Бристольская компания Fathom, занимающаяся моделированием наводнений, объединила усилия с лабораторией наводнений Бристольского университета для запуска FABDEM. Это первая глобальная цифровая модель рельефа (ЦМР) с разрешением 30 м, где присутствует чистый рельеф – без растительности и искусственных сооружений.

Первоначально разработанные для создания более точного и подробного набора данных для моделирования наводнений, моделирования оползней и анализа местоположения, геоинформационные применения ЦМР FABDEM оказались намного шире, чем предполагалось ранее. От планирования линейных активов, таких как транспортные маршруты, телекоммуникации и энергетическая инфраструктура в районах с дефицитом данных, до проектов в области лесного и сельского хозяйства и создания искусственных сред для моделирования полетов и игр, потенциальные приложения FABDEM распространяются на несколько отраслей.

По сути, FABDEM предоставляет инженерам и ГИС-специалистам возможность картографировать и моделировать любой проект за пределами площадки. Используя FABDEM, инженеры могут проводить первоначальные удаленные обследования и направлять выбор площадки. Таким образом, предоставление надежного источника данных до проведения физических обследований устраняет необходимость многократных посещений объектов на начальных этапах крупномасштабных проектов, обеспечивая значительные преимущества как по времени, так и по стоимости.



Цифровые модели рельефа (ЦМР): руководство пользователя

В своей простейшей форме цифровые модели рельефа/ местности (ЦМР/ЦММ) представляют собой представление высот топографической поверхности над выбранной опорной поверхностью, чаще всего на регулярной сетке. В свободном доступе имеются глобальные ЦМР, основанные на спутниковых измерениях, с горизонтальным разрешением до 1 угловой секунды (приблизительно 30 м).

Проблема заключается в том, что глобальные модели подвержены большим ошибкам, часто включающим высоты, которые представляют собой слои над рельефом Земли (например, растительность или здания). Реальность такова, что для многих приложений требуются уровни «голой земли», представляющие собой возвышение земли под растительностью и зданиями.

В 2020 году была выпущена свободно и глобально доступная ЦММ Copernicus DEM, GLO-30. Она с разрешением 30 м и использует более свежие и точные измерения по сравнению с предыдущими глобальными ЦММ, что приводит к предположениям, что она может стать золотым стандартом глобальных цифровых моделей. В Fathom и Бристольском университете решили использовать эту модель золотого стандарта для создания эффективной ЦМР, которая удаляет растительность и здания для истинного представления местности на уровне земли. FABDEM (FAB расшифровывается как «Леса и здания удалены») был разработан как версия «голой земли» Copernicus DEM.



FABDEM: Ну и что?

Когда команда впервые разработала FABDEM, была идея использовать ее для расширения возможностей по моделированию глобальных наводнений. Благодаря удалению поверхностных объектов набор данных идеально подходит для моделирования природных опасностей, таких как наводнения, где на результаты сильно влияют Тем не менее, с момента его выпуска мы получили значительный интерес со стороны широкого круга отраслей и вариантов использования, обнаружив множество других приложений, в которых FABDEM окажется невероятно полезным.

Наряду с задачами моделирования наводнений запросы варьировались от миграции животных и моделирования пандемии до 3D-моделирования для игр и аэрокосмической промышленности. Хотя и ранее было известно об общих применениях, где можно было бы использовать FABDEM, было интересно наблюдать за многими нишами, где еще применимы эти данные. В конечном счете, все, что требует 3D-представления

Наиболее интересным вариантом использования, который обнаружили на сегодняшний день, является применение данных о местности для оказания гуманитарной помощи и реагирования. Такие функции, как материально-техническое обеспечение снабжения и картографирование помощи, становятся более эффективными благодаря использованию ЦМР.



Сравнение FABDEM с другими цифровыми моделями рельефа

Важным элементом опубликованной статьи, описывающей FABDEM, была его валидация по сравнению с LiDAR и сравнение с другими глобальными ЦМР. Во-первых, было сделано сравнение набора данных с Copernicus DEM, чтобы показать, что артефакты высот из лесов и зданий удалены или сильно уменьшены в FABDEM.

Рисунок (воспроизведено из Hawker et al. 2022): Визуальное сравнение различных ЦМР для территории в Нидерландах. CC BY 4.0.

