Анализ динамики застройки г. Ереван на основе алгоритмов распознавания и классификации разновременных данных дистанционного зондирования

1. Существующие архивы кадастровой информации и планировочной информации для большинства городов не дают возможность производить оценку динамики застройки с точностью до каждого строения и в основном охватывают период в несколько десятилетий. Разновременные архивы аэрокосмической информации позволяют производить анализ за большой период времени и восстановить историческую хронологию и морфологию городской застройки.
2. В качестве объекта исследования был выбран город Ереван, для которого крупномасштабная актуальная кадастровая информация и планировочная информация сохранилась лишь для постсоветского периода и охватывает лишь последние 25 лет. В данной работе используются космические снимки и архивные аэрофотоснимки во временном промежутке с 1942 по 2024 годы с разным пространственным разрешением, спектральной яркостью, высотой и углом съемки: архивные аэрофотоснимки (1942), космические снимки: Corona (1967, 1971, 1983), OrbView-3 (2005), PlanetScope (2017, 2024), WorldView-3 (2023).
3. Основным инструментом обработки аэрокосмической информации стали нейросетевые алгоритмы распознавания и классификации застройки - модель семантической сегментации с архитектурой DeepLabV3+. На этапе предобработки данных была осуществлена пространственная привязка архивных космических снимков. Для материалов архивной аэрофотосъемки была проведена фотограмметрическая обработка. Стоит отдельно отметить, что имеющая в наличии аэрофотосъемка была произведена с разных высот и под разным углами, вызвав необходимость разделять материалы по пространственного разрешению и поиска дополнительных точек для пространственной привязки. Также стоит отметить, что для аэрофотосъемки на этапе предобработки применялся метод “Super-resolution” для повышения пространственного разрешения, который основан на нейросетевом алгоритме CNN и используется для обучения end-to-end отображения от интерполированных изображений с низким качеством до изображений с высоким качеством [1, 2].
4. В ходе исследования для обучения нейронной сети были сделаны индивидуальные обучающие наборы данных для каждого космического снимка и аэрофотоснимка, выявлены основные признаки распознавания зданий для разных данных ДЗЗ на основе геометрических характеристик, спектральной яркости и пространственного контекста. Далее была обучена модель семантической сегментации с архитектурой DeepLabV3+, сделана аугментация и добавлен специфический шум, выполнена семантическая сегментация и маски сохранены с пространственной привязкой через библиотеку Rasterio, а постобработка включала векторизацию и удаление шума [3].
5. Для классификации зданий был сформирован индивидуальный обучающий набор данных для каждого снимка, так как нейронная есть ориентируется не только на спектральную яркость и геометрические характеристики объектов, но и на пространственный контекст, который характеризуется расположением зданий относительно других зданий, наличием тени около зданий, скученностью зданий малоэтажной застройки, а для каждого снимка свойственен свой набор контекстных признаков. Основные признаки: геометрия (форма, размер), спектральная яркость и контрастность углов и краев зданий относительно фона, пространственный контекст (тени и однородность спектральной яркости крыш зданий).
6. К основным проблемам распознавания застройки относятся 1) различные цветовые и текстурные характеристики крыш зданий на разной высоте, 2) сложная форма зданий, 3) разный фон около здания (тень, почва, растительность, асфальт), 4) перекрытие краев зданий деревьями, 6) тень, 7) шум, 8) разный размер зданий, которые при высокой плотности сливаются [4, 5].
7. На основе полученных векторных масок на каждый временной срез были сделаны карты динамики границ, плотности и типизации застройки и карта возраста зданий г. Ереван. Далее был проведен пространственный и статистический анализ динамики границ, плотности, возраста застройки и смены типов застройки.
8. С 1942 года по 2024 год площадь застроенной территории увеличилась в 5 раз, имея линейный тренд. Плотность застройки уменьшилась с 8 до 2,5 тыс.м2/га за этот период, имея повышение значений до 3,69 в 1983 году за счет увеличения строительства в существующих границах города в тот период. На основе динамики границ и плотности застройки можно выделить тренды на снижение плотности и увеличение площади застройки. Количество зданий увеличилось с 1942 года по 2023 год более, чем в 5 раз, при этом соотношение многоэтажных и малоэтажных зданий изменилось: в 1942 году многоэтажная застройка составляла 11%, в 2023 году - 58%. Площадь малоэтажной застройки также продолжалась увеличиваться, но меньшими темпами, чем многоэтажная за счет строительства на удаленных территориях от центра города. На основе динамики типов застройки можно выделить тренды на увеличение количества многоэтажных зданий за счет разрастания города и ежегодный рост площади смешанной застройки относительно других типов застройки за счет строительства малоэтажных зданий на территориях с многоэтажной застройкой. Многоэтажные здания, построенные с 1942 года сохранились в историческом центре города, в южной и северной части города сохранились два кластера одноэтажной застройки. На основе карты возраста застройки можно выделить, что большинство зданий появилось в чертах города в период с 1942 по 1967 год за счет массового послевоенного строительства и присоединения поселений в границы города.