ШІ нанесла на карту 13 мільйонів будівель в одному з найвіддаленіших регіонів світу

Автори: Тао Є Хонгю Шань Джидонг Ву Цян Чжоу Мінґфу Ма Веньчжи Чжао Ру Я Юань Гао Ліженг Ву Анотація Великомасштабні високоточні дані про забудову є важливою основою для регіонального містопланування, розподілу ресурсів та досліджень ризиків стихійних лих. Цінхай-Тибетське нагір'я є третім полюсом світу. Хоча розуміння місцевої взаємодії людини та навколишнього середовища на Цинхай-Тибетському нагір'ї є надзвичайно важливим, цьому перешкоджає відсутність високороздільних даних про забудову через величезність та віддаленість території. У цьому дослідженні ми створили перші векторизовані відбитки дахів будівель Цинхай-Тибетського нагір'я та його околиць, використовуючи високороздільні зображення Google та алгоритм вилучення контурів будівель платформи AI Earth. Наші результати включають 13,09 мільйона будівель, що охоплюють 6092,7 км², перевірені за допомогою 250 тестових вибірок розміром 1 км². Дані мали загальну точність 87%, повноту 91,9% та F1-оцінку 64,8%, забезпечуючи таким чином передове опис забудови досліджуваної території порівняно з CBRA. Наша робота має величезний потенціал для сприяння оцінці впливу стихійних лих у цьому регіоні. Передумови та зведення Поява цифрової ери підвищила попит на надійні дані про забудову та її атрибути , , . Дані про забудову надають важливу просторову інформацію не тільки про будівлі, але й про населення та фізичні активи , слугуючи хорошим показником людської діяльності. В останні десятиліття дані про забудову широко використовуються для моніторингу міського та сільського розвитку , , розуміння впливу урбанізації на продовольчу безпеку, біорізноманіття, зміну клімату, добробут та здоров'я населення , , розробки регіональних стратегій розвитку та захисту міських та сільських екосистем , , . 1 2 3 4 5 6 7 8 9 10 11 Розвиток супутникових та аерофотознімків, разом із недавнім прогресом у алгоритмах машинного та глибокого навчання, сприяв доступності даних про забудову , , . Дані про забудову надаються у растровому форматі як частина даних про землекористування/земний покрив. Найновіший випуск включає три глобальні продукти землекористування/земного покриву з роздільною здатністю 10 м на основі супутників Sentinel, а саме Dynamic World (DW) від Google , Esri's 2020 Land Cover та World Cover 2020 (WC) від Європейського космічного агентства (ESA) . Крім інформації про просторове розподілення, дослідники також намагаються приєднати атрибутивну інформацію до пікселів будівель, наприклад, висоту будівель . Наприклад, He . використали злиття даних дистанційного зондування з різних джерел для створення першого у світі набору даних про тривимірний просторово-часовий розростання міст з роздільною здатністю 30 м за період з 1990 по 2010 рік. Незважаючи на постійне покращення просторової роздільної здатності, растрові дані про забудову все ще не можуть описувати просторові об'єкти , а збільшення роздільної здатності значно збільшує витрати на зберігання та обчислення . 12 13 14 15 16 17 14 et al 7 18 12 Дані про забудову у векторному форматі, також відомі як векторизовані відбитки дахів будівель або контури будівель, є контурними даними будівлі, спроєктованими на землю у вигляді згори , , які надають інформацію, таку як географічне положення, просторовий обсяг меж та контур окремої будівлі. Постачальники публічних послуг (наприклад, Google Earth та OpenStreetMap) надають загальнодоступні векторизовані дані про відбитки дахів будівель з широким охопленням, швидким оновленням та низькою вартістю , , . У 2022 році Microsoft Corporation використала семантичну сегментацію на основі глибоких нейронних мереж для вилучення контурів 777 мільйонів будівель, деякі з яких містять атрибути висоти, на основі Bing Maps (включаючи зображення Maxar та Airbus) з 2014 по 2021 рік для всіх континентів, крім Китаю. 30 травня 2023 року Google випустила набір даних із 1,8 мільярда контурів будівель, вилучених із супутникових зображень високої роздільної здатності 0,5 м, що охоплюють площу 58 мільйонів км². Низька надлишковість та компактна структура векторних даних, представлених вершинами та шляхами, забезпечують вищу географічну точність, незалежно від розміру сітки, а введення топологічних правил додатково покращує цілісність векторних даних . 19 20 21 22 23 13 Завдяки збільшенню роздільної здатності зображень та зниженню витрат на придбання даних, а також недавньому прогресу в алгоритмах вилучення, роздільна здатність та охоплення даних про забудову постійно покращуються . Можливість використання зображень дуже високої роздільної здатності (VHR) дозволила вилучати контури будівель за допомогою традиційних методів, заснованих на рукотворних ознаках , або методів на основі глибокого навчання . Оскільки перший підхід стикається з проблемою різноманітності зовнішнього вигляду та розмірів будівель, а також складними емпіричними правилами та налаштуваннями порогів, він обмежений при застосуванні до великомасштабних високороздільних зображень дистанційного зондування . Методи на основі глибокого навчання (наприклад, згорткові нейронні мережі) продемонстрували ефективну та вищу продуктивність в автоматичному вивченні високорівневих та розрізнювальних ознак при сегментації забудови. Sun . запропонували стратегію злиття на основі паралельних машин опорних векторів для повного використання глибоких ознак, вилучених з багатомасштабних структур згорткових нейронних мереж на різних рівнях, з вищою продуктивністю при вилученні складних будівель у міських районах. Тим не менш, при сегментації будівель точність моделі частіше обмежується якістю навчальних вибірок, що ускладнює екстраполяцію. Недостатнє використання високорівневої семантики та пропуск низькорівневих деталей у глибоких моделях, що призводить до розмиття країв та пропуску малих будівель, також перешкоджає застосуванню глибокого навчання при вилученні контурів будівель. 24 25 13 26 et al 27 Регіон Цінхай-Тибетського нагір'я є найвищим районом світу, із середньою висотою понад 4000 метрів над рівнем моря, і охоплює площу 2,5 мільйона км² . Понад 10 мільйонів людей проживають у цьому регіоні, незважаючи на його екстремальний клімат, холодні та довгі зими, значні щорічні та добові перепади температур, а також погані умови теплоізоляції в приміщеннях. Хоча цей регіон є найбільшим екологічним бар'єром Китаю , людська діяльність значно впливає на його вразливе екосередовище . Цей регіон також надзвичайно схильний до стихійних лих, таких як землетруси, зсуви, селеві потоки, вибухові повені з льодовикових озер та снігові катастрофи, що призводять до людських жертв та матеріальних збитків , , . Тому точні дані про забудову є критично важливими для моделювання розподілу людської діяльності для вивчення взаємодії людини та навколишнього середовища , , а також для аналізу ризиків стихійних лих , . Крім того, цей регіон має довгу тривалість сонячного сяйва, багаті ресурси сонячної енергії та достатньо поверхонь для збору сонячної енергії, таких як дахи та відкриті простори , . Дані про забудову сільської місцевості з високою роздільною здатністю могли б надати надійну базу даних для оцінки фотоелектричного потенціалу та ефективного підвищення рівня життя сільського населення , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Як слаборозвинений регіон, Цинхай-Тибетське нагір'я та прилеглі до нього території все ще не мають повного набору високоточних векторизованих даних про дахи будівель, через їхню величезну площу, рідкісну забудову, віддаленість та обмежені ресурси. Найбільш готовими до використання даними є ті, що надаються в національному масштабі Китаю, які включають