Gebäudegrundrisse in QGIS automatisch erkennen
Ich habe eine automatische Erkennung über einem Gebiet im Zentrum von Paris ausgeführt und in einem Durchlauf 635 Polygone erhalten. Zu entscheiden, welche 82 ich behalten sollte, dauerte länger als die Erkennung, und genau diesen zweiten Teil lässt fast jedes Tutorial aus.
Die Kurzfassung. Um Gebäudegrundrisse in 
automatisch zu erkennen: Installiere ein plugin zur AI-Erkennung über den plugin manager, lade deine Bilddaten, zeichne eine Zone, benenne das Objekt und starte die Erkennung. Du erhältst einen Polygon-Layer im CRS deines Projekts. Dann filterst du diese Rohdaten nach Konfidenz und Fläche, denn ein großer Teil der Ergebnisse ist kein Gebäude.
Was ein Gebäudegrundriss ist
Der Umriss eines Gebäudes dort, wo es auf den Boden trifft, als flaches Polygon. Nicht das Dach, nicht das Grundstück, nicht der Adresspunkt.
Was hier wichtig ist, denn senkrechte Bilddaten zeigen das Dach. Bei einem fünfstöckigen Haussmann-Block, der nahezu senkrecht von oben aufgenommen wurde, ist der Versatz gering. Bei einem Turm ist er das nicht. Gut zu wissen, bevor du jemandem einen Gebäudegrundriss-Layer versprichst.
Prüfe zuerst die offenen Datensätze
Für viele Aufgaben musst du überhaupt nichts erkennen.
- OpenStreetMap ist überall dort ausgezeichnet, wo Mapper aktiv sind, und Gebäude tragen Attribute. Hole es mit QuickOSM herein.
- Microsoft Global ML Building Footprints, über eine Milliarde maschinell extrahierter Gebäude, am stärksten in Nordamerika.
- Google Open Buildings deckt den Globalen Süden ab, wo OSM am lückenhaftesten ist.
Lade einen davon zusammen mit deinen Bilddaten. Erst wenn die Abdeckung Lücken hat, der Erfassungszeitpunkt nicht stimmt oder die Grundrisse zum konkreten Orthofoto passen müssen, das ein Kunde dir gegeben hat, machst du weiter.
Bei weniger als fünfzig Gebäuden zeichnest du sie
Digitalisiere von Hand. Kostenlos, exakt, und bei dieser Größe würde ich es trotzdem selbst machen. Aktiviere zuerst das Snapping (Project -> Snapping Options, vertex and segment, topological editing on), sonst verbringst du den Nachmittag damit, Splitter zu löschen.
Beim etwa 60. Gebäude beginnst du, Abkürzungen zu nehmen, die du beim 6. niemals genommen hättest, und bemerkst es nicht. Es steckt schon im Layer.
Der automatische Weg
Das plugin hier ist AI Segmentation, das mein Mitgründer und ich bei TerraLab entwickeln, also lies diesen Abschnitt mit dem Wissen, wessen Tool es ist. Es wird wie jedes andere aus dem plugin manager installiert: kein manueller Download, keine Python-Umgebung, keine spezielle Grafikkarte, denn das Modell läuft auf unseren Servern. Windows, macOS und Linux.
Zeichne eine Zone, gib buildings ein und klicke auf Detect. Das ist der gesamte prompt, auf Wunsch in deiner eigenen Sprache. Die Ergebnisse kommen Kachel für Kachel als ein Polygon-Layer im CRS des Projekts zurück.
Die eine Einstellung, die du kennen solltest, ist die Präzision, also die Kachelgröße. Kleine Kacheln geben dem Modell einen genauen Blick, was kleine Objekte brauchen. Große Kacheln geben Kontext, was ein landwirtschaftliches Flurstück braucht. Für Kacheln bezahlst du ebenfalls: ein Guthaben pro Kachel. Jedes Konto erhält jeden Monat ein kostenloses Kontingent, ohne dass eine Karte nötig ist, und Pro erhöht es. Die Erkennung läuft auf europäischen Servern, wir trainieren nicht mit deinen Bilddaten, und es gibt ein kleines lokales Modell, wenn nichts deinen Rechner verlassen darf.
Danach führt dich das Panel durch drei Schritte, bevor irgendetwas zu einem Layer wird: filtere, was du Keep möchtest, Correct was das Modell übersehen hat, und wähle die Ausgabe-Shapes. Der vollständige Leitfaden deckt alle drei ab. Der erste entscheidet über den Erfolg, deshalb folgt jetzt der nächste Abschnitt.
Filtern ist die eigentliche Arbeit
Die rohe Erkennungsausgabe ist eine Menge von Kandidatenpolygonen mit Konfidenzwerten. Bei dichten Bilddaten sind die meisten klein und unsicher. Ich habe diesen Paris-Durchlauf mit weit geöffneten Filtern exportiert, sodass jeder Kandidat im Layer gelandet ist: 635 Polygone auf 1.18 km².
Die Hälfte der Ergebnisse ist kleiner als ein Parkplatz: Lüftungsöffnungen, Dachfenster, Treppenhausaufbauten, Schuppen in Innenhöfen. Echte Dinge auf den Bilddaten, korrekt umrissen, und nicht das, was jemand mit einem Gebäudegrundriss meint.
Also filtern. Verschiebe die beiden Schieberegler im Panel oder erledige dasselbe über die Attributtabelle mit Select by Expression:
"area_m2" >= 50 AND "score" >= 0.5
Damit bleiben 82 Polygone von 635 übrig, die 222,338 m² der insgesamt 263,658 m² abdecken. Statt mir die Schwellenwerte einfach zu glauben, verschiebe sie selbst. Grün bleibt bei deinem Filter, Weiß nicht.
82 / 635polygons kept (13%)
84%of the built area (222,338 m²)
The same 635 detections the attribute table holds. Drop the confidence to zero and the courtyard sheds and skylights come back.
Beobachte die zweite Zahl, während du die erste verschiebst. 87% der Polygone wegzuwerfen kostet 16% der Fläche. Der Rest ist Rauschen, das du ohnehin von Hand gelöscht hättest, eines nach dem anderen, während du dich gefragt hättest, ob das Tool überhaupt etwas taugt.
Passe beide an die Aufgabe an. Bei einer Erfassung von Industriehallen kannst du die Flächenuntergrenze auf 200 m² setzen. Bei der Kartierung informeller Siedlungen wirft 50 m² echte Häuser weg, also gehe auf 15 herunter und stütze dich stattdessen stärker auf den Konfidenzwert.
Wie ein sauberes Ergebnis aussieht
Paris ist ein schwieriger Fall. Dasselbe Tool bei freistehenden Häusern etwa 10 km westlich:
85m²
median polygon area
Paris run: 3.2 m²
0.79
median confidence
Paris run: 0.26
251polygons
kept, out of 251 returned
Paris run: 82 out of 635
Dasselbe Tool, dieselbe Stadt, nichts wegzuwerfen. Geändert hat sich die Bebauungsstruktur, nicht das Modell.
Wo das scheitert: dichte zusammenhängende Blöcke
Jedes Polygon zeichnet die bebaute Hülle eines ganzen Blocks nach, folgt eng der Straßenlinie und schneidet die Innenhöfe korrekt aus. Gut für bebaute Fläche oder versiegelte Fläche, falsch, wenn du ein Polygon pro Adresse brauchst. Kein Modell, das ein vertikales Bild liest, kann die Brandmauer zwischen zwei aneinandergebauten Gebäuden finden, denn von oben gibt es dort nichts zu sehen.
Deshalb würde ich die automatische Erkennung nicht für einen Layer mit einem Polygon pro Adresse in einem historischen Stadtzentrum verwenden. Katasterdaten plus manuelle Korrektur sind dort besser.
Die Geometrie bereinigen
Drei native QGIS-Werkzeuge können einen Gebäudegrundriss-Layer aufräumen, und die Reihenfolge ist wichtig, weil Simplify die Vertices verschiebt, die du gerade rechtwinklig gemacht hast.
- Simplify, Toleranz 0.5 m über Luftbildern. Reduziert die Anzahl der Vertices stark, ohne die Grenze merklich zu verschieben.
- Orthogonalize. Bringt annähernd rechte Winkel ins Lot. Greife darauf bei offenen Daten oder von Hand nachgezeichneten Arbeiten zurück, bei denen noch nichts rechtwinklig gemacht wurde.
- Delete holes, nur wenn du solide Gebäudegrundrisse willst. Nicht beim Paris-Ergebnis: Diese Löcher sind Innenhöfe und korrekt.
Bei einem erkannten Layer ist Schritt 2 fast wirkungslos. Ich habe das gemessen, statt es anzunehmen, indem ich Orthogonalize auf 190 erkannte Gebäude angewendet und alle 1,845 Ecken davor und danach verglichen habe.
87.9%
corners already within 1° of square
before running anything
87.9%
after Orthogonalize
the same 1,845 corners
1.7cm
median vertex shift
9.1 cm at the worst
Die 12%, die nicht rechtwinklig sind, sind die angebauten Terrassen. Schau dir die abgestufte Kante an, die mitten durch den Block läuft. Kein Eckenwerkzeug behebt das, denn diese Stufen folgen einer echten Dachlinie und sind kein Modellierungsfehler.
Welche Methode du verwenden solltest
| Offene Datensätze | Digitalisierung von Hand | Automatische Erkennung | |
|---|---|---|---|
| Kosten | Kostenlos | Kostenlos | Kostenloses Kontingent, danach kostenpflichtig |
| Einrichtung | Minuten | Keine | Minuten |
| Geeignet für | Bereiche mit guter Abdeckung | Unter ca. 50 Gebäude | Hunderte bis Tausende |
| Passt zu deinen Bilddaten | Nein | Ja | Ja |
| Einheitlich im Team | Ja | Nein | Ja |
| Dichte zusammenhängende Blöcke | Unterschiedlich | Ja | Nur Blockhüllen |
| Angegebene Herkunft | Datensatz und Erfassungszeitpunkt | Du | Deine Bilddaten, mit einem Konfidenzwert |
Fragen, die mir gestellt werden
Funktioniert das mit Drohnenbildern? Besser als mit Satellitenbildern. Die Bodenauflösung ist wichtiger als die Quelle: Ein 5-cm-Orthofoto liefert sauberere Grenzen und höhere Konfidenz als eine 30-cm-Satellitenaufnahme.
Brauche ich eine GPU? Nein. Beide Modi laufen standardmäßig auf unseren Servern, und das kleine lokale Modell läuft auf deiner eigenen CPU, langsamer und ungenauer. Wenn alles auf deinem Rechner bleiben soll, sind Geo-SAM und samgeo kostenlos und gut, und sie brauchen tatsächlich eine NVIDIA-Karte.
Was kostet ein Durchlauf? Ein Guthaben pro Kachel im automatischen Modus, ein Guthaben pro gespeichertem Objekt im halbautomatischen Modus. Jedes Konto erhält jeden Monat ein kostenloses Kontingent, und das lokale Modell kostet überhaupt nichts.
