Поскольку города продолжают расти в глобальном масштабе, характеристика застроенной среды имеет важное значение для понимания населения, прогнозирования потребления энергии, мониторинга воздействия городских островов тепла, предотвращения ухудшения состояния окружающей среды и планирования городского развития. Здания являются ключевым компонентом застроенной среды, и в настоящее время отсутствуют данные о высоте зданий на глобальном уровне.
Клинтон Стайпек из Национальной лаборатории Оук-Ридж Министерства энергетики использует машинное обучение для получения более полной картины геометрии зданий, включая высоту зданий с точностью до 3 метров. До сих пор это было труднодостижимо.
Предыдущие методы определения высоты здания требовали информации не только о самой конструкции, например, о дорогах или количестве людей внутри. Используя особенности здания и окружающих его конструкций, Стипек и его коллеги разработали алгоритм, позволяющий выяснить, как оценить высоту зданий в любой точке мира.
«Мы разработали открытый исходный код , который использует особенности морфологии здания на уровне здания для прогнозирования высоты», — сказал Стайпек. «Алгоритм может использоваться в любой точке мира, устраняя прежние барьеры, такие как определение здания или измерение теней, которые создают ложные срабатывания». Команда опубликовала свои результаты в Scientific Reports.
Коллега Стайпека, Тейлор Хаузер, заинтересовался проблемой заполнения пробела в высоте зданий во время работы над проектом US Structures — набором данных ORNL, который содержит информацию о строениях по всей стране площадью более 450 квадратных футов и используется Федеральным агентством по чрезвычайным ситуациям и другими правительственными организациями США.
«У нас были люди, которые вручную просматривали этот огромный набор данных, чтобы выявить неверные данные, например, те места, где тени от зданий приводили к тому, что предыдущие модели машинного обучения давали неверные результаты», — сказал Хаузер, аналитик геопространственных данных.
«Я начал разрабатывать инструмент, который может генерировать значительное количество измерений, известных под общим названием морфология здания, для описания аспектов здания, особенно по отношению к соседним зданиям».
Извлекая информацию об окружающих структурах, более точные выводы о данных могут привести к большей уверенности в данных. Хаузер начал думать, если морфология зданий может быть использована для идентификации неправильно обнаруженных структур на спутниковых снимках, что еще они могут сделать?
Хаузер и Стипек работали вместе, чтобы включить 65 особенностей морфологии зданий в расчеты высоты. Стипек использовал алгоритм градиентного бустинга дерева под названием XGBoost для кластеризации фрагментов информации, которые работают в древовидной структуре, чтобы прийти к выводу о высоте здания. Результаты указывают на то, что Хаузер называет скрытым сигналом для прогнозирования третьего измерения, высоты, просто используя двумерную морфологию зданий.
Результаты работы Стайпека и Хаузера включаются в другие крупные проекты, такие как LandScan — программа картирования населения ORNL, реализуемая уже 25 лет, и Global Building Intelligence, цель которой — полностью определить характеристики зданий, включая назначение, высоту, материалы, возраст и форму крыши.
Высота зданий, картографирование населения и другие исследования, направленные на понимание того, где люди находятся в мире, являются частью миссии ORNL по национальной безопасности. Геопространственные наборы данных лаборатории предоставляют политикам и службам быстрого реагирования информацию для предоставления услуг тем, кто пострадал от техногенных и природных событий. Хаузер сказал, что эти различные наборы данных получены из схожих данных, используемых в различных приложениях.
«Мы можем узнать больше о городском планировании , зданиях, дорогах, инфраструктуре», — сказал Хаузер. «Мы пытаемся заполнить пробелы, где информации нет».
