基于机器学习的交通相关表面检测：西班牙马德里与维也纳的时间趋势分析

本研究探讨了将机器学习集成到城市航空图像分析中的应用，重点识别面向汽车和行人基础设施的表面，并分析历史趋势。本文强调从卷积网络架构向基于转换器的预训练模型的转变，凸显了其在全球地理空间分析中的潜力。本文提出了一种工作流程，用于自动生成地理数据集，使能够从各种数据源（包括WMS/WMTS链接、矢量化地图及OpenStreetMap（OSM）overpass-turbo请求）创建语义分割数据集。开发的代码允许快速生成数据集，用于训练机器学习模型，无需人工标注。利用来自西班牙马德里和维也纳各自地理部门的航空图像和矢量数据，我们为汽车和行人表面检测分别生成了两个数据集。训练并评估了每个城市的基于转换器模型，结果表明模型在准确率方面表现良好。历史趋势分析涉及将训练好的模型应用于早于矢量数据可用性之前的图像（早10至20年），成功地在不同城市区域识别出基础设施随时间变化的趋势。该技术可为市政政府提供一种低成本获取宝贵数据的手段。