يوفر التعلم العميق طريقة فعالة لاستخراج المباني من صور الاستشعار عن بعد، ولكن عندما تختلف توزيعات بيانات التدريب (النطاق المصدر) وبيانات الاختبار (النطاق الهدف)، يؤدي تطبيق النموذج المدرب فقط على النطاق المصدر مباشرة على النطاق الهدف إلى انخفاض كبير في الدقة. يمكن لطريقة استخراج التكيف النطاقي للمباني التغلب على اختلافات توزيع البيانات بين النطاقات، مما يعزز قدرة التعرف على معلومات المباني في بيئات مختلفة. نظرًا لصعوبة الحصول على تسميات النطاق الهدف وتكلفة التعليقات العالية في استخراج التكيف النطاقي للمباني، وعدم قدرة الطرق الحالية على الاستفادة الكاملة من خصائص المباني الثابتة لتوفير قيود اتساق عبر النطاقات، يقترح هذا البحث طريقة لاستخراج التكيف النطاقي للمباني في صور الاستشعار عن بعد موجهة بمعلومات الأشكال والمواقع السابقة. أولًا، تم استخدام مؤشر المباني، وطريقة هاريس لاستخراج نقاط الزوايا للمباني في النطاق الهدف تلقائيًا، وبمساعدة طرق الشكل في الصور تم استخراج حواف المباني المعلمة في النطاق المصدر كمعلومات شكلية سابقة للنطاقين. ثم تم تصميم طريقة استخراج معلومات الموقع السابقة بناءً على التحويل الغاوسي، حيث تم تحويل كائنات OSM للنطاق الهدف وكائنات التسميات للنطاق المصدر إلى معلومات موقع سابقة ثنائية النطاق. أخيرًا، تم استخدام معلومات الشكل السابقة لبناء دالة فقدان الشكل، وفي الوقت نفسه توفير قيود تدريب على أهداف المباني في النطاقين، كما تم دمج معلومات الموقع السابقة ثنائية النطاق كقناة إضافية مستقلة لتكوين مدخلات ذات 4 قنوات لإثراء معلومات المباني في النطاق الهدف، وتم تصميم نموذج استخراج التكيف النطاقي للمباني AU_AdaptNet القائم على التعلم التنافسي. أظهرت النتائج التجريبية أن مؤشر IoU للطريقة المقترحة زاد بنسبة 15% مقارنة بالنموذج الأساسي بدون التكيف النطاقي، وزاد بنسبة 6% مقارنة بنموذج التكيف النطاقي بدون إرشاد بالمعلومات السابقة، وحتى في غياب بيانات OSM في النطاق الهدف، يمكن رفع دقة استخراج التكيف النطاقي للمباني بالاعتماد فقط على إرشاد معلومات الشكل السابقة، ويمكن تحقيق تأثير مشابه لطرائق التكيف النطاقي نصف الخاضعة التي تستخدم تسميات عالية الجودة للنطاق الهدف عند انخفاض تكامل بيانات OSM في النطاق الهدف.

استخراج المباني; التكيف النطاقي; صور الاستشعار عن بعد; المعلومات السابقة; OSM