构建全球城市制图的数据引擎
Building up a data engine for global urban mapping
Zhou, Y., & Weng, Q. (2024). Building up a data engine for global urban mapping. Remote Sensing of Environment, 311, 114242.
全球城市制图对于理解各种环境挑战和支持可持续发展目标11（SDG 11）至关重要。尽管深度学习模型提供了潜在的统一解决方案，但其有效性与训练数据的质量和多样性密切相关，而现有研究中的训练数据常常存在局限性。为克服这些局限性，本论文引入了一种半自动化的数据引擎，旨在生成高质量且多样化的全球训练样本。该数据引擎分为两个阶段。第一阶段通过整合现有的开源数据集生成全球分布的准确样本，第二阶段通过利用全球数据产品和OpenStreetMap（OSM）数据，扩展样本覆盖范围到全球尺度，确保样本的多样性。使用由数据引擎生成的数据集，我们训练了一个全球城市制图模型（GUM），在全球测试中取得了90%的总体准确率（OA）与76.3%的平均交并比（mIoU）。相较于性能次优的产品（GISA-10），GUM在这两个指标上分别表现出2.89%和5.92%的提升。这主要归因于所提出的数据引擎生成的高质量数据，为深度学习模型提供了精确且多样化的样本。该数据引擎完全基于开源数据构建，为除城市之外其他土地覆盖类别的全球制图任务提供了参考。此外，GUM与相关数据处理代码已在https://github.com/LauraChow77/GlobalUrbanMapper上发布，这将使用户能够在全球范围内对感兴趣的区域进行制图，从而促进及时的城市评估和监测。
图 1 数据引擎方法流程图
图 2 GUM在全球测试集上的与其余产品定量对比结果
图 3 GUM在全球测试集上的与其余产品定性对比结果
图 4 GUM制图结果示例与对比（莫尔斯比港）
图 5 GUM制图结果示例与对比（奥兰多）
图 6 GUM在光学影像数据不完全（2018年）和不完整（2023年）条件下的跨时相表现
图 7 GUM预测结果与手工标记结果的对比
作者简介
翁齐浩，欧洲科学院外籍院士、 美国科学促进会（AAAS）会士、电气与电子工程师协会（IEEE）会士、美国地理学会（AAG）会士、美国摄影测量与遥感学会（ASPRS）会士、亚太人工智能学会（AAIA）会士，现任香港理工大学地理信息学和人工智能讲座教授、曾任美国印第安纳州立大学城市与环境变化中心主任和教授和美国航天局高级研究员。现为地球观测组织的全球城市观测和信息系统项目负责人并任《国际摄影测量与遥感学会期刊》（ISPRS J P&RS）主编。翁教授的研究侧重于遥感科学和技术在城市环境与生态系统中的应用、土地利用和土地覆盖的变化和城市化的环境效应等。
周煜晗，香港理工大学土地测量及地理资讯学系博士生，目前主要研究方向为全球城市制图。
“理·解时空”是地理空间智能研究中心(Research Centre for Artificial Intelligence in Geomatics)的官方微信公众号，除实验室日常动态外，每月还将推送不同主题的科学研究，欢迎各位读者订阅讨论。同时，我们也期待各位读者将感兴趣的科研话题通过后台留言的方式与我们分享，我们将结合各位读者的需求提供更加丰富的推文内容。
实验室主页：https://rcaig.com/
供稿|审核：周煜晗
翻译编辑：鲁伟鹏
指导：翁齐浩博士
