Détecter les emprises de bâtiments dans QGIS : 3 méthodes

Pour détecter les emprises de bâtiments dans QGIS vous avez trois voies : télécharger un jeu de données ouvert, lancer un plugin de détection par IA sur votre propre imagerie, ou numériser à la main. La plus rapide est la deuxième. Installez le plugin depuis Extensions > Installer/Gérer les extensions, chargez votre imagerie, dessinez une zone, tapez buildings, cliquez sur Détecter, et une couche de polygones arrive dans le SCR de votre projet.

Le filtrage est la seconde moitié du travail. Une grande partie de ce qui revient n'est pas un bâtiment, alors coupez la sortie brute par confiance et par surface. J'ai fait une passe sur Paris centre, obtenu 635 polygones, et décider lesquels des 82 garder m'a pris plus longtemps que la détection elle-même.

Une zone, un mot, 848 bâtiments. Exécution réelle, accélérée 3 fois, sans aucune coupe.

Votre cas	Méthode	Temps
Une zone déjà couverte par OpenStreetMap, Microsoft ou Google	Méthode 1 : télécharger les emprises ouvertes	Minutes
Des centaines à des milliers de bâtiments, sur l'imagerie exacte qu'on vous a confiée	Méthode 2 : détection automatique (la nôtre, cloud)	848 bâtiments en 57 secondes, puis le filtrage
Moins de cinquante bâtiments, ou un centre historique où il faut un polygone par adresse	Méthode 3 : numériser à la main	Aussi longtemps qu'il vous faut

La donnée ouverte d'abord, à chaque fois. Vous ne passez à la suite que si la couverture a des trous, si le millésime est mauvais, ou si les emprises doivent coller à l'orthophoto précise qu'un client vous a remise.

Méthode 1 : Télécharger les emprises ouvertes

Il vous faut QGIS 3.22 ou plus récent, une couche d’imagerie de confiance, et une connexion internet pour la méthode 2. Aucune carte graphique dédiée, pour aucune des trois.

Pour beaucoup de chantiers vous n'avez rien à détecter. Trois jeux ouverts couvrent l'essentiel de la planète à eux trois, et sur un même quartier ils peuvent s'écarter de plusieurs milliers de bâtiments.

Choisissez le jeu de données de votre zone

OpenStreetMap est excellent là où les mappeurs sont actifs, et les bâtiments portent des attributs. Microsoft Global ML Building Footprints contient plus d'un milliard de bâtiments extraits par machine et domine en Amérique du Nord. Google Open Buildings couvre les Suds, là où OSM est le plus mince. Pour voir ce que chacun contient sur votre zone avant de charger quoi que ce soit, dessinez un rectangle dans notre outil gratuit de téléchargement d'emprises de bâtiments et récupérez celui qui vous convient en GeoJSON.

Chargez-en un par-dessus votre imagerie

Chargez OSM avec QuickOSM.

Zoomez et regardez les bords

Ce seul regard décide si vous vous arrêtez ici ou si vous lisez la suite.

Trois panneaux du même quartier dense de Luanda sur imagerie Google Satellite, avec les emprises de bâtiments en vert. OpenStreetMap n’en montre aucune, Microsoft en couvre la plupart, Google Open Buildings en couvre presque toutes. — Le même 1 km² de Luanda, sur imagerie Google Satellite. OpenStreetMap ne cartographie aucun bâtiment ici, Microsoft en recense 3 140, Google Open Buildings 4 468. Un seul quartier, pas un classement : vérifiez ce que contient chaque jeu de données pour votre propre zone.

Utilisez-la quand : la zone est déjà bien cartographiée et que le millésime et la licence du jeu vous conviennent.

Évitez-la quand : la couverture a des trous, le millésime est mauvais, ou les emprises doivent s'aligner sur une orthophoto précise.

Méthode 2 : Détection automatique

Une emprise de bâtiment est le contour d'un bâtiment là où il touche le sol, en polygone à plat. Pas le toit, pas la parcelle, pas le point d'adresse. Ce qui compte ici, parce que l'imagerie verticale vous donne le toit : sur un îlot haussmannien de cinq étages vu proche du nadir le décalage est faible, sur une tour il ne l'est pas. Bon à savoir avant de promettre une couche d’emprises à qui que ce soit, et la version longue est dans ce qu'est une emprise de bâtiment.

Un modèle de détection automatique lit votre imagerie et renvoie les contours de bâtiments en polygones, chacun avec un score de confiance. Nous construisons l'un d'eux, AI Segmentation. Cette section parle de notre propre outil.

