科研动态 | 极地遥感团队在北极单体建筑制图研究中取得进展
近日,中山大学遥感科学与技术学院极地与海洋遥感团队在《Big Earth Data》发表研究成果,构建了全北极建筑足迹图集(Pan-Arctic Building Footprint Atlas v1)。图集面向北纬60°以北陆地,记录已识别建筑的位置、轮廓与占地面积,并关联可获取的高度、近似年龄和用途信息。数据已在 Zenodo 开放下载。
从北欧城镇的密集街区,到沿海村落和工矿区的零散建筑,北极各地的建筑分布差异很大。建设用地地图可以勾勒聚落和设施的范围,但其中有多少栋建筑、各自占地多大,仅凭用地范围无法得知。现有全球和区域建筑数据各有侧重,在北极的覆盖也不一致;积雪、云层和低太阳高度角则给遥感识别增加了难度。要比较各地的建筑数量、大小和用途,需要在整个环北极采用一致的制图口径,并把记录细化到单栋建筑。

图1 北极建筑数量与平均高度。按10 × 10千米网格汇总,平均高度仅计入有效记录。改编自论文图6a、c。
图集共记录约1500万栋建筑,总占地约2000平方千米。北欧、俄罗斯西部、阿拉斯加南部和冰岛的建筑相对密集,越往北,分布总体越稀疏。建筑数量与占地面积也不总是同步:紧凑的城镇街区可以容纳许多小体量建筑,一些工业设施虽为数不多,单栋厂房的占地却较大。
多源建筑数据如何整合
同一座建筑可能出现在两套数据里,轮廓却不完全一致;有的建筑则只被其中一套记录。制作统一图集,需要先识别重复的建筑,再用其他来源补上遗漏。
研究选用 OpenBuildingMap(OBM)、GlobalBuildingAtlas(GBA)和 HABITAT 三套建筑数据,以12个典型样区的人工标注为参照比较几何精度,并评估各产品在环北极的空间覆盖。融合时,重叠轮廓按来源优先级取舍,其他来源中不重叠的轮廓用于补充。团队随后在5个独立区域用当地参考数据检验了融合结果。

图2 阿拉斯加 Knik–Fairview 局部示例。紫色和橙色分别表示融合后保留的 OBM 与 GBA 轮廓。改编自论文图5e;底图:Esri World Imagery。
以阿拉斯加 Knik–Fairview 为例,图2中来自 OBM 和 GBA 的建筑轮廓各自在不同地段成片出现。两套数据在环北极尺度的总体覆盖相近,但在这一带,GBA 仍补上了 OBM 未覆盖的一些建筑。
单栋建筑的属性信息
在统一轮廓的基础上,研究进一步为单栋建筑关联属性。高度主要来自 GBA,缺失时由全球建筑高度图补充;用途信息取自 OBM。团队还利用遥感记录中不透水地表出现的年份,估算建筑相对于2021年的近似楼龄。这一估计反映地表开发的大致时间,不能当作建筑竣工年份。

图3 安克雷奇同一街区的建筑高度、用途和近似年龄。依据开放图集绘制;灰色表示相应属性缺失或未知。
将同一片街区分别按高度、用途和近似楼龄着色,可以看到仅凭轮廓难以判断的差别。比如,安克雷奇的紧凑街区内有住宅、商业建筑和公共设施,普鲁德霍湾的油田建筑则多为分散的低层工业设施。图集中约九成建筑有有效高度记录,近似年龄和用途的覆盖相对有限。图集保留数据来源和缺失标记,便于按实际可用的记录开展统计。
图集在冻土退化研究中的应用
多年冰冻土融化可能引起地面沉降。为了解哪些现有建筑可能位于需要进一步调查的地带,团队将图集与已发表的冻土融化相关灾害风险图叠加。在2061—2080年,按各情景中能够判定灾害类别的建筑占地面积计算,位于高灾害风险区的比例在 RCP2.6 情景下约为40%,在 RCP8.5 情景下约为51%。

图4 三种温室气体浓度路径、两个未来时段下,高灾害风险区内的建筑占地面积比例。分母为各情景中具有有效灾害分类的现有建筑占地面积。依据 Hjort 等(2018)的灾害风险图层及论文图8c的统计结果绘制。
需要说明的是,上述比例反映的是现有建筑与高灾害风险区的空间重叠,不是建筑损毁率。规划和管理部门可借此圈定需要优先调查的地带,再区分其中的住宅、公共设施和生产设施。是否需要监测、加固或调整维护计划,仍要结合地基条件、工程资料和当地社区需求判断。开放图集也为跨地区建筑存量调查和基础设施长期规划提供了可重复使用的基础数据。
发表信息与数据下载
中山大学遥感科学与技术学院硕士生赵诗萌为论文第一作者,刘冲副教授为通讯作者。论文合作者包括程晓教授、北卡罗来纳大学教堂山分校地理与环境系张琦博士、清华大学深圳国际研究生院李唯嘉副教授和中山大学地理科学与规划学院何达副教授。
研究得到国家重点研发计划、国家自然科学基金和教育部学科突破先导项目资助。
论文:Zhao, S., et al. (2026). Harnessing multi-source geospatial big data to construct a pan-Arctic building footprint atlas: integrating geometric, morphological, temporal, and functional attributes. Big Earth Data.
论文原文:https://doi.org/10.1080/20964471.2026.2759385
开放数据下载(Zenodo):https://doi.org/10.5281/zenodo.20796872
