АИ-управляемая разработка нового набора данных открытых зданий.

В 2021 году команда Google Research Africa запустила проект Open Buildings, открытый набор данных, который отображает контуры зданий в странах Глобального Юга с использованием искусственного интеллекта и спутниковых изображений высокого разрешения. Их цель была довольно проста: заполнить большой пробел в данных о населении и плотности в развивающихся странах. Теперь, с выходом третьей версии, их набор данных включает полигоны для впечатляющих 1,8 миллиарда зданий на площади 58 миллионов км² в Африке, Южной и Юго-Восточной Азии, Латинской Америке и Карибском бассейне.

Множество людей, от правительств до ООН, а также исследователи и некоммерческие организации, используют Open Buildings для оценки численности и распределения населения. Это помогло им лучше планировать такие мероприятия, как кампании по вакцинации и реагирование на стихийные бедствия. Кроме того, это даже улучшило Google Maps, добавив миллионы зданий, которые ранее не были нанесены на карту.

Команда, базирующаяся в Гане, но с участниками, разбросанными по таким местам, как Тель-Авив и Цюрих, стремится сделать проект еще более полезным. «Мы всегда в режиме хакатона, пробуем новые идеи и решаем задачи», — говорит менеджер программы Google Research Абдулай Диак. «Одна вещь, которую мы не могли сделать с первоначальным набором данных, — это показать, как области меняются со временем, он был статичным. И это то, чего действительно хотели наши партнеры».

Коммерческие поставщики спутниковых изображений обычно сосредотачиваются на прибыльных регионах, оставляя около 40% мира, в основном Глобальный Юг, без регулярного покрытия высокого разрешения. Некоторые отдаленные районы и неформальные поселения вообще не получают покрытия. В то же время открытые изображения от спутника Sentinel-2 Европейского космического агентства, который делает глобальный снимок каждые пять дней, считались слишком низкого разрешения для обнаружения зданий.

Но команда решила, что это может быть не такой уж большой проблемой, и решила попробовать.

Сначала они ввели один кадр низкого разрешения от Sentinel-2 в свою модель и попросили её нарисовать полигоны зданий. «Это было сложно, но мы увидели потенциал», — говорит Абдулай. «Так что мы сказали модели просто дать нам маски зданий — бинарные пиксельные данные, привязанные к конкретным местам. Она справилась неплохо, и мы подумали: "Эй, мы можем это сделать"».

После года доработки модели они выпустили временной набор данных Open Buildings 2.5D в прошлом месяце. Он охватывает период с 2016 по 2023 год и предоставляет ежегодный обзор наличия и количества зданий в большей части Глобального Юга, а также высоту зданий. Это показывает, как города меняются из-за развития, стихийных бедствий и других факторов. Пользователи могут выбрать регион, пролистать годы и наблюдать, как мир растет и сокращается в красочном отображении форм.

«К 2050 году около 2,5 миллиарда человек могут переехать в города, в основном в Глобальный Юг. Этот набор данных может стать настоящим прорывом для правительств и организаций, которые справляются с этим ростом», — говорит менеджер по продуктам Google Research Оливия Грэм. «Если город планирует, где разместить важные услуги, такие как здравоохранение и образование, или где строить инфраструктуру, например водоснабжение и энергоснабжение, этот набор данных показывает, какие районы быстро растут».

28 сентября 2018 года мощное землетрясение магнитудой 7,4 у побережья Индонезии вызвало цунами, затронувшее около 1,5 миллиона человек на Сулавеси. Набор данных показывает, как застроенная территория отступила от побережья после катастрофы. Вы можете ознакомиться с этим в нашем интерактивном приложении Earth Engine.

Вы также можете увидеть строительство Нового Каира, Египет, в демонстрации временного набора данных Open Buildings 2.5D.

Итак, как команде удалось заставить модель читать размытые спутниковые изображения Sentinel-2 и уверенно обнаруживать здания? Они начали с повышения четкости.

«Мы использовали настройку модели "учитель-ученик", чтобы одновременно "сверхразрешать" изображения низкого разрешения и выделять контуры зданий», — говорит инженер-программист Google Research Кришна Сапкота. «Модель-учитель учится обнаруживать здания на изображениях высокого разрешения и предоставляет метки модели-ученику. Модель-ученик, которая фактически создает набор данных, учится на выходных данных учителя. Затем она может брать изображения низкого разрешения от Sentinel-2 и предполагать, как выглядело бы изображение более высокого разрешения».

Модель-учитель предоставляет тренировочные метки высокого разрешения модели-ученику, которая затем определяет наличие зданий на изображениях низкого разрешения.

Для получения необходимых деталей для контуров зданий модель использует до 32 кадров изображений Sentinel-2 одного места для любого предсказания. Каждый кадр немного отличается от других благодаря небольшому временному разрыву между снимками, что помогает повысить разрешение — примерно так же, как телефоны Pixel используют несколько снимков для получения более четких изображений.

В отличие от исходного набора данных, который предоставлял точные полигональные контуры зданий, новый временной набор данных использует растровые данные для контуров зданий. Он также предсказывает высоту зданий, что важно для оценки плотности населения, с погрешностью всего 1,5 метра, или менее одного этажа.

Перед официальным выпуском временной набор данных был предоставлен доверенным партнерам, таким как угандийская некоммерческая организация Sunbird AI. «Около 73% угандийцев не имеют доступа к электричеству, и Sunbird AI использовала нашу исходную базу данных, чтобы помочь правительству определить, где размещать микросети или солнечные панели», — говорит Оливия. «С новым набором данных они изучают Джинджа и Форт-Портал, создавая визуализации, которые помогают городским советам видеть, где происходит быстрый рост, и корректировать свои планы. Это показывает, как оба набора данных могут быть частью большего инструментария для понимания населения и его изменений».

Та же любознательность, которая привела к созданию временного набора данных, побуждает команду продолжать его совершенствовать.

«Я живу в Гане и вижу, какое влияние наша работа оказывает и может оказать», — говорит Абдулай. «Многие места здесь сталкиваются с нехваткой ресурсов, что приводит к пробелам в данных с серьезными последствиями. Быть частью команды, которая работает над устранением этого и вносит изменения, — настоящая честь».