```html
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Yazarlar: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Özet Bölgesel kentsel planlama ve kaynak tahsisi ve afet risk araştırmaları için büyük ölçekli yüksek hassasiyetli bina dağılım verileri önemli bir temeldir. Qinghai-Tibet Platosu dünyanın üçüncü kutbudur. Qinghai-Tibet Platosu'ndaki yerel insan-çevre etkileşimlerini anlamak kritik öneme sahip olsa da, alanın genişliği ve uzaklığı nedeniyle yüksek çözünürlüklü bina ayak izi verilerinin eksikliği nedeniyle bu durum engellenmiştir. Bu çalışmada, yüksek çözünürlüklü Google görüntülerini ve AI Earth platformunun bina kontürü çıkarma algoritmasını kullanarak Qinghai-Tibet Platosu ve çevresindeki alanların ilk vektörleştirilmiş bina çatı izlerini ürettik. Sonuçlarımız, 6092.7 km²'yi kapsayan 13.09 milyon bina içeriyor ve bu, toplam 250 x 1 km² test örneğiyle doğrulandı. Veriler, %87 genel doğruluk, %91.9 geri çağırma ve %64.8 F1 puanına sahip olup, CBRA'ya kıyasla çalışma alanının bina dağılımının gelişmiş bir açıklamasını sunmaktadır. Çalışmamız, bu alandaki afet riskine ilişkin çalışmalar için maruz kalma değerlendirmesini kolaylaştırmada muazzam bir potansiyele sahiptir. Arka Plan & Özet Dijital çağın gelişi, güvenilir bina dağılımı ve özellik verilerine olan talebi artırmıştır , , . Bina dağılım verileri, sadece binaların değil, aynı zamanda nüfus 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 kamu refahı ve sağlığı üzerindeki etkilerinin anlaşılmasında , , bölgesel kalkınma stratejilerinin formüle edilmesinde ve kentsel ve kırsal ekosistemlerin korunmasında , ,  yaygın olarak kullanılmıştır. 1 2 3 4 5 6 7 8 9 10 11 Uydu tabanlı ve hava tabanlı görüntülerin ilerlemesi, makine öğrenmesi ve derin öğrenme algoritmalarındaki son gelişmelerle birlikte bina dağılım verilerinin kullanılabilirliğini artırmıştır , , . Bina dağılım verileri, arazi kullanımı/örtüsü verilerinin bir parçası olarak raster formatında sağlanmıştır. En güncel sürüm, Sentinel uydularını temel alan üç adet 10 metrelik küresel arazi kullanımı/örtüsü ürünü içermektedir: Google'ın Dinamik Dünya (DW) , Esri'nin 2020 Arazi Örtüsü  ve Avrupa Uzay Ajansı'nın (ESA) Dünya Örtüsü 2020 (WC) . Mekansal dağılım bilgilerinin yanı sıra, araştırmacılar bina piksellerine bina yüksekliği  gibi özellik bilgileri de eklemeye çalışmaktadırlar. Örneğin, He  . , 1990-2010 dönemini kapsayan dünyanın ilk 30 metrelik çözünürlüklü kentsel üç boyutlu mekansal ve zamansal yayılma veri setini oluşturmak için çok kaynaklı uzaktan algılama verisi füzyonunu kullanmıştır. Mekansal çözünürlükteki sürekli iyileştirmeye rağmen, raster tabanlı bina dağılım verileri hala mekansal nesneleri  tanımlayamamakta ve çözünürlüğü artırmak depolama ve hesaplama maliyetlerini büyük ölçüde artırmaktadır . 12 13 14 15 16 17 14 ve diğerleri 7 18 12 Vektör formatındaki bina dağılım verileri, yani vektörleştirilmiş bina çatıları veya bina ayak izleri, bir binanın yer üzerine izdüşümünün yukarıdan görünüşüdür ,  ve coğrafi konum, sınırların mekansal kapsamı ve tek bir binanın ayak izi gibi bilgileri sağlar. Kamu hizmeti sağlayıcıları (örneğin, Google Earth ve OpenStreetMap), geniş kapsama alanı, hızlı güncellemeler ve düşük maliyetle açık erişimli vektörleştirilmiş bina çatı verileri sunmaktadır , , . 2022'de Microsoft Corporation, 2014-2021 yılları arasında Bing Haritalar (Maxar ve Airbus görüntülerini içeren) temelinde Çin dışındaki her kıta için derin sinir ağı tabanlı anlamsal segmentasyon kullanarak, bina yüksekliği özelliklerini içeren 777 milyon binanın ana hatlarını çıkardı. 