Поєднання LiDAR та аерофотознімків для ідентифікації будинків

Розвиток штучного інтелекту значно розширив можливості автоматизованого отримання інформації про будівлі з даних дистанційного зондування. У фінському дослідженні за допомогою LiDAR та аерофотознімків цифрових моделей поверхні, у поєднанні з методами глибокого навчання, було вивчено різні комбінації даних, що підвищують точність виявлення споруд у сільській та міській місцевості.

Сучасне підхід до ідентифікації будинків з даних дистанційного зондування розвивається завдяки прогресу у глибокому навчанні та згорткових нейронних мережах. Зокрема, архітектура UNet показала високу ефективність у роботі зі складними ландшафтами. Проте на результативність впливає не лише модель, а й тип вхідних даних. Цифрові моделі поверхні , що містять дані про висоту, дедалі частіше застосовуються для позначення споруд, оскільки допомагають чіткіше виокремлювати їх серед інших об’єктів. Поєднання лідарних цифрових моделей, цифрових моделей рельєфу ЦМР та ортофотопланів забезпечує помітне підвищення точності, особливо під час використання високороздільних даних, таких як лідарні моделі з роздільною здатністю 25 см на піксель.

Вибір тестових ділянок у Фінляндії

У межах дослідницького проєкту у Фінляндії було використано кілька наборів даних Національної служби землевпорядкування. Для аналізу обрали дві ділянки:

• Савонлінна — міська територія з лісистими районами.
  
  
• Пудас’ярві — приміські та сільські ландшафти.
  
  

Дані високої роздільної здатності (25 см) включали:

• лідарні цифрові моделі поверхні (DSM)
  
  
• аерофотознімки,
  
  
• цифрові моделі рельєфу (DEM)
  
  

Усі вони були інтегровані зі справжніми ортофотопланами для оцінки ефективності виявлення будівель. Роздільна здатність пікселя для Савонлінни становила 30 см, а для Пудас’ярві — 25 см. Кожен набір даних дозволяв проводити детальні порівняння та оцінювати, як зміни у DSM і DEM впливають на точність виявлення будівель на різних типах рельєфу.

Аналіз результатів

Модель UNet, навчена на лідарних цифрових моделях поверхні (ЦМП), стабільно показувала вищу точність у визначенні форми будинків, ніж при використанні ЦМП, отриманих з аерофотознімків. Особливо у лісистих районах лідар демонстрував перевагу, оскільки тіні та рослинність менше заважали процесу виявлення.

Аерофотознімкові ЦМП були ефективними у міських умовах, але іноді розмивали контури будівель через тіні або перекриття елементів. Лідарні ЦМП, навпаки, чітко фіксували краї споруд. Водночас, якщо будинки були відсутні у лідарних даних (наприклад, через відбивання від матеріалу даху або вплив вологи), аерофотознімкові ЦМП допомагали заповнити ці прогалини.

Після порівняльного аналізу обох типів ЦМП, окремо було досліджено результати у міських та сільських тестових зонах.

Савонлінна (міські та лісисті райони)

• У міських районах лідарні ЦМП зменшували кількість хибних виявлень біля водойм та забезпечували чіткіші контури будівель.
  
  
• У лісистих місцевостях, де тіні від дерев могли приховувати об’єкти, лідар постійно давав точніші результати.
  
  
• Використання даних із роздільною здатністю нижчою за 25 см призводило до невеликого зниження точності, що підкреслює перевагу високороздільних лідарних даних.
  
  

Пудас’ярві (приміські та сільські райони)

• У сільських зонах проблемою стали похибки у висотних даних водойм, що спричиняли хибнопозитивні результати.
  
  
• Видалення некоректних висот водної поверхні з лідарних даних значно зменшило кількість помилок.
  
  
• Моделі, навчені на 25-см DEM, перевершили результати моделей, що працювали з повторно дискретизованими 2-метровими DEM. Це підтвердило, що вища роздільна здатність лідарних даних покращує точність виявлення будівель.
  
  

Проблеми та стратегії інтеграції даних
‍

Національна земельна служба Фінляндії оновлює аерофотознімки у трирічному циклі, охоплюючи всю країну, тоді як дані лідара збираються раз на шість років. Хоча лідарні цифрові моделі поверхні (DSM) помітно підвищують точність виявлення будівель, їхня ефективність знижується у випадках, коли в даних відсутні будівлі або спостерігаються помилки у висотах водних поверхонь. Такі неточності, особливо при використанні застарілих або неузгоджених з ортофотопланами даних, підкреслюють важливість синхронізації наборів даних за роком збору.

Лідарні DSM є особливо корисними у лісистих районах, але в міському середовищі з великою кількістю дрібних будівель чи дахів зі складними матеріалами (що можуть давати відбиття або утримувати вологу) найкращі результати забезпечує комбіноване використання LiDAR та аерофотознімків.

‍

Висновок

‍
Поєднання лідарних цифрових моделей поверхні (DSM) з високороздільними цифровими моделями рельєфу (DEM) значно підвищує точність ідентифікації будинків, особливо у зонах з густою рослинністю. Дослідження підтвердило, що інтеграція даних LiDAR та аерофотознімків забезпечує оптимальний результат, поєднуючи переваги обох джерел.

Подальші дослідження варто спрямувати на використання 3D-даних для кращого моделювання територій із щільною рослинністю або складними архітектурними формами. Отримані результати демонструють зростаючу роль LiDAR у вдосконаленні процесів автоматизованого видобутку даних на основі ШІ, особливо в умовах розширення його застосувань у різноманітних ландшафтах.

‍

‍

Джерело: GIM International

‍