AI Lập bản đồ 13 triệu tòa nhà ở một trong những khu vực xa xôi nhất thế giới

```html Tác giả: Diệp Đào Hồng Vũ Sơn Tích Đông Ngô Cường Chuột Minh Phúc Mã Văn Trí Triệu Tử Nhã Nhĩ Nguyên Cao Chính Trực Ngô 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 biết về tương tác giữa con người và môi trường tại Cao nguyên Thanh Hải-Tây Tạng có tầm quan trọng đặc biệt, nhưng điều này 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 in dấu chân mái nhà tòa nhà được vector 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 số 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 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. Tổng quan & 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 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 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 , , tìm hiểu tác động của đô thị hóa đối với an ninh lương thực, đa dạng sinh học, biến đổi khí hậu, sức khỏe cộng đồng và phúc lợi , , xây dựng chiến lược phát triển khu vực và bảo vệ hệ sinh thái đô thị và nông thôn , , . 1 2 3 4 5 6 7 8 9 10 11 Sự tiến bộ của ảnh vệ tinh và ảnh hàng không, cùng với những tiến bộ gần đây trong thuật toán học máy và học sâu, đã thúc đẩy sự sẵn có của dữ liệu phân bố tòa nhà , , . Dữ liệu phân bố tòa nhà được cung cấp dưới dạng raster như một phần của dữ liệu sử dụng đất/bìa phủ. Bản phát hành mới nhất bao gồm ba sản phẩm sử dụng đất/bìa phủ toàn cầu độ phân giải 10m 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 đang cố gắng đính kèm thông tin thuộc tính vào các pixel tòa nhà, chẳng hạn như chiều cao tòa nhà . Ví dụ, He . đã sử dụng kỹ thuật hợp nhất dữ liệu viễn thám đa nguồn để xây dựng bộ dữ liệu mở rộng không gian và thời gian đô thị độ phân giải 30m đầu tiên trên thế giới, bao phủ giai đoạn 1990-2010. Mặc dù độ phân giải không gian ngày càng 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 làm tăng đáng kể chi phí lưu trữ và tính toán . 12 13 14 15 16 17 14 et al 7 18 12 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 vector hóa, là dữ liệu đường viền của một tòa nhà chiếu xuống mặt đất trong góc nhìn từ trên xuống , , cung cấp thông tin như vị trí địa lý, phạm vi không gian của đường viền 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 vector hóa truy cập mở với phạm vi rộng, cập nhật nhanh và chi phí thấp , , . Năm 2022, Microsoft Corporation đã sử dụng phân đoạn ngữ nghĩa dựa trên mạng thần kinh 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 2021 cho mọi châu lục 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 0,5m, 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 độc lập với kích thước lưới, và việc giới thiệu các quy tắc tô pô càng cải thiện tính toàn vẹn của dữ liệu vector . 19 20 21 22 23 13 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 của dữ liệu phân bố tòa nhà không ngừng được cải thiện . Khả năng sử 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 đối mặt với thách thức về sự đa dạng về hình dáng và kích thước của tòa nhà, cũng như 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 các 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 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, khiến việc ngoại suy trở nên khó khăn. Việc sử dụng không đủ ngữ nghĩa cấp cao và bỏ sót các chi tiết cấp thấp trong các mô hình sâu, dẫn đến viền mờ và bỏ sót các tòa nhà nhỏ, cũng cản trở việc ứng dụng học sâu trong trích xuất dấu chân tòa nhà. 24 25 13 26 et al 27 Vùng 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 có diện tích 2,5 triệu km2 . Hơn 10 triệu người sinh sống trong khu vực này bất chấp khí