机器学习让全球建筑物高度预测变得简单

Josiah02

随着全球城市不断扩张，了解建筑环境特征对于了解人口、预测能源使用情况、监测城市热岛效应、防止环境恶化和规划城市发展至关重要。建筑物是建筑环境的重要组成部分，目前全球范围内缺乏建筑物高度数据。
美国能源部橡树岭国家实验室的克林顿·斯蒂佩克正在利用机器学习来提供更完整的建筑物几何形状图，其中包括精确到 3 米以内的建筑物高度，这一目标迄今为止难以实现。
以前确定建筑物高度的方法需要的不仅仅是建筑物本身的信息，例如道路或内部人数。利用建筑物和周围结构的特征，Stipek 和同事设计了一种算法来计算如何估算世界各地的建筑物高度。
“我们开发了一种开源代码，利用建筑物层面的形态特征来预测高度，”斯蒂佩克说。“该算法可以在世界任何地方使用，消除了以前的障碍，例如如何定义建筑物或测量阴影，这些障碍会产生误报。”该团队在《科学报告》上发表了他们的研究结果。
Stipek 的同事 Taylor Hauser 在参与美国结构项目时对填补建筑高度的空白产生了兴趣。美国结构项目是 ORNL 的一个数据集，其中罗列了全美范围内面积超过 450 平方英尺的建筑，并被联邦紧急事务管理局和其他美国政府组织使用。
地理空间数据分析师豪瑟说：“我们派人手动检查这个庞大的数据集，以识别不正确的数据，比如建筑物阴影导致之前的机器学习模型计算错误的结果。”
“我开始开发一种工具，它可以生成大量测量数据，统称为建筑形态，以描述建筑物的各个方面，特别是与邻近建筑物的关系。”
通过提取有关周围结构的信息，对数据进行更准确的推断可以提高数据的可信度。Hauser 开始思考，如果建筑形态可以用来识别卫星图像中错误检测的结构，那么它们还能做什么呢？
Hauser 和 Stipek 合作将 65 个建筑形态特征纳入高度计算。Stipek 使用梯度提升树算法 XGBoost 将信息片段聚集在一起，形成树形结构，从而推断出建筑高度。结果指出，Hauser 所说的隐藏信号可以仅通过使用二维建筑形态来预测三维高度。
Stipek 和 Hauser 的研究成果正被纳入其他重大项目，如 ORNL 人口测绘项目 LandScan（该项目已启动 25 年）和 Global Building Intelligence（旨在全面归因于建筑物特征，包括用途、高度、材料、年龄和屋顶形状）。
建筑物高度、人口测绘和其他旨在了解人类在世界何处的研究是 ORNL 国家安全任务的一部分。该实验室的地理空间数据集为决策者和急救人员提供了信息，以便为受到人为和自然事件影响的人们提供服务。Hauser 表示，这些不同的数据集来自不同应用中使用的类似数据。
“我们可以了解更多有关城市规划、建筑、道路和基础设施的信息，”豪瑟说。“我们正在努力填补信息缺失的空白。”