С развитием приложений искусственного интеллекта (ИИ) автоматизация извлечения данных о зданиях из данных дистанционного зондирования приобрела значительную популярность. Финское исследование, используя лидарные и цифровые модели поверхности аэрофотоснимков с глубоким обучением, изучило различные комбинации данных, повышающие точность обнаружения зданий в сельской и городской местности.
Извлечение объектов из данных дистанционного зондирования совершенствовалось благодаря достижениям в области глубокого обучения и сверточных нейронных сетей (CNN). CNN, и в частности модель UNet, продемонстрировали высокую эффективность при извлечении объектов из сложных ландшафтов. Однако точность зависит не только от архитектуры модели, но и от типа используемых данных. Цифровые модели поверхности (ЦМП), предоставляющие важную информацию о высоте, становятся всё более популярными в дистанционном зондировании благодаря своей способности выделять объекты, критически важные для обнаружения объектов. В этом контексте сочетание ЦМП лидара и цифровых моделей рельефа (ЦМР) с истинными ортофотоснимками даёт многообещающие возможности для повышения точности обнаружения, особенно при работе с данными высокого разрешения, такими как модели, полученные с помощью лидара с разрешением 25 см.
В исследовательском проекте, проведенном в Финляндии, использовались несколько наборов данных Национального управления земельных ресурсов страны. Были выбраны два района: городские и лесные районы Савонлинны и пригородные и сельские ландшафты Пудасъярви. Данные высокого разрешения (25 см) (лидарные ЦМП или ЦМП аэрофотоснимков) и ЦМР были интегрированы с истинными ортофотоснимками для оценки их эффективности. Разрешение пикселей на тестовом участке в Савонлинне составляло 30 см, а на Пудасъярви – 25 см. Каждый набор данных позволял проводить детальные сравнения, измеряя влияние вариаций ЦМП и ЦМР на точность обнаружения на различных рельефах. Примеры тестовых наборов данных приведены на рисунках 1 и 2.
Анализ результатов
Модель UNet, обученная на лидарных ЦМП, стабильно демонстрировала более высокую точность определения формы зданий по сравнению с использованием воздушных ЦМП. Тесты показали, что, особенно в лесных районах, качество модели повышается при использовании лидара, поскольку растительность и тени меньше мешают процессу обнаружения. Воздушные ЦМП, хотя и эффективны в городских условиях, иногда размывают границы зданий из-за теней и перекрывающихся объектов. Лидарные ЦМП, напротив, обеспечивают более чёткое разграничение, улавливая тонкие контуры строений. Однако в случаях, когда здания отсутствовали в наборе лидарных данных, например, из-за отражений от кровельного материала или влажности, воздушные ЦМП были необходимы для заполнения пробелов.
После сравнительного анализа типов DSM исследователи более подробно рассмотрели результаты городских и сельских тестов, а именно:
Савонлинна (городские и лесные районы)
В городских районах лидарные ЦСМ снижали количество ложных срабатываний вблизи водоёмов и обеспечивали более чёткое определение границ зданий. В лесных районах, где тени от деревьев могут скрывать объекты, лидарные ЦСМ стабильно давали более точные результаты. При отсутствии данных с разрешением 25 см точность результатов немного снижалась, что подчёркивает преимущество лидарных ЦСМ высокого разрешения. Пример результата обнаружения зданий в городской местности представлен на рисунке 3. На рисунке также показаны ложные срабатывания при использовании ЦСМ с аэрофотоснимков в лесной зоне.
Пудасъярви (пригородные и сельские районы)
В сельской местности возникли специфические проблемы, такие как несоответствия в данных об уровне воды, приводившие к ложным срабатываниям. Для решения этой проблемы ложные значения уровня воды были удалены из ЦМР лидара, что значительно снизило ошибки обнаружения. Модели, обученные с использованием 25-сантиметровой ЦМР высокого разрешения, превзошли модели, использующие данные 2-метровой ЦМР с повторной выборкой, что подтверждает, что лидарные данные более высокого разрешения способствуют более точному обнаружению зданий. На рисунке 4 показан пример обнаружения зданий в сельской местности. Из-за эффекта теней одно здание было пропущено в результатах обнаружения ЦМР аэрофотоснимка.
Проблемы и стратегии интеграции данных
Национальная земельная служба Финляндии получает аэрофотоснимки с трёхлетним циклом, охватывая всю страну, в то время как лидарные данные получаются с шестилетним циклом. Хотя лидарные ЦМП повышают точность, проблемы с отсутствием зданий и ложными отметками высот на водоёмах создают трудности. Эти неточности, особенно если данные устарели или не синхронизированы с истинными ортофотоснимками, подчёркивают необходимость использования наборов данных, согласованных по годам. Кроме того, хотя лидарные ЦМП ценны в лесной среде, для городских территорий с большим количеством небольших зданий или сложными материалами крыш (например, создающими блики или влагу) выгоден комбинированный подход, включающий как лидарные, так и аэрофотоснимки.
Заключение
Лидарные ЦМП в сочетании с цифровыми моделями рельефа высокого разрешения значительно повышают точность обнаружения зданий, особенно в лесных районах. Данное исследование показывает, что сочетание данных лидара и аэрофотоснимков даёт оптимальные результаты, учитывая сильные стороны каждого типа данных. В будущих исследованиях следует изучить интеграцию трёхмерных данных для улучшения моделирования в районах с густой растительностью или сложной структурой зданий. Полученные результаты подтверждают растущую роль лидара в совершенствовании процессов извлечения данных с помощью ИИ, особенно по мере расширения его применения на более разнообразные ландшафты.
Источники: Хаттула, Э., Чжу, Л. и Ранинен, Дж. (2024). Извлечение зданий из зданий в городских и сельских районах с использованием данных цифровой мультиплексной съемки (DSM) с воздуха и лидара. ISPRS Annals of the Photogrammetry, Remote Sensing and Spaceal Information Sciences , 10, 73–79.
Хаттула, Э., Чжу, Л. и Ранинен, Дж. (2023). Преимущества использования трансферного обучения в дистанционном зондировании. Remote Sensing , 15(17).