Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος

Από RemoteSensing Wiki

Παρούσα αναθεώρηση της 21:21, 23 Μαρτίου 2022

Αναγνωρίζοντας τη λειτουργία αστικών κτιρίων με ενσωμάτωση τηλεπισκοπικών εικόνων και δεδομένων σημείων ενδιαφέροντος

Identifying urban building function by integrating remote sensing imagery and POI data

Anqi Lin, Xiaomeng Sun, Hao Wu, Wenting Luo, Danyang Wang, Dantong Zhong, Zhongming Wang, Lanting Zhao, and Jiang Zhu. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, vol. 14, pp. 8864-8875, 2021

Πηγή: [1]

Εικόνα 1: Πλαίσιο αναγνώρισης λειτουργίας αστικών κτιρίων

Εικόνα 2: Αποτελέσματα αναγνώρισης λειτουργίας αστικών κτιρίων βασισμένη σε δεδομένα σημείων ενδιαφέροντος, χωρική ομοιότητα και μέθοδο KDE

Με τη συγκεκριμένη εργασία προτείνεται ένα πλαίσιο αναγνώρισης αστικών κτιρίων βασισμένο σε τηλεπισκοπικές εικόνες και δεδομένα σημείων ενδιαφέροντος. Ως περίπτωση μελέτης επιλέχθηκε η Wuhan για την οποία αξιοποιήθηκαν εικόνες και σημεία ενδιαφέροντος από το Google Earth για αναγνώριση των επτά κύριων κατηγοριών στον πυρήνα του αστικού ιστού.

1. Εισαγωγή

Η αναγνώριση της λειτουργίας των κτιρίων είναι χρήσιμη όχι μόνο για την κατανόηση της μορφολογίας του αστικού ιστού, αλλά επίσης συμβάλλει σε διάφορες εφαρμογές περιστατικά έκτακτης ανάγκης, στη χάραξη πολιτικής, τη διαχείριση πόρων και λοιπά πεδία. Ένας αυτοματοποιημένος τρόπος αναγνώρισης της λειτουργίας των κτιρίων μιας πόλης είναι πιο αποδοτική διαδικασία από τις μέχρι τώρα επιτόπιες έρευνες που συνήθως είναι χρονοβόρες και σπάνια ανοιχτές προς το κοινό. Από το 1970 οι πρώτες δορυφορικές τηλεπισκοπικές παρατηρήσεις της γης παρέχουν τη δυνατότητα ποσοτικής ανάλυσης και δυναμικής παρατήρησης των αστικών χρήσεων γης και πιο πρόσφατα ψηφιακές παγκόσμιες πλατφόρμες όπως το Google Earth, το NASA World Wind και το Bing Maps αποτελούν μια ελεύθερη και ανοιχτή πηγή δεδομένων. Συγκεκριμένα, τα γεωμετρικά και φασματικά χαρακτηριστικά των εικόνων Google Earth παρέχουν λεπτομερείς πληροφορίες για την ταξινόμηση των χρήσεων γης σε επίπεδο αντικειμένου, αν και η τηλεπισκόπηση είναι πιο χρήσιμη για την οριοθέτηση της φυσικής διάταξης των αντικειμένων του εδάφους παρά για την αναγνώριση συγκεκριμένης λειτουργίας και ανθρώπινης δραστηριότητας εξαιτίας της έλλειψης σημασιολογικής πληροφορίας. Ωστόσο, η εμφάνιση του UGC (User Generate Content) επιτρέπει σε ενεργούς χρήστες να συμμετέχουν στη συλλογή, την ενημέρωση και κοινοποίηση μαζικών δεδομένων που αφορούν την ανθρώπινη δραστηριότητα. Τα σημεία ενδιαφέροντος (POIs) αντιμετωπίζουν πλέον σε μεγάλο βαθμό το σημασιολογικό κενό των τηλεπισκοπικών εικόνων. Πλέον αξιοποιούνται πολλαπλές πηγές δεδομένων για την αναγνώριση των διαφορετικών αστικών λειτουργικών ζωνών, όπως ο συνδυασμός χαρακτηριστικών του τοπίου από δορυφορικές εικόνες και της ανθρώπινης δραστηριότητας από σημεία ενδιαφέροντος και τα δεδομένα πλοήγησης των ταξί. Με χρήση της μεθόδου πυκνότητας Kernel γίνεται μετατροπή των δεδομένων σημείων ενδιαφέροντος σε συνεχή επιφανειακά χαρακτηριστικά. Επιπλέον, από τα χωρικά χαρακτηριστικά των κτιρίων εντοπίζουμε συχνά ότι για παράδειγμα σε μια περιοχή κατοικίας ή επιχειρήσεων, τα κτίρια εμφανίζουν συγκεκριμένες ομοιότητες στην υφή ή την γεωμετρία. Δηλαδή, τα χωρικά χαρακτηριστικά των κτιρίων μπορούν να χρησιμοποιηθούν για να βρεθεί η λειτουργία ενός κτιρίου με την παραδοχή ότι κτίρια με παρόμοια χωρικά χαρακτηριστικά έχουν και ίδια χρήση/λειτουργία σε μια συγκεκριμένη περιοχή. Γι’ αυτό και είναι σημαντική η ανάπτυξη μίας υβριδικής μεθόδου αναγνώρισης που θα αξιοποιεί τόσο τη χωρική ομοιότητα, όσο και την κατανομή των σημείων ενδιαφέροντος.

2. Μέθοδοι

Η αναγνώριση της χρήσης των κτιρίων γίνεται σε τρία βήματα, την άμεση χρήση των δεδομένων σημείων ενδιαφέροντος, τον υπολογισμό της χωρικής ομοιότητας και τη δημιουργία αποτυπώματος γεωμετρίας και πυκνότητας Kernel των δεδομένων σημείων ενδιαφέροντος διαφορετικών κατηγοριών. Αρχικά, επανακατηγοριοποιούνται τα σημεία ενδιαφέροντος και στη συνέχεια ορίζεται η λειτουργία των κτιρίων. Σημεία χαμηλής σημασίας αλλά υψηλής πυκνότητας ορίζουν τη λειτουργία κτιρίων με βάση τη συχνότητα των δεδομένων, ενώ σημεία με υψηλή σημασία αλλά χαμηλή πυκνότητα την ορίζουν με βάση σειρά προτεραιότητας. Στη συνέχεια, προσδιορίζεται η χωρική ομοιότητα για την αναγνώριση των λειτουργιών κτιρίων που δεν περιέχουν δεδομένα σημείων ενδιαφέροντος εντός τους. Τέλος, υπολογίζονται και κανονικοποιούνται οι πυκνότητες kernel προκειμένου να βελτιωθεί το ποσοστό αναγνώρισης της χρήσης κτιρίων. Παρατηρείται ότι κτίρια με παρόμοια λειτουργία εμφανίζουν παρόμοια χαρακτηριστικά στη γεωμετρία και την υφή τους, τα οποία μπορούν να αξιοποιηθούν για την αναγνώριση της κτιριακής λειτουργίας όταν υπάρχουν αναγνωρισμένα κτίρια με παρόμοια χωρικά μοτίβα. Συγκεκριμένα, για κάθε κτίριο επιλέγονται και υπολογίζονται οκτώ κλασσικά γεωμετρικά χαρακτηριστικά, όπως η έκταση, η περίμετρος, η συμπαγότητα, ο αριθμός των κόμβων, ο δείκτης ακτίνας σχήματος, η κανονικότητα, η αναλογία της απεικόνισης και ο προσανατολισμός. Ταυτόχρονα, με την υφή υπολογίζεται η χωρική κατανομή των τόνων των εικονοστοιχείων σε μια τηλεπισκοπική εικόνα, το οποίο χρησιμοποιείται στην αναγνώριση αντικειμένων και την κατάτμηση της εικόνας. Μεταξύ των διαφόρων χαρακτηριστικών υφής, τα σημαντικότερα οκτώ που επιλέχθηκαν είναι η μέση τιμή, η διακύμανση, η ομοιογένεια, η αντίθεση, η ανομοιομορφία, η εντροπία και η συσχέτιση. Η χωρική ομοιότητα ανάμεσα στα μη αναγνωρισμένα κτίρια και τα τριγύρω αναγνωρισμένα κτίρια υπολογίζεται από την ομοιότητα του συνημίτονου. Όσο μεγαλύτερη η τιμή του συνημίτονου, τόσο μεγαλύτερη η χωρική συσχέτιση. Η λειτουργία των αναγνωρισμένων κτιρίων εκχωρείται στα περισσότερο όμοια μη αναγνωρισμένα.

3. Περιοχή μελέτης και επεξεργασία δεδομένων

Για κτίρια που δεν ταξινομούνται με βάση τη χωρική ομοιότητα εφαρμόζεται η μέθοδος της πυκνότητας Kernel για τα δεδομένα των σημείων ενδιαφέροντος. Τα σημεία ενδιαφέροντος μετατρέπονται σε μια συνεχή επιφάνεια πυκνότητας αναπαριστώντας την κατανομή των χαρακτηριστικών με τη μέθοδο KDE. Υπολογίζεται η πυκνότητα της συνεισφοράς κάθε σημείου δείγματος στο προκαθορισμένο εύρος στο κεντρικό σημείο κάθε καννάβου μέσω της λειτουργίας του kernel και τελικά δημιουργείται μια ομαλή επιφάνεια. Οι μέσες τιμές KDE εντός της γεωμετρίας του κτιρίου υπολογίζονται ως οι πυκνότητες kernel κάθε κτιρίου και τα αναγνωρισμένα κτίρια βασισμένα σε σημεία ενδιαφέροντος και χωρικές ομοιότητες επιλέγονται ως δείγματα εκπαίδευσης. Μεταξύ των τιμών διαφορετικών κατηγοριών, η κατηγορία με τη μικρότερη τιμή καταχωρείται στα μη αναγνωρισμένα κτίρια. Τα δεδομένα που χρησιμοποιήθηκαν προήλθαν από τρεις διαφορετικές βάσεις δεδομένων, εικόνες google earth, δεδομένα σημείων ενδιαφέροντος και γεωμετρικά αποτυπώματα κτιρίων. Οι εικόνες google earth έχουν ληφθεί τον Μάρτιο 2019 και έχουν κόκκινο, πράσινο και μπλε κανάλι με χωρική ανάλυση στα 1.2m. Τα γεωμετρικά αποτυπώματα των κτιρίων είναι σε μορφή shapefile από την Εθνική Πλατφόρμα για Κοινές Υπηρεσίες Γεωχωρικής Πληροφορίας. Τα δεδομένα των σημείων ενδιαφέροντος δεν περιέχουν μόνο χωρική τοποθεσία αλλά επίσης περιγραφικές πληροφορίες, όπως η διεύθυνση και ο τύπος που συμβάλλουν στην αναγνώριση της λειτουργίας των αστικών κτιρίων. Συλλέχθηκαν 120.589 σημεία μέσω του Amap, το οποίο φέρει υψηλή ακρίβεια, ευρεία κάλυψη και συχνές ενημερώσεις. Τα σημεία ενδιαφέροντος ταξινομούνται σε επτά κύριες κατηγορίες: Κατοικία (R), Διοίκηση και Δημόσιες Υπηρεσίες (A), Εμπορικές και Επιχειρηματικές εγκαταστάσεις (B), Δημοτικές Υπηρεσίες (U), Logistics και Αποθήκες (W), Δρόμοι, Οδοί και Μετακινήσεις (S), Βιομηχανία, Κατασκευές (M). Τα σημεία ενδιαφέροντος χωρίζονται σε δύο κατηγορίες, η πρώτη έχει χαμηλή σημαντικότητα αλλά υψηλή πυκνότητα (B, W) και η δεύτερη έχει υψηλή σημαντικότητα αλλά χαμηλή πυκνότητα (R, A, S, T, M). Ανάλογα τον τύπο καθορίζεται και ο τρόπος που αποφασίζεται η χρήση ενός κτιρίου.

4. Αποτελέσματα

Προκύπτει ότι μόνο το 35.15% των σημείων ενδιαφέροντος ήταν εντός των κτιρίων ή σε απόσταση 5 μέτρων και το 27.98% των κτιρίων ήταν αναγνωρισμένα. Η χωρική ετερογένεια των σημείων ενδιαφέροντος οδηγεί σε μη ισορροπημένο ρυθμό αναγνώρισης σε διαφορετικές περιοχές της πόλης. Στην περιοχή μελέτης υπολογίστηκαν για 77545 κτίρια, οκτώ χαρακτηριστικά υφής και 8 γεωμετρικά χαρακτηριστικά. Αν και η ανάλυση της υφής έγινε για το κόκκινο, το πράσινο και το μπλε κανάλι, χρησιμοποιήθηκαν μόνο αυτά του κόκκινου καναλιού. Με δεδομένο ότι τα κοντινά κτίρια με παρόμοια φασματικά χαρακτηριστικά έχουν παρόμοια χρήση, η χωρική ομοιότητα συμβάλλει για να αποδώσει χρήση στο 33.67% των κτιρίων από διαφορετικές κατηγορίες. Με τη μέθοδο που βασίζεται σε σημεία ενδιαφέροντος δεν παρέχονται σαφή παραδείγματα για να προσδίδεται χρήση σε κοντινά κτίρια πάντα. Για πλήρη χρήση των σημείων ενδιαφέροντος γίνεται χρήση της πυκνότητας kernel των σημείων ενδιαφέροντος διαφορετικών κατηγοριών, ενώ η συσχέτιση επιτυγχάνεται περισσότερο για επιχειρηματικές εγκαταστάσεις σε σχέση με κατοικίες. Το 27.98% των κτιρίων αναγνωρίστηκε απευθείας από τα δεδομένα σημείων ενδιαφέροντος, το 33.64% των κατοικιών και το 38.38% επιχειρηματικών κτιρίων εντοπίστηκε με συνδυασμό χωρικής ομοιότητας και της μεθόδου Kernel Density Estimation.

5. Συζήτηση & Συμπεράσματα

Γίνεται διαχωρισμός των κτιρίων που αναγνωρίστηκαν με βάση τα δεδομένα των σημείων ενδιαφέροντος που χρησιμοποιήθηκαν ως δείγματα εκπαίδευσης προκειμένου να ελεγχθεί η απόδοση και η ακρίβεια της μεθόδου συνδυασμού χωρικής ομοιότητας και Kernel Density Estimation. Συνήθης είναι η σύγχυση μεταξύ λιανικού εμπορίου και εργοστασίων. Το ποσοστό ακρίβειας για τη μέθοδο Kernel Density Estimation είναι χαμηλότερο απ’ ότι με χωρική ομοιότητα για τις κατηγορίες κατοικίας και εμπορίου/επιχειρήσεων και αυξάνεται με αναγνώριση που βασίζεται στον συνδυασμό των μεθόδων. Ωστόσο, Η μέση χωρική ομοιότητα κτιρίων ίδιας κατηγορίας είναι σημαντικά υψηλότερη από αυτή διαφορετικών κατηγοριών. Η επιλογή ακατάλληλου εύρους ζώνης επηρεάζει σημαντικά την ακρίβεια του KDE, αν και η συγκεκριμένη παράμετρος συνήθως επιλέγεται με προσωπικά κριτήρια χωρίς συγκεκριμένη επαλήθευση. Πιθανόν λόγω μέσου μεγέθους των οικοδομικών τετραγώνων στην περιοχή μελέτης στα 200 μέτρα, η ακρίβεια υπολογισμού τείνει να αυξάνεται σε εύρος ζώνης μεταξύ 100 και 200 μέτρων και μετά τα 200 να μειώνεται. Η αναγνώριση της χρήσης γης δίνει νέες προοπτικές στον αστικό σχεδιασμό, τη μελέτη του περιβάλλοντος και τη διαχείριση έκτακτων αναγκών. Γι’ αυτό προτείνεται ένα σταδιακό πλαίσιο αναγνώρισης για χρήσεις αστικών κτιρίων, με ένωση χωρικών ομοιοτήτων των κτιρίων και τον υπολογισμό πυκνότητας kernel των σημείων ενδιαφέροντος. Συγκεκριμένα προτείνεται η χρήση χωρικών ομοιοτήτων με βάση τις εικόνες Google Earth και τη γεωμετρία των κτιρίων και ο υπολογισμός πυκνότητας kernel με βάση τα δεδομένα των σημείων ενδιαφέροντος. Τα αποτελέσματα της αναγνώρισης εξαρτώνται σημαντικά από το εύρος ζώνης της μεθόδου KDE, όπου στην περίπτωση μελέτης αυτό ήταν τα 200m. Οι διαφορετικές λειτουργίες κτιρίων φέρουν και διαφορετικές χωρικές συσχετίσεις και συνενώσεις. Σημαντικό επίσης είναι η βελτίωση της προτεινόμενης μεθόδου με ενσωμάτωση πολλαπλών UGC και τηλεπισκοπικών πηγών δεδομένων, όπως δεδομένα διαδρομών ταξί από GPS, δεδομένα μέσων κοινωνικής δικτύωσης, τηλεπισκόπηση νυχτερινής φωταγώγησης, προκειμένου να εμπλουτιστεί περαιτέρω η σημασιολογική πληροφορία όσον αφορά τις χρήσεις των αστικών κτιρίων, καθώς επίσης να ενισχυθεί το εύρος εφαρμογής του προτεινόμενου πλαισίου αναγνώρισης σε επιπλέον διαφορετικές πόλεις ανά τον κόσμο.