
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 Autoren: 
 
 
 
 
 
 
 
 
 
 Tao Ye Hongyu Shan Jidong Wu Qiang Zhou Mingfu Ma Wenzhi Zhao Ru Ya Yuan Gao Lizheng Wu Abstrakt Großflächige, hochpräzise Gebäudeverteilungsdaten sind eine wichtige Grundlage für die regionale Stadtplanung, Ressourcenallokation und die Forschung zu Katastrophenrisiken. Das Qinghai-Tibet-Plateau ist der dritte Pol der Welt. Obwohl das Verständnis der lokalen Mensch-Umwelt-Interaktionen auf dem Qinghai-Tibet-Plateau von entscheidender Bedeutung ist, wurde dies durch den Mangel an hochauflösenden Gebäudegrundrissdaten aufgrund der Weite und Abgelegenheit des Gebiets behindert. In dieser Studie generierten wir die ersten vektorisierten Gebäude-Dachaufnahmen des Qinghai-Tibet-Plateaus und seiner umliegenden Gebiete unter Verwendung von hochauflösenden Google-Bildern und des Algorithmus zur Extraktion von Gebäudeumrissen der AI Earth-Plattform. Unsere Ergebnisse umfassen 13,09 Millionen Gebäude, die 6092,7 km² abdecken und mit insgesamt 250 × 1 km² Teststichproben validiert wurden. Die Daten hatten eine Gesamtgenauigkeit von 87 %, einen Recall von 91,9 % und einen F1-Score von 64,8 %, und lieferten somit eine fortschrittlichere Beschreibung der Gebäudeverteilung im Studiengebiet im Vergleich zu CBRA. Unsere Arbeit hat ein immenses Potenzial zur Erleichterung der Expositionsbewertung für Studien zu Katastrophenrisiken in diesem Gebiet. Hintergrund & Zusammenfassung Das Zeitalter des digitalen Zeitalters hat die Nachfrage nach zuverlässigen Daten über Gebäudeverteilung und -attribute erhöht , , . Gebäudeverteilungsdaten liefern wichtige räumliche Informationen nicht nur über Gebäude, sondern auch über Bevölkerung und physische Vermögenswerte  und dienen als guter Indikator für menschliche Aktivitäten. In den letzten Jahrzehnten wurden Gebäudeverteilungsdaten weit verbreitet zur Überwachung der Stadt- und Landentwicklung eingesetzt , , zur Untersuchung der Auswirkungen der Urbanisierung auf Ernährungssicherheit, Biodiversität, Klimawandel und das öffentliche Wohlbefinden und die Gesundheit , , zur Formulierung regionaler Entwicklungsstrategien und zum Schutz städtischer und ländlicher Ökosysteme , , . 1 2 3 4 5 6 7 8 9 10 11 Die Fortschritte bei Satelliten- und Luftbildaufnahmen sowie die jüngsten Fortschritte bei Algorithmen für maschinelles Lernen und Deep Learning haben die Verfügbarkeit von Gebäudeverteilungsdaten erhöht , , . Gebäudeverteilungsdaten wurden im Rasterformat als Teil von Landnutzungs-/Landbedeckungsdaten bereitgestellt. Die aktuellste Version umfasst drei globale Landnutzungs-/Landbedeckungsprodukte im 10-m-Bereich, die auf Sentinel-Satelliten basieren, nämlich Google Dynamic World (DW) , Esri’s 2020 Land Cover und World Cover 2020 (WC) der Europäischen Weltraumorganisation (ESA) . Neben räumlichen Verteilungsinformationen versuchen Forscher auch, Gebäude-Pixel mit Attributinformationen zu versehen, wie z. B. Gebäudehöhe . Zum Beispiel He  .  nutzten eine Fusionsstrategie für Fernerkundungsdaten aus mehreren Quellen, um den ersten 30-m-Auflösungs-Datensatz der globalen städtischen dreidimensionalen räumlichen und zeitlichen Ausdehnung für den Zeitraum 1990 bis 2010 zu erstellen. Trotz der kontinuierlichen Verbesserung der räumlichen Auflösung können rasterbasierte Gebäudeverteilungsdaten räumliche Objekte immer noch nicht genau beschreiben , und eine Erhöhung der Auflösung erhöht die Speicher- und Rechenkosten erheblich . 