世界

都市のフットプリントマッピングツールのグローバルテスト

この実験の操作のフローチャート。 米国GA、2025年6月17日 / inpresswire.com/-都市の成長が持続可能な都市先物の形成に不可欠であることを理解することは、都市の拡大の真の範囲をマッピングすることは恐ろしい技術的なハードルのままです。都市のフットプリントを抽出するためのさまざまな機械学習と深い学習アルゴリズムのパフォーマンスを評価することにより、新しいグローバルな研究がこの課題を引き受けます（uf）高解像度の衛星画像から。 8つの多様な都市を分析すると、この調査では、従来の分類方法は迅速かつアクセスしやすいものの、複雑な都市の環境で揺れ動くことが明らかになりました。対照的に、セグメントAnything Model（SAM）のような深い学習と高度な事前訓練モデルは、より高い計算コストがありますが、より高い精度を提供します。この比較分析は、各都市景観の一意の構造に一致する適切なアルゴリズムを選択するための重要なガイドを提供します。 都市部がより密度が高く、より複雑になるにつれて、土地利用監視のための伝統的なツールが限界に達しています。都市のフットプリントの概念は、具体的な構造だけでなく、より小さな緑地と都市の居住性と環境の質を反映した半自然な特徴を含めるように進化しました。しかし、既存の抽出手法は、背の高い建物からの影、自然環境と構築された環境の間のスペクトルの類似性、不規則な開発パターンなどの課題としばしば苦労しています。 UF定義に統一された基準がないことは、写真をさらに複雑にし、都市研究の比較可能性を制限します。これらの問題を考えると、UFがどのように検出されるかを再評価する緊急の必要性があります。特に、さまざまな進化する都市の形で。 2025年3月にジャーナルオブジオグラフィカルサイエンスで発表された研究で、アバディーン大学の研究者は、いくつかの主要なUF抽出アルゴリズムをテストにしました。 Planetscopeの高解像度衛星画像を利用して、彼らは世界中の8つの都市でパフォーマンスを評価しました。これは、コンパクトな歴史的なハブから非公式の集落の急速に拡大するまでです。チームは、従来のピクセルベースとオブジェクトベースの分類方法、2つの深い学習モデル、および新しいセグメントAnyment Anything（SAM）モデルを調査しました。彼らの目的は、各アプローチが、さまざまな都市コンテキストにおける精度、スケーラビリティ、および運用効率の間のトレードオフをどれだけ処理するかを測定することでした。 結果は、都市の形とアルゴリズムのデザインによって形作られた微妙なパフォーマンスランドスケープを示しました。 K-Meansやサポートベクターマシン（SVM）などのピクセルベースの方法は、シンプルで明確に定義された境界を持つ都市で適切に機能しましたが、高層ビルや統合されたグリーンインフラストラクチャを持つ地域でつまずきました。オブジェクトベースの方法は、テクスチャ分析によりセグメンテーションを改善しましたが、分類器の選択に敏感であり、ランダムフォレストとSVMは他の人を一貫性のないパフォーマンスにしました。深い学習モデル - 特にU-Netとdeeplabv3は、ほとんどの場合、90％を超える全体的な精度が最も高くなりました。 u-netはきめ細かい都市の詳細を撮影することに優れていましたが、Deeplabv3は大規模で騒々しい都市部でよりスムーズなセグメンテーションを提供しました。しかし、どちらも広範なトレーニングと計算力を要求しました。一方、SAMモデルは、効率的でユーザーフレンドリーな代替、従来の方法よりも優れた、中程度の複雑さを持つ都市の深い学習の精度を提供しました。しかし、サムのパフォーマンスは、断片化または不規則な都市環境で低下しました。これらの調査結果は、特定の都市のシナリオに合わせたアルゴリズム選択の必要性を強調し、伝統的なテクニックとモダンなテクニックを融合させるハイブリッドアプローチの約束を強調しています。 「都市の形態は、都市によって大きく異なるため、単一のモデルがすべてに適合することはありません」と、研究の主著者であり、リモートセンシングと都市地理の博士課程候補であるBaoling GUIは述べました。 「私たちの調査結果は、アルゴリズムのパフォーマンスが都市のレイアウト、密度、緑地の統合などの要因にかかっていることを示しています。深い学習モデルは例外的な精度を提供しますが、それらはコストがかかります。SAMは、使いやすさと精度の間の実用的なバランスを提供します。 この研究の意味は、アカデミックベンチマークをはるかに超えています。市の計画者、政策立案者、および地理空間アナリストは、これらの洞察を使用して、都市の成長を追跡し、環境変化を管理するためのよりスマートで応答性の高い監視システムを構築できます。世界の都市が持続可能性、回復力、気候適応の課題をナビゲートするにつれて、正確で効率的なUFマッピングが基礎ツールになります。さらに、オブジェクトベースの方法を深い学習フレームワークに統合すると、次世代のハイブリッドモデルへの扉が開かれる可能性があります。これは、多様な都市環境全体で高性能と実用的な柔軟性の両方を提供するものです。 参照doi10.1007/s11442-025-2339-y 元のソースURLhttps://doi.org/10.1007/S11442-025-2339-yルーシー・ワンBiodeSign研究ここからメールしてください 法的免責事項： あなたはちょうど読んだ： によって提供されたニュース 2025年6月17日、06：21GMT Ein Presswireの優先事項は著者の透明性です。私たちは、虚偽の誤解を招くコンテンツを排除するために最善を尽くします。上記のコンテンツは、それを利用できるようにする著者の唯一の責任です。苦情がある場合は、上記の著者にご連絡ください。 #都市のフットプリントマッピングツールのグローバルテスト