hậu khắc nghiệt, mùa đông lạnh và dài, chênh lệch nhiệt độ hàng năm và hàng ngày lớn, và môi trường nhiệt trong nhà kém. Mặc dù khu vực này là rào cản 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 , , . Để ứng phó, dữ liệu phân bố tòa nhà chính xác là rất quan trọng để mô hình hóa phân bố hoạt động của con người cho nghiên cứu tương tác 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, nguồn năng lượng mặt trời dồi dào và các bề mặt thu thập năng lượng mặt trời đủ 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 nâng cao hiệu quả tiêu chuẩn sống của những người sống ở khu vực nông thôn , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 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 mái nhà tòa nhà được vector hóa có độ chính xác cao, do diện tích rộng lớn, 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) với lưới 2,5m và bản đồ sử dụng đất quốc gia đầu tiên của Trung Quốc có độ phân giải 1m (SinoLC) bao gồm các loại tòa nhà . Những dữ liệu raster này không thể mô tả các đối tượng không gian và yêu cầu tài nguyên lưu trữ lớn. Dữ liệu diện tích mái nhà được vector hóa cho 90 thành phố lớn ở Trung Quốc do Zhang . phát hành đã lấp đầy một phần khoảng trống này; tuy nhiên, chỉ có 14 thành phố trên Cao nguyên Thanh Hải-Tây Tạng được bao gồm trong bộ dữ liệu này, và dữ liệu mái nhà tòa nhà được vector hóa vẫn còn thiếu cho diện tích 2 triệu km2. et al 42 et al 13 Do đó, nghiên cứu này nhằm mục đích tạo ra dấu chân mái nhà tòa nhà được vector hóa của Cao nguyên Thanh Hải-Tây Tạng và các khu vực lân cận bằng cách tích 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 cách sử dụng các mẫu thử nghiệm bao gồm các lưới 250 × 1 km2 trên các khu vực phụ khác nhau, cho kết quả độ chính xác tổng thể là 91,92% và điểm F1 là 64,81%. Phương pháp Khung phương pháp Trong nghiên cứu này, chúng tôi đã sử dụng thuật toán trích xuất tòa nhà từ nền tảng AI Earth để tạo bộ dữ liệu mái nhà tòa nhà được vector hóa cho Cao nguyên Thanh Hải-Tây Tạng và khu vực lân cận ở Trung Quốc (Hình ). Các thành phần chính của khung phương pháp 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 vector hóa bằng nền tảng AI Earth; (3) xác thực bằng dữ liệu mái nhà được vector hóa thủ công. 1 Khung phương pháp để 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 theo 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 4000m so với mực nước biển. Sự phân bố dân số và tòa nhà trong khu vực nghiên cứu bị ảnh hưởng mạnh bởi độ cao và khí hậu (Hình ), chủ yếu tập trung ở phía đông của đường từ Huyện Cát Lợi ở Tây Tạng đến Huyện Kỳ Liên ở Thanh Hải ; ở phía đông, chúng phân bố dày đặc ở các vùng 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 Tây Ninh-Lan Châu. Ở bề mặt cao nguyên phía tây đường này, dân số và tòa nhà chủ yếu phân bố ở các khu vực nông-chăn nuôi hạn chế dọc theo các thung lũng sông lớn, và dọc theo hành lang giao thông đường bộ. 43 2 44 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, truy cập mở được lấy từ Rivermap Co. ( ), 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 hàng không có nguồn gốc từ BlueSky ở Vương quốc Anh và Sanborn ở Hoa Kỳ . Đối với mỗi vị trí, có các bộ sưu tập nhiều ảnh với độ phân giải lên tới 0,15m 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 các loại đối tượng quy mô lớn có độ phân giải cao . http://www.rivermap.cn/index.html 45 46 47 48 49 50 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 là 0,6m. Xem xét các quy mô này, các lưới 0,175° × 0,175° đã được tạo ra cho khu vực nghiên cứu của chúng tôi để cho phép các gói có kích thước nhỏ hơn để tải xuống, với tổng cộng 10.033 lưới được sử dụng để bao phủ toàn bộ khu vực nghiên cứu. Số lượng lưới thực tế được tải xuống ít hơn là 5921 vì hai lý do. Thứ nhất, vì một phần lớn của khu vực nghiên cứu bao gồm các khu dân cư không có người ở nơi không có tòa nhà, chúng tôi đã tùy ý loại trừ các lưới không có bất kỳ pixel nào được xây dựng từ sản phẩm World Cover của ESA. Thứ hai, các thành phố/quận có dữ liệu mái nhà được vector hóa (tức là, Lhasa, Shannan, Côn Minh, Tây Ninh, Hải Đông, Trương Dịch, Bạch Ngân, Lan Châu, Thành Đô, Đại Lý, Lệ Giang, Côn Minh, Triệu Thông và Ngọc Khê) đã được thu thập trong dữ liệu diện tích mái nhà được vector 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 0,6m, kích thước khung đơn khoảng 3 GB và tổng kích thước 2,72 TB. Ảnh được tải xuống chủ yếu được chụp từ năm 2019 đến 2021, nhưng ảnh từ một số khu vực xa xôi có thể đã được chụp sớm nhất là năm 2001 (Hình ). 13 3 Lưới để tải xuống ảnh và thời gian chụp ảnh. Dữ liệu phụ trợ Dữ liệu phụ trợ của chúng tôi bao gồm bản đồ lớp phủ đất có độ phân giải cao, mô hình số độ cao (DEM), chỉ số chênh lệch thực vật hóa (NDVI) và dữ liệu phân bố dân số để phân tích cụm tiếp theo nhằm mục đích lấy mẫu (Bảng ). 1 Đối với lớp phủ đất và khu vực được xây dựng, sản phẩm World Cover của ESA từ Zanaga . đã được lấy từ Zenodo ( ). 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 cầu, được huấn luyện bằng thuật toán random forest, để đại diện cho lớp phủ đất toàn cầu vào năm 2020; nó có ưu điểm trong việc đại diện cho các yếu tố cảnh quan quy mô nhỏ (ví dụ: khu vực được 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 được xây dựng" trong bộ dữ liệu đề cập đến đất được bao phủ bởi các 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 17 https://zenodo.org/records/5571936 51 17 Dữ liệu DEM 1km và dữ liệu NDVI được lấy từ Trung tâm Dữ liệu Khoa học Tài nguyên và Môi trường, Viện Khoa học Địa chất và Tài nguyên, Viện Hàn lâm Khoa học Trung Quốc ( ). Dữ liệu DEM được lấy mẫu lại từ dữ liệu SRTM V4.1 mới nhất ( ), và dữ liệu NDVI được ghép nối dựa trên các sản phẩm SPOT/VEGETATION PROBA-V 1km ( ). Chúng tôi đã chọn dữ liệu NDVI năm 2021 để đại diện cho thảm thực vật trên Cao nguyên Thanh Hải-Tây Tạng ( ). Dữ liệu mật độ dân số được lấy từ cơ sở dữ liệu LandScan ( ) 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 ( ); dữ liệu này được tạo ra bằng cách kết hợp khoa học địa lý, công nghệ viễn thám và các 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 1km . Chúng tôi đã sử dụng phân bố dân số năm 2021 để phân tích cụm tiếp theo. 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 Tiền xử lý dữ liệu Sự phân bố dân số và tòa nhà thưa thớt đối với hầu hết khu vực nghiên cứu của chúng tôi, với hơn 99,5% diện tích khu vực được phân loại là khu vực không được 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 0,175° × 0,175° trước khi trích xuất. Dựa trên danh mục "Khu vực được xây dựng" trong dữ liệu World Cover, một vùng đệm 1 km xung quanh mỗi pixel khu vực được 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 của các 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 đã tạo để loại trừ các lưới không chứa tòa nhà. Sau đó, ảnh được cắt lại bằng các vùng đệm, và sau đó thuật toán trích xuất tòa nhà được áp dụng cho các ảnh đã cắt. 17 Trích xuất mái nhà tòa nhà được vector hóa Thuật toán trích xuất mái nhà tòa nhà được vector hóa được sử dụng trong nghiên cứu này đến từ nền tảng AI Earth của AliCloud ( ), 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 đối tượng tòa nhà - bộ giải https://engine-aiearth.aliyun.com/#/