AI Lập Bản Đồ 13 Triệu Tòa Nhà Ở Một Trong Những Vùng Xa Xôi Nhất Thế Giới

```html Tác giả: Đào Diệp Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Tóm tắt Dữ liệu phân bố tòa nhà quy mô lớn, có độ chính xác cao là nền tảng quan trọng cho quy hoạch đô thị khu vực, phân bổ tài nguyên và nghiên cứu rủi ro thiên tai. Cao nguyên Thanh Hải-Tây Tạng là cực thứ ba của thế giới. Mặc dù hiểu rõ sự tương tác giữa con người và môi trường tại Cao nguyên Thanh Hải-Tây Tạng là cực kỳ quan trọng, nhưng điều này đã bị cản trở bởi sự thiếu hụt dữ liệu dấu chân tòa nhà có độ phân giải cao do diện tích rộng lớn và sự xa xôi của khu vực. Trong nghiên cứu này, chúng tôi đã tạo ra bản đồ dấu chân mái nhà tòa nhà được số hóa đầu tiên của Cao nguyên Thanh Hải-Tây Tạng và các khu vực xung quanh bằng cách sử dụng ảnh Google có độ phân giải cao và thuật toán trích xuất đường viền tòa nhà của nền tảng AI Earth. Kết quả của chúng tôi bao gồm 13,09 triệu tòa nhà bao phủ 6092,7 km2, được xác thực với tổng cộng 250 mẫu thử nghiệm 1 km2. Dữ liệu có độ chính xác tổng thể là 87%, độ phủ là 91,9% và điểm F1 là 64,8%, do đó cung cấp mô tả nâng cao về sự phân bố tòa nhà của khu vực nghiên cứu so với CBRA. Công trình của chúng tôi có tiềm năng to lớn trong việc hỗ trợ đánh giá phơi nhiễm cho các nghiên cứu về rủi ro thiên tai trong khu vực này. Bối cảnh & Tóm tắt Sự ra đời của kỷ nguyên số đã làm tăng nhu cầu về dữ liệu đáng tin cậy về phân bố và thuộc tính của tòa nhà. Dữ liệu phân bố tòa nhà cung cấp thông tin không gian quan trọng không chỉ về tòa nhà mà còn về dân số và tài sản vật chất, đóng vai trò là chỉ số proxy tốt cho hoạt động của con người. Trong những thập kỷ gần đây, dữ liệu phân bố tòa nhà đã được sử dụng rộng rãi để giám sát sự phát triển đô thị và nông thôn, hiểu tác động của đô thị hóa đối với an ninh lương thực, đa dạng sinh học, biến đổi khí hậu, và phúc lợi và sức khỏe cộng đồng, xây dựng chiến lược phát triển khu vực và bảo vệ hệ sinh thái đô thị và nông thôn. Sự tiến bộ của ảnh vệ tinh và ảnh trên không, cùng với những tiến bộ gần đây trong thuật toán học máy và học sâu, đã thúc đẩy tính sẵn có của dữ liệu phân bố tòa nhà. Dữ liệu phân bố tòa nhà được cung cấp ở định dạng raster như một phần của dữ liệu sử dụng/bao phủ đất. Bản phát hành cập nhật nhất bao gồm ba sản phẩm sử dụng/bao phủ đất toàn cầu độ phân giải 10 mét dựa trên vệ tinh Sentinel, đó là Dynamic World (DW) của Google, Land Cover 2020 của Esri, và World Cover 2020 (WC) của Cơ quan Vũ trụ Châu Âu (ESA). Ngoài thông tin phân bố không gian, các nhà nghiên cứu còn cố gắng đính kèm thông tin thuộc tính cho các pixel tòa nhà, chẳng hạn như chiều cao tòa nhà. Ví dụ, He . đã sử dụng phương pháp hợp nhất dữ liệu viễn thám đa nguồn để xây dựng bộ dữ liệu mở rộng không gian và thời gian đô thị đầu tiên trên thế giới có độ phân giải 30 mét, bao phủ giai đoạn từ năm 1990 đến