นักวิจัยสร้าง “GlobalBuildingAtlas” ฐานข้อมูลอาคาร 3 มิติทั่วโลก ช่วยวางผังเมือง รับมือโลกร้อน และลดความเหลื่อมล้ำ

นักวิจัยจาก Technical University of Munich (TUM) ประเทศเยอรมนี ตีพิมพ์ผลงานในวารสาร Earth System Science Data เมื่อต้นเดือนธันวาคมที่ผ่านมา เปิดตัว “GlobalBuildingAtlas” ฐานข้อมูลแผนที่อาคาร 3 มิติที่ครอบคลุมที่สุดเท่าที่เคยมีมา โดยบันทึกตำแหน่ง รูปร่าง และความสูงของอาคารกว่า 2.75 พันล้านหลังทั่วโลก ซึ่งสะท้อนสภาพความเป็นอยู่ ความหนาแน่นประชากร และโครงสร้างพื้นฐานได้แม่นยำกว่าเดิม ถือเป็นก้าวสำคัญของการใช้วิทยาการข้อมูล (Data Science) และปัญญาประดิษฐ์ (AI) เพื่อทำความเข้าใจการตั้งถิ่นฐานของมนุษย์ในระดับโลก 

การสร้าง GlobalBuildingAtlas ไม่ได้เกิดจากการสำรวจภาคสนามหรือการวัดอาคารทีละหลัง แต่เป็นผลลัพธ์ของการผสานข้อมูลดาวเทียม ปัญญาประดิษฐ์ และฐานข้อมูลเปิดจากทั่วโลกเข้าด้วยกัน นักวิจัยออกแบบกระบวนการพัฒนาเป็นหลายขั้นตอน เพื่อให้ได้ข้อมูลที่ครบถ้วน แม่นยำ และใช้ได้จริงในระดับโลก

นักวิจัยเริ่มจากการใช้ภาพถ่ายจากดาวเทียม PlanetScope ซึ่งให้ภาพพื้นผิวโลกความละเอียดประมาณ 3 เมตร และมีการถ่ายซ้ำพื้นที่เดิมบ่อย ทำให้สามารถเลือกภาพที่ชัดที่สุด ลดปัญหาเมฆหรือสภาพอากาศรบกวน ข้อมูลภาพเหล่านี้ถูกจัดการเป็นตารางครอบคลุมพื้นที่เมืองทั่วโลก นักวิจัยเลือกใช้เฉพาะข้อมูลจากดาวเทียมเชิงแสง เพื่อให้กระบวนการนี้สามารถทำซ้ำและขยายผลได้ในประเทศที่ขาดทรัพยากรด้านการสำรวจขั้นสูง

เมื่อได้ภาพดาวเทียมแล้ว นักวิจัยใช้โมเดลปัญญาประดิษฐ์แบบ deep learning ซึ่งมีโครงข่ายประสาทเทียม (Deep Neural Networks) ในการเรียนรู้ ฝึกให้รู้จักลักษณะของอาคารจากตัวอย่างเมืองจำนวนมากทั่วโลก ระบบจะเรียนรู้ว่าบริเวณใดคืออาคาร และวาดขอบเขตของอาคารแต่ละหลังออกมาเป็นรูปหลายเหลี่ยม (polygon) ขั้นตอนนี้ไม่ได้พึ่งพาข้อมูลแค่แหล่งเดียว แต่ผสานข้อมูลจากหลายฐานข้อมูลเปิด เช่น OpenStreetMap, Google Open Buildings และ Microsoft Building Footprints จากนั้นใช้วิธีประเมินคุณภาพเพื่อเลือกผลลัพธ์ที่ดีที่สุดจากแต่ละแหล่ง และเติมช่องว่างในพื้นที่ที่ยังไม่มีข้อมูล ทำให้ได้ฐานข้อมูลขอบเขตอาคารที่ครอบคลุมกว่า 2.75 พันล้านหลัง มากกว่าฐานข้อมูลเดิมราว 1 พันล้านหลัง

หลังจากนั้น ฝึก AI ให้คาดคะเนความสูงของอาคารจากภาพถ่ายดาวเทียมเพียงมุมเดียว โดยใช้ข้อมูลอาคารที่เคยมีการวัดจริง (เช่น LiDAR ในบางประเทศ) เป็นตัวอย่างในการสอนระบบ แม้จะไม่มีข้อมูลภาคพื้นดินในหลายภูมิภาค AI ก็สามารถเรียนรู้รูปแบบของเงา รูปร่าง และบริบทแวดล้อม เพื่อประมาณความสูงอาคารได้ในระดับที่ยอมรับได้ ความละเอียดของข้อมูลความสูงอยู่ที่ 3×3 เมตร ซึ่งละเอียดกว่าฐานข้อมูลโลกก่อนหน้าหลายสิบเท่า

เมื่อได้ทั้งขอบเขตและความสูง นักวิจัยนำข้อมูลมารวมกันเป็น แบบจำลองอาคาร 3 มิติ (LoD1) ซึ่งเป็นโมเดลที่แสดงรูปทรงพื้นฐานและความสูงของอาคารแต่ละหลัง ครอบคลุมอาคารกว่า 97% ของข้อมูลทั้งหมด จากโมเดลนี้ นักวิจัยสามารถคำนวณปริมาตรอาคาร และสร้างแผนที่แสดงความหนาแน่นของเมืองในเชิงสามมิติได้เป็นครั้งแรกในระดับโลก

การวิเคราะห์เบื้องต้นเผยให้เห็นความแตกต่างอย่างมากระหว่างภูมิภาค เช่น แอฟริกามีจำนวนอาคารสูง แต่มีปริมาตรอาคารรวมต่ำ สะท้อนการกระจายของอาคารขนาดเล็กหรือที่อยู่อาศัยไม่เป็นทางการ ขณะที่ยุโรปและอเมริกาเหนือมีอาคารน้อยกว่าแต่มีปริมาตรสูงกว่า แผนที่ลักษณะนี้จึงช่วยให้การกำหนดนโยบายและการจัดสรรทรัพยากรตั้งอยู่บนข้อมูลที่เป็นธรรมและรอบด้านมากขึ้น 

อย่างไรก็ตาม นักวิจัยยอมรับว่ายังมีข้อจำกัด เช่น ความแม่นยำของข้อมูลในบางภูมิภาค โดยเฉพาะพื้นที่ที่ขาดข้อมูลภาคพื้นดินสำหรับฝึก AI และการประเมินความสูงอาคารสูงมากอาจต่ำกว่าความเป็นจริง แต่ทีมวิจัยระบุว่านี่คือฐานข้อมูล 3 มิติของอาคารที่ครบถ้วนและแม่นยำที่สุดในปัจจุบัน และสามารถพัฒนาเพิ่มเติมได้ในอนาคต

GlobalBuildingAtlas ถูกเผยแพร่ในรูปแบบ open data เพื่อให้นักวิจัย นักวางผังเมือง และหน่วยงานรัฐทั่วโลกนำไปใช้ต่อยอด ตั้งแต่การวางผังเมือง การประเมินความต้องการโรงพยาบาลและโรงเรียน การเตรียมรับมือภัยพิบัติ ไปจนถึงการติดตามเป้าหมายการพัฒนาที่ยั่งยืนของสหประชาชาติ (SDG 11: เมืองและชุมชนที่ยั่งยืน) นักวิจัยเสนอแนวคิดตัวชี้วัดใหม่อย่างปริมาตรอาคารต่อหัวประชากร เพื่อใช้สะท้อนความเหลื่อมล้ำด้านที่อยู่อาศัยและโครงสร้างพื้นฐานในแต่ละประเทศได้ชัดเจนยิ่งขึ้น และย้ำว่านี่ไม่ใช่จุดสิ้นสุด แต่เป็นฐานรากสำหรับการพัฒนาเมืองอย่างมีข้อมูลรองรับในอนาคต 

สามารถดูแผนที่โลก 3 มิติได้ที่ GlobalBuildingAtlas 
 

อ้างอิง

Zhu, X. X., Chen, S., Zhang, F., Shi, Y., & Wang, Y. (2025). GlobalBuildingAtlas: An open global and complete dataset of building polygons, heights and LoD1 3D models. Earth System Science Data, 17, 6647–6668. https://doi.org/10.5194/essd-17-6647-2025
Nield, D. (2025, December 14). Biggest global map of its kind captures 2.75 billion buildings in 3D. ScienceAlert. https://www.sciencealert.com/biggest-global-map-of-its-kind-captures-2-75-billion-buildings-in-3d ScienceAlert