12 13 14 15 16 17 14 et al 7 18 12 Gebäudeverteilungsdaten im Vektorformat, auch als vektorisierte Gebäude-Dachaufnahmen oder Gebäudegrundrisse bekannt, sind die Umrissdaten eines Gebäudes, projiziert auf den Boden in einer Ansicht von oben , , die Informationen wie den geografischen Standort, die räumliche Ausdehnung der Grenzen und den Grundriss eines einzelnen Gebäudes liefern. Öffentliche Dienstanbieter (z. B. Google Earth und OpenStreetMap) stellen offen zugängliche vektorisierte Daten von Gebäude-Dachaufnahmen mit breiter Abdeckung, schneller Aktualisierung und geringen Kosten zur Verfügung , , . Im Jahr 2022 verwendete Microsoft Corporation eine auf tiefen neuronalen Netzen basierende semantische Segmentierung, um die Umrisse von 777 Millionen Gebäuden zu extrahieren, von denen einige Gebäudehöhenattribute enthalten, basierend auf Bing Maps (einschließlich Maxar- und Airbus-Bildmaterial) von 2014 bis 2021 für jeden Kontinent außerhalb Chinas. Am 30. Mai 2023 veröffentlichte Google einen Datensatz von 1,8 Milliarden Gebäudeumrissen, die aus 0,5 m hochauflösendem Satellitenbildmaterial extrahiert wurden und eine Fläche von 58 Millionen km² abdecken. Die geringe Redundanz und die kompakte Struktur von Vektordaten, die durch Eckpunkte und Pfade dargestellt werden, bieten eine höhere geografische Genauigkeit unabhängig von der Netzgröße, und die Einführung topologischer Regeln verbessert die Integrität von Vektordaten weiter . 19 20 21 22 23 13 Aufgrund der Zunahme der Bildauflösung und der Verringerung der Datenbeschaffungskosten sowie der jüngsten Fortschritte bei den Extraktionsalgorithmen verbessern sich Auflösung und Abdeckung von Gebäudeverteilungsdaten kontinuierlich . Die Machbarkeit von Bildern mit sehr hoher Auflösung (VHR) hat die Extraktion von Gebäudegrundrissen durch die Anwendung traditioneller, handgefertigter Merkmals basierter Methoden  oder auf Deep Learning basierender Methoden  ermöglicht. Da der erstgenannte Ansatz die Herausforderung der Vielfalt von Gebäudeerscheinungen und -größen sowie komplexer Faustregeln und Schwellenwerteinstellungen aufweist, ist er bei der Anwendung auf großflächige Fernerkundungsbilder mit hoher Auflösung begrenzt . Auf Deep Learning basierende Methoden (z. B. Convolutional Neural Networks) haben eine effektive und überlegene Leistung beim automatischen Erlernen von hochrangigen und diskriminierenden Merkmalen in der Gebäudeszenensegmentierung gezeigt. Sun  .  schlugen eine Fusionsstrategie auf Basis paralleler Support Vector Machines vor, um tiefe Merkmale, die aus Convolutional Neural Network-Strukturen mit mehreren Skalen in verschiedenen Maßstäben extrahiert wurden, vollständig zu nutzen, mit überlegener Leistung bei der Extraktion komplexer Gebäude in städtischen Gebieten. Nichtsdestotrotz ist die Genauigkeit des Modells bei der Segmentierung von Gebäuden eher durch die Qualität der Trainingsstichproben eingeschränkt, was die Extrapolation erschwert. Unzureichende Nutzung von hochrangigen Semantiken und Auslassung von detailarmen Ebenen in tiefen Modellen, was zu Kantenunschärfe und Auslassung kleiner Gebäude führt, behindert ebenfalls die Anwendung von Deep Learning bei der Extraktion von Gebäudegrundrissen. 24 25 13 26 et al 27 Die Region des Qinghai-Tibet-Plateaus ist die höchstgelegene Region der Welt mit einer durchschnittlichen Höhe von >4000 Metern über dem Meeresspiegel und einer Fläche von 2,5 Millionen km²  . Mehr als 10 Millionen Menschen leben in der Region trotz ihres extremen Klimas, der kalten und langen Winter, der großen jährlichen und täglichen Temperaturschwankungen und der schlechten häuslichen thermischen Umgebungen. Obwohl diese Region die größte ökologische Barriere Chinas darstellt , hat die menschliche Aktivität ihre gefährdete Öko-Umwelt erheblich beeinträchtigt . Diese Region ist auch extrem anfällig für Katastrophen, mit Erdbeben, Erdrutschen, Schlammlawinen, Gletscherseeausbrüchen und Schneekatastrophen, die zu Personen- und Sachschäden führen , , . Als Reaktion darauf