Deteksi Footprint Bangunan di QGIS: 3 Cara
Diterbitkan Diperbarui
Untuk mendeteksi footprint bangunan di QGIS ada tiga jalur: unduh dataset terbuka, jalankan plugin deteksi AI di atas citra Anda sendiri, atau digitasi manual. Yang tercepat adalah yang kedua. Instal plugin dari plugin manager, muat citra Anda, gambar zona, ketik buildings, klik Detect, dan poligon layer mendarat di CRS proyek Anda.
ada tiga jalur: unduh dataset terbuka, jalankan plugin deteksi AI di atas citra Anda sendiri, atau digitasi manual. Yang tercepat adalah yang kedua. Instal plugin dari plugin manager, muat citra Anda, gambar zona, ketik Filtering adalah paruh kedua pekerjaan. Sebagian besar hasil yang kembali bukan bangunan, jadi pangkas output mentah berdasarkan skor keyakinan dan luas. Saya menjalankan satu pass di atas Paris pusat, mendapat 635 poligon, dan memutuskan 82 mana yang disimpan justru lebih lama daripada deteksinya.
| Input Anda | Metode | Waktu |
|---|---|---|
| Area yang sudah dicakup OpenStreetMap, Microsoft atau Google | Metode 1: unduh footprint terbuka | Hitungan menit |
| Ratusan hingga ribuan bangunan, pada citra persis yang diberikan kepada Anda | Metode 2: deteksi otomatis (milik kami, cloud) | 848 bangunan dalam 57 detik, lalu filtering |
| Di bawah lima puluh bangunan, atau pusat bersejarah yang butuh satu poligon per alamat | Metode 3: digitasi manual | Tergantung kecepatan Anda |
Selalu mulai dari data terbuka. Anda baru lanjut ketika cakupannya berlubang, vintage-nya salah, atau footprint harus cocok dengan ortofoto spesifik yang diberikan klien.
Metode 1: Unduh footprint terbuka
Anda butuh QGIS 3.22 atau lebih baru, satu imagery layer yang Anda percaya, dan koneksi internet untuk metode 2. Tanpa kartu grafis khusus, untuk ketiganya.
Untuk banyak pekerjaan Anda tidak perlu mendeteksi apa pun. Tiga dataset terbuka mencakup sebagian besar planet di antara ketiganya, dan di atas satu kawasan yang sama mereka bisa berbeda hingga ribuan bangunan.
Pick the dataset for your area
OpenStreetMap sangat bagus di mana pun mapper aktif, dan bangunan membawa atribut. Microsoft Global ML Building Footprints menyimpan lebih dari satu miliar bangunan hasil ekstraksi mesin dan paling kuat di Amerika Utara. Google Open Buildings mencakup Global South, tempat OSM paling tipis.
Load one against your imagery
Tarik OSM dengan QuickOSM.
Zoom in and look at the edges
Satu tatapan itu menentukan apakah Anda berhenti di sini atau lanjut membaca.
Gunakan saat: area sudah dipetakan dengan baik dan Anda bisa menerima vintage dan lisensi dataset.
Lewati saat: cakupan berlubang, vintage salah, atau footprint harus sejajar dengan satu ortofoto spesifik.
Metode 2: Deteksi otomatis
Footprint bangunan adalah garis batas bangunan di tempat ia bertemu tanah, sebagai poligon datar. Bukan atap, bukan persil, bukan titik alamat. Ini penting di sini, karena citra vertikal memberi Anda atap: pada blok Haussmann lima lantai yang dipotret near-nadir offset-nya kecil, pada menara tidak. Wajib tahu sebelum Anda menjanjikan footprint layer kepada siapa pun, dan versi panjangnya ada di apa itu footprint bangunan.
Model deteksi otomatis membaca citra Anda dan mengembalikan garis batas bangunan sebagai poligon, masing-masing dengan skor keyakinan. Kami membangun salah satunya, AI Segmentation. Bagian ini tentang tool kami sendiri.
Ia terinstal dari plugin manager seperti yang lain: tanpa unduh manual, tanpa lingkungan Python, tanpa kartu grafis khusus, karena model berjalan di server kami. Windows, macOS dan Linux.
Install it and pick your imagery layer
Plugin manager, instal, buka panel, pilih raster yang ingin dibaca.
Draw a zone and name the object
Gambar zona, ketik buildings, klik Detect. Itulah seluruh prompt, dalam bahasa Anda sendiri jika mau. Hasil mengalir kembali tile demi tile sebagai satu poligon layer di CRS proyek.
Set the precision when the objects are small
Satu pengaturan yang layak dipelajari adalah precision, yaitu ukuran tile. Tile kecil memberi model pandangan dekat, yang dibutuhkan objek kecil. Tile besar memberi konteks, yang dibutuhkan bidang pertanian.
Filter what came back
Panel memandu Anda melalui tiga langkah sebelum apa pun menjadi layer: filter apa yang di Keep, Correct apa yang terlewat oleh model, dan pilih Shapes output. Yang pertama adalah tempat pekerjaan dimenangkan, dan ia mendapat bagiannya sendiri di bawah.
Clean the geometry
Simplify, orthogonalize dan delete holes, dalam urutan itu, dan hanya di tempat masing-masing memang layak. Tiga tool dan alasan urutannya ada di bawah.
Satu run menghitung tanah yang dicakupnya. Setiap akun mendapat jatah gratis setiap bulan, tanpa kartu, dan Pro menaikkannya. Deteksi berjalan di server Eropa, kami tidak melatih dengan citra Anda, dan ada model lokal kecil jika tidak ada yang boleh keluar dari mesin Anda. panduan lengkap membahas Keep, Correct dan Shapes secara penuh.
Filtering adalah seluruh pekerjaan
Output deteksi mentah adalah sekumpulan poligon kandidat dengan skor keyakinan. Pada citra padat sebagian besar kecil dan tidak pasti. Saya mengekspor run Paris ini dengan kedua filter terbuka penuh, sehingga setiap kandidat mendarat di layer: 635 poligon di atas 1,18 km².
Separuh dari yang kembali lebih kecil dari tempat parkir: ventilasi, skylight, rumah tangga, gudang courtyard. Benda nyata di citra, digariskan dengan benar, dan bukan yang dimaksud siapa pun sebagai footprint bangunan.
Jadi filter. Geser dua slider di panel, atau kerjakan hal yang sama dari tabel atribut dengan Select by Expression:
"area_m2" >= 50 AND "score" >= 0.5
Itu menyisakan 82 poligon dari 635, mencakup 222,338 m² dari total 263,658 m². Daripada percaya kata saya soal ambang batas, geser sendiri. Hijau lolos filter Anda, putih tidak.
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.
Perhatikan angka kedua saat Anda menggeser yang pertama. Membuang 87% poligon hanya merugikan 16% luas, dan sisanya adalah noise yang toh akan Anda hapus manual, satu per satu, sambil bertanya-tanya apakah tool ini bagus.
Sesuaikan keduanya dengan pekerjaan. Survei gudang industri bisa mendorong batas bawah luas ke 200 m². Saat memetakan permukiman informal, 50 m² membuang rumah nyata, jadi turunkan ke 15 dan bersandar pada skor keyakinan.
Seperti apa hasil bersih
Paris adalah kasus sulit. Tool yang sama pada rumah tapak sekitar 10 km ke barat:
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
Tool yang sama, kota yang sama, tidak ada yang dibuang. Yang berubah adalah kain terbangun, bukan model.
Batasnya: blok padat yang menyambung
Setiap poligon menelusuri amplop terbangun satu blok utuh, mengikuti garis jalan dan memotong courtyard dengan benar. Bagus untuk built-up area atau permukaan kedap, salah jika Anda butuh poligon per alamat. Tidak ada model yang membaca citra vertikal bisa menemukan dinding bersama antara dua bangunan yang menempel, karena dari atas tidak ada yang bisa dilihat.
Membersihkan geometri
Tiga tool bawaan QGIS merapikan footprint layer, dan urutan penting karena simplify menggeser verteks yang baru Anda sikukan.
- Simplify, toleransi 0,5 m di atas citra udara. Memangkas jumlah verteks drastis tanpa menggeser batas sejauh yang Anda sadari.
- Orthogonalize. Menjepret sudut near-right menjadi siku. Pakai untuk data terbuka atau kerja tracing manual, tempat belum ada yang menyikukannya.
- Delete holes, hanya jika Anda ingin footprint solid. Bukan untuk hasil Paris: hole itu adalah courtyard dan itu benar.
Pada layer hasil deteksi langkah 2 hampir no-op. Saya mengukurnya daripada mengasumsikan, menjalankan Orthogonalize pada 190 bangunan hasil deteksi dan membandingkan semua 1.845 sudut sebelum dan sesudah.
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
12% yang tidak siku adalah teras menempel. Lihat tepi berundak yang membelah tengah blok. Tidak ada tool sudut yang memperbaikinya, karena undakan itu mengikuti garis atap nyata bukan kesalahan pemodelan.
Gunakan saat: ratusan hingga ribuan bangunan, pada citra yang harus Anda cocokkan, atau saat beberapa orang harus menghasilkan layer yang sama dengan cara yang sama.
Lewati saat: Anda butuh poligon per alamat di pusat kota bersejarah. Saya tidak akan memakai deteksi otomatis untuk itu, dan data kadastral plus koreksi manual menang di sana.
Try it free in QGIS, no card needed
Metode 3: Digitasi manual
Di bawah lima puluh bangunan, gambar saja. Gratis, tepat, dan saya pun tetap melakukannya sendiri untuk ukuran itu.
Turn on snapping
Project -> Snapping Options, vertex dan segment, topological editing on. Lewati dan Anda akan menghabiskan sore menghapus sliver.
Trace, and watch yourself drift
Sekitar bangunan ke-60 Anda mulai memotong sudut yang tidak akan pernah Anda potong pada bangunan ke-6, dan Anda tidak sadar. Itu sudah masuk ke layer.
Gunakan saat: di bawah sekitar lima puluh bangunan, atau saat Anda butuh satu poligon per alamat di pusat bersejarah yang padat.
Lewati saat: jumlah mencapai ratusan, atau beberapa orang harus menghasilkan layer yang sama dengan cara yang sama.
Yang perlu diingat
| Dataset terbuka | Deteksi otomatis | Digitasi manual | |
|---|---|---|---|
| Biaya | Gratis | Tier gratis, lalu berbayar | Gratis |
| Penyiapan | Hitungan menit | Hitungan menit | Tidak ada |
| Cocok untuk | Area yang sudah tercakup baik | Ratusan hingga ribuan | Di bawah ~50 bangunan |
| Cocok dengan citra Anda | Tidak | Ya | Ya |
| Konsisten lintas tim | Ya | Ya | Tidak |
| Blok padat menyambung | Bervariasi | Hanya amplop blok | Ya |
| Provenans yang bisa dinyatakan | Dataset dan vintage | Citra Anda, dengan skor keyakinan | Anda |
Periksa dataset terbuka dulu. Di atas satu kawasan mereka berbeda hingga ribuan bangunan, jadi satu tatapan pada tepinya di atas citra Anda menentukan apakah Anda lanjut.
Footprint yang harus sejajar dengan ortofoto klien menyingkirkan dataset terbuka, apa pun cakupannya.
Filtering deteksi adalah sebagian besar pekerjaan: 82 poligon dari 635 di atas Paris pusat, memegang 84% built area.
Citra vertikal tidak bisa memberi satu poligon per alamat di mana bangunan menempel, dengan harga berapa pun. Gabungkan ke data kadastral sebagai gantinya.
Lewat sekitar lima puluh bangunan, digitasi manual melenceng tanpa memberi tahu Anda.
Pertanyaan yang sering ditanyakan
Apakah bisa untuk citra drone?
Lebih baik daripada satelit. Resolusi tanah lebih penting daripada sumber: ortofoto 5 cm memberi batas lebih bersih dan keyakinan lebih tinggi daripada adegan satelit 30 cm.
Apakah saya butuh GPU?
Berapa biaya satu run?
Otomatis menghitung tanah yang dicakup zona Anda, dan Cloud AI menghitung satu objek per simpan. Semi-Auto di mesin Anda sendiri gratis. Setiap akun mendapat jatah gratis setiap bulan.
Bisakah saya dapat satu poligon per alamat?
Tidak dari citra vertikal, di pusat kota tempat bangunan menempel. Model mengembalikan amplop terbangun seluruh blok, dengan courtyard dipotong, yang tepat untuk built-up area dan salah untuk alamat. Gabungkan ke data kadastral sebagai gantinya.
Dataset terbuka mana yang harus saya coba dulu?
OpenStreetMap, jika area Anda memiliki mapper aktif. Jika tidak, kesenjangan tajam: di atas 1 km² Luanda itu OSM tidak memetakan bangunan sama sekali, sementara Microsoft menemukan 3.140 dan Google Open Buildings 4.468.
Untuk celah atap-versus-tanah selengkapnya, baca apa itu footprint bangunan. Untuk kasus classified-raster, di mana polygonize mengalahkan model apa pun, baca raster ke vektor di QGIS. Hub AI QGIS mencantumkan sisa yang kami bangun.
