美国校车仓库数据集

核心观点： 该研报介绍了创建美国首个学校巴士停车场位置数据集的方法。由于缺乏关于学校巴士存放地点的公共信息，该数据集的创建有助于分析校车停靠站在服务不足区域的位置程度，并为提高服务不足地区的空气质量、公平性和公众健康提供证据基础。此外，该数据集还可用于电力电网规划和韧性建设，帮助公用事业公司评估未来电动校车的电力需求，并识别可作为韧性中心的停车场。

关键数据：

• 美国有约五十万辆校车，但几乎没有关于它们存放地点的公共信息。
• 数据集包含全美48个州及华盛顿特区共计11,309个仓库点，其中51%（5,730个仓库）位于学校附近，定义为距离最近的学校不超过350米。
• 通过与包含506个仓库的独立参考数据集进行比较，评估数据集的准确性，遗漏错误率为15.2%（77个仓库）。

研究方法：

1. 识别可能的总线： 使用Google Earth Engine的基于图像分类方法，分析NAIP影像以根据车辆的颜色和大小定位单个校车。
2. 验证总线： 使用基于对象的图像分析，删除明显不是校车的对象。
3. 确定可能的仓库： 通过空间聚类分析，识别校车车队集群作为潜在的仓库。
4. 验证仓库： 使用NAIP图像的视觉解释和Esri航空基地图验证校车仓库。

研究结论：

• 该数据集代表了仅有的几个使用亚米到一米分辨率的数据进行大陆尺度应用的对象检测的遥感项目之一。
• 研究结果表明，学校校车仓库总数与总人口和总校车数量之间存在很强的相关性。
• 遗漏错误率为15.2%，表明了较高的检测率，并证实了方法的可靠性。
• 该遥感分析方法可以应用于需要使用极高分辨率遥感数据进行物体检测的类似任务。
• 数据集的局限性包括遗漏错误和缺失的州与领土信息，以及可能遗漏的部分封闭式仓库。

数据集应用：

• 分析校车停靠站在服务不足区域的位置程度。
• 支持社区成员、倡导者和其他利益相关者的工作，以提高服务不足地区的空气质量、公平性和公众健康。
• 评估未来电动校车的电力需求，并规划新的充电站。
• 识别面临气候和其他灾害风险的学校巴士停车场，以及可以作为韧性中心的停车场。