```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 bu durumu engellemiştir. 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 içermekte olup, toplam 250 x 1 km2'lik test örnekleriyle doğrulanmıştır. Veriler, %87 genel doğruluk, %91,9 geri çağırma ve %64,8 F1 puanına sahip olup, CBRA'ya kıyasla çalışma alanının bina dağılımının gelişmiş bir tanımını sunmaktadır. Çalışmamız, bu alandaki afet riskleri üzerine yapılan çalışmalar için maruz kalma değerlendirmesini kolaylaştırma konusunda büyük bir potansiyele sahiptir. Arka Plan ve Özet Dijital çağın gelişimi, güvenilir bina dağılımı ve nitelikleri verilerine olan talebi artırmıştır , , . 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 refahı 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 ve hava kaynaklı görüntülerin ilerlemesi, makine öğrenimi ve derin öğrenme algoritmalarındaki son gelişmelerle birlikte, bina dağılım verilerinin mevcudiyetini 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 içerir: Google'ın Dinamik Dünya'sı (DW) , Esri'nin 2020 Arazi Örtüsü  ve Avrupa Uzay Ajansı'nın (ESA) Dünya Örtüsü 2020 (WC) . Mekansal dağılım bilgisinin yanı sıra, araştırmacılar bina piksellerine bina yüksekliği gibi nitelik bilgileri de eklemeye çalışmaktadır . Örneğin, He ve diğerleri. , 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 füzyonu kullanmıştır. Mekansal çözünürlükteki sürekli iyileşmelere rağmen, raster tabanlı bina dağılım verileri hala mekansal nesneleri tanımlayamamaktadır  ve çözünürlüğün artırılması depolama ve hesaplama maliyetlerini önemli ölçüde artırmaktadır . 12 13 14 15 16 17 14 7 18 12 Vektör formatındaki bina dağılım verileri, yani vektörleştirilmiş bina çatı izleri veya bina ayak izleri, bir binanın yer üzerine izdüşümünün kuşbakışı görünümüdür ,  ve tek bir binanın coğrafi konumu, sınırların mekansal kapsamı ve ayak izi gibi bilgiler 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 Çin dışındaki her kıta için Bing Haritalar (Maxar ve Airbus görüntüleri dahil) temelinde, derin sinir ağı tabanlı anlamsal segmentasyon kullanarak, bina yüksekliği nitelikleri içeren 777 milyon binanın dış 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 dış hattından oluşan bir veri seti yayınladı. Noktalar ve yollarla temsil edilen vektör verilerin düşük fazlalığı ve kompakt yapısı, örgü boyutundan bağımsız olarak daha yüksek coğrafi doğruluk sağlar ve topolojik kuralların tanıtılması vektör verilerin bütünlüğünü daha da iyileştirir . 19 20 21 22 23 13 Görüntü çözünürlüğündeki artış ve veri toplama maliyetlerindeki düşüş ve çıkarma algoritmalarındaki son gelişmeler sayesinde, bina dağılım verilerinin çözünürlüğü ve kapsama alanı 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. Eski yaklaşım, bina görünümlerinin ve boyutlarının çeşitliliği ile karmaşık kural ve eşik ayarları zorluklarıyla karşılaştığı için, 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 performans göstermiştir. Sun ve diğerleri. , farklı ölçeklerdeki çok ölçekli evrişimli sinir ağı yapılarından çıkarılan derin özelliklerden tam olarak yararlanmak için paralel destek vektör makinelerine dayalı bir füzyon stratejisi önermiştir; bu, kentsel alanlardaki karmaşık binaların çıkarılmasında üstün performans göstermiştir. Bununla birlikte, binaları segmentasyon yaparken, modelin doğruluğu eğitim örneklerinin kalitesiyle sınırlanma olasılığı daha yüksektir, bu da genellemeyi zorlaştırır. Derin modellerde üst düzey semantiğin yetersiz kullanımı ve alt düzey ayrıntıların ihmali, kenar bulanıklığına ve küçük bina eksikliklerine yol açarak, derin öğrenmenin bina ayak izleri çıkarılmasındaki uygulamasını engellemektedir. 24 25 13 26 27 Qinghai-Tibet Platosu bölgesi, deniz seviyesinden ortalama 4000 metrenin üzerinde yüksekliğiyle dünyanın en yüksek alanıdır ve 2,5 milyon km2'lik bir alanı kaplar . Aşırı iklimi, soğuk ve uzun kışları, büyük yıllık ve günlük sıcaklık farkları ve zayıf iç mekan termal ortamlarına rağmen, bölgede 10 milyondan fazla insan yaşamaktadır. Bu bölge Çin'in en büyük ekolojik bariyeri olmasına rağmen , insan aktivitesi hassas ekolojik çevresi üzerinde önemli ölçüde etkili olmuştur . Bu bölge ayrıca depremler, heyelanlar, çamur akıntıları, buzul gölü taşkınları ve kar felaketlerinin can ve mal kayıplarına yol açtığı afetlere oldukça eğilimlidir , , . Buna karşılık, insan-çevre etkileşimli çalışma için insan aktivitesi dağılımının modellenmesi ,  ve doğal afetler için maruz kalma ve risk analizi ,  için doğru bina dağılım verileri kritik öneme sahiptir. Ek olarak, bu bölge uzun güneşlenme saatlerine, bol miktarda güneş enerjisi kaynaklarına ve çatılar ve açık alanlar gibi yeterli güneş enerjisi toplama yüzeylerine sahiptir , . Yüksek çözünürlüklü kırsal bina dağılım verileri, fotovoltaik potansiyelini değerlendirmek ve kırsal alanlarda yaşayanların yaşam standartlarını verimli bir şekilde iyileştirmek için güvenilir bir veri tabanı sağlayabilir , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Gelişmemiş 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 sunulanlardır; bunlar arasında 2,5 metrelik gridli Çin Bina Çatı Alanı verileri (CBRA, Liu ve diğerleri, 2023b) ve bina kategorilerini içeren Çin'in 1 metrelik çözünürlüklü ilk ulusal arazi örtüsü haritası (SinoLC) bulunmaktadır . Bu raster veriler mekansal nesneleri karakterize edemez ve büyük depolama kaynakları gerektirir. Zhang ve diğerleri tarafından yayınlanan Çin'in 90 büyük şehri için vektörleştirilmiş çatı alanı verileri  bu boşluğu kısmen doldurmuştur; ancak, bu veri setinde yalnızca Qinghai-Tibet Platosu'ndaki 14 şehir yer almıştır ve 2 milyon km2'lik bir alan için hala vektörleştirilmiş bina çatı verisi bulunmamaktadır. 42 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 gridlerden oluşan test örnekleri kullanılarak doğrulandı ve %91,92 genel doğruluk ve %64,81 F1 puanı elde edildi. Yöntemler Çerçeve Bu çalışmada, Qinghai-Tibet Platosu ve Çin'deki komşu bölgesi için vektörleştirilmiş bir bina çatı veri seti üretmek üzere AI Earth platformundan bina çıkarma algoritmalarını kullandık (Şekil 1). 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.    Bina çatı çıkarma ve doğrulama çerçevesi. Çalışma Alanı Bu çalışma, öncelikle ikinci Tibet Platosu Bilimsel Keşif ve Araştırma Programı genel çerçevesi altında Qinghai-Tibet Platosu ve 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 bina dağılımı, rakım ve iklimden büyük ölçüde etkilenir (Şekil 2) , çoğunlukla Tibet'teki Jilong İlçesi'nden Qinghai'deki Qilian İlçesi'ne kadar olan çizginin doğusunda yoğunlaşır ; doğuda, Yunnan Eyaleti, batı Sichuan Eyaleti'ndeki nehir vadileri ve Xining-Lanzhou Sarı Nehir Havzası dahil olmak üzere doğu kenarındaki ova alanlarında yoğun olarak dağılmıştır. Çizginin batısındaki plato yüzeyinde, nüfus ve binalar çoğunlukla sınırlı tarımsal-hayvancılık alanlarıyla büyük nehir vadileri boyunca ve karayolu trafik koridorları boyunca dağılmıştır. 43 2 44    Çalışma alanı (nüfus verileri LandScan'dan; DEM Kaynak ve Çevre Bilim ve Veri Merkezi'nden alınmıştır). Uydu Görüntüsü Rivermap Co. ( )'dan açık erişimli yüksek çözünürlüklü uydu görüntüsü verileri elde edilmiştir; bu veriler Google Earth'ün uydu görüntüleri ve hava verilerinin entegrasyonundan elde edilmiştir. Bunlar arasında, uydu görüntüleri esas olarak DigitalGlobe'un QuickBird ve WorldView ticari uydularından, hava fotoğrafçılığı ise Birleşik Krallık'tan BlueSky ve ABD'den Sanborn'dan alınmıştır . Her konum için, yerel alanlarda 0,15 m'ye kadar çözünürlüklere sahip birden fazla görüntü koleksiyonu bulunmaktaydı. Bu tür veri entegrasyonu, karmaşık sahnelerde 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'dir ve mekansal çözünürlüğü 0,6 m'dir. Bu ölçekleri göz önünde bulundurarak, daha küçük paketlerin indirilmesini sağlamak için çalışma alanımız için 0,175° x 0,175°'lik balık ağı hücreleri oluşturuldu ve tüm çalışma alanını kapsamak için toplam 10.033 balık ağı hücresi kullanıldı. İndirilen balık ağı hücrelerinin gerçek sayısı, iki nedenden dolayı 5921'de daha düşüktü. Birincisi, çalışma alanının büyük bir kısmının binaların bulunmadığı insan yerleşimi olmayan alanlardan oluşması nedeniyle, ESA Dünya Örtüsü ürünündeki herhangi bir yapılaşmış alan pikseli olmayan balık ağı hücrelerini rastgele hariç tuttuk. 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 izi verileri alınmış olan şehirler/vilayetler de hariç tutuldu . Görüntüler Eylül 2022 ve Ocak 2023 tarihleri arasında, 0,6 m çözünürlükte, tek bir kare boyutu yaklaşık 3 GB ve toplam boyutu 2,72 TB olarak indirildi. İndirilen görüntüler çoğunlukla 2019 ile 2021 yılları arasında çekilmişti, ancak bazı uzak bölgelerden gelen görüntüler 2001 kadar erken çekilmiş olabilir (Şekil 3). 13    Görüntü indirme ve görüntü çekim zamanı için balık ağı hücreleri. Yardımcı Veriler Yardımcı verilerimiz, sonraki küme analizi için yüksek çözünürlüklü arazi örtüsü haritaları, sayısal yükseklik modeli (DEM), normalize edilmiş fark bitki örtüsü indeksi (NDVI) ve nüfus dağılım verilerini içermektedir (Tablo 1). Arazi örtüsü ve yapılaşmış alan için, Zanaga ve diğerlerinin ESA'nın Dünya Örtüsü ürünü  Zenodo'dan ( ) alındı. Ürün, 2020 yılındaki küresel arazi örtüsünü temsil etmek üzere, dünya çapında dağılmış 141.000 benzersiz konum örneği üzerinde rastgele orman algoritmasıyla eğitilmiş Sentinel 1 ve Sentinel 2 uydu görüntüleri temelinde üretilmiştir; yapılaşmış alanlar ve karmaşık tarım arazileri gibi ince ölçekli manzara unsurlarını temsil etmede, nispeten küçük bir minimum haritalama birimini göz önünde bulundurması nedeniyle bir avantaja sahiptir . Veri setindeki "yapılaşmış" kategori, binalar, yollar ve diğer insan yapımı yapılarla (örneğin, demiryolları) kaplı araziyi ifade eder, ancak kentsel yeşil alanları (örneğin, parklar ve spor tesisleri), çöp depolama alanlarını ve maden sahalarını hariç tutar . 17 https://zenodo.org/records/5571936 51 17 1 km DEM verileri ve NDVI verileri, Kaynak ve Çevre Bilim ve Veri Merkezi, Jeobilim ve Kaynaklar Enstitüsü, Çin Bilimler Akademisi'nden ( ) elde edilmiştir. DEM verileri en son SRTM V4.1 verilerinden yeniden örneklenmiştir ( ) ve NDVI verileri SPOT/VEGETATION PROBA-V 1 km ürünlerinden 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 veri tabanından ( ) elde edilmiştir; bu veriler, coğrafi bilim, uzaktan algılama teknolojisi ve makine öğrenimi algoritmalarını birleştirerek oluşturulmuş olup, coğrafi konuma dayalı en doğru ve güvenilir küresel nüfus dinamik istatistiksel analiz veri tabanlarından biri olarak kabul edilir ve 1 km çözünürlüğe sahiptir . Sonraki 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 büyük bir kısmı için nüfus ve bina dağılımı dağınıktır ve ESA'nın Dünya Örtüsü ürününe göre çalışma alanının %99,5'inden fazlası yapılaşmamış alan olarak sınıflandırılmıştır . Çıkarma işlemini hızlandırmak için, çıkarma işleminden önce her 0,175° x 0,175° balık ağı hücresi için potansiyel bina dağılım alanı maskeleri oluşturuldu. Dünya Örtüsü verisindeki "Yapılaşmış" kategoriye dayanarak, potansiyel bina dağılım alanı olarak her yapılaşmış alan pikselinin etrafında 1 km'lik bir tampon bölge oluşturuldu. Birkaç tampon bölge genişliğini test ettikten sonra, 1 km'lik bir genişliğin 2020 CBRA ürünlerinde bildirilen bina piksellerinin %96'sını barındırabileceğini bulduk. Maske, indirilen görüntülerin toplam alanının %86'sını hariç tutmamızı sağlayarak önemli ölçüde hesaplama süresinden tasarruf sağladı. Binaları içermeyen ağları hariç tutmak için tampon bölgeyi oluşturulan balık ağı hücreleriyle örtüştürerek analiz ettik. Görüntüler daha sonra tampon bölgelerle 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 örneği segmentasyon çerçevesi olan çift kodlayıcıyı su havzası segmentasyonu için 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 tahmin sırasında ön işlenmesi için su havzası algoritmasını kullanır. Kirillov ve diğerleri tarafından önerilen PointRend sinir ağı  öncelikle kullanılır https://engine-aiearth.aliyun.com/#/ 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 Binayı Haritaladı

About Author

YORUMLAR

ETİKETLERİ ASIN

BU YAZI

Related Stories

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

State of the Noonion: Building, Selling and Storytelling @ HackerNoon

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Kripto Büyümesi: Etkili Kullanıcı Kişilikleri Oluşturma

State of the Noonion: Building, Selling and Storytelling @ HackerNoon

HackerNoon Kendi Ana Dilinizde 🆕 ‼️ Teknoloji Blog Yazıları için 77 Dil Ana Sayfası

İş Akışınızı 10 Kat Nasıl İyileştirirsiniz: 17 Temel Uygulama

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps