
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Mga May-akda: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Buod Ang malakihang high-precision na data ng pamamahagi ng gusali ay mahalagang pundasyon para sa panrehiyong pagpaplano ng lungsod at paglalaan ng mapagkukunan at pananaliksik sa panganib ng kalamidad. Ang Qinghai-Tibetan Plateau ay ang ikatlong poste ng mundo. Bagaman ang pag-unawa sa lokal na interaksyon ng tao-kalikasan sa Qinghai-Tibetan Plateau ay kritikal na mahalaga, ito ay nahadlangan ng kakulangan ng high-resolution na data ng gusali dahil sa lawak at pagiging liblib ng lugar. Sa pag-aaral na ito, nilikha namin ang unang vectorized na mga footprint ng bubong ng gusali ng Qinghai-Tibetan Plateau at mga nakapalibot na lugar nito sa pamamagitan ng paggamit ng high-resolution na Google imagery at ang algorithm ng pagkuha ng contour ng gusali ng AI Earth platform. Kasama sa aming mga resulta ang 13.09 milyong gusali na sumasaklaw sa 6092.7 km2, na napatunayan gamit ang kabuuang 250 × 1 km2 na mga test sample. Ang data ay may pangkalahatang accuracy na 87%, recall na 91.9%, at F1 score na 64.8%, sa gayon ay nagbibigay ng advanced na paglalarawan ng pamamahagi ng gusali ng pinag-aaralang lugar kumpara sa CBRA. Ang aming trabaho ay may napakalaking potensyal sa pagpapadali ng pagtatasa ng exposure para sa mga pag-aaral sa panganib ng kalamidad sa lugar na ito. Background & Buod Ang pagdating ng digital na panahon ay nagpataas ng demand para sa maaasahang data sa pamamahagi at mga katangian ng gusali , , . Ang data ng pamamahagi ng gusali ay nagbibigay ng mahalagang impormasyong pang-espasyo hindi lamang ng mga gusali kundi pati na rin ng populasyon at pisikal na ari-arian , nagsisilbing magandang proxy para sa aktibidad ng tao. Sa mga nakalipas na dekada, ang data ng pamamahagi ng gusali ay malawakang ginagamit sa pagsubaybay sa pag-unlad ng urban at rural , , pag-unawa sa mga epekto ng urbanisasyon sa seguridad sa pagkain, biodiversity, pagbabago ng klima, at pampublikong kapakanan at kalusugan , , pagbuo ng mga estratehiya sa pag-unlad ng rehiyon, at pagprotekta sa mga urban at rural na ekosistema , , . 1 2 3 4 5 6 7 8 9 10 11 Ang pag-unlad ng satellite-based at airborne imagery, kasama ang mga kamakailang pag-unlad sa machine learning at deep learning algorithms, ay nagpalakas sa availability ng data ng pamamahagi ng gusali , , . Ang data ng pamamahagi ng gusali ay ibinigay sa raster format bilang bahagi ng land use/cover data. Ang pinaka-up-to-date na release ay nagsasama ng tatlong 10-m global land use/cover products batay sa Sentinel satellites, lalo na ang Google’s Dynamic World (DW) , Esri’s 2020 Land Cover , at World Cover 2020 (WC) ng European Space Agency (ESA) . Bukod sa spatial distribution information, ang mga mananaliksik ay sinusubukan ding magdagdag ng attribute information sa building pixels, tulad ng taas ng gusali . Halimbawa, He  .  ay gumamit ng multi-source remote sensing data fusion upang buuin ang unang 30-m-resolution na urban three-dimensional spatial at temporal sprawl dataset ng mundo na sumasaklaw sa panahon mula 1990 hanggang 2010. Sa kabila ng patuloy na pagpapabuti ng spatial resolution, ang raster-based building distribution data ay hindi pa rin mailalarawan ang mga spatial na bagay , at ang pagtaas ng resolution ay lubos na nagpapataas ng storage at computing costs . 12 13 14 15 16 17 14 et al 7 18 12 Ang building distribution data sa vector format, na kilala rin bilang vectorized building rooftop o building footprints, ay ang outline data ng isang gusali na nakaproyekto sa lupa sa isang overhead view , , na nagbibigay ng impormasyon tulad ng geographic location, spatial extent ng mga hangganan, at footprint ng isang indibidwal na gusali. Ang mga public service provider (hal., Google Earth at OpenStreetMap) ay nagbibigay ng open-access vectorized building rooftop data na may malawak na saklaw, mabilis na pag-update, at mababang gastos , , . Noong 2022, ang Microsoft Corporation ay gumamit ng deep neural network–based semantic segmentation upang kunin ang mga outline ng 777 milyong gusali, ang ilan dito ay naglalaman ng building height attributes, batay sa Bing Maps (kasama ang Maxar at Airbus imagery) mula 2014 hanggang 2021 para sa bawat kontinente maliban sa China. Noong Mayo 30, 2023, inilabas ng Google ang isang dataset ng 1.8 bilyong building outline na kinuha mula sa 0.5-m high-resolution satellite imagery, na sumasaklaw sa isang lugar na 58 milyong km2. Ang mababang redundancy at compact na istraktura ng vector data na kinakatawan ng mga vertices at path ay nagbibigay ng mas mataas na geographic accuracy na independiyente sa mesh size, at ang pagpapakilala ng topological rules ay higit na nagpapabuti sa integridad ng vector data . 19 20 21 22 23 13 Dahil sa pagtaas ng imagery resolution at pagbaba ng mga gastos sa pagkuha ng data, kasama ang mga kamakailang pag-unlad sa mga extraction algorithm, ang resolution at saklaw ng building distribution data ay patuloy na bumubuti . Ang viability ng very-high-resolution (VHR) na mga imahe ay nagbigay-daan sa pagkuha ng building footprints sa pamamagitan ng aplikasyon ng tradisyonal na hand-crafted feature-based methods  o deep learning–based methods . Habang ang dating approach ay nahaharap sa hamon ng diversity ng building appearances at sizes, at kumplikadong mga patakaran at threshold settings, ito ay limitado kapag inilalapat sa malakihang high-resolution remote sensing images . Ang deep learning–based methods (hal., convolutional neural networks) ay nagpakita ng epektibo at superior na performance sa awtomatikong pag-aaral ng high-level at discriminative features sa building scene segmentation. Sun  .  ay nagmungkahi ng isang fusion strategy batay sa parallel support vector machines upang lubos na magamit ang deep features na nakuha mula sa multi-scale convolutional neural network structures sa iba't ibang scales, na may superior performance sa pagkuha ng kumplikadong mga gusali sa mga urban na lugar. Gayunpaman, kapag nagse-segment ng mga gusali, ang accuracy ng modelo ay mas malamang na mahadlangan ng kalidad ng mga training samples, na ginagawang mahirap ang extrapolation. Ang hindi sapat na paggamit ng high-level semantics at pagtanggal ng low-level details sa deep models, na nagreresulta sa edge-blurring at small-building omissions, ay humahadlang din sa aplikasyon ng deep learning sa pagkuha ng building footprints. 