La prévision mondiale de la hauteur des bâtiments facilitée grâce à l'apprentissage automatique
Alors que les villes continuent de croître à l’échelle mondiale, la caractérisation de l’environnement bâti est essentielle pour comprendre les populations humaines, projeter la consommation d’énergie, surveiller les impacts des îlots de chaleur urbains, prévenir la dégradation de l’environnement et planifier le développement urbain. Les bâtiments sont un élément clé de l’environnement bâti et il existe actuellement un manque de données sur la hauteur des bâtiments à l’échelle mondiale.
Clinton Stipek du laboratoire national d'Oak Ridge du ministère de l'Énergie utilise l'apprentissage automatique pour fournir une image plus complète de la géométrie des bâtiments, incluant la hauteur des bâtiments avec une précision de 3 mètres près, un exploit difficile à réaliser jusqu'à présent.
Les méthodes précédentes permettant de déterminer la hauteur d’un bâtiment nécessitaient des informations sur plus que la structure elle-même, comme les routes ou le nombre de personnes à l’intérieur. En utilisant les caractéristiques d'un bâtiment et des structures environnantes, Stipek et ses collègues ont conçu un algorithme pour déterminer comment estimer la hauteur des bâtiments partout dans le monde.
« Nous avons développé un code open source qui utilise les caractéristiques morphologiques du bâtiment au niveau du bâtiment pour prédire une hauteur », a déclaré Stipek. « L'algorithme peut être utilisé n'importe où dans le monde, éliminant les anciennes barrières telles que la définition d'un bâtiment ou la mesure des ombres qui créent des faux positifs. » L'équipe a publié ses résultats dans Rapports scientifiques.
Le collègue de Stipek, Taylor Hauser, s'est intéressé à combler l'écart de hauteur des bâtiments alors qu'il travaillait sur le projet US Structures, un ensemble de données ORNL qui inventorie les structures à travers le pays de plus de 450 pieds carrés et est utilisé par l'Agence fédérale de gestion des urgences et d'autres États-Unis. organismes gouvernementaux.
« Nous avons demandé à des personnes d'examiner manuellement cet ensemble de données massif pour identifier les données incorrectes, par exemple les endroits où les ombres du bâtiment provoquaient des erreurs de calcul des résultats dans les modèles d'apprentissage automatique précédents », a déclaré Hauser, analyste de données géospatiales.
« J'ai commencé à développer un outil capable de générer un nombre important de mesures collectivement connues sous le nom de morphologies des bâtiments pour décrire les aspects d'un bâtiment, en particulier par rapport aux bâtiments voisins. »
En extrayant des informations sur les structures environnantes, des inférences plus précises sur les données pourraient conduire à une plus grande confiance dans les données. Hauser a commencé à se demander si les morphologies des bâtiments pouvaient être utilisées pour identifier des structures mal détectées à partir d'images satellite, que pourraient-ils faire d'autre ?
Hauser et Stipek ont travaillé ensemble pour intégrer 65 caractéristiques morphologiques des bâtiments dans les calculs de hauteur. Stipek a utilisé un algorithme d'arbre d'amplification de gradient appelé XGBoost pour regrouper des informations qui fonctionnent dans une structure arborescente afin de parvenir à une inférence sur la hauteur du bâtiment. Les résultats mettent en évidence ce que Hauser appelle un signal caché permettant de prédire la troisième dimension, la hauteur, simplement en utilisant des morphologies de bâtiments bidimensionnelles.
Les résultats des travaux de Stipek et Hauser sont intégrés dans d'autres projets majeurs tels que LandScan, un programme de cartographie de la population de l'ORNL qui en est à sa 25e année, et Global Building Intelligence, qui vise à attribuer pleinement les caractéristiques du bâtiment, notamment son objectif, sa hauteur, ses matériaux, son âge et son toit. forme.
La hauteur des bâtiments, la cartographie de la population et d'autres recherches visant à comprendre où se trouvent les gens dans le monde font partie de la mission de sécurité nationale de l'ORNL. Les ensembles de données géospatiales du laboratoire fournissent aux décideurs politiques et aux premiers intervenants des informations leur permettant de fournir des services aux personnes touchées par des événements d'origine humaine et naturelle. Hauser a déclaré que ces différents ensembles de données sont dérivés de données similaires utilisées dans des applications distinctes.
« Nous pouvons en apprendre davantage sur l'urbanisme, les bâtiments, les routes et les infrastructures », a déclaré Hauser. « Nous essayons de combler les lacunes là où les informations n'existent pas. »
