Arazi kullanımı ve arazi örtüsü (LULC) bilgileri, iklim bilimi, afet yönetimi, gıda güvenliği ve ekosistemin korunması alanındaki çalışmaların temelini oluşturur. Uydu görüntülemedeki ilerlemeler çözünürlüğü iyileştirmiştir, ancak yüksek çözünürlüklü arazi örtüsü haritalaması hala büyük engellerle karşı karşıyadır.
Geleneksel makine öğrenimi yöntemleri genellikle ince kentsel yapıları yakalamakta başarısız olurken derin öğrenme yaklaşımları, üretilmesi zahmetli ve pahalı olan çok büyük miktarda etiketli veri gerektirir. Zayıf bir şekilde denetlenen yöntemler ve temel modeller ümit vaat ediyor ancak çeşitli kentsel ortamlarda doğruluk ve aktarılabilirlik konusunda zorluk çekiyor. Bu zorluklar nedeniyle, güvenilir büyük ölçekli sayaç altı haritalama sağlarken açıklama maliyetlerini azaltan yeni stratejiler geliştirmeye acil bir ihtiyaç vardır.
Wuhan Üniversitesi ve Zhejiang Mingzhou Ölçme ve Haritalama Enstitüsü’nden bir ekip yeni bir çözüm geliştirdi. dergisinde yayınlanan araştırmaları Uzaktan Algılama Dergisi“başlangıç ve genişletilmiş etiketleme” (IEL) motorunu tanıtıyor ve Çin’in en büyük 42 şehrini kapsayan metre altı çözünürlüklü bir arazi örtüsü ürünü olan EcoVision’ı sunuyor. Araştırmacılar, yüksek çözünürlüklü görüntüleri, kitle kaynaklı verileri ve derin öğrenme modellerini entegre ederek, 23 milyondan fazla doğrulama pikselinde %83,6 doğrulukla benzeri görülmemiş bir 0,5 metrelik arazi örtüsü veri seti elde etti.
IEL açıklama motoru iki aşamada çalışır. İlk olarak, çeşitli çözünürlükler ve sınıflandırma sistemleriyle birden fazla tarihi arazi örtüsü ürününü uzlaştırarak, önceliğe dayalı ağırlıklı oylama stratejisi yoluyla güvenilir “tohum etiketleri” oluşturur. İkinci olarak, anlamsal bir segmentasyon ağı kullanarak bu etiketleri yinelemeli olarak genişletir ve model performansı sabitlenene kadar tekrarlanan döngüler yoluyla doğruluğu aşamalı olarak iyileştirir. Bu hibrit yaklaşım, uyumsuz formatların, piksel yanlış hizalamasının ve etiket kıtlığının üstesinden gelir.
Ekip, IEL’i uygulayarak kentsel alanları sekiz kategoriye ayıran EcoVision’ı üretti: binalar, yollar, diğer geçirimsiz yüzeyler, çimen/çalılıklar, ağaçlar, toprak, tarım ve su. Doğrulama, 42 şehirde 23.850.000 pikseli kapsayan 2.385 görüntü yamasını kapsadı ve %83,6 genel doğruluk sağladı. Binalar gibi temel kategoriler %90 F1 puanı alırken, yollar ve tarım %83’ü aştı.
Hi-ULCM ve SinoLC-1 dahil olmak üzere son teknolojiye sahip beş ürünle karşılaştırıldığında EcoVision, özellikle geçirimsiz yüzeylerin ayırt edilmesinde ve tarımsal alanların çıkarılmasında üstün çözünürlük ve daha zengin ayrıntılar sundu. Görsel karşılaştırmalar, EcoVision’ın gölgelerle gizlenen yolları doğru bir şekilde tasvir etme ve güzel kentsel ekolojik mozaikleri yakalama becerisini vurguladı. Bu, onu Çin için mevcut olan ilk büyük ölçekli sayaç altı LULC ürünü haline getiriyor ve artık açık bir veri seti olarak halka açıklanıyor.
Baş yazar Encheng Zhang, “EcoVision kentsel uzaktan algılamada bir dönüm noktasını temsil ediyor” dedi. “IEL motorumuz, manuel etiketleme darboğazını ortadan kaldırarak, daha önce ulaşılamayan ölçeklerde yüksek çözünürlüklü arazi örtüsü haritalarının oluşturulmasına olanak tanıyor. EcoVision’ın doğruluğu ve ayrıntısı, Çin şehirlerini yalnızca inşa edilmiş yapılar olarak değil, dinamik ekolojik sistemler olarak görmemize olanak tanıyor. Veri setini kamuya açık hale getirerek, dünya çapındaki araştırmacılar ve planlamacıların bunu sürdürülebilir kentsel gelişimi ilerletmek ve iklime dayanıklılık gibi acil zorlukları ele almak için kullanabileceğini umuyoruz. ve ekosistemin korunması.”
EcoVision’ın sürümü, birden fazla alan için paha biçilmez bir araç sağlar. Şehir planlamacıları bunu yeşil alan dağıtımını ve altyapı genişletmeyi değerlendirmek için kullanabilirken, çevre bilimcileri ısı adaları, karbon depolaması ve su dinamikleri üzerinde çalışabilir. Politika yapıcılar veri setini bölgesel mekansal planlamada, iklim adaptasyon stratejilerinde ve sürdürülebilir kalkınma hedeflerinin izlenmesinde uygulayabilir.
42 büyük şehirde 0,5 metrelik arazi örtüsü verilerinin açık kullanılabilirliği, kentsel büyüme modellemesi ve afet risk değerlendirmesi gibi makine öğrenimi uygulamaları için de fırsatlar yaratıyor. Sonuçta EcoVision, yenilikçi yapay zeka destekli açıklamaların, dayanıklı ve sürdürülebilir şehirleri şekillendirmek için yüksek çözünürlüklü görüntülerin tam potansiyelini nasıl ortaya çıkarabileceğini gösteriyor.
