Cara mendeteksi footprint bangunan di QGIS (3 metode)

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 Deteksi, dan layer poligon muncul di CRS proyek Anda.

Filtering adalah paruh kedua pekerjaan. Sebagian besar hasil yang kembali bukan bangunan, jadi pangkas output mentah berdasarkan skor keyakinan dan luas. Saya menjalankan satu kali deteksi di pusat kota Paris, mendapat 635 poligon, dan memutuskan 82 poligon mana yang disimpan justru lebih lama daripada deteksinya.

0:00 / 0:00

Selalu mulai dari data terbuka. Anda baru lanjut ketika cakupannya berlubang, tahun datanya 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 layer citra 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.

Gunakan saat: area sudah dipetakan dengan baik dan Anda bisa menerima tahun data dan lisensi dataset.

Lewati saat: cakupan berlubang, tahun data 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 hampir tegak lurus pergeserannya kecil, pada menara tidak. Wajib tahu sebelum Anda menjanjikan layer footprint 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.

Satu proses menghitung luas tanah yang dicakupnya. Setiap akun mendapat kuota 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 proses 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, penutup 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 attribute table 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.

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:

Tool yang sama, kota yang sama, tidak ada yang dibuang. Yang berubah adalah susunan bangunan, bukan model.

Batasnya: blok padat yang menyambung

Setiap poligon menelusuri garis luar area 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 layer footprint, dan urutan penting karena simplify menggeser vertex yang baru Anda jadikan siku-siku.

1. Simplify, toleransi 0,5 m di atas citra udara. Memangkas jumlah vertex drastis tanpa menggeser batas sejauh yang Anda sadari.
2. Orthogonalize. Meluruskan sudut yang hampir siku menjadi siku. Pakai untuk data terbuka atau kerja tracing manual, tempat belum ada yang menyikukannya.
3. 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 tidak mengubah apa pun. Saya mengukurnya daripada mengasumsikan, menjalankan Orthogonalize pada 190 bangunan hasil deteksi dan membandingkan semua 1.845 sudut sebelum dan sesudah.

12% yang tidak siku adalah rumah deret yang 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.

Coba AI Agent gratis di QGIS, tanpa kartu

Metode 3: Digitasi manual

Di bawah lima puluh bangunan, gambar saja. Gratis, tepat, dan saya pun tetap melakukannya sendiri untuk ukuran itu.

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

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 tempat bangunan saling menempel, dengan harga berapa pun. Gabungkan ke data kadastral sebagai gantinya.

Lewat sekitar lima puluh bangunan, digitasi manual melenceng tanpa memberi tahu Anda.

Pertanyaan umum

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?

Tidak. Kedua mode berjalan di server kami secara default, dan model lokal kecil berjalan di CPU Anda sendiri, lebih lambat dan kurang akurat. Jika Anda ingin semuanya tetap di mesin Anda, Geo-SAM dan samgeo gratis dan bagus, dan mereka memang butuh kartu NVIDIA.

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 kuota gratis setiap bulan.

Bisakah saya dapat satu poligon per alamat?

Tidak dari citra vertikal, di pusat kota tempat bangunan menempel. Model mengembalikan garis luar area 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 satu lingkungan seluas 1 km² di Luanda itu OSM tidak memetakan bangunan sama sekali, sementara Microsoft memuat 3.140 dan Google Open Buildings 4.468.

Software apa yang mendeteksi footprint bangunan untuk perencanaan kota?

Untuk kajian perencanaan, mulailah dari QGIS yang gratis: muat footprint terbuka (OpenStreetMap, Microsoft, Google Open Buildings) lalu cocokkan dengan citra terbaru. Di tempat yang footprint-nya tidak ada atau sudah usang, plugin deteksi otomatis seperti AI Segmentation menggambar bangunan dari ortofoto Anda sendiri, sehingga layer sesuai dengan tanggal citra Anda. ArcGIS Pro juga punya model bangunan yang sudah dilatih, tetapi butuh lisensi berbayar dan GPU agar cepat. Untuk seluruh peta, dari data sampai layout yang sudah diberi gaya, AI Agent bisa menjalankan langkah-langkah ini di QGIS dari satu kalimat.

Untuk celah atap-versus-tanah selengkapnya, baca apa itu footprint bangunan. Untuk kasus raster terklasifikasi, tempat polygonize mengalahkan model apa pun, baca raster ke vektor di QGIS. Metode zona-dan-filter yang sama menemukan panel di atap-atap itu: deteksi panel surya di QGIS menjelaskannya langkah demi langkah. Untuk menjalankan urutan deteksi dan filtering ini di area baru tanpa mengulang setiap klik, AI Agent mengerjakannya dari satu instruksi di QGIS. Lokasi brownfield sering muncul dalam deteksi sebagai sisa pelat beton dan gudang, bukan atap yang bersih, dan halaman greenfield vs brownfield membahas tampilan masing-masing dari udara. Hub AI QGIS mencantumkan sisa yang kami bangun.