30 Mayıs 2023'te Google, 58 milyon km²'lik bir alanı kapsayan 0.5 metrelik yüksek çözünürlüklü uydu görüntülerinden çıkarılan 1.8 milyar bina ana hattı veri kümesini yayınladı. Köşeler ve yollarla temsil edilen vektör verilerin düşük yedekliliği ve kompakt yapısı, ağ boyutundan 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 düşüş, çıkarma algoritmalarındaki son gelişmelerle birlikte, bina dağılım verilerinin çözünürlüğü ve kapsama alanı sürekli olarak iyileşmektedir . Çok yüksek çözünürlüklü (VHR) görüntülerin fizibilitesi, geleneksel el yapımı özellik tabanlı yöntemler  veya derin öğrenme tabanlı yöntemler  kullanılarak bina ayak izlerinin çıkarılmasını sağlamıştır. İlk yaklaşım, bina görünümlerinin ve boyutlarının çeşitliliği ile karmaşık sezgisel kurallar ve eşik ayarları zorluğuyla karşılaştığından, büyük ölçekli yüksek çözünürlüklü uzaktan algılama görüntülerine uygulandığında sınırlıdır . Derin öğrenme tabanlı yöntemler (örneğin, evrişimli sinir ağları), bina sahnesi segmentasyonunda üst düzey ve ayırt edici özellikleri otomatik olarak öğrenmede etkili ve üstün bir performans göstermiştir. Sun  . , farklı ölçeklerdeki çok ölçekli evrişimli sinir ağı yapılarından çıkarılan derin özellikleri tam olarak kullanmak için paralel destek vektör makinelerine dayalı bir füzyon stratejisi önermiştir ve kentsel alanlardaki karmaşık binaların çıkarılmasında üstün performans göstermiştir. Bununla birlikte, binaları segmentasyon yaparken, modelin doğruluğu eğitim örneklerinin kalitesiyle sınırlanma olasılığı daha yüksektir, bu da ekstrapolasyonu zorlaştırmaktadır. Derin modellerde üst düzey anlamsal bilgilerin yetersiz kullanımı ve alt düzey detayların atlanması, kenar bulanıklığı ve küçük bina eksikliklerine yol açarak, derin öğrenmenin bina ayak izleri çıkarılmasındaki uygulamasını engellemektedir. 24 25 13 26 ve diğerleri 27 Qinghai-Tibet Platosu bölgesi, deniz seviyesinden ortalama 4000 metreden fazla yüksekliğiyle dünyanın en yüksek bölgesidir ve 2.5 milyon km²'lik bir alanı kaplamaktadır . Aşırı iklimi, soğuk ve uzun kışları, büyük yıllık ve günlük sıcaklık farkları ve yetersiz kapalı alan termal ortamlarına rağmen, bölgede 10 milyondan fazla insan yaşamaktadır. Bu bölge Çin'in en büyük ekolojik bariyeri olmasına rağmen , insan aktivitesi kırılgan ekolojik çevresini önemli ölçüde etkilemiştir . Bu bölge ayrıca depremler, heyelanlar, çamur akıntıları, buzul gölü taşkınları ve kar felaketlerinin can ve mal kayıplarına yol açtığı afetlere karşı oldukça eğilimlidir , , . Buna yanıt olarak, ilgili insan-çevre çalışması , , hem de doğal afetler için maruz kalma ve risk analizi ,  için insan aktivitesi dağılımını modellemek 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 verimli 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 hala tam bir yüksek hassasiyetli vektörleştirilmiş bina çatı verisine sahip değildir. Kullanıma en hazır veriler, Çin'in ulusal ölçeğinde sağlananlardır; bunlar arasında 2.5 metrelik ızgaralı Çin Bina Çatı Alanı verileri (CBRA, Liu  ., 2023b) ve bina kategorilerini içeren 1 metrelik çözünürlükteki Çin'in ilk ulusal arazi örtüsü haritası (SinoLC) bulunmaktadır . Bu raster veriler mekansal nesneleri karakterize edemez 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 kümesinde Qinghai-Tibet Platosu'ndaki sadece 14 şehir yer almıştır ve 2 milyon km²'lik bir alan için hala vektörleştirilmiş bina çatı verileri eksiktir. ve diğerleri 42 ve diğerleri 13 Bu nedenle, bu çalışma, yüksek çözünürlüklü uydu görüntülerini ve derin öğrenme algoritmasını birleştirerek Qinghai-Tibet Platosu ve komşu bölgelerinin vektörleştirilmiş bina çatı izlerini üretmeyi amaçlamaktadır. Veri setimiz, çeşitli alt bölgelerdeki 250 x 1 km²'lik gridleri kapsayan test örnekleri kullanılarak doğrulandı ve %91.92 genel doğruluk ve %64.81 F1 puanı elde edildi. Yöntemler Çerçeve Bu çalışmada, Çin'deki Qinghai-Tibet Platosu ve komşu bölgesi için vektörleştirilmiş bina çatı veri kümesi oluşturmak üzere AI Earth platformundan bina çıkarma algoritmalarını kullandık (Şekil  ). Çerçevemizin ana bileşenleri şunları içeriyordu: (1) uydu verileri ve yardımcı veri hazırlama ve ön işleme; (2) AI Earth platformu kullanılarak vektörleştirilmiş bina çatı çıkarma; (3) manuel olarak vektörleştirilmiş çatı verileri kullanılarak doğrulama. 