
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 作者： 
 
 
 
 
 
 
 
 
 
 陶野 山红雨 吴继东 周强 马明福 赵文治 亚茹 高源 吴立政 摘要 大范围、高精度的建筑分布数据是区域城市规划、资源配置和灾害风险研究的重要基础。青藏高原是世界第三极。尽管了解青藏高原当地的人-环境相互作用至关重要，但由于该地区地域辽阔且偏远，缺乏高分辨率的建筑足迹数据阻碍了这一研究。本研究利用高分辨率的谷歌影像和AI Earth平台的建筑轮廓提取算法，生成了青藏高原及其周边地区的首个矢量化建筑屋顶平面图。我们的研究成果包括1309万个建筑，覆盖面积6092.7平方公里，并通过总计250 x 1平方公里的测试样本进行了验证。数据显示，总体准确率为87%，召回率为91.9%，F1分数为64.8%，与CBRA相比，为研究区的建筑分布提供了更先进的描述。我们的工作在促进该地区灾害风险研究的暴露评估方面具有巨大潜力。 背景与摘要 数字时代的到来增加了对可靠建筑分布和属性数据的需求 , , 。建筑分布数据不仅提供了建筑物的空间信息，还提供了人口和物质资产的空间信息 ，是人类活动的一个良好代理。近年来，建筑分布数据被广泛应用于监测城乡发展 , ，理解城市化对粮食安全、生物多样性、气候变化以及公众福祉和健康的影响 , ，制定区域发展战略，保护城乡生态系统 , , 。 1 2 3 4 5 6 7 8 9 10 11 卫星和航空影像的进步，以及机器学习和深度学习算法的最新进展，促进了建筑分布数据的可用性 , , 。建筑分布数据以栅格格式作为土地利用/土地覆盖数据的一部分提供。最新版本包括基于Sentinel卫星的三种10米全球土地利用/土地覆盖产品，即谷歌动态世界（DW） ，Esri的2020年土地覆盖 ，以及欧洲航天局（ESA）的世界覆盖2020（WC） 。除了空间分布信息外，研究人员还在尝试为建筑像素附加属性信息，例如建筑高度 。例如，He等人 利用多源遥感数据融合构建了全球首个分辨率为30米的城市三维时空蔓延数据集，涵盖1990年至2010年。尽管空间分辨率不断提高，但基于栅格的建筑分布数据仍然无法描述空间对象 ，并且分辨率的提高会大大增加存储和计算成本 。 12 13 14 15 16 17 14 7 18 12 矢量格式的建筑分布数据，也称为矢量化建筑屋顶或建筑足迹，是建筑物的地面投影轮廓数据，从俯视角度看 , ，提供了诸如地理位置、边界空间范围以及单个建筑足迹等信息。公共服务提供商（例如Google Earth和OpenStreetMap）提供开放访问的矢量化建筑屋顶数据，具有覆盖广、更新快、成本低等优点 , , 。2022年，微软公司利用基于深度神经网络的语义分割技术，从2014年至2021年在美国以外的每个大陆的必应地图（包括Maxar和Airbus影像）中提取了7.77亿个建筑物的轮廓，其中一些包含建筑高度属性。2023年5月30日，谷歌发布了一个包含18亿个建筑物轮廓的数据集，这些轮廓是从0.5米分辨率的卫星影像中提取的，覆盖面积达5800万平方公里。由顶点和路径表示的矢量数据的低冗余和紧凑结构提供了独立于网格大小的更高地理精度，拓扑规则的引入进一步提高了矢量数据的完整性 。 19 20 21 22 23 13 随着影像分辨率的提高和数据采集成本的降低，以及提取算法的最新进展，建筑分布数据的分辨率和覆盖范围正在不断提高 。超高分辨率（VHR）图像的可行性使得应用传统的、手工制作的特征方法 或基于深度学习的方法 提取建筑足迹成为可能。然而，前一种方法面临建筑外观和尺寸的多样性以及复杂的经验法则和阈值设置的挑战，在应用于大规模高分辨率遥感图像时受到限制 。基于深度学习的方法（例如卷积神经网络）在自动学习建筑物场景分割中的高级别区分性特征方面表现出有效且优越的性能。Sun等人 提出了一种基于并行支持向量机的融合策略，以充分利用不同尺度下多尺度卷积神经网络结构提取的深度特征，在提取复杂城市建筑方面表现优越。