Il s’installe depuis Extensions > Installer/Gérer les extensions, comme les autres : pas de téléchargement à la main, pas d'environnement Python, pas de carte graphique dédiée, parce que le modèle tourne sur nos serveurs. Windows, macOS et Linux.

Îlots denses de Paris avant et après la détection automatique des bâtiments (after) — Une passe automatique sur le centre de Paris, sur imagerie Google Satellite. Chaque polygone a sa propre couleur pour que les voisins restent distincts. Faites glisser la poignée pour comparer.

Îlots denses de Paris avant et après la détection automatique des bâtiments (before) — Une passe automatique sur le centre de Paris, sur imagerie Google Satellite. Chaque polygone a sa propre couleur pour que les voisins restent distincts. Faites glisser la poignée pour comparer.

Installez-le et choisissez votre couche d’imagerie

Extensions > Installer/Gérer les extensions, installez, ouvrez le panneau, choisissez le raster à lire.

Le panneau d’AI Segmentation dans QGIS avec le sélecteur Semi-Auto et Automatique — Mode Automatique : choisissez la couche d’imagerie, dessinez une zone, nommez l’objet.

Dessinez une zone et nommez l’objet

Dessinez une zone, tapez buildings, cliquez sur Détecter. Voilà tout le prompt, dans votre propre langue si vous préférez. Les résultats arrivent tuile par tuile en une seule couche de polygones dans le SCR du projet.

Réglez la précision quand les objets sont petits

Le seul réglage à connaître est la précision, c'est la taille des tuiles. Les petites tuiles donnent au modèle une vue rapprochée, dont les petits objets ont besoin. Les grandes tuiles donnent du contexte, dont une parcelle agricole a besoin.

Filtrez ce qui est revenu

Le panneau vous guide en trois étapes avant que quoi que ce soit devienne une couche : Garder pour filtrer, Corriger pour reprendre ce que le modèle a raté, Formes pour choisir la sortie. La première décide du résultat, et elle a sa propre section ci-dessous.

Nettoyez la géométrie

Simplifier, Orthogonaliser et Supprimer les trous, dans cet ordre, et seulement là où chacun se justifie. Les trois outils et la raison de l'ordre sont ci-dessous.

Une exécution compte le terrain couvert. Chaque compte reçoit une dotation gratuite chaque mois, sans carte demandée, et Pro l'augmente. La détection tourne sur des serveurs européens, nous n'entraînons rien sur votre imagerie, et il existe un petit modèle local si rien ne doit quitter votre machine. Le guide complet couvre Garder, Corriger et Formes en entier.

Le filtrage est tout le travail

La sortie brute d'une détection est un ensemble de polygones candidats avec scores de confiance. Sur une imagerie dense, la plupart sont petits et incertains. J'ai exporté cette passe de Paris avec les deux filtres grands ouverts, pour que chaque candidat atterrisse dans la couche : 635 polygones sur 1,18 km².

Les 635 détections, regroupées par surface en échelle logarithmique. Deux bosses : du bruit sous 5 m², de vrais bâtiments au-dessus de 160 m². La ligne des 50 m² tombe dans le creux entre les deux, ce qui explique qu’elle n’a rien d’arbitraire. Surface médiane 3,2 m², maximale 13 528 m², confiance médiane 0,26.

La moitié de ce qui revient est plus petite qu'une place de parking : ventilations, lanterneaux, cages d'escalier, remises de cour. Des choses réelles sur l'imagerie, correctement tracées, et pas ce que quiconque appelle une emprise de bâtiment.

Alors filtrez. Bougez les deux curseurs dans le panneau, ou faites le même travail depuis la table attributaire avec Sélection par expression :

"area_m2" >= 50 AND "score" >= 0.5

Il reste 82 polygones sur 635, couvrant 222 338 m² sur 263 658 m² au total. Plutôt que de me croire sur les seuils, bougez-les vous-même. Le vert survit à votre filtre, le blanc non.

Imagerie aérienne d’îlots parisiens denses avec les polygones de bâtiments détectés dessinés par-dessus

Surface minimale50 m²Confiance minimale0.50

82 / 635polygones conservés (13%)

84%de la surface bâtie (222,338 m²)

Les mêmes 635 détections que celles de la table attributaire. Ramenez la confiance à zéro et les remises de cour et les lanterneaux reviennent.

Surveillez le second chiffre pendant que vous tirez le premier. Jeter 87 % des polygones coûte 16 % de la surface, et le reste est du bruit que vous auriez supprimé à la main de toute façon, un par un, en doutant de l'outil.

Réglez les deux selon le chantier. Une enquête sur des hangars industriels peut pousser le plancher de surface à 200 m². En cartographiant de l'habitat informel, 50 m² jette des maisons réelles, alors descendez à 15 et appuyez-vous plutôt sur le score de confiance.

À quoi ressemble un résultat propre

Paris est un cas dur. Même outil sur du pavillonnaire environ 10 km à l'ouest :

Maisons individuelles et jumelées dans une banlieue parisienne, chaque maison remplie de sa propre couleur — Habitat pavillonnaire, filtre de relecture activé. Un polygone par maison, presque rien à jeter.

85m²

surface médiane des polygones

Passe de Paris : 3,2 m²

0.79

confiance médiane

Passe de Paris : 0,26

251polygones

conservés, sur 251 renvoyés

Passe de Paris : 82 sur 635

Même outil, même ville, rien à jeter. Ce qui a changé est le tissu bâti, pas le modèle.

Où ça casse : les îlots denses continus

Vue rapprochée d’îlots haussmanniens, chaque îlot formant un polygone coloré qui suit le bord de la rue, cours découpées — Le contour suit précisément le bord de la rue et découpe les cours. Ce qu’il ne fait pas, c’est séparer l’îlot en bâtiments individuels, chacun avec son adresse.

Chaque polygone trace l'enveloppe bâtie d'un îlot entier, colle à la ligne de rue et découpe correctement les cours. Bon pour la surface bâtie ou imperméable, faux s'il faut un polygone par adresse. Aucun modèle lisant une image verticale ne peut trouver le mur mitoyen entre deux bâtiments accolés, parce que vu du dessus il n'y a rien à voir.

Nettoyer la géométrie

Trois outils natifs de QGIS rangent une couche d'emprises, et l'ordre compte parce que la simplification déplace les sommets que vous venez de redresser.

Simplifier, tolérance 0,5 m sur imagerie aérienne. Coupe durement le nombre de sommets sans déplacer la limite de façon visible.
Orthogonaliser. Redresse les angles proches du droit. Prenez-le sur la donnée ouverte ou le tracé manuel, où rien ne les a encore redressés.
Supprimer les trous, seulement si vous voulez des emprises pleines. Pas sur le résultat de Paris : ces trous sont des cours et ils sont corrects.

Sur une couche détectée, l'étape 2 est proche d'une non-opération. Je l'ai mesuré plutôt que supposé, en passant Orthogonaliser sur 190 bâtiments détectés et en comparant les 1 845 angles avant et après.

87.9%

angles déjà à moins de 1° de l’angle droit

avant tout traitement

87.9%

après Orthogonaliser

les mêmes 1 845 angles

1.7cm

décalage médian des sommets

9,1 cm au pire

Vue rapprochée de contours de bâtiments détectés sur imagerie aérienne, angles se rejoignant à angle droit — Les mêmes détections, de plus près. Les angles arrivent d’équerre, donc l’étape de nettoyage n’a plus rien à redresser.

Les 12 % qui ne sont pas d'équerre sont les maisons en bande accolées. Regardez l'arête en escalier qui descend au milieu de l'îlot. Aucun outil d'angles ne corrige cela, parce que ces marches suivent une vraie ligne de toit plutôt qu'une erreur de modélisation.

Utilisez-la quand : des centaines à des milliers de bâtiments, sur une imagerie à respecter, ou quand plusieurs personnes doivent produire la même couche de la même façon.

Évitez-la quand : il faut un polygone par adresse dans un centre-ville historique. Je n'utiliserais pas la détection automatique pour cela, et la donnée cadastrale plus correction manuelle gagne ici.

Essayer AI Agent gratuitement dans QGIS, sans carte bancaire

Méthode 3 : Numériser à la main

Sous cinquante bâtiments, dessinez-les. Gratuit, exact, et je le ferais encore moi-même à cette taille.

Activez l’accrochage

Projet > Options d'accrochage…, sommet et segment, édition topologique active. Sans cela vous passerez l'après-midi à supprimer des rubans.

Tracez, et surveillez votre dérive

Vers le 60e bâtiment vous commencez à couper des angles que vous n'auriez jamais coupés au 6e, et vous ne le voyez pas. C'est déjà dans la couche.

Utilisez-la quand : sous une cinquantaine de bâtiments, ou quand il faut un polygone par adresse dans un centre historique dense.

Évitez-la quand : le compte se chiffre en centaines, ou quand plusieurs personnes doivent produire la même couche de la même façon.

À retenir

	Données ouvertes	Détection automatique	Saisie manuelle
Coût	Gratuit	Offre gratuite, puis payant	Gratuit
Installation	Minutes	Minutes	Aucune
Idéal pour	Zones déjà bien couvertes	Centaines à milliers	Moins de ~50 bâtiments
Colle à votre imagerie	Non	Oui	Oui
Cohérent en équipe	Oui	Oui	Non
Îlots denses continus	Variable	Enveloppes d'îlots seulement	Oui
Provenance que vous pouvez citer	Jeu et millésime	Votre imagerie, avec un score de confiance	Vous

Vérifiez d'abord les jeux ouverts. Sur un même quartier ils s'écartent de plusieurs milliers de bâtiments, donc un seul regard sur leurs bords contre votre imagerie décide si vous allez plus loin.

Des emprises qui doivent s'aligner sur l'orthophoto d'un client excluent les jeux ouverts, quelle que soit leur couverture.

Filtrer une détection est l'essentiel du travail : 82 polygones sur 635 sur Paris centre, tenant 84 % de la surface bâtie.

Une image verticale ne peut donner un polygone par adresse là où les bâtiments se touchent, à aucun prix. Joignez plutôt la donnée cadastrale.

Passé une cinquantaine de bâtiments, la saisie manuelle dérive sans vous prévenir.

Questions fréquentes

Est-ce que ça marche sur l'imagerie drone ?

Mieux que sur satellite. La résolution sol compte plus que la source : une orthophoto à 5 cm donne des limites plus nettes et une confiance plus haute qu'une scène satellite à 30 cm.

Faut-il un GPU ?

Non. Les deux modes tournent sur nos serveurs par défaut, et le petit modèle local tourne sur votre propre CPU, plus lent et moins précis. Si tout doit rester sur votre machine, Geo-SAM et samgeo sont gratuits et bons, et ils veulent bien une carte NVIDIA.

Combien coûte une exécution ?

L'automatique compte le terrain couvert par votre zone, et Cloud AI compte un objet par enregistrement. Semi-Auto sur votre propre machine est gratuit. Chaque compte reçoit une dotation gratuite chaque mois.

Puis-je avoir un polygone par adresse ?

Pas depuis une image verticale, dans un centre-ville où les bâtiments se touchent. Le modèle renvoie l'enveloppe bâtie de l'îlot entier, cours découpées, ce qui est juste pour la surface bâtie et faux pour les adresses. Joignez plutôt la donnée cadastrale.

Par quel jeu ouvert commencer ?

OpenStreetMap, si votre zone a des mappeurs actifs. Là où ce n'est pas le cas, l'écart est net : sur ce quartier de 1 km² à Luanda OSM ne cartographie aucun bâtiment, tandis que Microsoft en recense 3 140 et Google Open Buildings 4 468.

Quel logiciel détecte les emprises de bâtiments pour l'urbanisme ?

Pour une étude d'urbanisme, commencez dans QGIS, qui est gratuit : chargez les emprises ouvertes (OpenStreetMap, Microsoft, Google Open Buildings) et vérifiez-les avec des images récentes. Là où elles manquent ou sont dépassées, une extension de détection automatique comme AI Segmentation dessine les bâtiments à partir de votre propre orthophoto, de sorte que la couche correspond à la date de vos images. ArcGIS Pro propose aussi des modèles de bâtiments préentraînés, mais il demande une licence payante et un GPU pour être rapide. Pour la carte entière, des données à la mise en page stylisée, AI Agent peut exécuter ces étapes dans QGIS à partir d'une seule phrase.

Pour l'écart toit-sol en entier, lisez ce qu'est une emprise de bâtiment. Pour le cas du raster classé, où polygonize bat tout modèle, lisez raster vers vecteur dans QGIS. La même méthode zone-et-filtre trouve les panneaux sur ces toits : la détection de panneaux solaires dans QGIS la déroule pas à pas. Pour rejouer cette séquence de détection et de filtrage sur une nouvelle zone sans refaire chaque clic, AI Agent s’en charge à partir d’une seule instruction dans QGIS. Un site en friche apparaît souvent dans la détection sous forme de dalles et de remises plutôt que de toits propres, et la page greenfield vs brownfield explique à quoi chacun ressemble vu du ciel. Le hub QGIS AI liste le reste de ce que nous construisons.