năm 2010. Mặc dù độ phân giải không gian liên tục được cải thiện, dữ liệu phân bố tòa nhà dựa trên raster vẫn không thể mô tả các đối tượng không gian, và việc tăng độ phân giải sẽ làm tăng đáng kể chi phí lưu trữ và tính toán. et al Dữ liệu phân bố tòa nhà ở định dạng vector, còn được gọi là dấu chân mái nhà tòa nhà hoặc dấu chân tòa nhà được số hóa, là dữ liệu đường viền của tòa nhà chiếu lên mặt đất từ góc nhìn từ trên xuống, cung cấp thông tin như vị trí địa lý, phạm vi không gian của ranh giới và dấu chân của một tòa nhà riêng lẻ. Các nhà cung cấp dịch vụ công cộng (ví dụ: Google Earth và OpenStreetMap) cung cấp dữ liệu mái nhà tòa nhà được số hóa mở với phạm vi bao phủ rộng, cập nhật nhanh chóng và chi phí thấp. Vào năm 2022, Microsoft Corporation đã sử dụng phương pháp phân đoạn ngữ nghĩa dựa trên mạng nơ-ron sâu để trích xuất đường viền của 777 triệu tòa nhà, một số trong đó chứa thuộc tính chiều cao tòa nhà, dựa trên Bing Maps (bao gồm ảnh Maxar và Airbus) từ năm 2014 đến năm 2021 cho mọi lục địa bên ngoài Trung Quốc. Vào ngày 30 tháng 5 năm 2023, Google đã phát hành một bộ dữ liệu gồm 1,8 tỷ đường viền tòa nhà được trích xuất từ ảnh vệ tinh có độ phân giải cao 0,5 mét, bao phủ diện tích 58 triệu km2. Cấu trúc nhỏ gọn và ít dư thừa của dữ liệu vector được biểu diễn bằng các đỉnh và đường dẫn cung cấp độ chính xác địa lý cao hơn, không phụ thuộc vào kích thước lưới, và việc giới thiệu các quy tắc tôpô càng cải thiện tính toàn vẹn của dữ liệu vector. Do sự gia tăng độ phân giải ảnh và giảm chi phí thu thập dữ liệu, cùng với những tiến bộ gần đây trong các thuật toán trích xuất, độ phân giải và phạm vi bao phủ của dữ liệu phân bố tòa nhà đang liên tục được cải thiện. Khả năng ứng dụng của ảnh có độ phân giải rất cao (VHR) đã cho phép trích xuất dấu chân tòa nhà bằng cách áp dụng các phương pháp dựa trên đặc trưng thủ công truyền thống hoặc các phương pháp dựa trên học sâu. Khi phương pháp trước đây đối mặt với thách thức về sự đa dạng của các kiểu dáng và kích thước tòa nhà, cùng với các quy tắc kinh nghiệm và cài đặt ngưỡng phức tạp, nó bị giới hạn khi áp dụng cho ảnh viễn thám quy mô lớn, có độ phân giải cao. Các phương pháp dựa trên học sâu (ví dụ: mạng nơ-ron tích chập) đã thể hiện hiệu suất hiệu quả và vượt trội trong việc tự động học các đặc trưng cấp cao và phân biệt trong phân đoạn cảnh tòa nhà. Sun . đã đề xuất một chiến lược hợp nhất dựa trên máy vector hỗ trợ song song để tận dụng tối đa các đặc trưng sâu được trích xuất từ cấu trúc mạng nơ-ron tích chập đa tỷ lệ ở các tỷ lệ khác nhau, với hiệu suất vượt trội trong việc trích xuất các tòa nhà phức tạp ở các khu vực đô thị. Tuy nhiên, khi phân đoạn tòa nhà, độ chính xác của mô hình có nhiều khả năng bị giới hạn bởi chất lượng của các mẫu huấn luyện, làm cho việc ngoại suy trở nên khó khăn. Việc sử dụng không đầy đủ các ngữ nghĩa cấp cao và bỏ sót các