1    Bina çatı çıkarma ve doğrulama çerçevesi. Çalışma Alanı Bu çalışma esas olarak Qinghai-Tibet Platosu ve ikinci Tibet Platosu Bilimsel Keşif ve Araştırma Programı genel çerçevesi altındaki güneybatı Çin'deki komşu bölgelerine odaklanmıştır ; coğrafi olarak, Tibet Özerk Bölgesi, Qinghai Eyaletleri, batı Yunnan Eyaleti, batı Sichuan Eyaleti, güneybatı Gansu Eyaleti ve güney Sincan Özerk Bölgesi'ni içerir. Çalışma alanının ortalama rakımı deniz seviyesinden 4000 metredir. Çalışma alanındaki nüfus ve binaların dağılımı, rakım ve iklimden önemli ölçüde etkilenir (Şekil  ), esas olarak Tibet'teki Jilong İlçesi'nden Qinghai'deki Qilian İlçesi'ne olan çizginin doğusunda yoğunlaşmıştır ; doğuda, Yunnan Eyaleti, batı Sichuan Eyaleti'ndeki nehir vadileri ve Xining-Lanzhou Sarı Nehir Havzası dahil olmak üzere bölgenin doğu kenarındaki ova alanlarında yoğun bir şekilde dağılırlar. Çizginin batısındaki plato yüzeyinde, nüfus ve binalar çoğunlukla büyük nehir vadileri boyunca ve karayolu trafik koridorları boyunca sınırlı tarımsal-pastoral alanlarla dağılmıştır. 43 2 44    Çalışma alanı (nüfus verileri LandScan'den; DEM Kaynak ve Çevre Bilim ve Veri Merkezinden alınmıştır). Uydu Görüntüsü Açık erişimli yüksek çözünürlüklü uydu görüntü verileri, Google Earth'ün uydu görüntüsü ve hava verilerini entegre etmesinden elde edilen Rivermap Co. ( ) tarafından sağlandı. 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 elde edilmiştir . Her konum için, yerelleştirilmiş alanlarda 0.15 m'ye kadar çözünürlüklere sahip birden fazla görüntü koleksiyonu vardı. Bu tür veri entegrasyonu, karmaşık sahnelerdeki nesne tanıma , , ,  için yaygın olarak kullanılmıştır ve nesne türlerinin büyük ölçekli yüksek çözünürlüklü haritalandırılması 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 görüntü verilerinin tahmini boyutu 29.4 TB'dır ve mekansal çözünürlüğü 0.6 metredir. Bu ölçekleri göz önünde bulundurarak, daha küçük boyutlu paketler indirme için mümkün kılmak amacıyla çalışma alanımız için 0.175° x 0.175°'lik balık ağı ızgaraları oluşturuldu ve tüm çalışma alanını kapsamak için toplam 10.033 balık ağı kullanıldı. İndirilen balık ağı sayısının daha az olması iki nedenden kaynaklanmaktadır. Birincisi, çalışma alanının büyük bir kısmı bina içermeyen insan yerleşim alanı olmayan bölgelerden oluştuğu için, ESA World Cover ürünündeki herhangi bir yerleşim alanı pikseli olmayan balık ağlarını keyfi olarak dışladık. İkincisi, 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 çatı alanı verileri elde edilmiş olan şehirler/iller de hariç tutuldu . Görüntüler Eylül 2022 ve Ocak 2023 tarihleri arasında indirildi, 0.6 m çözünürlük, yaklaşık 3 GB tek çerçeve boyutu ve toplam 2.72 TB boyutundaydı. İndirilen görüntüler ağırlıklı olarak 2019-2021 yılları arasından alınmış, ancak bazı uzak bölgelerden alınan görüntüler 2001 yılına kadar erken alınmış olabilir (Şekil  ). 13 3    Görüntü indirme ve görüntü çekim zamanı için balık ağı ızgaraları. Yardımcı Veriler Yardımcı verilerimiz, sonraki küme analizi için yüksek çözünürlüklü arazi örtüsü haritaları, dijital yükseklik modeli (DEM), normalize edilmiş fark bitki örtüsü indeksi (NDVI) ve nüfus dağılım verilerini içermektedir (Tablo  ). 