Obrysy budynków w QGIS: 3 metody
Opublikowano Zaktualizowano
Aby wykryć obrysy budynków w QGIS masz trzy drogi: pobierz otwarty zbiór danych, uruchom AI detection plugin na własnym obrazie albo zdigitalizuj ręcznie. Najszybsza jest druga. Zainstaluj plugin z menedżera plugin, wczytaj swój obraz, narysuj strefę, wpisz buildings, kliknij Detect, a polygon layer wyląduje w Twoim projekcie CRS.
masz trzy drogi: pobierz otwarty zbiór danych, uruchom AI detection plugin na własnym obrazie albo zdigitalizuj ręcznie. Najszybsza jest druga. Zainstaluj plugin z menedżera plugin, wczytaj swój obraz, narysuj strefę, wpisz Filtrowanie to druga połowa pracy. Duża część tego, co wraca, to nie budynki, więc przytnij surowy wynik według pewności i powierzchni. Uruchomiłem jedno przejście na centrum Paryża, dostałem 635 poligonów, a decyzja, które 82 zachować, zajęła dłużej niż sama detekcja.
| Twoje dane wejściowe | Metoda | Czas |
|---|---|---|
| Obszar, który pokrywają już OpenStreetMap, Microsoft albo Google | Metoda 1: pobierz otwarte obrysy | Minuty |
| Setki do tysięcy budynków, na dokładnie tym obrazie, który dostałeś | Metoda 2: automatyczna detekcja (nasza, w chmurze) | 848 budynków w 57 sekund, potem filtrowanie |
| Poniżej pięćdziesięciu budynków albo historyczne centrum, gdzie potrzebujesz jednego poligonu na adres | Metoda 3: digitalizuj ręcznie | Tyle, ile Ci to zajmie |
Otwarte dane najpierw, za każdym razem. Idziesz dalej tylko wtedy, gdy pokrycie ma dziury, rocznik jest zły albo obrysy muszą pasować do konkretnej ortofotomapy, którą dał Ci klient.
Metoda 1: Pobierz otwarte obrysy
Potrzebujesz QGIS 3.22 albo nowszego, jeden obraz, któremu ufasz, i połączenia z internetem do metody 2. Żadnej dedykowanej karty graficznej, w żadnej z trzech.
Do wielu zleceń nie musisz nic wykrywać. Trzy otwarte zbiory danych pokrywają między sobą większość planety, a na jednym osiedlu potrafią różnić się o tysiące budynków.
Pick the dataset for your area
OpenStreetMap jest świetny tam, gdzie maperzy są aktywni, a budynki niosą atrybuty. Microsoft Global ML Building Footprints ma ponad miliard budynków wyciągniętych maszynowo i jest najmocniejszy w Ameryce Północnej. Google Open Buildings pokrywa Globalne Południe, gdzie OSM jest najrzadszy.
Load one against your imagery
Dociągnij OSM narzędziem QuickOSM.
Zoom in and look at the edges
To jedno spojrzenie decyduje, czy kończysz tutaj, czy czytasz dalej.
Użyj, gdy: obszar jest już dobrze zmapowany i pasują Ci rocznik zbioru i licencja.
Pomiń, gdy: pokrycie ma dziury, rocznik jest zły albo obrysy muszą zgrać się z jedną konkretną ortofotomapą.
Metoda 2: Automatyczna detekcja
Obrys budynku to linia budynku w miejscu, gdzie spotyka się z gruntem, jako płaski poligon. Nie dach, nie działka, nie punkt adresowy. To ważne tutaj, bo pionowe zdjęcie daje Ci dach: na pięciopiętrowym bloku haussmannowskim zdjętym prawie w nadirze przesunięcie jest małe, na wieżowcu już nie. Warto wiedzieć, zanim obiecasz komuś layer z obrysami, a dłuższa wersja jest w tekście co to jest obrys budynku.
Model automatycznej detekcji czyta Twój obraz i zwraca obrysy budynków jako poligony, każdy z wynikiem confidence. My budujemy jedno z takich narzędzi, AI Segmentation. Ta sekcja jest o naszym własnym narzędziu.
Instaluje się z menedżera plugin jak każde inne: bez pobierania ręcznie, bez środowiska Python, bez dedykowanej karty graficznej, bo model działa na naszych serwerach. Windows, macOS i Linux.
Install it and pick your imagery layer
Plugin manager, install, open the panel, choose the raster you want read.
Draw a zone and name the object
Narysuj strefę, wpisz buildings, kliknij Detect. To cały prompt, w Twoim języku, jeśli wolisz. Wyniki spływają kafelek po kafelku jako jeden polygon layer w projekcie CRS.
Set the precision when the objects are small
Jedyne ustawienie warte poznania to precision, czyli rozmiar kafelka. Małe kafelki dają modelowi bliskie spojrzenie, którego potrzebują małe obiekty. Duże kafelki dają kontekst, którego potrzebuje działka rolna.
Filter what came back
Panel prowadzi Cię przez trzy kroki, zanim cokolwiek stanie się layer: odfiltruj, co Keep, popraw Correct to, co model pominął, i wybierz wyjściowe Shapes. Pierwszy krok wygrywa pracę i dostaje własną sekcję poniżej.
Clean the geometry
Uruchom Simplify, orthogonalize i delete holes, w tej kolejności i tylko tam, gdzie każde zasługuje na miejsce. Te trzy narzędzia i powód kolejności są poniżej.
Przebieg liczy pokryty teren. Każde konto dostaje darmowy limit co miesiąc, bez pytania o kartę, a Pro go podnosi. Detekcja działa na serwerach europejskich, nie trenujemy na Twoim obrazie i jest mały lokalny model, jeśli nic nie może opuścić Twojej maszyny. Kompletny przewodnik opisuje w całości Keep, Correct i Shapes.
Filtrowanie to cała praca
Surowy wynik detekcji to zbiór kandydujących poligonów z wynikami confidence. Na gęstym obrazie większość jest mała i niepewna. Ten paryski przebieg wyeksportowałem z oboma filtrami szeroko otwartymi, więc każdy kandydat trafił do layer: 635 poligonów na 1.18 km².
Połowa tego, co wróciło, jest mniejsza niż miejsce parkingowe: wywietrzniki, świetliki, obudowy klatek schodowych, szopy na dziedzińcach. Prawdziwe rzeczy na obrazie, poprawnie obrysowane, i nie to, co ktokolwiek ma na myśli, mówiąc obrys budynku.
Więc filtruj. Przesuń dwa suwaki w panelu albo zrób tę samą pracę z tabeli atrybutów poleceniem Select by Expression:
"area_m2" >= 50 AND "score" >= 0.5
Zostaje 82 poligony z 635, o powierzchni 222,338 m² z 263,658 m² całości. Zamiast wierzyć mi na słowo co do progów, przesuń je sam. Zielony przeżywa Twój filtr, biały nie.
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.
Patrz na drugą liczbę, gdy ciągniesz pierwszą. Wyrzucenie 87% poligonów kosztuje 16% powierzchni, a reszta to szum, który i tak kasowałbyś ręcznie, jeden po drugim, zastanawiając się, czy narzędzie jest coś warte.
Dostrój oba do zadania. Inwentaryzacja hal przemysłowych może podnieść próg powierzchni do 200 m². Przy mapowaniu nieformalnej zabudowy 50 m² wyrzuca prawdziwe domy, więc zejdź do 15 i oprzyj się na wyniku confidence.
Jak wygląda czysty wynik
Paryż to trudny przypadek. To samo narzędzie na zabudowie jednorodzinnej około 10 km na zachód:
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
To samo narzędzie, to samo miasto, nic do wyrzucenia. Zmieniła się tkanka zabudowy, nie model.
Gdzie się łamie: gęste ciągłe kwartały
Każdy poligon kreśli zabudowaną powłokę całego kwartału, trzyma się linii ulicy i poprawnie wycina dziedzińce. Dobre do powierzchni zabudowanej albo powierzchni nieprzepuszczalnej, złe, jeśli potrzebujesz poligonu na adres. Żaden model czytający pionowe zdjęcie nie znajdzie ściany między dwoma stykanymi budynkami, bo z góry nie ma tam nic do zobaczenia.
Czyszczenie geometrii
Trzy natywne narzędzia QGIS porządkują layer z obrysami, a kolejność ma znaczenie, bo simplify przesuwa wierzchołki, które właśnie wyprostowałeś.
- Simplify, tolerancja 0.5 m na zdjęciu lotniczym. Mocno tnie liczbę wierzchołków, nie przesuwając granicy nigdzie, gdzie byś to zauważył.
- Orthogonalize. Dociąga prawie proste kąty do kąta prostego. Sięgnij po nie przy otwartych danych albo pracy odrysowanej ręcznie, gdzie nic ich jeszcze nie wyprostowało.
- Delete holes, tylko jeśli chcesz pełnych obrysów. Nie na wyniku paryskim: te dziury to dziedzińce i są poprawne.
Na wykrytym layer krok 2 jest prawie no-op. Zmierzyłem to, zamiast zakładać, uruchamiając Orthogonalize na 190 wykrytych budynkach i porównując wszystkie 1,845 narożników przed i po.
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
Te 12%, które nie są proste, to szeregowce w zabudowie zwartej. Spójrz na schodkową krawędź biegnącą przez środek kwartału. Żadne narzędzie do narożników tego nie naprawi, bo te stopnie idą za prawdziwą linią dachu, a nie za błędem modelowania.
Użyj, gdy: setki do tysięcy budynków, na obrazie, do którego musisz się dopasować, albo gdy kilka osób musi zrobić ten sam layer w ten sam sposób.
Pomiń, gdy: potrzebujesz poligonu na adres w historycznym centrum miasta. Ja nie użyłbym tam automatycznej detekcji, a wygrywają dane katastralne plus korekta ręczna.
Try it free in QGIS, no card needed
Metoda 3: Digitalizuj ręcznie
Poniżej pięćdziesięciu budynków, narysuj je. Za darmo, dokładnie i sam nadal bym tak zrobił przy tym rozmiarze.
Turn on snapping
Project -> Snapping Options, wierzchołek i segment, edycja topologiczna włączona. Pomiń to, a popołudnie spędzisz na kasowaniu sliverów.
Trace, and watch yourself drift
Około 60. budynku zaczynasz obcinać rogi, których nigdy nie obciąłbyś przy 6., i tego nie zauważasz. To już jest w layer.
Użyj, gdy: poniżej około pięćdziesięciu budynków albo gdy potrzebujesz jednego poligonu na adres w gęstym historycznym centrum.
Pomiń, gdy: liczba idzie w setki albo kilka osób musi zrobić ten sam layer w ten sam sposób.
Co zapamiętać
| Otwarte zbiory danych | Automatyczna detekcja | Digitalizacja ręczna | |
|---|---|---|---|
| Koszt | Za darmo | Darmowy limit, potem płatny | Za darmo |
| Start | Minuty | Minuty | Brak |
| Dobre do | Obszarów już dobrze pokrytych | Setek do tysięcy | Poniżej ~50 budynków |
| Pasuje do Twojego obrazu | Nie | Tak | Tak |
| Powtarzalne w zespole | Tak | Tak | Nie |
| Gęste ciągłe kwartały | Różnie | Tylko powłoki kwartałów | Tak |
| Proweniencja do podania | Zbiór i rocznik | Twój obraz, z wynikiem confidence | Ty |
Najpierw sprawdź otwarte zbiory danych. Na jednym osiedlu różnią się o tysiące budynków, więc jedno spojrzenie na ich krawędzie na tle Twojego obrazu decyduje, czy idziesz dalej.
Obrysy, które muszą zgrać się z ortofotomapą klienta, wykluczają otwarte zbiory danych, niezależnie od pokrycia.
Filtrowanie detekcji to większość pracy: 82 poligony z 635 w centrum Paryża, z 84% powierzchni zabudowanej.
Pionowe zdjęcie nie da Ci jednego poligonu na adres tam, gdzie budynki się stykają, za żadną cenę. Dołącz dane katastralne.
Powyżej około pięćdziesięciu budynków digitalizacja ręczna dryfuje, nie mówiąc Ci o tym.
Częste pytania
Czy działa na zdjęciach z drona?
Lepiej niż na satelicie. Rozdzielczość terenowa znaczy więcej niż źródło: ortofotomapa 5 cm daje czystsze granice i wyższe confidence niż scena satelitarna 30 cm.
Czy potrzebuję GPU?
Ile kosztuje przebieg?
Automatyczny liczy pokryty strefą teren, a Cloud AI liczy jeden obiekt na zapis. Semi-Auto na własnej maszynie jest darmowy. Każde konto dostaje darmowy limit co miesiąc.
Czy dostanę jeden poligon na adres?
Nie z pionowego zdjęcia, w centrum miasta, gdzie budynki się stykają. Model zwraca zabudowaną powłokę całego kwartału, z wyciętymi dziedzińcami, co jest dobre do powierzchni zabudowanej, a złe do adresów. Dołącz dane katastralne.
Od którego otwartego zbioru zacząć?
Od OpenStreetMap, jeśli Twój obszar ma aktywnych maperów. Gdzie ich nie ma, luka jest ostra: na tym 1 km² Luandy OSM nie mapuje żadnych budynków, a Microsoft znajduje 3,140, a Google Open Buildings 4,468.
Pełną różnicę dach-grunt przeczytasz w tekście co to jest obrys budynku. Do przypadku sklasyfikowanego raster, gdzie polygonize bije każdy model, przeczytaj raster na wektor w QGIS. Hub QGIS AI zbiera resztę tego, co budujemy.
