Paper -- 3D建筑模型生成 -- GABLE: 基于高分辨率卫星影像的全国尺度精细3D建筑模型

在这里插入图片描述

基本信息

论文题目: GABLE: A first fine-grained 3D building model of China on a national scale from very high resolution satellite imagery
中文题目: GABLE: 基于高分辨率卫星影像的全国尺度精细3D建筑模型
作者及单位:
– 多数作者来自中国科学院空间信息研究所，北京，中国
– Xiaoliang Ma 和 Deke Tang 来自合肥的GEOVIS地球科技有限公司和北京的Geovis科技有限公司
投稿时间：2023年9月13日
修改时间：2024年2月10日
接受时间：2024年2月14日
期刊: Remote Sensing of Environment 中国科学院SCI分区 1区

摘要

本文提出了一种全国尺度的精细3D建筑模型 (GABLE)，利用高分辨率卫星影像数据（北京三号）开发，涵盖全国所有城市和乡村地区。
– 模型的创新点在于提供了 12种屋顶分类 ，以及 建筑的精确高度 和 空间多边形表示

首次在全国范围内提供了 建筑的语义精细分类。
引入 深度学习方法 对屋顶分类和建筑高度进行统一优化。
对城市建筑的高度分布、密度和多样性进行了分析

背景

传统的3D建筑模型大多基于粗分辨率影像，分类和高度信息有限
城市化进程快速推进，需要精确的建筑模型来支持 能源规划 和 可持续发展分析

问题

现有产品通常局限于建筑轮廓提取或粗略高度估计，难以支持精细化分析。
数据的时效性较低，无法反映快速发展的城市和乡村建筑变化

本文提出一个基于深度学习的新框架，通过 高分辨率影像 实现建筑语义分类和精细高度估计

方法

总体框架
– 包含两大网络：屋顶提取和高度估计，并通过后处理统一结果。
屋顶提取网络
– 通过级联多任务网络实现建筑轮廓提取和分类优化。
– 引入边界框和矢量化技术，提高复杂场景的提取准确性。
高度估计网络
– 使用深度学习框架将高度连续值离散化为分类问题，提高模型稳定性。
– 融合局部和全局特征，解决遮挡和高密度区域的预测误差。

数据集和评价指标

数据集
- 北京三号影像数据：分辨率为0.5-0.8米，总计覆盖40TB
- 自定义屋顶数据集：包括113,739个建筑实例，涵盖中国50个城市
- 高度数据集：基于立体匹配生成，结合楼层数据标注高度
评价指标
- 屋顶提取：整体准确率（OA），平均精度（AP50）
- 高度估计：平均绝对误差（MAE）、均方根误差（RMSE）、精度阈值（δ）

`北京三号卫星数据满足对建筑物精细特征提取的需求`

在这里插入图片描述

Product（产品）：建筑模型或地理信息产品的名称
Product type（产品类型）：具体包含的建筑信息类型，例如足迹（Footprint）、高度（Height）或屋顶信息（Rooftop）
Extent（覆盖范围）：模型的地理覆盖范围（例如全球、中国等）
Resolution（分辨率）：模型的空间分辨率
Data Source（数据来源）：模型所依赖的数据来源（例如卫星数据、雷达影像）
Year（年份）：数据的时间范围

此表解释了GABLE的创新和优势：

GABLE是首个覆盖全中国的个体级建筑模型，结合了12种屋顶分类、建筑高度和矢量化的轮廓信息。
数据来源最新（2023年），分辨率达到个体级别，超越了现有大多数产品

`12种预定义屋顶类型的示例`

在这里插入图片描述
该图表示作者将分类的12种屋顶类型有哪些

图像中分为12个子图，每个子图代表一种屋顶类型，包括：

Flat roof（平屋顶）：建筑顶部为平面设计的屋顶
Gable roof（双坡屋顶）：典型的三角形斜面屋顶
Gambrel roof（折坡屋顶）：带有两段不同坡度的斜屋顶
Row roof（排式屋顶）：由连续多段平行屋顶构成的建筑
Multiple eave roof（多檐屋顶）：具有多个层次檐口的复杂屋顶结构
Hipped roof v1/v2（单坡/多坡屋顶）：具有单一或多面坡度的屋顶
Mansard roof（曼萨尔屋顶）：顶部平坦且四面倾斜的屋顶
Pyramid roof（金字塔屋顶）：四面向上汇聚呈金字塔形的屋顶
Arched roof（拱形屋顶）：顶部呈弧形设计
Revolved roof（旋转屋顶）：具有旋转或不规则曲面的屋顶
Other（其他）：不属于上述类别的其他复杂形状

`自定义屋顶数据集的样本分布情况`

在这里插入图片描述

黄色填充区域：
- 表示北京三号卫星影像覆盖的区域，涵盖了中国大陆的大部分区域，包括东部、中部和部分西部地区。
- 表明北京三号影像 具有全国性的覆盖能力，是本文GABLE模型的主要数据来源。
棕色实心圆：
- 表示定制屋顶数据集中各个样本点的地理分布。
- 圆的半径大小与该区域的样本数量成正比，样本密集的区域圆形更大。
- 样本主要分布在中国东部和中部经济发达地区（如京津冀、长三角、珠三角），反映了这些地区建筑类型和屋顶样本的多样性。

`其他数据展示`

在这里插入图片描述
↑ 北京三号影像 能够清晰展示屋顶结构、建筑阴影和周围环境，便于进行更精确的建筑分类和建模

在这里插入图片描述
↑ 建筑风格和城市规划对比：
中国：注重高密度的城市住宅区开发，以充分利用土地资源
德国：强调街区式布局和紧凑的城市设计，有助于提高步行可达性
美国：典型的低密度郊区住宅，适应汽车为主的出行模式

在这里插入图片描述
↑ 通过这四个城市的样本，直观地呈现了中国不同地理环境下建筑分布和屋顶形态的差异:
上海（沿海城市）
合肥（内陆城市）
武汉（河流城市）
重庆（山区城市）

在这里插入图片描述
↑ 这些样本反映了不同功能区域的建筑形态和分布特征，为模型在多功能场景下的适用性提供了支持
住宅区: 建筑密集且布局较为整齐, 屋顶类型以平屋顶和坡屋顶为主
工业区: 工业区的建筑物体量较大, 显示了明显的厂房结构以及用于存储的宽大屋顶
商业区: 建筑密集且多为高层建筑，屋顶结构复杂
农村地区: 农村地区的建筑较为分散，屋顶类型多样化，周围有大量的植被覆盖

其他数据集样本的优势展示就略掉了…

`方法框架`

在这里插入图片描述

输入数据：
左侧显示了数据来源：
- WSF 2019（世界建筑足迹数据集）：提供建筑分布的基本信息。
- Beijing-3 data（北京三号影像数据）：提供高分辨率影像，支持精细化建筑提取。
- Areas of Interest (AOI)：从中国50个城市中选择感兴趣区域，进行手动标注和样本选择。
处理模块：
中间部分包括两个主要的功能模块：
- 屋顶提取与分类（Rooftop Extraction and Classification）：
  – 使用UBCv2数据集进行模型预训练
  – 微调模型以生成细分类别的屋顶数据
- 建筑高度估计（Building Height Estimation）：
  – 基于DFC 2023数据集预训练模型
  – 微调后生成建筑高度信息
输出数据：
右侧展示了输出结果：
- 细分类别的屋顶信息 + 建筑高度数据
- 两者结合经过后处理生成精细化的三维建筑模型