1 Arazi örtüsü ve yerleşim alanı için ESA'nın World Cover ürünü, Zanaga  .  tarafından Zenodo'dan ( ) temin edildi. Ürün, Sentinel 1 ve Sentinel 2 uydu görüntülerini kullanarak 2020 yılının tamamı ve dünya çapında dağılmış 141.000 benzersiz konum örneği temelinde oluşturulmuş, rastgele orman algoritması ile eğitilmiş ve 2020 yılı küresel arazi örtüsünü temsil etmektedir; nispeten küçük bir minimum haritalama birimi  dikkate alındığı için, yerleşim alanları ve karmaşık tarım alanları gibi ince ölçekli peyzaj öğelerini temsil etmede avantajlıdır. Veri setindeki "yerleşim alanı" kategorisi, binalar, yollar ve diğer insan yapımı yapılarla kaplı araziyi ifade eder (örneğin, demiryolları), ancak kentsel yeşil alanları (örneğin, parklar ve spor tesisleri), çöp sahalarını ve maden alanlarını hariç tutar . ve diğerleri 17 https://zenodo.org/records/5571936 51 17 1 km DEM verileri ve NDVI verileri, Çin Bilimler Akademisi Yer Bilimleri ve Kaynakları Enstitüsü Kaynak ve Çevre Bilim ve Veri Merkezinden ( ) elde edildi. DEM verileri, en son SRTM V4.1 verilerinden yeniden örneklenmiştir ( ) ve NDVI verileri, SPOT/VEGETATION PROBA-V 1 km ürünleri temelinde birleştirilmiştir ( ). Bitki örtüsünü Qinghai-Tibet Platosu'nda 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 ( ) elde edilmiştir; bu veriler coğrafi bilgi bilimi, uzaktan algılama teknolojisi ve makine öğrenmesi algoritmalarını birleştirerek oluşturulmuş, coğrafi konuma dayalı olarak en doğru ve güvenilir küresel nüfus dinamik istatistiksel analiz veritabanlarından birini temsil etmekte ve 1 km çözünürlükte üstün bir çözünürlüğe sahiptir . Küme analizi için 2021 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/ 52 Veri Ön İşleme Çalışma alanımızın çoğunda nüfus ve bina dağılımı seyrek olup, ESA'nın World Cover ürününe göre çalışma alanının %99.5'inden fazlası yerleşim alanı olmayan olarak sınıflandırılmıştır . Çıkarma işlemini hızlandırmak için, çıkarmadan önce her 0.175° x 0.175° balık ağı ızgarası için potansiyel bina dağılım alanının maskeleri oluşturuldu. World Cover verisindeki "Yerleşim Alanı" kategorisine dayanarak, potansiyel bina dağılım alanı olarak her yerleşim alanı pikselinin etrafında 1 km'lik bir tampon bölge oluşturuldu. Çeşitli tampon bölgeler test edildikten sonra, 1 km'lik bir genişliğin 2020 CBRA ürünlerinde bildirilen bina piksellerinin %96'sını kapsayabileceğini bulduk. Maske, indirilen görüntülerin toplam alanının %86'sını dışlamamızı sağlayarak önemli ölçüde hesaplama süresinden tasarruf sağladı. Binaları içermeyen ağları dışlamak için tamponu balık ağı ızgaralarıyla birleştirerek analiz ettik. Görüntüler daha sonra tamponlarla tekrar kırpıldı ve ardından bina çıkarma algoritması kırpılmış görüntülere uygulandı. 17 Vektörleştirilmiş Bina Çatı Çıkarma Bu çalışmada kullanılan vektörleştirilmiş bina çatı çıkarma algoritması, AliCloud AI Earth platformundan ( ) gelmektedir. Bu platform, bir bina örnek segmentasyon çerçevesi - watershed segmentasyonu için çift kodlayıcı oluşturmak üzere derin öğrenme tabanlı bir segmentasyon yöntemini watershed 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 watershed algoritması ile ön işlemesini kullanır. Kirillov  . https://engine-aiearth.aliyun.com/#/ ve diğerleri

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 Binası Haritalıyor

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Görünmeyen Katmanlar: Kullanıcı Görüşmeleri Neden Yeri doldurulamaz bir Varlıktır?

Kullanıcı Odaklı Kripto Ürünleri Oluşturma: Müşteri Geri Bildiriminin Önemi

Claude Sonnet 3.5 Sistem Bilgi Sızıntısı: Adli Analiz

Kazanmak için Dokun: Telegram, Solana'dan Önce Sonraki 10 Milyar Kripto Kullanıcısına Katılabilir

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps