FABDEM: Цифровая модель поверхности «голой земли» с разрешением 30 метров от Fathom

Земля под нашими ногами: воплощение в жизнь картографирования поверхности «голой земли» с помощью FABDEM

Компания по моделированию наводнений из Бристоля Fathom объединила усилия с Университетом Бристоля FloodLab для запуска FABDEM. Это первая глобальная цифровая модель рельефа (ЦМР) с разрешением 30 метров, в которой не учитываются высоты лесов и зданий.

Изначально разработанные для создания более точного и подробного набора данных для моделирования наводнений, оползней и анализа местоположения, применение FABDEM в ГИС оказывается гораздо шире, чем на первый взгляд. От планирования линейных объектов, таких как транспортные маршруты, телекоммуникационная и энергетическая инфраструктура в районах с недостатком данных, до проектов в лесном и сельском хозяйстве и создания искусственных сред для моделирования полетов и игр – потенциальное применение FABDEM распространяется на множество отраслей.

По сути, FABDEM предоставляет инженерам и специалистам по ГИС возможность отображать и дистанционно моделировать любой проект. Используя FABDEM, инженеры могут проводить первоначальные дистанционные исследования территории и осуществлять выбор участка. Предоставление надежного источника данных до проведения осмотра местности устраняет необходимость многократных посещений объектов на начальных этапах крупномасштабных проектов, обеспечивая значительную экономию как времени, так и стоимости.

Цифровые модели рельефа (ЦМР): руководство пользователя

В своей простейшей форме цифровые модели рельефа отображают высоты топографической поверхности над выбранной базовой поверхностью, чаще всего на регулярной сетке. В свободном доступе имеются глобальные ЦМР, основанные на спутниковых измерениях, с разрешением в плане до 1 угловой секунды (приблизительно 30 м).

Проблема заключается в том, что глобальные ЦМР подвержены большим ошибкам, т.к. часто включают высоты объектов над рельефом Земли (например, растительность или здания). Но для многих применений требуются высоты «голой земли», представляющие высоту земли под растительностью и зданиями.

В 2020 году была выпущена бесплатная и доступная во всем мире ЦМР Copernicus GLO-30. Она имеет с разрешение 30 метров и сформирована на основе более свежих и точных измерений по сравнению с предыдущими глобальными ЦМР.

В Fathom и Университете Бристоля использовали эта модель была принята в качестве «золотого стандарта» для создания эффективной ЦМР, с которой были удалены растительность и здания для точного представления рельефа на уровне земли. FABDEM (FAB обозначает, что с модели удалены леса и здания) была разработана как версия ЦМР Copernicus с «голой землей».

Сравнение FABDEM с другими цифровыми моделями рельефа

Важным элементом опубликованной статьи, описывающей FABDEM, была ее валидация на основе лидаров и сравнение с другими глобальными ЦМР. Сначала набор данных сравнили с ЦМР Copernicus, чтобы показать, что в FABDEM удалены или сильно уменьшены артефакты высот рельефа для лесов и зданий.
Рисунок (Hawker et al. 2022): Визуальное сравнение между различными DEMS для участка в Нидерландах. CC BY 4.0.
Также было проведено сравнение с MERIT DEM. Как единственная, помимо представленной, глобальная ЦМР, которая удаляет высоты лесов наряду с другими ошибками, ЦМР MERIT концептуально ближе всего к FABDEM. Наше сравнение с MERIT показало меньшие ошибки по сравнению с эталонными данными, а пространственные проверки показывают более четкое представление объектов ландшафта в FABDEM.
Рисунок: визуальное сравнение между MERIT DEM, FABDEM и локальной ЦМР на базе лидарной съемки в Сент-Луисе, США. Источник: Hawker et al. 2022, CC BY 4.0.
Важно отметить, что современные глобальные ЦМР основаны на съемке, во много раз более грубой, чем лидарная, поэтому FABDEM не является конкурентом для локальных ЦМР на основе лидарной съемки. Однако, поскольку высококачественные локальные ЦМР охватывают менее 1% земного шара, существует острая необходимость в улучшении глобальных ЦМР для остального мира.

Машинное обучение в построении ЦМР

При создании FABDEM использовались методы машинного обучения для оценки высот растительности и зданий на ЦМР относительно уровня земли, а затем эти оценки были вычтены из высот Copernicus DEM.

Двумя ключевыми входными данными для алгоритма машинного обучения были высококачественные справочные данные, представляющие высоты местности, и наборы данных для прогнозирования, которые можно использовать для оценки высоты растительности и зданий.

Справочные данные

В дополнение к глобальным ЦМР, на многие территории есть локальные ЦМР с более высоким разрешением, например, созданные с помощью лидарной съемки с самолета. Эти ЦМР чрезвычайно точны и могут обеспечивать разрешение в плане порядка нескольких сантиметров.

В алгоритме машинного обучения для удаления растительности и зданий в FABDEM использовались локальные ЦМР из 12 разных стран. Важно было использовать данные из разных мест, т.к. обучение модели на ограниченных типах ландшафтов имеет тенденцию к избыточному обучению и получению результатов, которые менее применимы для других территорий.

Прогнозные данные

Наборы данных с предикторами используются алгоритмом машинного обучения для разработки правил или связей между значениями в наборах данных и целевыми значениями (высотами лесов или зданий).

Поскольку наборы данных для прогнозирования различаются в зависимости от лесов и зданий, были применены отдельные модели машинного обучения для каждого из этих случаев. Например, использовались наборы данных о высоте леса и полога в качестве ключевых показателей для удаления леса.

Однако при рассмотрении удаления городов среди других наборов данных использовались площади застройки (мировые площади поселений), плотность населения и время в пути до городских центров.

Хотя каждый из отдельных наборов данных предикторов по отдельности не идеален, с помощью комбинации различных полезных данных алгоритму машинного обучения была предоставлена информация, необходимая для получения надежных оценок.
Рисунок: пример предиктора высоты леса. Сверху показана высота леса, снизу – соответствующее спутниковое изображение. Источник: предоставлен авторами (Dr Peter Uhe, Senior Developer, Fathom, Dr Laurence Hawker, Senior Research Associate, University of Bristol)
Подробнее о FABDEM

FABDEM объединяет множество наборов данных, используемых в сочетании для обеспечении надежного прогнозирования представления «голой земли» глобальных ландшафтов. Если вы хотите точно спрогнозировать влияние топографических компонентов на изменение или реализацию крупномасштабных проектов, важно иметь модель, которая отображает именно уровень земли. Применение улучшенной информации о поверхности земли FABDEM позволяет повысить точность моделей наводнений и многого другого в области проектирования, картографии и геопространственного анализа.

Для тех, кто интересуется данными, вы можете бесплатно загрузить исследование или узнать больше о возможностях лицензирования Fathom.
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
30 июня / 2022