chi tiết cấp thấp trong các mô hình sâu, dẫn đến làm mờ cạnh và bỏ sót các tòa nhà nhỏ, cũng cản trở việc ứng dụng học sâu trong trích xuất dấu chân tòa nhà. et al Khu vực Cao nguyên Thanh Hải-Tây Tạng là khu vực cao nhất thế giới, với độ cao trung bình >4000 mét so với mực nước biển, và bao phủ diện tích 2,5 triệu km2. Hơn 10 triệu người sinh sống trong khu vực này mặc dù có khí hậu khắc nghiệt, mùa đông lạnh và dài, chênh lệch nhiệt độ hàng năm và hàng ngày lớn, và môi trường trong nhà kém. Mặc dù khu vực này là hàng rào sinh thái lớn nhất ở Trung Quốc, hoạt động của con người đã tác động đáng kể đến môi trường sinh thái mong manh của nó. Khu vực này cũng cực kỳ dễ xảy ra thiên tai, với động đất, lở đất, lũ bùn, lũ quét hồ băng, và thảm họa tuyết dẫn đến thiệt hại về người và tài sản. Đáp lại, dữ liệu phân bố tòa nhà chính xác là rất quan trọng để mô hình hóa sự phân bố hoạt động của con người cho nghiên cứu kết hợp con người-môi trường, cũng như phân tích phơi nhiễm và rủi ro đối với thiên tai. Ngoài ra, khu vực này có thời gian nắng dài, tài nguyên năng lượng mặt trời dồi dào, và các bề mặt thu năng lượng mặt trời đủ lớn như mái nhà và không gian mở. Dữ liệu phân bố tòa nhà nông thôn có độ phân giải cao có thể cung cấp một cơ sở dữ liệu đáng tin cậy để đánh giá tiềm năng quang điện và cải thiện hiệu quả mức sống của những người sống ở khu vực nông thôn. Là một khu vực kém phát triển, Cao nguyên Thanh Hải-Tây Tạng và các khu vực lân cận vẫn chưa có bộ dữ liệu dấu chân mái nhà tòa nhà được số hóa có độ chính xác cao, do diện tích rộng lớn, sự phân bố tòa nhà thưa thớt, vị trí xa xôi và hạn chế về tài nguyên. Dữ liệu sẵn sàng sử dụng nhất là dữ liệu được cung cấp ở quy mô quốc gia của Trung Quốc, bao gồm dữ liệu Diện tích Mái nhà Tòa nhà Trung Quốc (CBRA, Liu ., 2023b) có lưới 2,5 mét và bản đồ sử dụng đất quốc gia đầu tiên của Trung Quốc có độ phân giải 1 mét (SinoLC) bao gồm các loại tòa nhà. Những dữ liệu raster này không thể đặc trưng hóa các đối tượng không gian và yêu cầu tài nguyên lưu trữ lớn. Dữ liệu diện tích mái nhà được số hóa cho 90 thành phố lớn của Trung Quốc do Zhang . phát hành đã phần nào lấp đầy khoảng trống này; tuy nhiên, chỉ có 14 thành phố ở Cao nguyên Thanh Hải-Tây Tạng được đưa vào bộ dữ liệu này, và dữ liệu mái nhà tòa nhà được số hóa vẫn còn thiếu cho diện tích 2 triệu km2. et al et al Do đó, nghiên cứu này nhằm mục đích tạo ra dấu chân mái nhà tòa nhà được số hóa của Cao nguyên Thanh Hải-Tây Tạng và các khu vực lân cận bằng cách kết hợp ảnh vệ tinh có độ phân giải cao và thuật toán học sâu. Bộ dữ liệu của chúng tôi đã được xác thực bằng các mẫu thử nghiệm bao gồm các lưới 250 x 1 km2 trên các vùng phụ khác nhau, cho kết quả độ chính xác tổng thể là 91,92% và điểm F1 là 64,81%. Phương pháp Khung làm việc Trong nghiên cứu này, chúng tôi đã sử dụng các thuật toán trích xuất tòa nhà từ nền