sind genaue Gebäudeverteilungsdaten für die Modellierung der menschlichen Aktivitätsverteilung für gekoppelte Mensch-Umwelt-Studien ,  sowie für die Expositions- und Risikoanalyse von Naturkatastrophen unerlässlich , . Darüber hinaus hat diese Region lange Sonnenscheindauer, reichlich vorhandene Solarenergie-Ressourcen und ausreichende Flächen zur Solarenergiegewinnung wie Dachflächen und offene Flächen , . Hochauflösende Daten über ländliche Gebäude könnten eine zuverlässige Datenbank für die Bewertung des Photovoltaik-Potenzials und die effiziente Verbesserung des Lebensstandards der Menschen in ländlichen Gebieten liefern , . 28 29 30 31 32 33 34 35 36 37 38 39 40 41 Als unterentwickelte Region verfügen das Qinghai-Tibet-Plateau und seine Nachbargebiete aufgrund ihrer riesigen Fläche, der dünnen Gebäudeverteilung, der abgelegenen Lage und der Ressourcenbeschränkungen immer noch nicht über einen vollständigen Satz hochpräziser vektorisierter Gebäudedaten. Die am besten nutzbaren Daten sind diejenigen, die auf nationaler Ebene für China bereitgestellt werden, einschließlich der China Building Rooftop Area (CBRA)-Daten mit einem 2,5-m-Raster (Liu  ., 2023b) und Chinas erster nationaler Landbedeckungskarte mit 1-m-Auflösung (SinoLC), die Gebäudekategorien enthält . Diese Rasterdaten können keine räumlichen Objekte charakterisieren und erfordern große Speicherressourcen. Die von Zhang  .  veröffentlichten Vektordaten der Dachflächen für 90 chinesische Großstädte füllten diese Lücke teilweise; jedoch waren nur 14 Städte auf dem Qinghai-Tibet-Plateau in diesem Datensatz enthalten, und für eine Fläche von 2 Millionen km² fehlen immer noch Vektordaten der Dachflächen. et al 42 et al 13 Daher zielt diese Studie darauf ab, vektorisierte Gebäudegrundrisse des Qinghai-Tibet-Plateaus und seiner Nachbarregionen durch die Einbeziehung von hochauflösendem Satellitenbildmaterial und einem Deep-Learning-Algorithmus zu generieren. Unser Datensatz wurde anhand von Teststichproben validiert, die 250 × 1 km² große Raster über verschiedene Teilregionen umfassten, was zu einer Gesamtgenauigkeit von 91,92 % und einem F1-Score von 64,81 % führte. Methoden Rahmenwerk In dieser Studie nutzten wir Gebäudextraktionsalgorithmen von der AI Earth-Plattform, um einen vektorisierten Gebäude-Dachaufnahmedatensatz für das Qinghai-Tibet-Plateau und seine Nachbarregion in China zu generieren (Abb.  ). Die Hauptkomponenten unseres Rahmens umfassten: (1) Vorbereitung und Vorverarbeitung von Satellitendaten und Hilfsdaten; (2) Extraktion vektorisierter Gebäude-Dachaufnahmen mit der AI Earth-Plattform; (3) Validierung anhand manuell vektorisierter Dachaufnahmedaten. 1    Der Rahmen für die Extraktion und Validierung von Gebäude-Dachaufnahmen. Studiengebiet Diese Studie konzentrierte sich hauptsächlich auf das Qinghai-Tibet-Plateau und seine Nachbarregionen im Südwesten Chinas im Rahmen des zweiten wissenschaftlichen Expeditions- und Forschungsprogramms des tibetischen Plateaus ; geografisch umfasst es die Autonome Region Tibet, die Provinzen Qinghai, die westliche Provinz Yunnan, die westliche Provinz Sichuan, die südwestliche Provinz Gansu und die südliche Autonome Region Xinjiang. Die durchschnittliche Höhe des Studiengebiets beträgt 4000 m über dem Meeresspiegel. Die Verteilung von Bevölkerung und Gebäuden im Studiengebiet wird stark von Höhe und Klima beeinflusst (Abb.  ) und konzentriert sich hauptsächlich östlich der Linie von Jilong County in Tibet bis Qilian County in Qinghai ; im Osten verteilen sie sich dicht in den Ebenen am Ostrand der Region, einschließlich der Flusstäler in der Provinz Yunnan, der westlichen Provinz Sichuan und des Beckens des Gelben Flusses Xining-Lanzhou. Auf der Plateauoberfläche westlich der Linie sind Bevölkerung und Gebäude meist in begrenzten Agrar- und Weidegebieten entlang der großen Flusstäler und entlang von Straßenverkehrskorridoren verteilt. 