建物フットプリントとは？定義、データソース、取得方法

建物フットプリントとは、建物が地面と接する部分の輪郭を、水平面上のポリゴンとして記録したものです。壁の基部に沿って一周トレースし、その形を地図上に平らに投影すれば、それが建物フットプリントです。

ダウンロードできるフットプリントのほとんどは、実はそれではありません。上空から撮影した画像をもとにトレースされているため、屋根に沿った形になっています。このページでは、その違い、オープンデータの入手先、そしてデータが自分の地域をカバーしていない場合の対処方法を説明します。

定義と、そのすぐ外側にあるもの

フットプリントは水平投影です。高さも階数も内部構造も含みません。同じフットプリントを持つ2つの建物が、一方は平屋で、もう一方はタワーということもあります。

フットプリントと呼ばれているもののうち、実際にはそうではないものが4つあります。私はそのそれぞれで、何度も午後を失ってきました。

Footprint か roofprint か

航空写真や衛星カメラに見えるのは屋根です。その画像をモデルまたは人がトレースすると、屋根の端が描かれます。しかし、屋根の端は壁の基部ではありません。

両者をずらす要因は3つあります。軒や張り出しは屋根を外側へ広げます。住宅では通常30から80 cmほどで、小さな建物の面積では数パーセントに相当します。Lean、つまり off-nadir 画像で高いものが横方向にずれて見える現象は、タワー全体を数メートル横に移動させます。そしてカーポート、ベランダ、キャノピーには、屋根の下に壁がまったくない場合があります。

Overture はこれを独自の schema に書き込んでいます。建物ガイドでは、ジオメトリは「最も外側の footprint、衛星画像や航空写真からトレースした場合は roofprint になると想定される」と説明しています。Google も FAQ で高層建築について同じことを述べています。モデルは「建物の基部ではなく屋上を検出するよう学習されている」ため、高層建築ではポリゴンが建物の立っている場所ではなく、屋根が見える場所に配置されます。

建物が数千棟になると、この誤差は積み重なります。太陽光発電ポテンシャルの計算では屋根が必要なので、roofprint が正しい形です。一方、地表の被覆、洪水リスク、セットバック規制への適合性では基部が必要で、roofprint を使うと、そのすべてを静かに過大評価してしまいます。

Footprint か parcel か

parcel、つまり地籍境界は法的なオブジェクトです。誰かが所有する土地を表します。通常、建物はその内部にあり、土地の一部だけを占めます。parcel データは土地登記簿から作られ、所有者が変わると更新されます。フットプリントは画像や測量から作られ、建物が変わると更新されます。両者を結合するのは一般的で有用な処理です。しかし、一方をもう一方として扱うと、庭を屋根として数えることになります。

Footprint か床面積か

延べ床面積は、おおよそフットプリントに階数を掛けたものです。通常、税務や都市計画のルールが問題にするのはこちらです。建物 envelope は3Dの外皮で、フットプリントに高さと屋根形状を加えたものです。フットプリントだけでは、そのどちらも分かりません。床面積が必要なら、階数または高さが必要で、その情報を持つデータセットは一部に限られます。

1棟か、複数棟か

連棟住宅は、最も多くの pipeline を壊すケースです。8軒の住宅が壁を共有していると、上空からは継ぎ目の見えない1つの連続した屋根に見えます。検出器は1つのポリゴンを返します。地籍データは8つを返します。どちらも間違いではありません。異なる問いに答えているだけです。何かを数える前に、自分の分析にどちらが必要かを決める必要があります。

中庭は穴なので、中庭を囲む建物は内部リングを持つポリゴンになります。内部リングを削除するツールを使うと、面積が膨らみます。身廊と独立した塔を持つ教会は、multipart geometry として届くことがあります。そしてキャノピーも同じです。ガソリンスタンドの給油所の屋根は、何もない場所の上にかかる屋根です。

フットプリントの用途

屋根面積と方位に基づく太陽光発電ポテンシャル。洪水や山火事への曝露と、その背後にある保険料の設定。国勢調査が古い、または存在しない地域での人口推計。固定資産税評価と、許可を得ていない増築の検出。建物が障害物であると同時に顧客でもある通信およびネットワーク計画。フットプリントと高さから押し出して作る3D都市モデル。地震や嵐の後に、異なる2つの日付を比較して行う被害評価。

どの用途でも必要なのは同じです。1棟につき1つのポリゴンがあり、その面積を信頼できることです。

建物フットプリントデータの入手先

ほとんどの用途は、5つのソースでカバーできます。この表の内容はすべて、2026年8月23日に各発行元のページから確認したものです。

データを選ぶ前に、ライセンスを確認してください。ODbL は share-alike licence なので、派生データベースも同じ条件で公開する必要があります。この条項によって、クライアント向け成果物を失った例は一度や二度ではありません。CDLA Permissive 2.0 と CC BY 4.0 で必要なのはクレジットだけです。Google は CC BY 4.0 と ODbL の両方で公開しており、どちらを選ぶかは利用者に任せています。これは、OpenStreetMap community とその他の利用者が互換性について争わずにデータを使えるよう、意図的に行われています。

3つの global source は同じ地面について意見が一致しません。そして、その不一致こそが役に立つ部分です。

1つの地域のファイルだけが欲しいなら、当社の無料の建物フットプリント downloader が、描いた box について3つすべての global source を読み取り、attribution を含む GeoJSON を返します。アカウントは不要で、box の上限は25 km²です。

オープンデータでは足りない場合

4つの状況があります。通常の年でも、私は4つすべてに遭遇します。

その地域がカバーされていない。Google は Global South の端で止まります。Microsoft は Bing imagery が存在した場所までしか進みません。OpenStreetMap は、誰かが作業した場所までです。

データが問いより古い。Google Open Buildings の inference は2023年5月に実行されました。2025年に完成した分譲地は含まれておらず、どれだけダウンロードしても変わりません。

建物が新しい、またはなくなっている。被害評価と建設モニタリングには、どちらも2つの日付が必要です。しかしオープンデータが提供するのは1つです。

誰も公開していない形が必要。太陽光発電の調査に使う屋根面、または自分で撮影した5 cm drone flight から建物を抽出する場合です。30 cm の global model では役に立つことがありません。

その場合は、自分で抽出します。

自分の地域のフットプリントを取得する4つの方法

4つのうち3つは 内で実行します。それぞれについて確認する点は同じです。何を install するのか、GPU や account が必要か、画像が自分のマシンから出るか、何を入力し何が出力されるか、実作業でのコスト、そして1つの制限です。

ダウンロードした open dataset。 何も install しません。GPU も account も不要です。指定した bounding box 以外は何もマシンから出ません。入力は box、出力は licence と attribution がファイル内に書き込まれた GeoJSON です。無料です。制限は、発行元がすでにマッピングしたものしか返せないことです。そのため、新しい住宅地は欠落したままです。当社の downloader。

当社の AI Segmentation。 QGIS plugin manager から導入し、その後 account を作成します。GPU も weights の download も Python environment も不要です。Automatic と cloud save の Semi-Auto では、描いた zone 内の imagery が Europe の当社サーバーへ送信されます。小型の Semi-Auto model はローカルで実行され、画像はマシン内に保持されます。入力は、任意の raster または basemap 上に描いた zone と、building のような単語です。出力は style 済みの GeoPackage で、object ごとに1つのポリゴンがあり、それぞれに class、confidence score、area が付いています。Automatic detection は月3 km²まで無料で、その後は月額€39で300 km²まで利用できます。制限は、要求した以上のものが返ってくることです。vent、skylight、courtyard shed などが、建物ではないにもかかわらず正しく輪郭化されたポリゴンとして返されるため、confidence と area で除外する必要があります。Product page。

Deepness。 plugin manager から導入すると、初回起動時に OpenCV と ONNX Runtime が install されます。正常に動けば約20分です。account は不要です。すべてマシン上で実行され、小さな raster には CPU を使い、速度が必要なら自分の CUDA setup を使います。入力は任意の raster layer と、用意した ONNX model file です。出力は vector または raster layer です。無料で、Apache 2.0 です。制限は、独自の detection ability を持たず、25 cm imagery で学習した model は、警告なしに5 cm drone flight をノイズとして扱うことです。Repository とdocumentation。

Geoalert の Mapflow。 plugin manager から導入し、その後 sign in します。GPU は不要です。Geoalert のサーバー上で実行されるため、毎回 imagery がマシンから出ます。入力は、同社の imagery source 上に描いた area です。出力は vector layer で、height 付きの buildings、roads、fields、forest が得られます。Buildings は km² あたり10 credits、1 credit は $0.10 で、km²単位に切り上げられます。そのため10 km²の町なら約$10です。Free plan では最大25 km²まで250 credits が提供されますが、export はブロックされます。制限は、terraced housing が1つのポリゴンに統合されることです。同社自身の screenshots にも示されています。Plugin documentation。

より広い比較については、local SAM-based options を含めて、AI plugin roundup と QGIS AI hub を参照してください。

QGIS で無料で試す。カード不要

信頼する前に layer を確認する

私が実行する順番に並べた5つのチェックです。約15分かかりますが、間違った数字を公開するのを何度も防いでくれました。

定義ではなくポリゴンが必要になったら、次はハウツーのQGIS で建物フットプリントを自動検出するを読んでください。layer を利用可能にするかどうかを決める filtering step を解説しています。