tảng AI Earth để tạo ra bộ dữ liệu mái nhà tòa nhà được số hóa cho Cao nguyên Thanh Hải-Tây Tạng và khu vực lân cận ở Trung Quốc (Hình 1). Các thành phần chính của khung làm việc của chúng tôi bao gồm: (1) chuẩn bị và tiền xử lý dữ liệu vệ tinh và dữ liệu phụ trợ; (2) trích xuất mái nhà tòa nhà được số hóa bằng nền tảng AI Earth; (3) xác thực bằng dữ liệu mái nhà được số hóa thủ công. Khung làm việc cho việc trích xuất và xác thực mái nhà tòa nhà. Khu vực nghiên cứu Nghiên cứu này chủ yếu tập trung vào Cao nguyên Thanh Hải-Tây Tạng và các khu vực lân cận ở tây nam Trung Quốc trong khuôn khổ chung của Chương trình Thám hiểm và Nghiên cứu Khoa học Cao nguyên Tây Tạng lần thứ hai; về mặt địa lý, nó bao gồm Khu tự trị Tây Tạng, tỉnh Thanh Hải, tỉnh Vân Nam phía tây, tỉnh Tứ Xuyên phía tây, tỉnh Cam Túc phía tây nam và Khu tự trị Tân Cương phía nam. Độ cao trung bình của khu vực nghiên cứu là 4000 mét so với mực nước biển. Sự phân bố dân cư và tòa nhà trong khu vực nghiên cứu bị ảnh hưởng mạnh mẽ bởi độ cao và khí hậu (Hình 2), chủ yếu tập trung ở phía đông của đường nối từ Huyện Jilong ở Tây Tạng đến Huyện Qilian ở Thanh Hải; ở phía đông, chúng phân bố dày đặc ở các khu vực đồng bằng ở rìa phía đông của khu vực, bao gồm các thung lũng sông ở tỉnh Vân Nam, tỉnh Tứ Xuyên phía tây, và Lưu vực Sông Hoàng Hà Xining-Lanzhou. Ở bề mặt cao nguyên phía tây của đường này, dân cư và tòa nhà chủ yếu phân bố ở các khu vực nông nghiệp-chăn nuôi hạn chế dọc theo các thung lũng sông chính và dọc theo hành lang giao thông đường bộ. Khu vực nghiên cứu (dữ liệu dân số từ LandScan; DEM từ Trung tâm Dữ liệu Khoa học Tài nguyên và Môi trường). Ảnh vệ tinh Dữ liệu ảnh vệ tinh có độ phân giải cao, có thể truy cập công khai được lấy từ Rivermap Co. (http://www.rivermap.cn/index.html), được lấy từ sự tích hợp ảnh vệ tinh và dữ liệu hàng không của Google Earth. Trong số đó, ảnh vệ tinh chủ yếu đến từ các vệ tinh thương mại QuickBird và WorldView của DigitalGlobe, và ảnh chụp trên không có nguồn gốc từ BlueSky ở Vương quốc Anh và Sanborn ở Hoa Kỳ. Đối với mỗi địa điểm, có các bộ sưu tập ảnh đa dạng với độ phân giải lên tới 0,15 mét ở các khu vực cục bộ. Việc tích hợp dữ liệu như vậy đã được sử dụng rộng rãi để nhận dạng đối tượng trong các cảnh phức tạp và có tiềm năng lập bản đồ đối tượng quy mô lớn, có độ phân giải cao. Tổng diện tích khu vực nghiên cứu của chúng tôi là 3,06 triệu km2, và kích thước ước tính của dữ liệu ảnh vệ tinh là 29,4 TB, với độ phân giải không gian 0,6 mét. Xem xét các quy mô này, các lưới ô vuông 0,175° x 0,175° đã được tạo cho khu vực nghiên cứu của chúng tôi để cho phép các gói kích thước nhỏ hơn để tải xuống, với tổng cộng 10.033 lưới ô vuông được sử dụng để bao phủ toàn bộ khu vực nghiên cứu. Số lượng lưới ô vuông thực tế được tải xuống ít hơn, là 5921, vì hai lý do. Thứ nhất, vì một phần lớn khu vực nghiên cứu bao