43 2 44    Studiengebiet (Populationsdaten von LandScan; DEM vom Resource and Environment Science and Data Centre). Satellitenbildmaterial Frei zugängliche Satellitenbilddaten mit hoher Auflösung wurden von Rivermap Co. ( ) bezogen, die aus der Integration von Satellitenbildern und Luftbilddaten von Google Earth stammen. Unter ihnen stammen die Satellitenbilder hauptsächlich von den kommerziellen Satelliten QuickBird und WorldView von DigitalGlobe, und die Luftaufnahmen stammen von BlueSky in Großbritannien und Sanborn in den USA . Für jeden Standort gab es Sammlungen mehrerer Bilder mit Auflösungen von bis zu 0,15 m in lokalisierten Gebieten. Eine solche Datenintegration wurde häufig zur Objekterkennung in komplexen Szenen eingesetzt , , ,  und hat das Potenzial für großflächige hochauflösende Kartierung von Objekttypen . http://www.rivermap.cn/index.html 45 46 47 48 49 50 Die Gesamtfläche unseres Studiengebiets beträgt 3,06 Millionen km², und die geschätzte Größe der Satellitenbilddaten beträgt 29,4 TB bei einer räumlichen Auflösung von 0,6 m. Unter Berücksichtigung dieser Maßstäbe wurden für unser Studiengebiet 0,175° × 0,175° Fischernetze erstellt, um kleinere Paketgrößen für den Download zu ermöglichen, wobei insgesamt 10.033 Fischernetze verwendet wurden, um das gesamte Studiengebiet abzudecken. Die tatsächlich heruntergeladene Anzahl von Fischernetzen war mit 5921 geringer, aus zwei Gründen. Erstens, da ein großer Teil des Studiengebiets aus nicht bewohnten Gebieten besteht, in denen keine Gebäude vorhanden sind, haben wir Fischernetze ohne bebaute Flächenpixel aus dem ESA World Cover-Produkt willkürlich ausgeschlossen. Zweitens wurden auch Städte/Präfekturen, deren vektorisierte Dachflächen-Daten (d. h. Lhasa, Shannan, Kunming, Xining, Haidong, Zhangye, Baiyin, Lanzhou, Chengdu, Dali, Lijiang, Kunming, Zhaotong und Yuxi) in den vektorisierten Dachflächen-Daten für 90 Städte in China abgerufen wurden , ebenfalls ausgeschlossen. Die Bilder wurden zwischen September 2022 und Januar 2023 heruntergeladen, mit einer Auflösung von 0,6 m, einer einzelnen Bildgröße von ca. 3 GB und einer Gesamtgröße von 2,72 TB. Die heruntergeladenen Bilder stammen hauptsächlich aus den Jahren 2019 bis 2021, Bilder aus einigen abgelegenen Gebieten können jedoch bereits aus dem Jahr 2001 stammen (Abb.  ). 13 3    Fischernetze für den Bilddownload und Aufnahmezeitpunkt der Bilder. Hilfsdaten Unsere Hilfsdaten umfassten hochauflösende Landbedeckungskarten, digitale Höhenmodelle (DEM), den Normalisierten Differenzvegetationsindex (NDVI) und Daten zur Bevölkerungsverteilung für die anschließende Clusteranalyse zur Stichprobenentnahme (Tab.  ). 1 Für Landbedeckung und bebaute Flächen wurden die ESA World Cover-Produkte von Zanaga  .  von Zenodo ( ) bezogen. Das Produkt wurde auf Basis von Sentinel 1- und Sentinel 2-Satellitenbildern für das gesamte Jahr 2020 und einer Stichprobe von 141.000 eindeutigen Standorten weltweit generiert, trainiert mit dem Random-Forest-Algorithmus, um die globale Landbedeckung im Jahr 2020 darzustellen; es hat den Vorteil, feinskalige Landschaftselemente (z. B. bebaute Flächen und komplexe landwirtschaftliche Landschaften) darzustellen, da es eine relativ kleine Mindestkartiereinheit berücksichtigt . Die Kategorie „bebaut“ in den Daten bezieht sich auf von Gebäuden, Straßen und anderen künstlichen Strukturen (z. B. Eisenbahnen) bedeckte Flächen, schließt jedoch städtische Grünflächen (z. B. Parks und Sportanlagen), Deponien und Bergbaugebiete aus . et al 17 https://zenodo.org/records/5571936 51 17 Die 1-km-DEM-Daten und