дані про площу дахів будівель Китаю (CBRA, Liu ., 2023b) з роздільною здатністю 2,5 м та першу національну карту земного покриву Китаю з роздільною здатністю 1 м (SinoLC), яка включає категорії будівель . Ці растрові дані не можуть характеризувати просторові об'єкти та потребують великих ресурсів зберігання. Векторизовані дані про площу дахів для 90 великих міст Китаю, випущені Zhang . , частково заповнили цю прогалину; однак, лише 14 міст Цінхай-Тибетського нагір'я були включені до цього набору даних, і векторизовані дані про дахи будівель все ще відсутні для площі 2 мільйонів км². et al 42 et al 13 Тому метою цього дослідження є створення векторизованих контурів дахів будівель Цинхай-Тибетського нагір'я та прилеглих регіонів шляхом інтеграції супутникових зображень високої роздільної здатності та алгоритму глибокого навчання. Наш набір даних був валідований за допомогою тестових вибірок, що складаються з сіток 250 × 1 км² у різних підрегіонах, що призвело до загальної точності 91,92% та F1-оцінки 64,81%. Методи Структура У цьому дослідженні ми використали алгоритми вилучення будівель з платформи AI Earth для створення векторизованого набору даних про дахи будівель для Цинхай-Тибетського нагір'я та прилеглого регіону Китаю (Рис. 1). Основні компоненти нашої структури включали: (1) підготовку та попередню обробку супутникових даних та допоміжних даних; (2) векторизоване вилучення дахів будівель за допомогою платформи AI Earth; (3) валідацію за допомогою вручну векторизованих даних про дахи. Структура для вилучення та валідації дахів будівель. Досліджувана територія Це дослідження в основному зосереджено на Цинхай-Тибетському нагір'ї та прилеглих регіонах південно-західного Китаю в рамках загальної програми другої наукової експедиції та дослідження Тибетського плато (Second Tibetan Plateau Scientific Expedition and Research Program) ; географічно це включає Тибетський автономний район, провінції Цінхай, західну Юньнань, західний Сичуань, південно-західний Ганьсу та південний Сіньцзян. Середня висота досліджуваної території становить 4000 м над рівнем моря. Розподіл населення та будівель у досліджуваній території значною мірою залежить від висоти та клімату (Рис. 2), в основному концентруючись на схід від лінії від повіту Цзілун у Тибеті до повіту Цилянь у Цінхаї ; на сході вони щільно розподілені в рівнинних районах на східній околиці регіону, включаючи долини річок у провінції Юньнань, західному Сичуані та басейні річки Хуанхе Сінін-Ланьчжоу. На плато на захід від лінії населення та будівлі переважно розподілені в обмежених агро-пасторальних районах уздовж великих річкових долин та вздовж коридорів автомобільних доріг. 43 44 Досліджувана територія (дані про населення з LandScan; DEM з Центру даних про ресурси та навколишнє середовище). Супутникові зображення Загальнодоступні супутникові зображення високої роздільної здатності були отримані від Rivermap Co. ( ), які були отримані з інтеграції супутникових зображень та аерофотознімків Google Earth. Серед них супутникові зображення в основному надходять від комерційних супутників DigitalGlobe QuickBird та WorldView, а аерофотознімки - від BlueSky у Великобританії та Sanborn у США . Для кожного місця існували колекції множинних зображень з роздільною здатністю до 0,15 м у локалізованих районах. Така інтеграція даних широко використовувалася для розпізнавання об'єктів у складних сценах , , , та має потенціал для великомасштабного високороздільного картографування типів об'єктів . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Загальна площа нашої досліджуваної території становить 3,06 млн км², а приблизний обсяг даних супутникових зображень - 29,4 ТБ, з просторовою роздільною здатністю 0,6 м. Враховуючи ці масштаби, для нашої досліджуваної території були створені сітки 0,175° × 0,175°, щоб забезпечити менші пакети для завантаження, загалом 10 033 сітки використовувалися для покриття всієї досліджуваної території. Фактична кількість завантажених сіток була меншою, 5921, з двох причин. По-перше, оскільки велика частина досліджуваної території складається з незаселених районів, де будівель немає, ми довільно виключили сітки без пікселів забудови з продукту ESA World Cover. По-друге, були також виключені міста/округи, векторизовані дані про дахи яких (тобто Лхаса, Шаннан, Куньмін, Сінін, Хайдун, Чжан'є, Байїнь, Ланьчжоу, Ченду, Далі, Ліцзян, Куньмін, Чжаотун та Юйсі) були отримані з даних про площу дахів 90 міст Китаю . Зображення були завантажені у вересні 2022 - січні 2023 року, з роздільною здатністю 0,6 м, розміром одного кадру приблизно 3 ГБ та загальним розміром 2,72 ТБ. Завантажені зображення були переважно зроблені з 2019 по 2021 рік, але зображення з деяких віддалених районів могли бути зроблені ще у 2001 році (Рис. 3). 13 Сітки для завантаження зображень та час зйомки зображень. Допоміжні дані Наші допоміжні дані включали високороздільні карти земного покриву, цифрову модель рельєфу (DEM), нормалізований індекс рослинності (NDVI) та дані про розподіл населення для подальшого кластерного аналізу з метою вибірки (Табл. 1). Щодо земного покриву та забудованих площ, був отриманий продукт ESA's World Cover від Zanaga . з Zenodo ( ). Продукт був створений на основі супутникових зображень Sentinel 1 та Sentinel 2 за весь 2020 рік та вибірки з 141 000 унікальних локацій по всьому світу, навчений за алгоритмом випадкового лісу, для представлення глобального земного покриву у 2020 році; він має перевагу у представленні дрібних елементів ландшафту (наприклад, забудованих площ та складних сільськогосподарських ландшафтів), оскільки враховує відносно малу мінімальну картографічну одиницю . Категорія «забудована» в наборі даних відноситься до земель, покритих будівлями, дорогами та іншими антропогенними спорудами (наприклад, залізницями), але виключаючи міські зелені насадження (наприклад, парки та спортивні об'єкти), звалища та гірничі видобутки . et al 17 https://zenodo.org/records/5571936 51 17 1-км дані DEM та дані NDVI були отримані з Центру даних про ресурси та навколишнє середовище, Інституту геонаук та ресурсів Китайської академії наук ( ). Дані DEM передискретизовані з останніх даних SRTM V4.1 ( ), а дані NDVI зібрані на основі продуктів SPOT/VEGETATION PROBA-V з роздільною здатністю 1 км ( ). Ми обрали дані NDVI за 2021 рік для представлення рослинності на Цінхай-Тибетському нагір'ї ( ). Дані щільності населення були отримані з бази даних LandScan ( ) для глобального аналізу статистичних даних про життєдіяльність, розробленої Лабораторією Оук-Рідж Міністерства енергетики США та наданої East View Cartographic ( ); ці дані генеруються шляхом поєднання геопросторових наук, технологій дистанційного зондування та алгоритмів машинного навчання, представляючи одну з найточніших та найнадійніших глобальних баз даних динамічного статистичного аналізу населення на основі географічного положення, з вищою роздільною здатністю 1 км . Ми використали розподіл населення у 2021 році для подальшого кластерного аналізу. 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 Попередня обробка даних Розподіл населення та будівель є нерівномірним для більшої частини нашої досліджуваної території, причому понад 99,5% території класифікуються як незабудовані площі згідно з продуктом ESA’s World Cover . Щоб прискорити наше вилучення, для кожної сітки 0,175° × 0,175° перед вилученням були згенеровані маски потенційної зони розподілу будівель. На основі категорії «забудована» в даних World Cover, була створена буферна зона шириною 1 км навколо кожного пікселя забудованої площі як потенційна зона розподілу будівель. Після тестування кількох ширин буферної зони, ми ви 17