🔴 رصد لحظه‌ای رشد شهرها به کمک مدل جدید گوگل: Open Buildings 2.5D


مدل Open Buildings 2.5D Temporal Dataset که توسط تیم تحقیقاتی گوگل توسعه یافته، ابزاری پیشرفته برای رصد تغییرات شهری در مقیاس جهانی است. این مدل با استفاده از تصاویر ماهواره‌ای Sentinel-2 (با وضوح ۱۰ متری) و بهره‌گیری از ۳۲ فریم زمانی از هر منطقه، قادر است حضور ساختمان‌ها، تعداد تقریبی و ارتفاع آنها را در بازه سالانه ۲۰۱۶ تا ۲۰۲۳ با دقت بالا شناسایی کند. پوشش جغرافیایی این ابزار شامل ۵۸ میلیون کیلومتر مربع از مناطق آفریقا، آسیای جنوبی و جنوب شرقی، آمریکای لاتین و کارائیب است.


🔷 چرا این مدل برای بازار املاک و توسعه شهری مهم است؟
۱. ارتفاع ساختمان‌ها: شاخصی کلیدی برای رشد اقتصادی
ارتفاع ساختمان‌ها نه تنها به زیبایی‌شناسی شهر مرتبط است، بلکه نشانگر تراکم جمعیت، پتانسیل سرمایه‌گذاری و روند توسعه شهری است. این مدل با تخمین ارتفاع ساختمان‌ها (با میانگین خطای ۱.۵ متر) امکان پیش‌بینی نیاز به زیرساخت‌هایی مانند آب، برق و حمل‌ونقل را فراهم می‌کند.

مثال: افزایش ناگهانی ساختمان‌های بلندمرتبه در حاشیه شهرها می‌تواند هشداردهنده رشد نامتوازن یا نیاز به برنامه‌ریزی فوری باشد.

۲. ردیابی تغییرات زمانی
این ابزار با ارائه داده‌های سالانه، امکان مقایسه الگوی گسترش شهری را در بازه‌های ۸ ساله فراهم می‌کند. برای نمونه، در منطقه کوماسی غنا، رشد سریع ساختمان‌ها در حاشیه شهر به‌وضوح در انیمیشن‌های تعاملی دیده می‌شود.

۳. کاربرد در مدیریت بحران
پس از فجایعی مانند زلزله سولاوسی اندونزی (۲۰۱۸)، کاهش ناگهانی ساختمان‌ها در مناطق ساحلی در داده‌ها قابل رصد است. این اطلاعات برای تخمین خسارات و برنامه‌ریزی بازسازی حیاتی است.


🔷فناوری پشت این مدل چگونه کار می‌کند؟
معماری دانشجو-معلم (Teacher-Student Model):
- مدل معلم بر اساس تصاویر با وضوح بالا (۵۰ سانتیمتر) آموزش داده می‌شود تا اشکال ساختمان‌ها را تشخیص دهد.
مدل دانشجو از تصاویر کم‌وضوح Sentinel-2 استفاده می‌کند و با تقلید از خروجی مدل معلم، ساختمان‌ها را در وضوح مؤثر ۴ متری شناسایی می‌کند.
پردازش ابری با TPU:
حجم عظیم داده‌ها (۸ سال × ۵۸ میلیون کیلومتر مربع) با استفاده از پردازنده‌های تنسور (TPU) گوگل پردازش شده‌اند.

🔷 محدودیت‌ها و چالش‌ها

اثرات ابری: در مناطق پرابری مانند گینه استوایی، نبود تصاویر بدون ابر منجر به کاهش دقت می‌شود.
خطاهای تشخیص: اشیایی مانند پنل‌های خورشیدی یا سازه‌های کشاورزی ممکن است به‌اشتباه به عنوان ساختمان شناسایی شوند.
فرمت رستری: برخلاف نسخه پیشین (Open Buildings V3) که داده‌ها را به صورت پلیگون ارائه می‌داد، این مدل خروجی رستری دارد که برای برخی تحلیل‌ها نیاز به پردازش بیشتر است.

🔷 لینک‌های کلیدی برای مطالعه بیشتر
۱. صفحه رسمی پروژه:
[Open Buildings 2.5D Temporal Dataset](http://sites.research.google/gr/open-buildings/temporal/)
- شامل جزئیات فنی، روش دانلود داده‌ها و ابزار تعاملی Earth Explorer.

۲. وبلاگ تحقیقاتی گوگل:
[Tracking Building Changes Across the Global South](https://research.google/blog/open-buildings-25d-temporal-dataset-tracks-building-changes-across-the-global-south/)
- بررسی موردی رشد شهر کوماسی و تاثیر زلزله سولاوسی.

۳. دموی تعاملی در Earth Engine:
[Google Earth Engine Dataset Explorer](https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_Research_open-buildings-temporal_v1)
امکان مقایسه تغییرات ساختمان‌ها بین سال‌های مختلف.

۴. مطالعه موردی در اوگاندا:
[همکاری Sunbird AI با گوگل](https://blog.google/products/maps/google-open-buildings-dataset/)
- استفاده از داده‌ها برای اولویت‌بندی پروژه‌های برقرسانی روستایی.

✅ جمع‌بندی
Open Buildings 2.5D تنها یک ابزار نقشه‌برداری نیست، بلکه پنجره‌ای به تحولات شهری پویا است. با ترکیب هوش مصنوعی و تصاویر ماهواره‌ای آزاد، این پروژه داده‌هایی را در اختیار می‌گذارد که پیش از این تنها برای کشورهای توسعه‌یافته قابل دسترس بود. برای فعالان بازار املاک، برنامه‌ریزان شهری و سازمان‌های بشردوستانه، این داده‌ها می‌تواند به تصمیم‌گیری مبتنی بر شواهد و سرمایه‌گذاری هوشمندانه تبدیل شود.



🆔 @GITAnet|باشگاه فناوران اطلاعات مکانی