NDVI-Daten wurden vom Resource and Environment Science and Data Centre, Institute of Geoscience and Resources, Chinese Academy of Sciences ( ) bezogen. Die DEM-Daten wurden von den neuesten SRTM V4.1-Daten neu abgetastet ( ) und die NDVI-Daten wurden basierend auf SPOT/VEGETATION PROBA-V 1-km-Produkten zusammengesetzt ( ). Wir wählten die NDVI-Daten von 2021 aus, um die Vegetation auf dem Qinghai-Tibet-Plateau darzustellen ( ). Populationsdichtedaten wurden aus der LandScan-Datenbank ( ) für die globale statistische Analyse wichtiger Vitaldaten bezogen, die vom Oak Ridge National Laboratory des US-Energieministeriums entwickelt und von East View Cartographic bereitgestellt werden ( ); diese Daten werden durch die Kombination von Geowissenschaften, Fernerkundungstechnologie und Algorithmen für maschinelles Lernen generiert und stellen eine der genauesten und zuverlässigsten globalen Datenbanken für statistische Analysen von Bevölkerungsdynamiken dar, basierend auf geografischer Lage, mit einer überlegenen Auflösung von 1 km . Wir verwendeten die Bevölkerungsverteilung im Jahr 2021 für die anschließende Clusteranalyse. 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 Datenvorverarbeitung Die Verteilung von Bevölkerung und Gebäuden ist für den größten Teil unseres Studiengebiets verstreut, wobei über 99,5 % des Studiengebiets gemäß dem ESA World Cover-Produkt als nicht bebaute Flächen kategorisiert sind . Um unsere Extraktion zu beschleunigen, wurden zuerst Masken potenzieller Gebäudeverteilungsbereiche für jedes 0,175° × 0,175° Fischernetz vor der Extraktion generiert. Basierend auf der Kategorie "Bebaut" in den World Cover-Daten wurde ein 1-km-Pufferbereich um jedes bebaute Pixel generiert, der als potenzieller Gebäudeverteilungsbereich diente. Nach dem Testen mehrerer Pufferzonenbreiten stellten wir fest, dass eine Breite von 1 km 96 % der in den CBRA-Produkten von 2020 gemeldeten Gebäudepixel aufnehmen konnte. Die Maske ermöglichte es uns, 86 % der Gesamtfläche der heruntergeladenen Bilder auszuschließen und somit die Rechenzeit erheblich zu sparen. Wir analysierten den Puffer durch Überlagerung mit den generierten Fischernetzen, um Netze auszuschließen, die keine Gebäude enthielten. Die Bilder wurden dann erneut mit Puffern zugeschnitten, und der Algorithmus zur Gebäudextraktion wurde auf die zugeschnittenen Bilder angewendet. 17 Vektorisierte Extraktion von Gebäude-Dachaufnahmen Der bei dieser Studie verwendete Algorithmus zur Extraktion von vektorisierten Gebäude-Dachaufnahmen stammt von der AliCloud AI Earth-Plattform ( ), die eine auf Deep Learning basierende Segmentierungsmethode mit einer watershed-basierten Segmentierungsmethode kombiniert, um ein Rahmenwerk für die Instanzsegmentierung von Gebäuden zu konstruieren – Double Decoder für Watershed-Segmentierung. Dieser Algorithmus fügt der semantischen Segmentierungsaufgabe eine Grenzwertsegmentierungsaufgabe hinzu und verwendet den Watershed-Algorithmus zur Vorverarbeitung der Vorhersageergebnisse der beiden Aufgaben während der Vorhersage, um das endgültige Gebäudextraktionsergebnis zu erhalten. Das von Kirillov  . https://engine-aiearth.aliyun.com/#/ et al

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

Lo msindo ukhiqizwa ngolimi lokuqala lwendaba!

KI kartiert 13 Millionen Gebäude in einer der entlegensten Regionen der Welt

About Author

IMIBONO

HANG TAGS

LESI SIHLOKO SETHULWE NGAPHAKATHI

Related Stories

Zulu Network: Moving The Bitcoin Economy Forward With a Two-Tiered Bitcoin Layer 2 Architecture

The Billionaires F*cked Up

Zulu Network: Moving The Bitcoin Economy Forward With a Two-Tiered Bitcoin Layer 2 Architecture

The Billionaires F*cked Up

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps