green_city

Оценка доли строений и деревьев по данным ДЗЗ на примере Алматы

Оценка доли строений и деревьев по данным ДЗЗ на примере Алматы

Исследовательские организации и городские администрации во всём мире широко использует ГИС (географические информационные системы) для достижения плана по повышению долгосрочной устойчивости городов и снижению их уязвимости к изменению климата.

Города насыщенны пространствами, которые могут создавать так называемые острова тепла, где температура поднимается гораздо выше среднего значения в жаркие дни, такие пространства поглощают и сохраняют тепло в течение дня, а затем повторно излучают накопленное тепло ночью. Посадка деревьев с широкими кронами – один из способов снижения эффекта тепловых островов.

В 2018 году правительство Чехии заявило, что смягчение последствий изменения климата станет национальным приоритетом. А в Вашингтоне стоит задача увеличения площади крон до 40% к 2032 году для поддержки инициатив по снижению влияния изменения климата на городские пространства.

Управление городского лесного хозяйства Вашингтона использует ГИС ArcGIS для сохранения и увеличения массива деревьев. С 2006 по 2013 год UFA в составе 18 человек провело инвентаризацию всех деревьев в округе с помощью мобильных устройств, а с 2014 года использует единую ГИС на базе ArcGIS для непрерывного сбора информации с помощью мобильных приложений ArcGIS, мониторингу изменений по данным дистанционного зондирования Земли, отслеживанию работ и обмену информацией с другими департаментами.

Последствия изменения климата и экстремальные температуры также оказывают влияние и на города Центральной Азии, это влияние накладывается на процессы высокой урбанизации и снижения доли зелёных насаждений. Такие города как Астана и Алматы используют возможности геоинформационных систем для создания баз геоданных о городских деревьях по подобию Нью-Йорка, Вашингтона и Праги.

Предварительная оценка территории по данным ДЗЗ

Для начала давайте изучим возможные острова тепла Алматы. Для этого воспользуемся доступом к обновляемой базе снимков миссии Landsat в ArcGIS Living Atlas. Снимки можно просматривать и анализировать через интерактивное приложение Esri или подключить для работы в ArcGIS Pro.

  • Откройте приложение https://livingatlas.arcgis.com/landsatexplorer/, с помощью поиска переместитесь к Алматы.
  • Выберите режим Find a Scene, установите допуск по облачности меньше 10% и выберите снимок 24 июля. Переключите на режим отображения Surface Temp. Бордовые участки отражают наиболее высокие температуры поверхности, зафиксированные сенсором Landsat.

Прямая ссылка 

24 июля 2023 г. температура в городе поднималась выше 35 градусов, но асфальтные и бетонные конструкции нагреваются гораздо сильнее.

Теперь выберите режим Analysis – Mask, установите значения в градусах Цельсия и задайте пороговые значения 45 градусов и все значения выше. Теперь отображаются наиболее «жаркие» места в городе, обратите внимание, что это в основном индустриальные территории, парковки, зоны крупных торговых центров.

Прямая ссылка 

В летнюю жару в районах с наименьшей площадью крон деревьев намного жарче, чем в районах с более высокой долей крон деревьев. Города по всему миру стремятся сохранить и преумножить долю широколиственных деревьев в густонаселенных районах, чтобы препятствовать негативному влиянию изменения климата.

Теперь давайте исследуем, как менялась территория города по высокодетальным снимкам, которые доступны в библиотеке Esri начиная с 2010 года.

  • Откройте веб-приложение https://livingatlas.arcgis.com/wayback и в поисковой строке наберите Алматы, Александра Суворова, немного отдалитесь.

Прямая ссылка 

  • В приложении выберите режим сравнения данных и сравните съёмку 2022 года, размещенную в базовой карте Esri 2022-11-02 и 2013 года, размещенную в базовой карте 2017-06-14. Обратите внимание на плотную застройку вдоль улицы и сравните изменение покрова.

Как видим, высокие темпы урбанизации могут сокращать площади зелёных насаждений в городе.

Теперь давайте выполним оценку площади города, которая покрыта кронами деревьев. Для этого воспользуемся данными от Европейского космического агентства, размещенные в ArcGIS Living Atlas и доступные для анализа — European Space Agency WorldCover 2020 Land Cover.

WorldCover — это базовая карта земного покрова мира, составленная Консорциумом WorldCover и Европейским космическим агентством на 2020 год. Карта содержит 11 различных классов земного покрова с разрешением 10 метров.

Оценка площади деревьев в ArcGIS Pro

  • Откройте ArcGIS Pro. Для исследования потребуется базовая лицензия ArcGIS Pro, модуль Spatial Analyst, а также ArcGIS Online для доступа к данным и публикации результатов анализа, создания операционной панели (дашборда).
    • Откройте проект  green_cities, созданный в ArcGIS Pro версии 3.X
      • На вкладке Catalog (справа) выберите Portal – Living Atlas и в поиске наберите land cover.

Для тех, кто использует собственную подписку, скачайте проект по ссылке ArcGIS

  • Добавьте в проект два сервиса изображений:

European Space Agency WorldCover 2020 Land Cover – результат классификации снимков Sentinel-2 на территорию всего земного шара с помощью нейросетей ESA

Sentinel-2 10m Land Use/Land Cover Time Series — результат классификации снимков Sentinel-2 на территорию всего земного шара с помощью нейросетей c 2017 по 2022 год, более генерализованная классификация

  • Теперь переключитесь к открытым для общего доступа слоям в ArcGIS Online и выполните поиск по фразе Алматы генеральный план. Добавьте векторный слой в проект.

  • На вкладке Analysis – Tools найдите инструмент – Copy Features.
  • Выберите слой Районы генерального плана и запустите инструмент. Теперь данные сохранены локально, они потребуются нам для создания статистки.

Для сохраненного слоя настройте прозрачные границы на вкладке Feature Layer – Symbology – Single Symbols и выберите готовый шаблон в галерее Symbol.

  • Изучите границы города с пятном застроенной территории. Должна быть включена видимость сервиса изображений Sentinel-2 10m Land Use/Land Cover Time Series. Обратите внимание на класс Built-Up (красного цвета), не все районы города одинаково плотно застроены.

В целом застроенная часть территории совпадает с наиболее плотно заселенными районами города, для оценки можно подключить слой worldpop — WorldPop Total Population 2000-2020 1km из Living Atlas.

В следующих шагах мы будем использовать более детальную классификацию из сервиса European Space Agency WorldCover 2020 Land Cover, чтобы оценить площадь каждого из районов города, покрытую деревьями. Для этого мы будем использовать два класса:

Номер 10. Древесный покров. К этому классу относится любая географическая территория, где преобладают деревья, площадь покрытия которых составляет 10% и более.

Номер 50. Застроенная территория. Поверхность, покрытая зданиями, дорогами и другими искусственными сооружениями, такими как железные дороги. Здания включают в себя как жилые, так и промышленные здания. Городская зелень (парки, спортивные сооружения) не включается в этот класс.

  • Отключите слой Sentinel-2 10m Land Use/Land Cover Time Series и включите слой European Space Agency WorldCover 2020 Land Cover.
  • Перейдите на вкладку Imagery – Raster functions и выполните поиском Remap, откройте инструмент

  • Настройте инструмент для создания нового растрового слоя только с двумя классами: 1 – деревья, 2 –застроенная территория.

  • Дождитесь пока сервер вернет результат обработки. Белый цвет – класс 2 или строения, чёрный цвет – класс 1 или деревья.

  • На вкладке Analysis – Tools найдите инструмент Extract by Mask, чтобы сохранить данные локально. Нам потребуется только слой с двумя классами. Инструменту потребуется примерно 3-5 минут для загрузки данных внутри районов города.

  • Отключите онлайн слой Remap.., поменяйте цвета для классов локального слоя. Теперь можно визуально оценить долю строений и деревьев по районам. Для сравнения с данными базовой карты можно включить режим смешивания Overlay.

    • Теперь вычислим статистику по этим двум классам, для этого воспользуемся инструментом Tabulate Area

Обязательно укажите в параметрах среды (Environments) выходную проекцию, чтобы вычисленные площади по каждому классу были достоверные.

Полученные значения в атрибутивной таблице будут представлять квадратные метры: VALUE_1 – растительность, VALUE_2  — строения.

  • Проанализируем полученную таблицу, построив столбчатую диаграмму внутри ArcGIS Pro

  • Стоит заметить, что не всегда административные границы города совпадают с границами городской застройки, где проживает наибольшее число людей. Например, если извлечь границы класса Built Area из слоя Sentinel-2 10m Land Use/Land Cover Time Series, то соотношение деревьев и застроенной территории сильно изменится, а рейтинг районов перераспределится.

Мы продолжим нашу работу со статистикой в административных границах города

  • Теперь перейдем к готовой компоновке, настроенное в виде серии отчётов по каждому району автоматически. Справа на панели Catalog разверните Layouts и откройте Отчёт по районам.

  • Компоновка содержит добавленные динамические элементы карты: границы районов, диаграмму, название и соотношение деревьев и строений в административных границах. На каждый район автоматически создан отдельный лист для печати.

Теперь полученные данные могут быть опубликованы для доступа через интернет для заинтересованных сотрудников или для всех жителей города. После публикации в ArcGIS Online или ArcGIS Enterprise мы настроили панель мониторинга (дашборд) и карту для доступа через мобильное приложение ArcGIS Field Maps.

  • В браузере откройте https://www.arcgis.com и в поиске наберите Деревья Алматы. Откройте операционную панель.
  • Изучите дашборд, он позволяет сравнивать полученную статистику на карте, диаграммах, а также детально изучать отдельные части города на основе слоя с классификацией.

Прямая ссылка 

Вы можете изучить инструмент создания дашбордов, пройдя самостоятельно урок https://learn.arcgis.com/ru/projects/make-a-dashboard-to-monitor-wildfires/  или посетив Учебный центр Data+ International https://www.esri-cis.com/ru-ru/training/calendar

  • Вы также можете установить на свое мобильное устройство приложение ArcGIS Field Maps и изучить данные на смартфоне, находясь в конкретном местоположении города.
  • Установите приложение, выберите Пропустить вход, выполните поиск по словам Деревья Алматы, на открывшейся карте найдите поиском КазНУ.

Применение инструментов классификации на базе нейросетей

Мы выполнили анализ территории по уже готовым данным. Однако в набор инструментов ArcGIS входят также инструменты классификации снимков с помощью нейросетевых архитектур. Esri предоставляет предобученные модели, а также инструменты для дообучения или обучения собственных моделей.

Ознакомьтесь с библиотекой обученных моделей Esri https://livingatlas.arcgis.com/en/browse/?q=dlpk

В качестве примера мы выполнили классификацию Алматы по более детальным и новым снимкам Maxar из сервиса Esri World Imagery.

Как начать работать с нейросетям в ArcGIS? Вам потребуется ArcGIS Pro и лицензия на модуль Image Analyst. Очень желательно наличие видеокарты с производительностью уровня NVIDIA GTX 1080 и выше. В случае работы без использования GPU, время обучений или применения нейросетей увеличится примерно на порядок.

Для работы с нейросетями также нужно установит дополнительные библиотеки, которые не входят в стандартный дистрибутив ArcGIS Pro. Вы можете найти их по ссылке: https://learn.arcgis.com/en/paths/try-deep-learning-in-arcgis/

В разделе Загрузить щелкните Deep Learning Libraries Installer for ArcGIS Pro 3.Х (или более поздней версии, в зависимости от того, какая версия у вас установлена).

Готовая модель для классификации ландшафтов: https://www.arcgis.com/home/item.html?id=a10f46a8071a4318bcc085dae26d7ee4

Как применить готовую модель из примера: https://doc.arcgis.com/en/pretrained-models/latest/imagery/using-high-resolution-land-cover-classification-usa.htm

Статья в блоге про классификацию ландшафтов с использованием нейросетей: https://www.esri.com/arcgis-blog/products/arcgis/imagery/pretrained-land-cover-models/

Обучающие упражнения на сайте ArcGIS Learn: https://learn.arcgis.com/ru/paths/try-deep-learning-in-arcgis/

Библиотека ресурсов

Просмотров: 1 329

Метки

Также может быть интересно