尽管如此，在分割建筑物时，模型的准确性更容易受到训练样本质量的限制，使得外推变得困难。深度模型中对高级语义的利用不足以及对低级细节的忽略，导致边缘模糊和小建筑物遗漏，也阻碍了深度学习在建筑足迹提取中的应用。 24 25 13 26 27 青藏高原地区是世界上地势最高的高原，平均海拔高于海平面4000米以上，覆盖面积250万平方公里 。尽管该地区气候极端，冬季寒冷漫长，年温差和日温差大，室内热环境差，但仍有超过1000万人口居住。虽然该地区是中国最大的生态屏障 ，但人类活动严重影响了其脆弱的生态环境 。该地区也极易发生灾害，地震、滑坡、泥石流、冰湖溃决和雪灾等导致人员伤亡和财产损失 , , 。因此，准确的建筑分布数据对于模拟人地相互作用中的人类活动分布 , ，以及自然灾害的暴露和风险分析至关重要 , 。此外，该地区日照时间长，太阳能资源丰富，且有屋顶和开阔空间等充足的太阳能收集面 , 。高分辨率的农村建筑分布数据可以为评估光伏潜力、有效提高农村居民生活水平提供可靠的数据库 , 。 28 29 30 31 32 33 34 35 36 37 38 39 40 41 作为一个欠发达地区，由于地域广阔、建筑分布稀疏、地理位置偏远且资源有限，青藏高原及其周边地区仍然缺乏一套完整的高精度矢量化建筑屋顶数据。最现成的数据是全国范围的数据，包括2.5米网格化的中国建筑屋顶面积数据（CBRA，Liu等人，2023b）和中国首个1米分辨率的土地覆盖图（SinoLC），其中包含建筑类别 。这些栅格数据无法表征空间对象，且需要大量的存储资源。张等人 发布的中国90个主要城市的矢量化屋顶面积数据部分填补了这一空白；然而，该数据集中仅包含青藏高原的14个城市，仍有200万平方公里的区域缺乏矢量化建筑屋顶数据。 42 13 因此，本研究旨在通过整合高分辨率卫星影像和深度学习算法，生成青藏高原及其周边地区的矢量化建筑屋顶平面图。我们的数据集通过包含各个子区域的250 x 1平方公里网格的测试样本进行了验证，总体准确率为91.92%，F1分数为64.81%。 方法 框架 本研究利用AI Earth平台的建筑提取算法，为中国青藏高原及其周边地区生成了矢量化建筑屋顶数据集（图1）。我们框架的主要组成部分包括：（1）卫星数据和辅助数据准备与预处理；（2）使用AI Earth平台进行矢量化建筑屋顶提取；（3）使用手动矢量化的屋顶数据进行验证。    建筑屋顶提取与验证框架。 研究区 本研究主要关注中国西南部的青藏高原及其周边地区，总体框架属于第二次青藏高原科学考察与研究计划 ；地理上，它包括西藏自治区、青海省、云南省西部、四川省西部、甘肃省西南部和新疆维吾尔自治区南部。研究区的平均海拔为4000米以上。研究区人口和建筑物的分布受海拔和气候影响很大（图2） ，主要集中在从西藏吉隆县到青海祁连县的连线以东；以东，它们密集分布在该地区东缘的平原地区，包括云南省、四川省西部的河谷以及西宁-兰州黄河流域。在连线以西的高原表面，人口和建筑物主要分布在主要河谷沿岸有限的农牧区，以及沿道路交通走廊。 43 2    研究区（人口数据来自LandScan；DEM来自资源与环境科学数据中心）。 卫星影像 开放获取的高分辨率卫星影像数据来自Rivermap公司（ ），这些数据是通过Google Earth整合卫星影像和航空数据获得的。其中，卫星影像主要来自DigitalGlobe的QuickBird和WorldView商业卫星，航空摄影则来自英国的BlueSky和美国的Sanborn 。对于每个地点，都有分辨率高达0.15米的多个影像集合。这种数据集成已被广泛用于复杂场景中的目标识别 , , , ，并有可能进行大规模高分辨率物体类型测绘 。 http://www.rivermap.cn/index.html 45 46 47 48 49 50 我们研究区的总面积为306万平方公里，卫星影像数据估计大小为29.4 TB，空间分辨率为0.6米。考虑到这些规模，我们为研究区创建了0.175° x 0.175°的网格，以便下载时可以打包成更小的文件，共使用了10033个网格来覆盖整个研究区。