gồm các khu dân cư không phải của con người, nơi không có tòa nhà, chúng tôi đã loại bỏ tùy ý các lưới ô vuông không có bất kỳ pixel khu vực xây dựng nào khỏi sản phẩm World Cover của ESA. Thứ hai, các thành phố/tỉnh có dữ liệu mái nhà được số hóa (tức là Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong và Yuxi) đã được truy xuất trong dữ liệu diện tích mái nhà được số hóa cho 90 thành phố ở Trung Quốc cũng đã bị loại trừ. Ảnh được tải xuống trong khoảng thời gian từ tháng 9 năm 2022 đến tháng 1 năm 2023, với độ phân giải 0,6 mét, kích thước khung hình đơn khoảng 3 GB và tổng kích thước 2,72 TB. Ảnh được tải xuống chủ yếu được chụp từ năm 2019 đến năm 2021, nhưng ảnh từ một số khu vực xa xôi có thể được chụp sớm nhất là vào năm 2001 (Hình 3). Lưới ô vuông để tải ảnh và thời gian chụp ảnh. Dữ liệu phụ trợ Dữ liệu phụ trợ của chúng tôi bao gồm bản đồ bao phủ đất có độ phân giải cao, mô hình độ cao số (DEM), chỉ số thực vật hóa khác biệt chuẩn hóa (NDVI) và dữ liệu phân bố dân số để phân tích nhóm tiếp theo cho mục đích lấy mẫu (Bảng 1). Đối với bao phủ đất và khu vực xây dựng, sản phẩm World Cover của ESA từ Zanaga . đã được lấy từ Zenodo (https://zenodo.org/records/5571936). Sản phẩm này được tạo ra dựa trên ảnh vệ tinh Sentinel 1 và Sentinel 2 cho toàn bộ năm 2020 và một mẫu gồm 141.000 địa điểm duy nhất trên toàn thế giới, được huấn luyện bằng thuật toán random forest, để biểu thị bao phủ đất toàn cầu vào năm 2020; nó có lợi thế trong việc biểu thị các yếu tố cảnh quan quy mô nhỏ (ví dụ: khu vực xây dựng và cảnh quan nông nghiệp phức tạp), vì nó xem xét đơn vị lập bản đồ tối thiểu tương đối nhỏ. Danh mục "khu vực xây dựng" trong bộ dữ liệu đề cập đến đất được bao phủ bởi tòa nhà, đường xá và các cấu trúc nhân tạo khác (ví dụ: đường sắt) nhưng không bao gồm không gian xanh đô thị (ví dụ: công viên và cơ sở thể thao), bãi rác và địa điểm khai thác. et al Dữ liệu DEM 1 km và dữ liệu NDVI được lấy từ Trung tâm Dữ liệu Khoa học Tài nguyên và Môi trường, Viện Địa chất và Tài nguyên, Viện Hàn lâm Khoa học Trung Quốc (https://www.resdc.cn/Default.aspx). Dữ liệu DEM được lấy mẫu lại từ dữ liệu SRTM V4.1 mới nhất (https://www.resdc.cn/data.aspx?DATAID=123), và dữ liệu NDVI được ghép lại dựa trên các sản phẩm SPOT/VEGETATION PROBA-V 1 km (http://www.vito-eodata.be/). Chúng tôi đã chọn dữ liệu NDVI của năm 2021 để biểu thị thảm thực vật trên Cao nguyên Thanh Hải-Tây Tạng (https://www.resdc.cn/DOI/DOI.aspx?DOIID=49). Dữ liệu mật độ dân số được lấy từ cơ sở dữ liệu LandScan (https://landscan.ornl.gov/) cho phân tích thống kê dân số toàn cầu được phát triển bởi Phòng thí nghiệm Quốc gia Oak Ridge của Bộ Năng lượng Hoa Kỳ và được cung cấp bởi East View Cartographic (https://geospatial.com/); dữ liệu này được tạo ra bằng cách kết hợp khoa học địa lý, công nghệ viễn thám và thuật toán học máy, đại diện cho một trong những cơ sở dữ liệu phân tích thống kê động dân số toàn cầu chính xác và đáng tin cậy nhất dựa trên vị trí địa lý, với độ phân giải vượt trội ở mức 1 km. Chúng tôi đã sử dụng phân bố dân số vào năm 2021 cho phân tích nhóm tiếp theo. Tiền xử lý dữ liệu Sự phân bố dân cư và tòa nhà rải rác trên phần lớn diện tích nghiên cứu của chúng tôi, với hơn 99,5% diện tích nghiên cứu được phân loại là khu vực không xây dựng theo sản phẩm World Cover của ESA. Để đẩy nhanh quá trình trích xuất của chúng tôi, mặt nạ khu vực phân bố tòa nhà tiềm năng đã được tạo ra trước cho mỗi lưới ô vuông 0,175° x 0,175° trước khi trích xuất. Dựa trên danh mục "Khu vực xây dựng" trong dữ liệu World Cover, một vùng đệm 1 km xung quanh mỗi pixel khu vực xây dựng đã được tạo ra làm khu vực phân bố tòa nhà tiềm năng. Sau khi thử nghiệm một số độ rộng vùng đệm, chúng tôi nhận thấy rằng độ rộng 1 km có thể chứa 96% pixel tòa nhà được báo cáo trong các sản phẩm CBRA năm 2020. Mặt nạ này cho phép chúng tôi loại trừ 86% tổng diện tích ảnh đã tải xuống, do đó tiết kiệm đáng kể thời gian tính toán. Chúng tôi đã phân tích vùng đệm bằng cách chồng lên các lưới ô vuông đã tạo để loại trừ các lưới không chứa tòa nhà. Sau đó, ảnh được cắt lại bằng các vùng đệm, và thuật toán trích xuất tòa nhà được áp dụng cho các ảnh đã cắt. Trích xuất mái nhà tòa nhà được số hóa Thuật toán trích xuất mái nhà tòa nhà được số hóa được sử dụng trong nghiên cứu này đến từ nền tảng AI Earth của AliCloud (https://engine-aiearth.aliyun.com/#/), kết hợp phương pháp phân đoạn dựa trên học sâu với phương pháp phân đoạn dựa trên watershed để xây dựng một khung phân đoạn thể hiện tòa nhà - bộ giải mã kép cho phân đoạn watershed. Thuật toán này thêm một tác vụ phân đoạn ranh giới vào tác vụ phân đoạn ngữ nghĩa, và sử dụng thuật toán watershed để tiền xử lý kết quả dự đoán của hai tác vụ trong quá trình dự đoán, thu được kết quả trích xuất tòa nhà cuối cùng. Mạng nơ-ron PointRend do Kirillov . đề xuất được sử dụng đầu tiên, coi phân đoạn ảnh như một vấn đề kết xuất và sử dụng thuật toán phân đoạn lặp đi lặp lại lấy mẫu có chọn lọc các điểm không đồng nhất để phân đoạn chính xác, vì các điểm hạt nhân ổn định và chính xác hơn được mạng nơ-ron học có thể cung cấp các mô hình phân đoạn ngữ nghĩa được tinh chỉnh cho các cấu trúc và đặc trưng chính của tòa nhà. Tiếp theo, một phân đoạn watershed linh hoạt được sử dụng để hậu xử lý, có khả năng thích ứng với các đối tượng có hình thái và đặc trưng khác nhau. Thuật toán đạt độ chính xác đếm >90% và độ chính xác ước tính diện tích >85% trong thử nghiệm xác thực dựa trên các mẫu được số hóa thủ công ở các khu vực khác nhau của Trung Quốc, giành giải nhì trong cuộc thi phân đoạn tòa nhà ảnh SAR mọi thời tiết SpaceNet6. So với Mask Region-CNN, thuật toán cải thiện điểm trung bình cộng (mean average precision) lên 11 điểm phần trăm. et al Hồ sơ dữ liệu Thuật toán trích xuất mái nhà tòa nhà được số hóa được sử dụng trong nghiên cứu này có thể được gọi trên nền tảng AI Earth (https://engine-aiearth.aliyun.com/#/). Bộ dữ liệu của chúng tôi có sẵn từ Trung tâm Dữ liệu Cao nguyên Tây Tạng Quốc gia, có thể truy cập tại https://doi.org/10.11888/RemoteSen.tpdc.301170. Tất cả dữ liệu được lấy bằng hệ tọa độ GCS_ WGS_ 1984 và được đóng gói vào các tệp .rar (Bảng 2). Dữ liệu đường viền tòa nhà do AI tạo ra (Hình 4) được sắp xếp theo cấp tỉnh theo tên của chúng, bao gồm Cam Túc, Quý Châu, Thanh Hải, Tứ Xuyên, Tân Cương, Tây Tạng và Vân Nam. Ngoài ra, dữ liệu ảnh của lưới 250 km2 tương ứng và dữ liệu xác minh được vẽ thủ công từ nguồn gốc cũng được tải lên trong 'image_1km.rar' và 'test_1km.rar'. Năm chụp ảnh trong Hình 3 nằm trong 'image_time.rar'. Kết quả trích xuất. Xác thực kỹ thuật Chuẩn bị dữ liệu xác thực dựa trên lấy mẫu phân tầng Việc số hóa mái nhà tòa nhà thủ công đã được thực hiện để tạo ra dữ liệu mái nhà tòa nhà "ground-truth" cho mục đích xác thực. Do diện tích rộng lớn của khu vực nghiên cứu, cũng như sự khác biệt đáng kể giữa các vùng về độ cao, địa hình, loại thảm thực vật và loại tòa nhà, chúng tôi đã sử dụng phương pháp lấy mẫu phân tầng thay vì lấy mẫu ngẫu nhiên để có được mẫu cân bằng về các vùng phụ khác nhau. Chúng tôi đã thực hiện phân cụm K-means trên 5921 lưới ô vuông dựa trên năm chỉ số: khu vực xây dựng, NDVI trung bình, mật độ dân số, độ cao trung bình và độ lệch chuẩn của độ cao. Phân cụm K-means là một thuật toán phân cụm dựa trên khoảng cách Euclidean, trong đó khoảng cách giữa các đặc điểm của hai mục tiêu càng gần thì độ tương tự càng lớn. Sau khi chuẩn hóa dữ liệu bằng cách trừ đi giá trị trung bình và chia cho độ lệch chuẩn, phương pháp khuỷu tay đã được sử dụng để chọn số lượng danh mục phù hợp nhất. Trong quá trình này, khi số lượng danh mục tăng lên năm, tốc độ giảm của tổng bình phương sai số giảm mạnh. Do đó, chúng tôi đã phân cụm 5921 lưới ô vuông thành năm loại cho các phân tích tiếp theo (Bảng 3, Hình 5). Bản đồ phân vùng địa lý và lưới ô vuông để tạo bộ dữ liệu xác thực. Cụm I (bề mặt cao nguyên & vùng mật độ tòa nhà thấp) bao phủ một diện tích lớn trên bề mặt cao nguyên của Cao nguyên Thanh Hải-Tây Tạng - với diện tích rộng nhất và địa hình bằng phẳng nhất - và đặc trưng bởi độ cao lớn, dân số thấp, thảm thực vật thưa thớt và khu vực xây dựng ít. Các lưới ô vuông trong Cụm II (vùng cao & vùng mật độ tòa nhà trung bình-thấp) chủ yếu nằm ở các khu vực biên giới của Thanh Hải, Tứ Xuyên và Tây Tạng, và chủ yếu được bao phủ bởi đồng cỏ núi cao và cây bụi, và chủ yếu là thượng nguồn của các sông lớn ở Trung Quốc. Tuy nhiên, điều kiện khí hậu của Cụm II tương đối khắc nghiệt, dẫn đến dân số và tòa nhà tương đối thưa thớt ở đây. Các lưới ô vuông trong Cụm III (địa hình biến đổi lớn nhất & vùng mật độ tòa nhà trung bình) có sự thay đổi độ cao lớn