Google AI lança conjunto de dados temporais 2.5D de edifícios abertos que rastreia mudanças em edifícios nos países do sul

Os governos e as organizações humanitárias precisam de dados fiáveis ​​sobre as mudanças nos edifícios e nas infraestruturas ao longo do tempo para gerir a urbanização, alocar recursos e responder às crises. No entanto, muitas regiões do Sul Global necessitam de mais acesso a dados de infraestruturas oportunos e precisos, o que torna difícil acompanhar o crescimento urbano e o desenvolvimento de infraestruturas. A falta destes dados dificulta o planeamento eficaz e os esforços de resposta a catástrofes. Os métodos atuais de localização de estruturas muitas vezes dependem de imagens de satélite de alta resolução, que fornecem imagens detalhadas das pegadas da estrutura. No entanto, as imagens de alta resolução são frequentemente obtidas em intervalos, por vezes com anos de intervalo, tornando difícil acompanhar as mudanças nas estruturas ao longo do tempo, especialmente em zonas rurais ou em rápido desenvolvimento.

Os investigadores do Google lançaram o conjunto de dados temporais Open Buildings 2.5D para abordar a questão do rápido crescimento da população urbana, particularmente no Sul Global, onde se espera que as áreas urbanas se expandam significativamente até 2050. Ao contrário dos esforços anteriores, que dependiam de imagens de alta resolução, este novo conjunto de dados utiliza imagens do satélite Sentinel-2 capturadas pela Agência Espacial Europeia, que oferece baixa resolução, mas captura imagens a cada cinco dias em todo o mundo. Usando um novo método de aprendizado de máquina, o conjunto de dados pode medir mudanças na presença e na altura do edifício ao longo do tempo, cobrindo uma grande região geográfica de 2016 a 2023.

A ideia principal por trás do conjunto de dados envolve o uso de uma combinação de modelos de alunos e professores baseados na arquitetura HRNet. O modelo do professor é treinado em imagens de satélite de alta resolução, fornecendo rótulos verdadeiros. O modelo do aluno, treinado em imagens Sentinel-2 de baixa resolução, visa recriar as previsões do professor sem ver diretamente as imagens de alta resolução. Ao usar vários intervalos de tempo de dados do Sentinel-2 (até 32 imagens por local), o modelo melhora a resolução e encontra medidas estruturais com alta precisão. Este método permite que o modelo alcance uma Intersecção sobre União (IoU) de 78,3%, o que se aproxima da precisão de 85,3% obtida com imagens de alta resolução. O conjunto de dados também inclui ferramentas de medição e cálculo de altura de edifícios, com um erro geral de 1,5 metros para medições de altura e previsões confiáveis ​​de contagem de edifícios.

Concluindo, o conjunto de dados temporais 2.5D do Google Open Buildings fornece avanços significativos na detecção e monitoramento de mudanças em edifícios em todo o Sul Global usando imagens públicas de satélite. Usando uma combinação de imagens convencionais e de baixa resolução do Sentinel-2 e modelos de aprendizado de máquina, ele fornece uma nova solução para resolver a falta de dados arquitetônicos precisos e atualizados. O método proposto não só melhora a capacidade de acompanhar as mudanças nas áreas urbanas, mas também apoia um melhor planeamento e resposta a problemas em regiões que muitas vezes carecem de dados.

Confira Conjunto de dados e blog. Todo o crédito deste estudo vai para os pesquisadores deste projeto. Além disso, não se esqueça de nos seguir Twitter e junte-se ao nosso Estação telefônica de novo LinkedIn Gracima. Se você gosta do nosso trabalho, você vai gostar do nosso jornal..

Não se esqueça de participar do nosso Mais de 50k ML SubReddit

⏩ ⏩ WEBINAR GRATUITO DE IA: 'Vídeo SAM 2: Como sintonizar seus dados' (quarta-feira, 25 de setembro, 4h00 – 4h45 EST)