Desarrollo impulsado por la IA del nuevo conjunto de datos de edificios abiertos presentado

En 2021, el equipo de Google Research Africa lanzó Open Buildings, un conjunto de datos de código abierto que mapea las huellas de edificios en el Sur Global utilizando IA e imágenes satelitales de alta resolución. Su objetivo era bastante directo: llenar un gran vacío en los datos sobre población y densidad en países en desarrollo. Ahora, con la tercera versión publicada, su conjunto de datos cuenta con polígonos para la impresionante cifra de 1.8 mil millones de edificios distribuidos en 58 millones de km² en África, el sur y sudeste de Asia, América Latina y el Caribe.

Muchas personas, desde gobiernos hasta la ONU, e incluso investigadores y organizaciones sin fines de lucro, han estado utilizando Open Buildings para entender mejor el tamaño y la distribución de la población. Esto les ha ayudado a planificar mejor cosas como campañas de vacunación y respuestas a desastres. Además, incluso ha mejorado Google Maps al agregar millones de edificios que antes no estaban mapeados.

El equipo, con base en Ghana pero con miembros dispersos en lugares como Tel Aviv y Zúrich, ha estado en una misión para hacer el proyecto aún más útil. "Siempre estamos en modo hackathon, probando nuevas ideas y enfrentando desafíos," dice el gerente del programa de Google Research, Abdoulaye Diack. "Una cosa que no podíamos hacer con el conjunto de datos original era mostrar cómo cambian las áreas con el tiempo, era estático. Y eso es algo que nuestros socios realmente querían."

Los proveedores de imágenes satelitales comerciales suelen centrarse en áreas que generan ingresos, dejando aproximadamente el 40% del mundo, principalmente el Sur Global, sin cobertura regular de alta resolución. Algunos lugares remotos y asentamientos informales no reciben ninguna cobertura. Mientras tanto, las imágenes de código abierto del satélite Sentinel-2 de la Agencia Espacial Europea, que captura una imagen global cada cinco días, se consideraba de demasiado baja resolución para la detección de edificios.

Pero el equipo pensó que podría no ser tan grave como creían, así que lo intentaron.

Primero, introdujeron un solo cuadro de baja resolución de Sentinel-2 en su modelo y le pidieron que dibujara polígonos de edificios. "Fue difícil, pero vimos potencial," dice Abdoulaye. "Así que le dijimos al modelo que solo nos diera las máscaras de edificios, datos de píxeles binarios vinculados a lugares específicos. Lo hizo bien, y pensamos, 'Oye, podemos hacer esto.'"

Después de un año de ajustar el modelo, lanzaron el Conjunto de Datos Temporal 2.5D de Open Buildings el mes pasado. Cubre de 2016 a 2023 y ofrece una instantánea anual de la presencia y conteo de edificios en gran parte del Sur Global, además de las alturas de los edificios. Esto muestra cómo cambian las ciudades debido al desarrollo, desastres y otros factores. Los usuarios pueden elegir una región, recorrer los años y ver cómo el mundo crece y se reduce en una colorida exhibición de formas.

"Para 2050, alrededor de 2.5 mil millones de personas más podrían mudarse a las ciudades, principalmente en el Sur Global. Este conjunto de datos podría cambiar las reglas del juego para gobiernos y organizaciones que manejan ese crecimiento," dice la gerente de productos de Google Research, Olivia Graham. "Si una ciudad está planeando dónde colocar servicios esenciales como salud y educación, o dónde construir infraestructura como suministros de agua y energía, este conjunto de datos muestra qué áreas están creciendo rápido."

El 28 de septiembre de 2018, un terremoto masivo de magnitud 7.4 frente a la costa de Indonesia desencadenó un tsunami, afectando a alrededor de 1.5 millones de personas en Sulawesi. El conjunto de datos muestra cómo el área construida se alejó de la costa después del desastre. Puedes verlo en nuestra aplicación interactiva Earth Engine.

También puedes ver la construcción de Nueva El Cairo, Egipto, en la demostración del Conjunto de Datos Temporal 2.5D de Open Buildings.

Entonces, ¿cómo logró el equipo que su modelo leyera las imágenes satelitales difusas de Sentinel-2 y detectara edificios con confianza? Comenzaron por mejorar la nitidez.

"Usamos una configuración de modelo maestro-alumno para 'superresolver' las imágenes de baja resolución y extraer las huellas de los edificios," dice el ingeniero de software de Google Research, Krishna Sapkota. "El modelo maestro aprende a identificar edificios en imágenes de alta resolución y proporciona etiquetas al modelo alumno. El modelo alumno, que realmente crea el conjunto de datos, aprende de la salida del maestro. Luego puede tomar imágenes de baja resolución de Sentinel-2 y adivinar cómo se vería una versión de mayor resolución."

El modelo maestro proporciona etiquetas de entrenamiento de alta resolución al modelo alumno, que luego determina la presencia de edificios a partir de imágenes de baja resolución.

Para obtener el detalle necesario para las huellas de los edificios, el modelo utiliza hasta 32 cuadros de imágenes de Sentinel-2 de un lugar para cualquier predicción._forestal Cada cuadro es ligeramente diferente de los demás, gracias al pequeño intervalo de tiempo entre capturas, lo que ayuda a aumentar la resolución, algo así como cómo los teléfonos Pixel usan múltiples tomas para obtener imágenes más nítidas.

A diferencia del conjunto de datos original, que proporcionaba contornos poligonales precisos de los edificios, el nuevo conjunto de datos temporal utiliza datos rasterizados para las huellas de los edificios. También predice las alturas de los edificios, crucial para estimar la densidad de población, con un error de solo 1.5 metros, o menos de un piso.

Antes de su lanzamiento oficial, el conjunto de datos temporal se compartió con socios confiables como la organización sin fines de lucro ugandesa Sunbird AI. "Alrededor del 73% de los ugandeses no tienen electricidad, y Sunbird AI usó nuestra base de datos original para ayudar al gobierno a determinar dónde colocar microredes o paneles solares," dice Olivia. "Con el nuevo conjunto de datos, están observando Jinja y Fort Portal, creando visuales que ayudan a los consejos municipales a ver dónde está ocurriendo un crecimiento rápido y ajustar sus planes. Muestra cómo ambos conjuntos de datos pueden ser parte de un conjunto de herramientas más grande para entender una población y cómo está cambiando."

La misma curiosidad que llevó al conjunto de datos temporal está impulsando al equipo a seguir mejorándolo.

"Vivo en Ghana y veo el impacto que nuestro trabajo está teniendo y puede tener," dice Abdoulaye. "Muchos lugares aquí luchan con recursos, lo que lleva a brechas de datos con grandes consecuencias. Ser parte de un equipo que trabaja para solucionar eso y marcar la diferencia es un verdadero honor."