nhất, chủ yếu nằm ở vùng chuyển tiếp địa hình quanh cao nguyên. Cụm IV (độ cao trung bình-thấp & vùng mật độ tòa nhà trung bình-cao) chủ yếu bao gồm các tỉnh Cam Túc và Vân Nam ở phần phía đông của Cao nguyên Thanh Hải-Tây Tạng, với độ cao tương đối thấp, thảm thực vật tươi tốt, và dân số, tòa nhà dày đặc. Cụm V (độ cao thấp & vùng mật độ tòa nhà cao) có số lượng lưới ô vuông ít nhất nhưng diện tích đô thị lớn nhất, độ cao trung bình thấp nhất, và mật độ dân số, tòa nhà cao nhất. Tổng cộng 250 lưới ô vuông sau đó đã được chọn dựa trên sự phân chia các cụm; trong mỗi lưới ô vuông, một lưới 1 km2 đã được sử dụng để chuẩn bị dữ liệu ground truth cho việc xác thực độ chính xác, cho ra tỷ lệ lấy mẫu là 4,22% (250/5921 lưới ô vuông) hoặc 0,093% (250 km2/267904 km2 mặt nạ vùng đệm). Số lượng lưới ô vuông lấy mẫu được chọn cho mỗi cụm tỷ lệ thuận với tổng kích thước của nó. Trong mỗi cụm, chúng tôi ưu tiên các lưới ô vuông có diện tích xây dựng lớn trong sản phẩm World Cover của ESA. Trong quá trình này, chúng tôi cũng cố gắng tránh chọn các lưới ô vuông liền kề để mẫu có thể đảm bảo phạm vi không gian tốt hơn. Phân bố cuối cùng của các lưới ô vuông được chọn được hiển thị trong Hình 5. Mỗi lưới ô vuông được lấy mẫu sau đó được chia thành các lưới 1 km2, và lưới có diện tích xây dựng lớn nhất theo sản phẩm World Cover của ESA đã được chọn để số hóa mái nhà tòa nhà thủ công. Cuối cùng, chúng tôi thu được tổng cộng 149.035 tòa nhà được vẽ thủ công với tổng diện tích 24,65 km2. Kết quả xác thực Chúng tôi đã sử dụng một phương pháp định lượng để xác thực kết quả trích xuất của chúng tôi, tham khảo một hệ thống đánh giá phân cấp đa tiêu chí để đánh giá các tòa nhà được trích xuất dựa trên viễn thám (Zeng .). Dựa trên dữ liệu mái nhà tòa nhà được số hóa thủ công, các chỉ số tỷ lệ khớp (Bảng 4) của các lưới 250 x 1 km2, bao gồm độ chính xác tổng thể (OA), độ chính xác (precision), độ phủ (recall), và điểm F1 để đánh giá độ chính xác, đã được tính toán dựa trên ma trận nhầm lẫn. et al OA của kết quả chúng tôi là 87%, cho thấy bộ dữ liệu của chúng tôi có độ tin cậy cao trong việc trích xuất tòa nhà và loại bỏ nền (Bảng 5). Tuy nhiên, điểm chính xác là 50,1%, cho thấy khoảng một nửa diện tích mái nhà tòa nhà được trích xuất là không chính xác, chủ yếu là do dự đoán sai khoảng cách tòa nhà ở các khu vực có mật độ tòa nhà cao (ví dụ: ở các khu vực xây dựng có mật độ cao nơi khoảng cách giữa các tòa nhà là nhỏ). Độ phủ của kết quả chúng tôi là khoảng 92%, có nghĩa là phần lớn mái nhà tòa nhà được số hóa thủ công có thể được thuật toán trích xuất. Kết quả của chúng tôi tốt hơn một chút so với CBRA và dữ liệu diện tích mái nhà được số hóa cho 90 thành phố ở Trung Quốc. So với kết quả của chúng tôi, dựa trên bộ dữ liệu xác thực của chúng tôi, CBRA có OA tương đương nhưng độ chính xác, độ phủ và điểm F1 tương đối nhỏ. Dữ liệu diện tích mái