CMAB: A First National-Scale Multi-Attribute Building Dataset in China Derived from Open Source Data and GeoAI

要約

正確な都市分析、シミュレーション、政策更新には、屋上、高さ、向きなどの幾何学的属性や、機能、品質、築年数などの指標となる属性を含む 3 次元 (3D) 建築データを迅速に取得することが不可欠です。
現在の建物データセットは、建物の複数属性が不完全にカバーされているという問題があります。
この論文では、大規模な建物モデリングのための地理空間人工知能 (GeoAI) フレームワークを紹介し、3,667 の空間都市、2,900 万の建物、および 213 億平方メートルの屋上をカバーする初の全国規模の多属性建物データセット (CMAB) を紹介します。
OCRNet ベースの抽出における F1 スコアは 89.93% で、建築ストックの合計は 3,377 億立方メートルでした。
私たちは、形態、場所、機能などの特徴を組み込んで、市の行政分類を使用してブートストラップ集約 XGBoost モデルをトレーニングしました。
何十億もの高解像度の Google Earth 画像や 6,000 万枚のストリート ビュー画像 (SVI) などのマルチソース データを使用して、各建物の屋上、高さ、機能、築年数、品質の属性を生成しました。
精度は、モデル ベンチマーク、既存の類似製品、手動 SVI 検証を通じて検証され、ほとんどの場合 80% 以上でした。
私たちのデータセットと結果は、世界的な SDG と都市計画にとって非常に重要です。

要約(オリジナル)

Rapidly acquiring three-dimensional (3D) building data, including geometric attributes like rooftop, height and orientations, as well as indicative attributes like function, quality, and age, is essential for accurate urban analysis, simulations, and policy updates. Current building datasets suffer from incomplete coverage of building multi-attributes. This paper introduces a geospatial artificial intelligence (GeoAI) framework for large-scale building modeling, presenting the first national-scale Multi-Attribute Building dataset (CMAB), covering 3,667 spatial cities, 29 million buildings, and 21.3 billion square meters of rooftops with an F1-Score of 89.93% in OCRNet-based extraction, totaling 337.7 billion cubic meters of building stock. We trained bootstrap aggregated XGBoost models with city administrative classifications, incorporating features such as morphology, location, and function. Using multi-source data, including billions of high-resolution Google Earth images and 60 million street view images (SVIs), we generated rooftop, height, function, age, and quality attributes for each building. Accuracy was validated through model benchmarks, existing similar products, and manual SVI validation, mostly above 80%. Our dataset and results are crucial for global SDGs and urban planning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google