24 25 13 26 et al 27 Ang rehiyon ng Qinghai-Tibetan Plateau ay ang pinakamataas na lugar sa mundo, na may average na elevation na >4000 metro sa ibabaw ng dagat, at sumasaklaw sa isang lugar na 2.5 milyong km2  . Mahigit sa 10 milyong tao ang naninirahan sa rehiyon sa kabila ng matinding klima nito, malamig at mahabang taglamig, malaking taunan at pang-araw-araw na pagkakaiba sa temperatura, at mahinang kapaligiran sa loob ng bahay. Bagaman ang rehiyong ito ang pinakamalaking ecological barrier sa China , ang aktibidad ng tao ay malaki ang epekto sa marupok na eco-environment nito . Ang rehiyong ito ay madalas ding tamaan ng mga sakuna, na may mga lindol, landslide, mudslide, pagbaha mula sa glacial lake outburst, at snow disasters na nagreresulta sa pagkawala ng buhay at ari-arian , , . Bilang tugon, ang tumpak na data ng pamamahagi ng gusali ay kritikal para sa pagmomodelo ng pamamahagi ng aktibidad ng tao para sa pinagsamang pag-aaral ng tao-kalikasan , , pati na rin ang pagtatasa ng exposure at panganib para sa mga natural na kalamidad , . Bukod pa rito, ang rehiyong ito ay may mahabang oras ng sikat ng araw, maraming solar energy resources, at sapat na mga ibabaw para sa pagkolekta ng solar energy tulad ng mga bubong at bukas na espasyo , . Ang high-resolution na rural building distribution data ay maaaring magbigay ng maaasahang database para sa pagtatasa ng photovoltaic potential at epektibong pagpapabuti ng antas ng pamumuhay ng mga naninirahan sa mga rural na lugar , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Bilang isang underdeveloped na rehiyon, ang Qinghai-Tibetan Plateau at ang mga karatig na lugar nito ay wala pa ring kumpletong set ng high-precision vectorized building rooftop data, dahil sa kanilang malawak na lugar, kakaunting pamamahagi ng gusali, liblib na lokasyon, at mga limitasyon sa mapagkukunan. Ang pinaka-handang gamitin na data ay ang mga ibinigay sa national scale ng China, na kinabibilangan ng 2.5-m gridded China Building Rooftop Area data (CBRA, Liu  ., 2023b) at unang national land cover map ng China na may 1-m resolution (SinoLC) na naglalaman ng mga kategorya ng gusali . Ang mga raster data na ito ay hindi kayang mailarawan ang mga spatial na bagay at nangangailangan ng malaking storage resources. Ang vectorized rooftop area data para sa 90 pangunahing lungsod sa China na inilabas ni Zhang  .  ay bahagyang napuno ang puwang na ito; gayunpaman, 14 na lungsod lamang sa Qinghai-Tibetan Plateau ang kasama sa dataset na ito, at ang vectorized building rooftop data ay wala pa rin para sa isang lugar na 2 milyong km2. et al 42 et al 13 Samakatuwid, ang pag-aaral na ito ay naglalayong bumuo ng vectorized building rooftop prints ng Qinghai-Tibetan Plateau at ang mga karatig na rehiyon nito sa pamamagitan ng pagsasama ng high-resolution satellite imagery at deep learning algorithm. Ang aming dataset ay napatunayan gamit ang mga test sample na binubuo ng 250 × 1 km2 grids sa iba't ibang sub-rehiyon, na nagreresulta sa isang pangkalahatang accuracy na 91.92% at isang F1 score na 64.81%. Mga Paraan Balangkas Sa pag-aaral na ito, ginamit namin ang mga algorithm sa pagkuha ng gusali mula sa AI Earth platform upang makabuo ng isang vectorized building rooftop dataset para sa Qinghai-Tibetan Plateau at ang karatig nitong rehiyon sa China (Fig.  ). Ang mga pangunahing bahagi ng aming balangkas ay kinabibilangan ng: (1) paghahanda at preprocessing ng satellite data at auxiliary data; (2) vectorized building rooftop extraction gamit ang AI Earth platform; (3) validation gamit ang manually vectorized rooftop data. 1    Ang balangkas para sa pagkuha at validation ng building rooftop. Pinag-aaralang lugar Ang pag-aaral na ito ay pangunahing nakatuon sa Qinghai-Tibetan Plateau at ang mga karatig na rehiyon nito sa timog-kanlurang China sa ilalim ng pangkalahatang balangkas ng ikalawang Tibetan Plateau Scientific Expedition and Research Program ; sa heograpikal na paraan, kasama dito ang Tibetan Autonomous Region, Qinghai Provinces, kanlurang Yunnan Province, kanlurang Sichuan Province, timog-kanlurang Gansu Province, at timog Xinjiang Autonomous Region. Ang average na elevation ng pinag-aaralang lugar ay 4000 metro sa ibabaw ng dagat. Ang pamamahagi ng populasyon at mga gusali sa pinag-aaralang lugar ay lubos na naiimpluwensyahan ng elevation at klima (Fig.  ), pangunahing nakatuon sa silangan ng linya mula sa Jilong County sa Tibet hanggang Qilian County sa Qinghai ; sa silangan, sila ay nakakalat nang siksikan sa mga kapatagan sa silangang gilid ng rehiyon, kabilang ang mga lambak ng ilog sa Yunnan Province, kanlurang Sichuan Province, at ang Xining-Lanzhou Yellow River Basin. Sa ibabaw ng talampas sa kanluran ng linya, ang populasyon at mga gusali ay karamihan ay nakakalat sa mga limitadong lugar ng agrikultura sa kahabaan ng mga pangunahing lambak ng ilog, at sa kahabaan ng mga koridor ng kalsada. 43 2 44    Pinag-aaralang lugar (ang datos ng populasyon ay mula sa LandScan; ang DEM ay mula sa Resource and Environment Science and Data Centre). Satellite imagery Ang open-access high-resolution satellite image data ay nakuha mula sa Rivermap Co. ( ), na nakuha mula sa integrasyon ng Google Earth ng satellite imagery at aerial data. Kabilang sa mga ito, ang satellite imagery ay pangunahing nagmumula sa DigitalGlobe’s QuickBird at WorldView commercial satellites, at ang aerial photography ay mula sa BlueSky sa UK at Sanborn sa US . Para sa bawat lokasyon, mayroong mga koleksyon ng maraming imagery na may resolusyon na hanggang 0.15 m sa mga lokal na lugar. Ang ganitong data integration ay malawakang ginamit para sa object recognition sa mga kumplikadong eksena , , ,  at may potensyal para sa malakihang high-resolution mapping ng mga uri ng bagay . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Ang kabuuang lawak ng aming pinag-aaralang lugar ay 3.06 milyong km2, at ang tinatayang laki ng satellite image data ay 29.4 TB, na may spatial resolution na 0.6 m. Isinasaalang-alang ang mga sukat na ito, ang 0.175° × 0.175° fishnets ay nilikha para sa aming pinag-aaralang lugar upang paganahin ang mas maliit na sukat ng mga pakete para sa pag-download, na may kabuuang 10,033 fishnets na ginamit upang masakop ang buong pinag-aaralang lugar. Ang aktwal na bilang ng mga fishnets na na-download ay mas maliit sa 5921 dahil sa dalawang dahilan. Una, dahil ang malaking bahagi ng pinag-aaralang lugar ay binubuo ng mga lugar na hindi tirahan ng tao kung saan walang gusali, arbitraryo naming inalis ang mga fishnets na walang anumang built-up area pixels mula sa ESA World Cover product. Pangalawa, ang mga lungsod/prepektura na ang vectorized rooftop data (ibig sabihin, Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong, at Yuxi) ay nakuha na sa vectorized rooftop area data para sa 90 lungsod sa China  ay inalis din. Ang mga imahe ay na-download noong Setyembre 2022 at Enero 2023, na may resolusyon na 0.6 m, isang solong frame size na humigit-kumulang 3 GB, at isang kabuuang laki na 2.72 TB. Ang mga imahe na na-download ay pangunahing kinuha mula 2019 hanggang 2021, ngunit ang mga imahe mula sa ilang liblib na lugar ay maaaring nakuha noong maagang bahagi ng 2001 (Fig.  ). 13 3    Mga Fishnet para sa pag-download ng imahe at oras ng pagkuha ng imahe. Auxiliary data Ang aming auxiliary data ay kinabibilangan ng high-resolution land cover maps, digital elevation model (DEM), normalized difference vegetation index (NDVI), at population distribution data para sa kasunod na cluster analysis para sa layunin ng sampling (Table  ). 1 Para sa land cover at built-up area, ang ESA’s World Cover product mula kay Zanaga  .  ay nakuha mula sa Zenodo ( ). Ang produkto ay nabuo batay sa Sentinel 1 at Sentinel 2 satellite imagery para sa buong taon ng 2020 at isang sample ng 141,000 natatanging lokasyon na nakakalat sa buong mundo, na sinanay gamit ang random forest algorithm, upang kumatawan sa global land cover noong 2020; mayroon itong kalamangan sa paglalarawan ng fine-scale landscape elements (hal., built-up areas at kumplikadong agricultural landscapes), dahil isinasaalang-alang nito ang medyo maliit na minimum mapping unit . Ang "built-up" na kategorya sa dataset ay tumutukoy sa lupang sakop ng mga gusali, kalsada, at iba pang mga istrukturang gawa ng tao (hal., riles) ngunit hindi kasama ang mga urban green space (hal., parke at sports facilities), mga landfill deposit, at mga mining site . et al 17 https://zenodo.org/records/5571936 51 17 Ang 1-km DEM data at NDVI data ay nakuha mula sa Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ). Ang DEM data ay resampled mula sa pinakabagong SRTM V4.1 data ( ), at ang NDVI data ay pinagsama batay sa SPOT/VEGETATION PROBA-V 1-km products ( ). Pinili namin ang NDVI data ng 2021 upang kumatawan sa vegetation sa Qinghai-Tibetan Plateau ( ). Ang population density data ay nakuha mula sa LandScan database ( ) para sa global vital statistics analysis na binuo ng U.S. Department of Energy’s Oak Ridge National Laboratory at ibinigay ng East View Cartographic ( ); ang data na ito ay nabuo sa pamamagitan ng pagsasama ng geospatial science, remote sensing technology, at machine learning algorithms, na kumakatawan sa isa sa mga pinaka-tumpak at maaasahang global population dynamic statistical analysis databases batay sa geographic location, na may superior resolution sa 1 km . Ginamit namin ang population distribution noong 2021 para sa kasunod na cluster analysis. 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 Data pre-processing Ang pamamahagi ng populasyon at mga gusali ay nakakalat para sa karamihan ng aming pinag-aaralang lugar, na may higit sa 99.5% ng pinag-aaralang lugar na nakategorya bilang non-built-up areas ayon sa ESA’s World Cover product . Upang mapabilis ang aming pagkuha, ang mga maskara ng potensyal na lugar ng pamamahagi ng gusali ay unang nabuo para sa bawat 0.175° × 0.175° fishnet bago ang pagkuha. Batay sa "Built-up" na kategorya sa World Cover data, ang isang 1-km buffer zone sa paligid ng bawat built-up area pixel ay nabuo bilang potensyal na lugar ng pamamahagi ng gusali. Pagkatapos sub 17

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

Ang audio na ito ay ginawa sa orihinal na wika ng kuwento!

AI Nagmamapa ng 13 Milyong Gusali sa Isa sa Pinakamalayong Rehiyon sa Mundo

About Author

MGA KOMENTO

HANG TAGS

ANG ARTIKULONG ITO AY IPINAKITA SA

Related Stories

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Hosting a DNS domain on the blockchain

COVID-19: We Need More Than Data, We Need Insights!

State of the Noonion: The Year of Profitability and Product Renaissance

How I deployed my spark document classification(Logistic Regression) model/s as a standalone app…

Hosting a DNS domain on the blockchain

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps