนาด 250 × 1 ตร.กม. ในภูมิภาคย่อยต่างๆ ส่งผลให้ค่าความแม่นยำโดยรวม 91.92% และค่า F1-score 64.81% วิธีการ โครงสร้าง ในการศึกษานี้ เราใช้อัลกอริทึมการสกัดอาคารจากแพลตฟอร์ม AI Earth เพื่อสร้างชุดข้อมูลหลังคาอาคารแบบเวกเตอร์สำหรับที่ราบสูงชิงไห่-ทิเบตและภูมิภาคโดยรอบในประเทศจีน (รูปที่ ) องค์ประกอบหลักของโครงสร้างของเราประกอบด้วย: (1) การเตรียมและการประมวลผลข้อมูลดาวเทียมและข้อมูลเสริม; (2) การสกัดหลังคาอาคารแบบเวกเตอร์โดยใช้แพลตฟอร์ม AI Earth; (3) การตรวจสอบโดยใช้ข้อมูลหลังคาที่เวกเตอร์ด้วยมือ 1 โครงสร้างสำหรับการสกัดและตรวจสอบหลังคาอาคาร พื้นที่ศึกษา การศึกษานี้มุ่งเน้นไปที่ที่ราบสูงชิงไห่-ทิเบตและภูมิภาคโดยรอบทางตะวันตกเฉียงใต้ของประเทศจีนภายใต้กรอบงานทั่วไปของโครงการสำรวจและวิจัยทางวิทยาศาสตร์ที่ราบสูงทิเบตครั้งที่สอง ในทางภูมิศาสตร์ รวมถึงเขตปกครองตนเองทิเบต มณฑลชิงไห่ มณฑลยูนนานตะวันตก มณฑลเสฉวนตะวันตก มณฑลกานซูตะวันตกเฉียงใต้ และเขตปกครองตนเองซินเจียงตอนใต้ ความสูงเฉลี่ยของพื้นที่ศึกษาคือ 4000 เมตรเหนือระดับน้ำทะเล การกระจายตัวของประชากรและอาคารในพื้นที่ศึกษาได้รับอิทธิพลอย่างมากจากระดับความสูงและสภาพอากาศ (รูปที่ ) โดยกระจุกตัวอยู่ทางตะวันออกของเส้นจากมณฑลจีล่งในทิเบตไปยังมณฑลฉีเหลียนในชิงไห่ ทางตะวันออก มีการกระจายตัวอย่างหนาแน่นในพื้นที่ราบชายขอบตะวันออกของภูมิภาค รวมถึงหุบเขาแม่น้ำในมณฑลยูนนาน มณฑลเสฉวนตะวันตก และแอ่งแม่น้ำเหลืองซีหนิง-หลานโจว ในพื้นผิวที่ราบทางตะวันตกของเส้นประชากรและอาคารส่วนใหญ่กระจายตัวอยู่ตามพื้นที่เกษตรกรรมและทุ่งหญ้าเลี้ยงสัตว์ที่จำกัดตามแนวหุบเขาแม่น้ำสายหลัก และตามแนวถนน 43 2 44 พื้นที่ศึกษา (ข้อมูลประชากรจาก LandScan; DEM จาก Resource and Environment Science and Data Centre) ภาพถ่ายดาวเทียม ข้อมูลภาพถ่ายดาวเทียมความละเอียดสูงที่เปิดให้เข้าถึงได้ ได้รับจาก Rivermap Co. ( ) ซึ่งได้มาจากการรวมภาพถ่ายดาวเทียมและข้อมูลการถ่ายภาพทางอากาศของ Google Earth ในจำนวนนี้ ภาพถ่ายดาวเทียมส่วนใหญ่มาจากดาวเทียมเชิงพาณิชย์ QuickBird และ WorldView ของ DigitalGlobe และการถ่ายภาพทางอากาศมาจาก BlueSky ในสหราชอาณาจักร และ Sanborn ในสหรัฐอเมริกา สำหรับแต่ละตำแหน่ง มีการรวบรวมภาพถ่ายหลายภาพที่มีความละเอียดสูงถึง 0.15 เมตร ในพื้นที่เฉพาะ การรวมข้อมูลดังกล่าวได้ถูกนำมาใช้อย่างแพร่หลายสำหรับการจดจำวัตถุในฉากที่ซับซ้อน , , , และมีศักยภาพในการทำแผนที่ประเภทวัตถุความละเอียดสูงขนาดใหญ่ . http://www.rivermap.cn/index.html 45 46 47 48 49 50 พื้นที่ศึกษาทั้งหมดของเรามีขนาด 3.06 ล้าน ตร.กม. และขนาดข้อมูลภาพถ่ายดาวเทียมโดยประมาณคือ 29.4 TB โดยมีความละเอียดเชิงพื้นที่ 0.6 เมตร เมื่อพิจารณาขนาดเหล่านี้ จึงได้สร้างกริด 0.175° × 0.175° สำหรับพื้นที่ศึกษาของเรา เพื่อให้สามารถจัดแพ็คเกจขนาดเล็กสำหรับการดาวน์โหลด โดยใช้กริดทั้งหมด 10,033 กริดเพื่อครอบคลุมพื้นที่ศึกษาทั้งหมด จำนวนกริดที่ดาวน์โหลดจริงน้อยกว่า คือ 5921 กริด ด้วยเหตุผลสองประการ ประการแรก เนื่องจากพื้นที่ส่วนใหญ่ของพื้นที่ศึกษาประกอบด้วยพื้นที่ที่ไม่ใช่ที่อยู่อาศัยของมนุษย์ซึ่งไม่มีอาคาร เราจึงได้ละเว้นกริดที่ไม่มีพิกเซลพื้นที่ก่อสร้างโดยพลการออกจากผลิตภัณฑ์ World Cover ของ ESA ประการที่สอง เมือง/เขตที่มีข้อมูลพื้นที่หลังคาแบบเวกเตอร์ (เช่น ลาซา, ซานหนาน, คุนหมิง, ซีหนิง, ไห่ตง, จางเย่, ไป๋อิ่น, หลานโจว, เฉิงตู, ต้าลี่, ลี่เจียง, คุนหมิง, จ้าวทง, และหยู่ซี) ได้ถูกดึงออกมาแล้วในข้อมูลพื้นที่หลังคาแบบเวกเตอร์สำหรับ 90 เมืองในประเทศจีน ก็ถูกละเว้นเช่นกัน ภาพถ่ายถูกดาวน์โหลดในช่วงเดือนกันยายน 2022 ถึงมกราคม 2023 โดยมีความละเอียด 0.6 เมตร ขนาดเฟรมเดียวประมาณ 3 GB และขนาดรวม 2.72 TB ภาพถ่ายที่ดาวน์โหลดส่วนใหญ่ถ่ายในช่วงปี 2019 ถึง 2021 แต่ภาพถ่ายจากพื้นที่ห่างไกลบางแห่งอาจถ่ายตั้งแต่ปี 2001 (รูปที่ ). 13 3 กริดสำหรับการดาวน์โหลดภาพถ่ายและเวลาถ่ายภาพ ข้อมูลเสริม ข้อมูลเสริมของเราประกอบด้วยแผนที่การปกคลุมที่ดินความละเอียดสูง แบบจำลองระดับความสูงดิจิทัล (DEM) ดัชนีพืชพรรณปกติ (NDVI) และข้อมูลการกระจายตัวของประชากรสำหรับการวิเคราะห์กลุ่มเพื่อวัตถุประสงค์ในการสุ่มตัวอย่าง (ตารางที่ ) 1 สำหรับพื้นที่ปกคลุมที่ดินและพื้นที่ก่อสร้าง ผลิตภัณฑ์ World Cover ของ ESA จาก Zanaga . ได้รับจาก Zenodo ( ) ผลิตภัณฑ์นี้ถูกสร้างขึ้นโดยอิงจากภาพถ่ายดาวเทียม Sentinel 1 และ Sentinel 2 สำหรับทั้งปี 2020 และตัวอย่าง 141,000 ตำแหน่งที่ไม่ซ้ำกันทั่วโลก ฝึกอบรมด้วยอัลกอริทึม random forest เพื่อแสดงการปกคลุมที่ดินทั่วโลกในปี 2020 มันมีข้อได้เปรียบในการแสดงองค์ประกอบภูมิทัศน์ที่มีรายละเอียด (เช่น พื้นที่ก่อสร้างและภูมิทัศน์เกษตรกรรมที่ซับซ้อน) เนื่องจากพิจารณาหน่วยการทำแผนที่ขั้นต่ำที่ค่อนข้างเล็ก หมวดหมู่ “พื้นที่ก่อสร้าง” ในชุดข้อมูลหมายถึงพื้นที่ที่ปกคลุมด้วยอาคาร ถนน และโครงสร้างที่มนุษย์สร้างขึ้นอื่นๆ (เช่น ทางรถไฟ) แต่ไม่รวมถึงพื้นที่สีเขียวในเมือง (เช่น สวนสาธารณะและสนามกีฬา) กองขยะ และแหล่งขุด . et al 17 https://zenodo.org/records/5571936 51 17 ข้อมูล DEM ขนาด 1 กม. และข้อมูล NDVI ได้รับจาก Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ) ข้อมูล DEM ถูกปรับขนาดจากข้อมูล SRTM V4.1 ล่าสุด ( ) และข้อมูล NDVI ถูกรวมเข้าด้วยกันโดยอิงจากผลิตภัณฑ์ SPOT/VEGETATION PROBA-V ขนาด 1 กม. ( ) เราเลือกข้อมูล NDVI ของปี 2021 เพื่อแสดงถึงพืชพรรณบนที่ราบสูงชิงไห่-ทิเบต ( ) ข้อมูลความหนาแน่นประชากรได้รับจากฐานข้อมูล LandScan ( ) สำหรับการวิเคราะห์สถิติทั่วโลกที่พัฒนาโดย U.S. Department of Energy’s Oak Ridge National Laboratory และจัดทำโดย East View Cartographic ( ); ข้อมูลเหล่านี้ถูกสร้างขึ้นโดยการรวมวิทยาศาสตร์ภูมิสารสนเทศ เทคโนโลยีการสำรวจระยะไกล และอัลกอริทึมการเรียนรู้ของเครื่อง ซึ่งเป็นหนึ่งในฐานข้อมูลวิเคราะห์สถิติพลวัตประชากรโลกที่แม่นยำและน่าเชื่อถือที่สุด โดยอิงตามตำแหน่งทางภูมิศาสตร์ และมีความละเอียดเหนือกว่าที่ 1 กม. เราใช้การกระจายตัวของประชากรในปี 2021 สำหรับการวิเคราะห์กลุ่มต่อไป 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 การประมวลผลข้อมูลเบื้องต้น การกระจายตัวของประชากรและอาคารนั้นกระจายตัวอยู่ในพื้นที่ศึกษาของเราส่วนใหญ่ โดยกว่า 99.5% ของพื้นที่ศึกษาถูกจัดประเภทเป็นพื้นที่ที่ไม่ใช่พื้นที่ก่อสร้างตามผลิตภัณฑ์ World Cover ของ ESA เพื่อเร่งการสกัดของเรา เราได้สร้างมาสก์ของพื้นที่การกระจายตัวของอาคารที่อาจเกิดขึ้นสำหรับกริด 0.175° × 0.175° แต่ละกริดก่อนการสกัด โดยอิงตามหมวดหมู่ “พื้นที่ก่อสร้าง” ในข้อมูล World Cover ได้สร้างบัฟเฟอร์โซน 1 กม. รอบพิกเซลพื้นที่ก่อสร้างแต่ละพิกเซล เพื่อเป็นพื้นที่การกระจายตัวของอาคารที่อาจเกิดขึ้น หลังจากทดสอบความกว้างของบัฟเฟอร์โซนหลายครั้ง เราพบว่าความกว้าง 1 กม. สามารถรอง 17