下载的实际网格数量较少，为5921个，原因有两个。首先，由于研究区大部分是非人类居住区，没有建筑物，我们任意排除了ESA World Cover产品中没有任何建成区像素的网格。其次，排除了已在中国90个城市矢量化屋顶面积数据中检索到矢量化屋顶数据（即拉萨、山南、昆明、西宁、海东、张掖、白银、兰州、成都、大理、丽江、昆明、昭通和玉溪）的城市/地区 。下载的影像主要摄于2019年至2021年，但一些偏远地区的影像可能早在2001年就已拍摄（图3）。影像下载时间为2022年9月至2023年1月，分辨率为0.6米，单幅图像大小约3 GB，总大小为2.72 TB。 13    影像下载网格和拍摄时间。 辅助数据 我们的辅助数据包括高分辨率土地覆盖图、数字高程模型（DEM）、归一化植被指数（NDVI）以及用于后续聚类分析以进行抽样的区域人口分布数据（表1）。 对于土地覆盖和建成区，我们从Zenodo（ ）获取了Zanaga等人 的ESA World Cover产品。该产品基于2020年全年的Sentinel 1和Sentinel 2卫星影像以及分布在全球的141,000个独特位置样本，并使用随机森林算法进行训练，以代表2020年的全球土地覆盖；它在表征精细尺度的地貌元素（例如，建成区和复杂的农业景观）方面具有优势，因为它考虑了相对较小的最小测绘单元 。“建成区”类别的数据集包括建筑物、道路和其他人造结构（如铁路）覆盖的土地，但不包括城市绿地（如公园和体育设施）、填埋场和采矿点 。 https://zenodo.org/records/5571936 17 51 17 1公里DEM数据和NDVI数据来自中国科学院资源与环境科学与数据中心（ ）。DEM数据是从最新的SRTM V4.1数据重采样而来（ ），NDVI数据是基于SPOT/VEGETATION PROBA-V 1公里产品镶嵌而成（ ）。我们选择2021年的NDVI数据来代表青藏高原的植被（ ）。人口密度数据来自LandScan数据库（ ），该数据库由美国能源部橡树岭国家实验室开发，由East View Cartographic（ ）提供；这些数据是通过结合地理空间科学、遥感技术和机器学习算法生成的，代表了基于地理位置的最准确可靠的全球人口动态统计分析数据库之一，具有1公里的优越分辨率 。我们使用2021年的人口分布数据进行后续聚类分析。 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 数据预处理 对于我们研究区的大部分区域，人口和建筑物的分布是分散的，根据ESA的World Cover产品 ，超过99.5%的研究区被归类为非建成区。为了加快提取速度，我们首先为每个0.175° x 0.175°的网格生成了潜在的建筑分布区域掩膜。基于World Cover数据中的“建成区”类别，在每个建成区像素周围生成1公里缓冲区作为潜在的建筑分布区域。在测试了几种缓冲区宽度后，我们发现1公里的宽度可以容纳CBRA产品报告的2020年建筑像素的96%。该掩膜使我们能够排除下载影像总面积的86%，从而节省了大量的计算时间。我们通过与生成的网格进行叠加来分析缓冲区，以排除不包含建筑物的网格。然后，影像再次使用缓冲区裁剪，之后将建筑提取算法应用于裁剪后的影像。 17 矢量化建筑屋顶提取 本研究使用的矢量化建筑屋顶提取算法来自阿里云AI Earth平台（ ），该算法结合了基于深度学习的分割方法和基于分水岭的分割方法，构建了一个建筑实例分割框架——用于分水岭分割的双解码器。该算法在语义分割任务的基础上增加了边界分割任务，并在预测时使用分水岭算法对两个任务的预测结果进行预处理，得到最终的建筑提取结果。首先使用Kirillov等人 提出的PointRend神经网络 ，它将图像分割视为渲染问题，并采用迭代分割算法，选择性地对非均匀点进行采样以进行精确分割，因为神经网络学习到的更稳定和准确的种子点可以为建筑物的关键结构和特征提供精细调整的语义分割模型。随后，使用灵活的分水岭分割进行后处理 , ，该算法能够适应具有不同形态和特征的对象。该算法在基于中国不同地区手动矢量化样本的验证测试中实现了超过90%的计数准确率和超过85%的面积估算准确率，并在全天候SAR影像建筑分割竞赛SpaceNet6中获得第二名。与Mask Region-CNN相比，该算法的平均精度提高了11个百分点 。 https://engine-aiearth.aliyun.com/#/ 53 53 54 55 56 数据记录 本研究使用的矢量化建筑屋顶提取算法可在AI Earth平台（ ）上调用。我们的数据集可从青藏高原国家数据中心获取，访问地址为 。所有数据均采用GCS_WGS_1984坐标系获取，并打包为.rar文件（表2）。生成的AI建筑轮廓数据（图4）按省份名称排列，包括甘肃、贵州、青海、四川、新疆、西藏和云南。此外，相应的250平方公里网格的影像数据和原始来源的手动绘制验证数据也以“image_1km.rar”和“test_1km.rar”的形式上传。图3中影像采集年份在“image_time.rar”中。 https://engine-aiearth.aliyun.com/#/ https://doi.org/10.11888/RemoteSen.tpdc.301170 57    提取结果。 技术验证 基于分层抽样的验证数据准备 进行了手动建筑屋顶矢量化，以获得用于验证的“地面真实”建筑屋顶数据。由于研究区面积广阔，以及各地在海拔、地貌、植被类型和建筑类型方面存在显著差异，我们采用了分层抽样方法，而不是随机抽样，以在不同子区域获得均衡的样本。我们基于五个指标对5921个网格进行了K均值聚类 ：建成区、平均NDVI、人口密度、平均海拔和海拔标准差。K均值聚类是一种基于欧氏距离的聚类算法，两个目标的特征距离越近，相似度越大。在通过减去均值并除以标准差对数据进行标准化后，使用肘部法则来选择最合适的类别数量 。在此过程中，当类别数量增加到五时，均方误差之和的下降率迅速下降。因此，我们将5921个网格聚类为五类，用于后续分析（表3，图5） , 。 58 59 3 5    地理分区图和用于创建验证数据集的网格。 I类（高原地表与低建筑密度区）覆盖了青藏高原高原地表的大部分区域——面积最广、地形最平坦——其特点是海拔高、人口少、植被覆盖率低、建成区小。II类（高海拔与中低建筑密度区）的网格主要位于青海、四川和西藏的边境地区，大部分覆盖着高山草甸和灌木，主要是中国大河的发源地。然而，II类的气候条件相对恶劣，导致这里的人口和建筑相对稀疏。III类（地形起伏最大与中等建筑密度区）的区域海拔变化最大，主要位于高原周边的地形过渡带。IV类（中低海拔与中高建筑密度区）主要包括青藏高原东部的甘肃和云南省，海拔较低，植被茂密，人口和建筑密集

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

該音頻是用故事的原始語言製作的！

人工智能绘制了世界最偏远地区之一的1300万座建筑

About Author

註釋

標籤

这篇文章刊登在

Related Stories

点击赚钱：Telegram 可能会在 Solana 之前吸引下一个 100 亿加密用户

如何将您的工作流程提高 10 倍：17 个必备应用程序

State of the Noonion: A New Era For Brands and Writers

Telegram：加密岛通往大陆的桥梁

点击赚钱：Telegram 可能会在 Solana 之前吸引下一个 100 亿加密用户

如何将您的工作流程提高 10 倍：17 个必备应用程序

State of the Noonion: A New Era For Brands and Writers

Telegram：加密岛通往大陆的桥梁

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps