社区所有版块导航
Python
python开源   Django   Python   DjangoApp   pycharm  
DATA
docker   Elasticsearch  
aigc
aigc   chatgpt  
WEB开发
linux   MongoDB   Redis   DATABASE   NGINX   其他Web框架   web工具   zookeeper   tornado   NoSql   Bootstrap   js   peewee   Git   bottle   IE   MQ   Jquery  
机器学习
机器学习算法  
Python88.com
反馈   公告   社区推广  
产品
短视频  
印度
印度  
Py学习  »  机器学习算法

利用多源地球观测和机器学习,首次以 10 m 分辨率 (CNBH-10 m) 估算中国建筑物高度

GEE遥感训练营 • 1 年前 • 438 次点击  


题目:A first Chinese building height estimate at 10 m resolution (CNBH-10 m) using multi-source earth observations and machine learning

期刊:Remote Sensing of Environment

第一作者:Wan-Ben Wu

发表单位:复旦大学

发表日期:2023年




1. 摘要 

研究背景: 随着城市化进程的加速,对建筑物高度信息的需求越来越迫切。然而,传统的建筑物高度测量方法通常受到数据获取困难、成本高昂等限制。因此,本研究旨在利用多源地球观测和机器学习技术,实现对中国建筑物高度的准确估算

拟解决的科学问题:本研究旨在利用多源地球观测数据和机器学习方法,首次以10米分辨率进行中国建筑物高度估计(CNBH-10 m)。具体而言,研究将探讨以下问题:

  • 如何利用多源地球观测数据来获取建筑物高度信息?

  • 如何利用机器学习方法对这些数据进行处理和分析,以实现高分辨率的建筑物高度估计?

  • 如何验证和评估所提出的CNBH-10 m方法的准确性和可靠性?

创新点:这是中国第一个10米分辨率的建筑高度估计模型,它的创新在于利用多源地球观测数据和机器学习技术,以及采用多窗口统计方法和随机森林模型,这些都使得这个模型能够准确估计中国各地建筑物高度

    



2. 研究方法 

该方法包括三个主要部分。

  • 首先,结合多时间、多光谱、多窗口、多统计等方法对自变量进行预处理。采用了同时利用光谱特征和雷达数据的多窗口局部统计数据。

  • 其次,利用随机森林(RF)模型构建和优化估计模型。为了了解不同变量对建筑高度模型的重要性,我们使用基尼系数平均下降(MDG)方法评估了每个变量的相对重要性。

  • 第三,对真实的建筑高度数据进行了仿真验证。为了评估估计的建筑高度的准确性,基于30%的参考样本,计算了R、均方根误差(RMSE)和平均绝对误差(MAE)三个指标。同时使用最小二乘(LS)回归模型和加权最小二乘(WLS)回归模型来评估该模型的准确性。

CNBH-10 m估计的方法概述




3. 研究结果 

对比验证得出计算模拟结果与实际建筑观测数据具有很强的相关性(均方根误差为6.1米,平均误差=5.2米,R=0.77)组合阴影指数 (CSI) 是建筑物高度模拟的最重要贡献者 (15.1%)。对建筑形态分布的分析表明,中国城市尺度上建筑体积和平均建筑高度存在显着差异。澳门拥有中国城市中最高的建筑(22.3 m),而上海的建筑体积最大(298.4×108 m3)。模型建筑体积与社会经济参数之间的强相关性表明了建筑高度产品的潜在应用。
本研究开发的分辨率为10 m的建筑高度图是开放获取的,提供了对城市3D形态特征的洞察,对中国未来的城市研究做出了重要贡献。

研究区域和数据的可用性。2019-2021年哨1观测(a)数2019-2021年无云哨2观测(b)数2019年中国人类居住足迹(d)参考建筑高度数据分布(彩色多边形)

多窗口统计数据的计算方法

(a)不同时空融合方法下各变量的累积和(b)平均相对重要性

输入变量的数量与估计模型的R(蓝线)和RMSE(红线)值之间的关系

基于建筑足迹数据的建筑高度验证,(a) R,(b) RMSE,(c) 每个城市的 MAE 分布,以及  (d) 基于所有样本的验证结果,白线:一对一,红线:普通最小二乘回归,绿线:WLS回归,红色文字:回归模型,普通最小二乘模型的R值和RMSE,绿色文字:回归模型,WLS回归模型的R值和RMSE

小提琴图显示了基于 62 个城市的验证样本的建筑高度估计精度的分布。(a)-(c)表示基于LS回归模型的评估结果,而(d)-(f)表示基于WLS回归模型的评估结果。每把小提琴内的箱线图显示了估计精度的中位数、四分位数和范围

中国建筑物高度的空间分布(10 m 空间分辨率),该数据集在 Zenodo 上免费提供,并且可以在 CNBH-10 m Explorer Web 应用程序中进行探索(https://wwanben1994.users.earthengine.app/view/cnbh10mtest)

来自北京、上海、广州、武汉、西安、福州的建筑高度的子样本(10 m空间分辨率)

(a)平均建筑高度(b)高层建筑面积(>24 m)和(c)城市层级累计建筑体积

多个社会经济因素与城市尺度的平均建筑高度、高层建筑面积和累计建筑体积的散点图。根据网格化人口数据 和GDP乘积计算每个城市的总人口、GDP

中国6个城市的CNBH-10 m地图与多尺度建筑高度产品的比较

多个层高产品对比分析,白线:一对一,红线:普通最小二乘回归,绿线:WLS回归,红色文本:回归模型、普通最小二乘模型的 R 值和 RMSE,绿色文本: WLS 回归模型的回归模型、R 值和 RMSE

    



4. 结果与讨论 

 通过利用多源地球观测数据和机器学习技术,本研究实现了对中国建筑物高度的10米分辨率估算。研究结果表明,该方法能够较准确地估算建筑物的高度,为城市规划和管理提供了重要的基础数据。

    

参考文献:Wu W B ,Ma B ,Banzhaf E, et al.A first Chinese building height estimate at 10 m resolution (CNBH-10 m)using multi-source earth observations and machine learning[J].Remote Sensing of Environment,2023

- 往期回顾 -
1.GEE 去云专题与数据下载详解
2.利用GEE和深度学习绘制1985 - 2021年期间巴西全年中心支点灌溉农田
3.利用谷歌地球引擎和机器学习算法在孟加拉国吉大港市上绘制和监测土地利用土地覆盖动态



Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/164178
 
438 次点击