Было также выполнено сравнение с FABDEM с MERIT DEM. Как единственная другая глобальная ЦМР, которая устраняет высоту леса наряду с другими ошибками, MERIT DEM концептуально наиболее близка к FABDEM. Наше сравнение с MERIT выявило меньшие ошибки по сравнению со справочными данными, а пространственные проверки показывают более четкое представление объектов ландшафта в FABDEM.

Рисунок: Визуальное сравнение MERIT DEM, FABDEM и местной DEM на основе LiDAR в Сент-Луисе, США. Источник: Hawker et al. 2022, CC BY 4.0.

Важно отметить, что глобальные ЦММ основаны на наблюдениях, во много раз более грубых, чем исследования LiDAR, поэтому FABDEM не является продуктом, предназначенным для конкуренции с локальными ЦММ на основе LiDAR. Однако, поскольку высококачественные местные ЦММ/ЦМР охватывают менее 1% земного шара, существует острая необходимость в улучшении глобальных цифровых моделей для остального мира.



Машинное обучение в построении ЦМР

Для создания FABDEM использовались методы машинного обучения для оценки высоты растительности и зданий в ЦМР относительно уровня земли, а затем вычли эти оценки из высот ЦМР Коперника.

Двумя ключевыми входными данными для алгоритма машинного обучения были высококачественные справочные данные, представляющие высоты земли и наборы данных предикторов, которые можно было использовать для оценки растительности и высоты зданий:

Справочные данные

В дополнение к глобальным ЦМР/ЦММ во многих местах есть локальные ЦММ с более высоким разрешением, например, на основе LiDAR, выполненные с помощью самолетов. Эти ЦММ LiDAR чрезвычайно точны и могут обеспечивать горизонтальное разрешение порядка сантиметров.

Для удаления растительности и зданий в FABDEM использовались локальные ЦМР из 12 разных стран для обучения алгоритма машинного обучения.

Здесь важно использовать обучающие данные из различных мест, поскольку обучение модели на ограниченных типах ландшафтов будет иметь тенденцию к чрезмерной подгонке и получению результатов, которые менее полезны в других местах.

Данные предиктора

Наборы данных предиктора используются алгоритмом машинного обучения для разработки правил или связей между значениями в наборах данных предиктора и целевым объектом (высотой лесов или зданий).

Поскольку наборы данных предикторов различаются между лесами и зданиями, применялись отдельные модели машинного обучения для каждого из этих случаев. Например, использовались наборы данных «Высота леса» и «Покров полога» в качестве ключевых предикторов для удаления леса.

Однако при рассмотрении вопроса об удалении зданий и других искусственных объектов среди других наборов данных использовались данные застройки (World Settlement Footprint), плотность населения и время в пути до городских центров. Хотя каждый из отдельных наборов данных предиктора не идеален по отдельности, комбинируя различные полезные данные, мы даем алгоритму машинного обучения информацию, необходимую для получения надежных оценок.

Рисунок: Пример предиктора высоты леса. Верхняя панель показывает высоту леса, нижняя панель показывает соответствующий спутниковый снимок. Источник: Автор прилагается.

Подробнее о FABDEM



FABDEM сочетает в себе множество наборов данных, используемых в комбинации, чтобы обеспечить надежное прогнозирование представлений «голой земли» глобальных ландшафтов. Если вы хотите точно предсказать влияние топографических компонентов на изменение или вовлечение крупномасштабных проектов, важно иметь модель, которая отображает уровень земли или «голую землю». Применение улучшенной информации о местности FABDEM позволяет повысить точность моделей наводнений и многих других приложений в области инженерии, картографирования ГИС и геопространственного анализа.

For those interested in the data, you can download the research for free here or you can learn more about Fathom's options for licensing here.

Hawker, L., Uhe, P., Paulo, L., Sosa, J., Savage, J., Sampson, C., & Neal, J. (2022). A 30 m global map of elevation with forests and buildings removed. Environmental Research Letters, 17(2), 024016. DOI: https://doi.org/10.1088/1748-9326/ac4d4f



Для тех, кто интересуется данными, вы можете бесплатно скачать исследование здесь https://www.fathom.global/academic-papers/a-30-m-global-map-of-elevation-with-forests-and-buildings-removed/

или узнать больше о вариантах лицензирования Fathom здесь https://www.fathom.global/product/fabdem/ . Хоукер Л., Уэ., Пауло Л., Соса Дж., Сэвидж Дж., Сэмпсон К. и Нил Дж. (2022). 30-метровая глобальная карта высот с удаленными лесами и зданиями.