```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Yazarlar: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Özet Bölgesel kentsel planlama, kaynak tahsisi ve afet riski araştırmaları için büyük ölçekli, yüksek hassasiyetli bina dağılım verileri önemli bir temel oluşturmaktadır. Qinghai-Tibet Platosu dünyanın üçüncü kutbudur. Qinghai-Tibet Platosu'ndaki yerel insan-çevre etkileşimlerini anlamak kritik öneme sahip olsa da, alanın enginliği ve uzaklığı nedeniyle yüksek çözünürlüklü bina ayak izi verilerinin eksikliği bu durumu engellemiştir. Bu çalışmada, yüksek çözünürlüklü Google görüntüleri ve AI Earth platformunun bina kontürü çıkarma algoritması kullanılarak Qinghai-Tibet Platosu ve çevresindeki alanların ilk vektörleştirilmiş bina çatısı ayak izlerini ürettik. Sonuçlarımız, 250 x 1 km²'lik toplam test örneğiyle doğrulanan 6092,7 km²'lik alanı kapsayan 13,09 milyon bina içermektedir. Veriler, %87 genel doğruluk, %91,9 geri çağırma ve %64,8 F1 puanı elde ederek, CBRA'ya kıyasla çalışma alanının bina dağılımının gelişmiş bir açıklamasını sunmaktadır. Çalışmamız, bu alandaki doğal afetler üzerine yapılan çalışmalar için maruz kalma değerlendirmesini kolaylaştırma potansiyeline sahiptir. Arka Plan ve Özet Dijital çağın başlamasıyla birlikte güvenilir bina dağılımı ve nitelikleri verilerine olan talep artmıştır , , . Bina dağılım verileri, yalnızca binaların değil, aynı zamanda nüfusun ve fiziksel varlıkların da önemli mekansal bilgilerini sağlar  ve insan aktivitesinin iyi bir göstergesi olarak hizmet eder. Son yıllarda, bina dağılım verileri kentsel ve kırsal kalkınmanın izlenmesinde , , kentleşmenin gıda güvenliği, biyoçeşitlilik, iklim değişikliği ve halk sağlığı ve sağlığı üzerindeki etkilerini anlamada , , bölgesel kalkınma stratejileri oluşturmada ve kentsel ve kırsal ekosistemleri korumada , ,  yaygın olarak kullanılmıştır. 1 2 3 4 5 6 7 8 9 10 11 Uydu tabanlı ve hava görüntüleme teknolojilerindeki ilerlemeler, makine öğrenmesi ve derin öğrenme algoritmalarındaki son gelişmelerle birlikte bina dağılım verilerinin kullanılabilirliğini artırmıştır , , . Bina dağılım verileri, arazi kullanım/örtü verilerinin bir parçası olarak raster formatında sağlanmıştır. En güncel sürüm, Sentinel uyduları temelinde on metre çözünürlüklü üç küresel arazi kullanım/örtü ürünü içermektedir: Google'ın Dinamik Dünya (DW) , Esri'nin 2020 Arazi Örtüsü  ve Avrupa Uzay Ajansı'nın (ESA) Dünya Örtüsü 2020 (WC) . Mekansal dağılım bilgisinin yanı sıra araştırmacılar, bina yüksekliği gibi özellik bilgilerini de bina piksellerine eklemeye çalışmaktadırlar . Örneğin, He . , 1990-2010 dönemini kapsayan dünyanın ilk 30 metre çözünürlüklü kentsel üç boyutlu mekansal ve zamansal yayılım veri kümesini oluşturmak için çok kaynaklı uzaktan algılama verisi füzyonunu kullanmıştır. Mekansal çözünürlükteki sürekli iyileşmelere rağmen, raster tabanlı bina dağılım verileri hala mekansal nesneleri tanımlayamaz  ve çözünürlüğü artırmak depolama ve hesaplama maliyetlerini büyük ölçüde artırır . 12 13 14 15 16 17 14  ve ark 7 18 12 Vektör formatındaki bina dağılım verileri, bina çatısı ayak izleri veya bina ayak izleri olarak da bilinir, bir binanın yer üzerine yansıtılan dış hat verileridir ve bir binanın coğrafi konumunu, sınırlarının mekansal uzantısını ve tekil bir binanın ayak izini sağlarlar , . Kamu hizmeti sağlayıcıları (örneğin, Google Earth ve OpenStreetMap), geniş kapsamlı, hızlı güncellenen ve düşük maliyetli açık erişimli vektörleştirilmiş bina çatısı verileri sağlamaktadır , , . 2022'de Microsoft Corporation, 2014-2021 yılları arasında Çin dışındaki her kıta için Bing Haritalar'dan (Maxar ve Airbus görüntüleri dahil) yararlanarak derin sinir ağı tabanlı anlamsal segmentasyon kullanarak 777 milyon binanın dış hatlarını çıkarmıştır. 30 Mayıs 2023'te Google, 58 milyon km²'lik bir alanı kapsayan 0,5 m yüksek çözünürlüklü uydu görüntülerinden çıkarılan 1,8 milyar bina dış hatları veri kümesini yayınladı. Noktalar ve yollarla temsil edilen vektör verilerinin düşük yedekliliği ve kompakt yapısı, ağ boyutu bağımsız olarak daha yüksek coğrafi doğruluk sağlar ve topolojik kuralların tanıtılması vektör verilerinin bütünlüğünü daha da iyileştirir . 19 20 21 22 23 13 Görüntü çözünürlüğündeki artış ve veri toplama maliyetlerindeki düşüşün yanı sıra, çıkarma algoritmalarındaki son gelişmeler sayesinde bina dağılım verilerinin çözünürlüğü ve kapsamı sürekli olarak iyileşmektedir . Çok yüksek çözünürlüklü (VHR) görüntülerin uygulanabilirliği, geleneksel el yapımı özellik tabanlı yöntemlerin  veya derin öğrenme tabanlı yöntemlerin  uygulanmasıyla bina ayak izlerinin çıkarılmasını sağlamıştır. İlk yaklaşım, binaların görünüm ve boyutlarındaki çeşitlilik, karmaşık sezgisel kurallar ve eşik ayarları zorluklarıyla karşılaştığından, büyük ölçekli yüksek çözünürlüklü uzaktan algılama görüntülerine uygulandığında sınırlıdır . Derin öğrenme tabanlı yöntemler (örneğin, evrişimli sinir ağları), bina sahnesi segmentasyonunda yüksek seviyeli ve ayırt edici özellikleri otomatik olarak öğrenmede etkili ve üstün performans göstermiştir. Sun . , farklı ölçeklerdeki çok ölçekli evrişimli sinir ağı yapılarından çıkarılan derin özellikleri tam olarak kullanmak için paralel destek vektör makinelerine dayanan bir füzyon stratejisi önermiştir ve kentsel alanlardaki karmaşık binaların çıkarılmasında üstün performans göstermiştir. Bununla birlikte, binaları segmentasyon yaparken, modelin doğruluğu eğitim örneklerinin kalitesiyle kısıtlanma olasılığı daha yüksektir, bu da dışa doğru genelleştirmeyi zorlaştırmaktadır. Derin modellerde yüksek seviyeli semantiklerin yetersiz kullanımı ve düşük seviyeli ayrıntıların ihmal edilmesi, kenar bulanıklığına ve küçük bina eksikliklerine yol açarak derin öğrenmenin bina ayak izleri çıkarımındaki uygulamasını engellemektedir. 24 25 13 26  ve ark 27 Qinghai-Tibet Platosu bölgesi, deniz seviyesinden ortalama 4000 metreden fazla yükseltisiyle dünyanın en yüksek alanıdır ve 2,5 milyon km²'lik bir alanı kaplamaktadır . Aşırı iklimi, soğuk ve uzun kışları, büyük yıllık ve günlük sıcaklık farkları ve yetersiz iç mekan termal ortamına rağmen, bölgede 10 milyondan fazla insan yaşamaktadır. Bu bölge Çin'in en büyük ekolojik bariyeri olmasına rağmen , insan aktivitesi hassas ekolojik çevresini önemli ölçüde etkilemiştir . Bu bölge aynı zamanda depremler, heyelanlar, çamur akıntıları, buzul gölü taşması selleri ve kar afetleri nedeniyle can ve mal kayıplarına yol açan afetlere de oldukça yatkındır , , . Buna yanıt olarak, kesin bina dağılım verileri, insan-çevre etkileşimli çalışmalar ,  için insan aktivitesi dağılımını modellemede ve doğal afetler için maruz kalma ve risk analizinde ,  kritik öneme sahiptir. Ek olarak, bu bölge uzun güneşlenme saatlerine, bol güneş enerjisi kaynaklarına ve çatı katları ve açık alanlar gibi yeterli güneş enerjisi toplama yüzeylerine sahiptir , . Yüksek çözünürlüklü kırsal bina dağılım verileri, fotovoltaik potansiyeli değerlendirmek ve kırsal alanlarda yaşayanların yaşam standartlarını etkin bir şekilde iyileştirmek için güvenilir bir veritabanı sağlayabilir , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Gelişmekte olan bir bölge olarak Qinghai-Tibet Platosu ve komşu bölgeleri, geniş alanları, seyrek bina dağılımları, uzak konumları ve kaynak kısıtlamaları nedeniyle henüz tam bir yüksek hassasiyetli vektörleştirilmiş bina çatısı veri setine sahip değildir. En kullanıma hazır veriler, Çin'in ulusal ölçeğinde sağlananlar olup, 2,5 m'lik gridli Çin Bina Çatısı Alanı verilerini (CBRA, Liu ., 2023b) ve bina kategorilerini içeren Çin'in 1 m çözünürlüklü ilk ulusal arazi örtüsü haritasını (SinoLC) içermektedir . Bu raster verileri, mekansal nesneleri tanımlayamaz ve büyük depolama kaynakları gerektirir. Zhang .  tarafından yayınlanan Çin'deki 90 büyük şehir için vektörleştirilmiş çatı alanı verileri bu boşluğu kısmen doldurmuştur; ancak, bu veri kümesine yalnızca Qinghai-Tibet Platosu'ndaki 14 şehir dahil edilmiş ve 2 milyon km²'lik bir alan için hala vektörleştirilmiş bina çatısı verileri bulunmamaktadır.  ve ark 42  ve ark 13 Bu nedenle, bu çalışma yüksek çözünürlüklü uydu görüntülerini ve derin öğrenme algoritmasını entegre ederek Qinghai-Tibet Platosu ve komşu bölgeleri için vektörleştirilmiş bina çatısı ayak izleri üretmeyi amaçlamaktadır. Veri setimiz, çeşitli alt bölgelerdeki 250 x 1 km²'lik ızgaraları kapsayan test örnekleri kullanılarak doğrulanmış olup, %91,92 genel doğruluk ve %64,81 F1 puanı elde edilmiştir. Yöntemler Çerçeve Bu çalışmada, Çin'deki Qinghai-Tibet Platosu ve komşu bölgesi için vektörleştirilmiş bir bina çatısı veri kümesi oluşturmak üzere AI Earth platformundan elde edilen bina çıkarma algoritmalarını kullandık (Şekil 1). Çerçevemizin ana bileşenleri şunlardı: (1) uydu verisi ve yardımcı veri hazırlama ve ön işleme; (2) AI Earth platformu kullanılarak vektörleştirilmiş bina çatısı çıkarma; (3) manuel olarak vektörleştirilmiş çatı verileri kullanılarak doğrulama.    Bina çatısı çıkarma ve doğrulama çerçevesi. Çalışma Alanı Bu çalışma esas olarak Qinghai-Tibet Platosu ve güneybatı Çin'deki komşu bölgelerine odaklanmıştır, bu bölge ikinci Tibet Platosu Bilimsel Keşif ve Araştırma Programı genel çerçevesi altında yer almaktadır ; coğrafi olarak Tibet Özerk Bölgesi, Qinghai Eyaletleri, batı Yunnan Eyaleti, batı Sichuan Eyaleti, güneybatı Gansu Eyaleti ve güney Sincan Özerk Bölgesi'ni içermektedir. Çalışma alanının ortalama yükseltisi deniz seviyesinden 4000 metredir. Çalışma alanındaki nüfus ve bina dağılımı, yükselti ve iklimden (Şekil 2) önemli ölçüde etkilenmekte olup, esas olarak Tibet'teki Jilong İlçesinden Qinghai'deki Qilian İlçesine kadar olan çizginin doğusunda yoğunlaşmaktadır ; doğuda, Yunnan Eyaleti, batı Sichuan Eyaleti'ndeki nehir vadileri ve Xining-Lanzhou Sarı Nehir Havzası dahil olmak üzere bölgenin doğu kenarındaki düzlük alanlarda yoğun bir şekilde dağılırlar. Çizginin batısındaki plato yüzeyinde, nüfus ve binalar çoğunlukla sınırlı tarımsal-otlak alanlarla büyük nehir vadileri boyunca ve yol trafik koridorları boyunca dağılmıştır. 43 44    Çalışma alanı (nüfus verileri LandScan'dan; DEM Kaynak ve Çevre Bilim ve Veri Merkezi'ndendir). Uydu Görüntüsü Açık erişimli yüksek çözünürlüklü uydu görüntüsü verileri, uydu görüntüleri ve hava verilerini entegre eden Google Earth'ten elde edilen Rivermap Co. ( ) tarafından sağlanmıştır. Bunlar arasında, uydu görüntüleri esas olarak DigitalGlobe'un QuickBird ve WorldView ticari uydularından, hava fotoğrafları ise Birleşik Krallık'tan BlueSky ve ABD'den Sanborn'dan alınmıştır . Her konum için, yerelleştirilmiş alanlarda 0,15 m'ye kadar çözünürlüklere sahip birden fazla görüntünün toplandığı koleksiyonlar mevcuttu. Bu tür veri entegrasyonu, karmaşık sahnelerdeki nesne tanıma için yaygın olarak kullanılmıştır , , ,  ve nesne türlerinin büyük ölçekli yüksek çözünürlüklü haritalanması potansiyeline sahiptir . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Çalışma alanımızın toplam alanı 3,06 milyon km²'dir ve uydu görüntüsü verilerinin tahmini boyutu 29,4 TB'tır ve mekansal çözünürlüğü 0,6 m'dir. Bu ölçekleri göz önünde bulundurarak, daha küçük boyutlu paketlerin indirilmesini sağlamak için çalışma alanımız için 0,175° x 0,175° balık ağı ızgaraları oluşturuldu ve tüm çalışma alanını kapsamak için toplam 10.033 balık ağı ızgarası kullanıldı. İndirilen balık ağı ızgaralarının gerçek sayısı iki nedenden dolayı daha azdı: 5921. İlk olarak, çalışma alanının büyük bir kısmı insan yerleşim alanı olmayan ve bina bulunmayan alanlardan oluştuğundan, ESA World Cover ürününden herhangi bir yapılaşmış alan pikseli içermeyen balık ağı ızgaralarını rastgele hariç tuttuk. İkinci olarak, Çin'deki 90 şehir için vektörleştirilmiş çatı alanı verilerinde (yani Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong ve Yuxi) vektörleştirilmiş dış hat verileri zaten alınmış olan şehirler/ilçeler de hariç tutuldu . Görüntüler Eylül 2022 ve Ocak 2023 tarihleri arasında, 0,6 m çözünürlük, yaklaşık 3 GB'lık tek çerçeve boyutu ve toplam 2,72 TB boyutunda indirildi. İndirilen görüntüler çoğunlukla 2019 ile 2021 yılları arasında çekilmişti, ancak bazı uzak alanlardan alınan görüntüler 2001 yılına kadar erken çekilmiş olabilir (Şekil 3). 13    Görüntü indirme ve görüntü çekim zamanı için balık ağı ızgaraları. Yardımcı Veriler Yardımcı verilerimiz, örnekleme amaçlı sonraki küme analizi için yüksek çözünürlüklü arazi örtüsü haritaları, dijital yükselti modeli (DEM), normalize edilmiş fark bitki örtüsü indeksi (NDVI) ve nüfus dağılım verilerini içermekteydi (Tablo 1). Arazi örtüsü ve yapılaşmış alanlar için, Zanaga . 'den ESA'nın World Cover ürünü Zenodo'dan ( ) temin edilmiştir. Ürün, dünya çapında dağıtılmış 141.000 benzersiz konumnun bir örneği kullanılarak 2020 yılı için küresel arazi örtüsünü temsil etmek üzere rastgele orman algoritması ile eğitilmiş Sentinel 1 ve Sentinel 2 uydu görüntüleri temelinde üretilmiştir; özellikle yapılaşmış alanlar ve karmaşık tarım manzaraları gibi ince ölçekli arazi unsurlarını temsil etmede bir avantaja sahiptir, çünkü nispeten küçük bir minimum haritalama birimini dikkate alır . Veri setindeki "yapılaşmış" kategorisi, kentsel yeşil alanlar (örneğin parklar ve spor tesisleri), çöp depolama alanları ve madencilik alanları hariç olmak üzere binalar, yollar ve diğer insan yapımı yapılarla (örneğin demiryolları) kaplı araziyi ifade eder .  ve ark 17 https://zenodo.org/records/5571936 51 17 1 km DEM verileri ve NDVI verileri, Çin Bilimler Akademisi, Jeoloji ve Kaynaklar Enstitüsü, Kaynak ve Çevre Bilim ve Veri Merkezi'nden ( ) temin edilmiştir. DEM verileri en son SRTM V4.1 verilerinden yeniden örneklenmiştir ( ) ve NDVI verileri SPOT/VEGETATION PROBA-V 1 km ürünlerine göre mozaiklenmiştir ( ). Qinghai-Tibet Platosu'ndaki bitki örtüsünü temsil etmek için 2021 yılı NDVI verilerini seçtik ( ). Nüfus yoğunluğu verileri, ABD Enerji Bakanlığı'nın Oak Ridge Ulusal Laboratuvarı tarafından geliştirilen ve East View Cartographic tarafından sağlanan küresel hayati istatistik analizi için LandScan veritabanından ( ) ( ) temin edilmiştir; bu veriler, coğrafi konuma dayalı olarak en doğru ve güvenilir küresel nüfus dinamik istatistiksel analiz veritabanlarından biri olan ve 1 km'de üstün çözünürlük sunan jeo-uzamsal bilim, uzaktan algılama teknolojisi ve makine öğrenmesi algoritmalarını birleştirerek üretilmiştir . Sonraki küme analizi için 2021 yılı nüfus dağılımını kullandık. 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 Veri Ön İşleme Nüfus ve bina dağılımı, çalışma alanımızın çoğu için dağınıktır ve ESA'nın World Cover ürününe göre çalışma alanının %99,5'inden fazlası yapılaşmamış alan olarak sınıflandırılmıştır . Çıkarma işlemimizi hızlandırmak için, çıkarmadan önce her 0,175° x 0,175° balık ağı ızgarası için potansiyel bina dağılım alanı maskeleri oluşturuldu. World Cover verilerindeki "Yapılaşmış" kategorisine dayanarak, her yapılaşmış alan pikseli etrafında 1 km'lik bir tampon bölge oluşturuldu ve bu potansiyel bina dağılım alanı olarak kabul edildi. Birkaç tampon bölge genişliği test edildikten sonra, 1 km'lik bir genişliğin 2020 CBRA ürünlerinde bildirilen bina piksellerinin %96'sını karşılayabileceğini bulduk. Maske, indirilen görüntülerin toplam alanının %86'sını hariç tutmamızı sağlayarak önemli ölçüde hesaplama süresinden tasarruf sağladı. Binaları içermeyen ağları hariç tutmak için tamponu, oluşturulan balık ağı ızgaralarıyla örtüşen bir analizle inceledik. Görüntüler daha sonra tamponlarla tekrar kırpıldı ve ardından bina çıkarma algoritması kırpılmış görüntülere uygulandı. 17 Vektörleştirilmiş Bina Çatısı Çıkarma Bu çalışmada kullanılan vektörleştirilmiş bina çatısı çıkarma algoritması, AliCloud AI Earth platformundan ( ) gelmektedir. Bu algoritma, bina örnek segmentasyon çerçevesi - su havzası segmentasyonu için çift dekoder oluşturmak üzere derin öğrenme tabanlı bir segmentasyon yöntemini su havzası tabanlı bir segmentasyon yöntemiyle birleştirir. Bu algoritma, anlamsal segmentasyon görevine bir sınır segmentasyon görevi ekler ve nihai bina çıkarma sonucunu elde etmek için tahmin sonuçlarının ön işlemesi sırasında iki görevin tahmin sonuçlarının ön işlemesi için su havzası algoritmasını kullanır. Kirillov .  tarafından önerilen PointRend sinir ağı ilk önce kullanılır https://engine-aiearth.aliyun.com/#/  ve ark 53

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

Bu ses hikayenin orijinal dilinde üretilmiştir!

Yapay Zeka, Dünyanın En Uzak Bölgelerinden Birinde 13 Milyon Binasını Haritalıyor

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Dijital Göçebeler Dinleyin: Tayland'ın Yeni DTV Vizesi Hakkında Bilmeniz Gerekenler

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Sulara Yelken Açmak: Data Lakes ile Üretim Sınıfında RAG Uygulamaları Geliştirme

Dijital Göçebeler Dinleyin: Tayland'ın Yeni DTV Vizesi Hakkında Bilmeniz Gerekenler

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Sulara Yelken Açmak: Data Lakes ile Üretim Sınıfında RAG Uygulamaları Geliştirme

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps