Detectar footprints de edificações no QGIS: 3 métodos
Publicado em Atualizado em
Para detectar footprints de edificações no QGIS há três caminhos: baixar um dataset aberto, executar um plugin de detecção por IA sobre suas próprias imagens ou digitalizar manualmente. O mais rápido é o segundo. Instale o plugin pelo gerenciador de plugins, carregue suas imagens, desenhe uma zona, digite buildings, clique em Detect, e um layer poligonal aparece no CRS do seu projeto. Depois filtre esse resultado bruto por confiança e área, porque uma grande parte do que retorna não é uma edificação: executei uma rodada sobre o centro de Paris, obtive 635 polígonos, e decidir quais 82 manter levou mais tempo do que a detecção.
há três caminhos: baixar um dataset aberto, executar um plugin de detecção por IA sobre suas próprias imagens ou digitalizar manualmente. O mais rápido é o segundo. Instale o plugin pelo gerenciador de plugins, carregue suas imagens, desenhe uma zona, digite 
| Sua entrada | Método | Tempo |
|---|---|---|
| Uma área que OpenStreetMap, Microsoft ou Google já cobrem | Método 1: baixar footprints de fontes abertas | Minutos |
| Centenas a milhares de edificações, nas imagens exatas que você recebeu | Método 2: detecção automática (a nossa, na nuvem) | 848 edificações em 57 segundos, depois a filtragem |
| Menos de cinquenta edificações, ou um centro histórico onde você precisa de um polígono por endereço | Método 3: digitalizar manualmente | O tempo que for necessário |
Comece pelos dados abertos, sempre. Só avance quando a cobertura tiver lacunas, a época estiver errada ou os footprints precisarem corresponder à ortofoto específica que um cliente lhe entregou.
Método 1: Baixar footprints de fontes abertas
Você precisa do QGIS 3.22 ou mais recente, de um layer de imagens em que confie e de uma conexão com a internet para o método 2. Nenhum dos três exige uma placa gráfica dedicada.
Em muitos trabalhos, você não precisa detectar nada. Três datasets abertos cobrem grande parte do planeta entre si, e em um único bairro eles podem discordar por milhares de edificações.
Escolha o dataset para sua área
OpenStreetMap é excelente onde os mapeadores são ativos, e as edificações carregam atributos. Microsoft Global ML Building Footprints reúne mais de um bilhão de edificações extraídas por máquina e é mais forte na América do Norte. Google Open Buildings cobre o Sul Global, onde o OSM é mais escasso.
Carregue um deles sobre suas imagens
Adicione o OSM com o QuickOSM.
Aproxime o zoom e observe as bordas
Essa única observação decide se você para aqui ou continua lendo.
Use quando: a área já está bem mapeada e você pode conviver com a época e a licença do dataset.
Ignore quando: a cobertura tem lacunas, a época está errada ou os footprints precisam se alinhar a uma ortofoto específica.
Método 2: Detectá-las automaticamente (a nossa, na nuvem)
Uma footprint de edificação é o contorno de uma edificação onde ela encontra o solo, como um polígono plano. Não é o telhado, não é a parcela, não é o ponto do endereço. Isso importa aqui porque as imagens verticais mostram o telhado: em um quarteirão Haussmann de cinco andares fotografado perto do nadir, o deslocamento é pequeno, mas em uma torre não é. Vale saber disso antes de prometer a alguém um layer de footprints, e há uma versão mais longa em o que é uma building footprint.
O plugin apresentado aqui é o AI Segmentation, que meu cofundador e eu desenvolvemos na TerraLab, então leia esta seção sabendo de quem é a ferramenta. Ele é instalado pelo gerenciador de plugins como qualquer outro: nenhum download manual, nenhum ambiente Python, nenhuma placa gráfica dedicada, porque o modelo roda em nossos servidores. Windows, macOS e Linux.
Instale-o e escolha seu layer de imagens
Gerenciador de plugins, instale, abra o painel, escolha o raster que você quer ler.
Desenhe uma zona e nomeie o objeto
Desenhe uma zona, digite buildings, clique em Detect. Esse é todo o prompt, no seu próprio idioma se preferir. Os resultados retornam tile a tile como um layer poligonal no CRS do projeto.
Defina a precisão quando os objetos forem pequenos
A única configuração que vale a pena aprender é a precisão, que corresponde ao tamanho do tile. Tiles pequenos dão ao modelo uma visão próxima, necessária para objetos pequenos. Tiles grandes dão contexto, necessário para uma parcela agrícola.
Filtre o que retornou
O painel orienta você por três etapas antes de qualquer coisa virar um layer: filtre o que deve Keep, Correct o que o modelo não detectou e escolha os Shapes de saída. A primeira é onde o trabalho é ganho, e ela tem uma seção própria abaixo.
Limpe a geometria
Simplify, Orthogonalize e Delete holes, nessa ordem, e somente quando cada uma merecer seu lugar. As três ferramentas e o motivo da ordem estão abaixo.
Uma execução contabiliza o terreno que cobre. Cada conta recebe uma franquia gratuita todos os meses, sem cartão, e Pro aumenta esse limite. A detecção roda em servidores europeus, nós não treinamos com suas imagens, e há um pequeno modelo local caso nada possa sair da sua máquina. O guia completo explica Keep, Correct e Shapes em detalhes, e a página do produto é AI Segmentation.
Filtrar é o trabalho todo
O resultado bruto da detecção é um conjunto de polígonos candidatos com pontuações de confiança. Em imagens densas, a maioria é pequena e incerta. Exportei essa execução em Paris com os dois filtros totalmente abertos, então todos os candidatos foram parar no layer: 635 polígonos em 1,18 km².
Metade do que retornou é menor que uma vaga de estacionamento: saídas de ventilação, claraboias, casas de escada, galpões de pátio. São elementos reais nas imagens, corretamente delineados, mas não são o que ninguém quer dizer quando fala em footprint de edificação.
Então filtre. Mova os dois controles deslizantes no painel ou faça o mesmo trabalho na tabela de atributos com Select by Expression:
"area_m2" >= 50 AND "score" >= 0.5
Isso deixa 82 polígonos de 635, cobrindo 222.338 m² dos 263.658 m² totais. Em vez de aceitar minha palavra sobre os limites, mova-os você mesmo. O verde sobrevive ao filtro, o branco não.
82 / 635polígonos mantidos (13%)
84%da área construída (222,338 m²)
As mesmas 635 detecções que a tabela de atributos contém. Reduza a confiança a zero e os galpões de pátio e as claraboias voltarão.
Observe o segundo número enquanto arrasta o primeiro. Descartar 87% dos polígonos custa 16% da área, e o restante é ruído que você teria apagado manualmente de qualquer forma, um por um, enquanto se perguntava se a ferramenta era realmente boa.
Ajuste os dois ao trabalho. Um levantamento de galpões industriais pode elevar o limite de área para 200 m². Ao mapear assentamentos informais, 50 m² descarta casas reais, então reduza para 15 e confie mais na pontuação de confiança.
Como é um resultado limpo
Paris é um caso difícil. A mesma ferramenta em casas isoladas cerca de 10 km a oeste:
85m²
área mediana do polígono
Execução em Paris: 3,2 m²
0.79
confiança mediana
Execução em Paris: 0,26
251polígonos
mantidos, de 251 retornados
Execução em Paris: 82 de 635
A mesma ferramenta, a mesma cidade, quase nada para descartar. O que mudou foi a estrutura construída, não o modelo.
Onde falha: blocos densos e contínuos
Cada polígono traça o envelope construído de um quarteirão inteiro, acompanhando a linha da rua e recortando corretamente os pátios. É bom para área construída ou superfície impermeável, mas errado se você precisa de um polígono por endereço. Nenhum modelo que leia uma imagem vertical consegue encontrar a parede compartilhada entre duas edificações geminadas, porque, vistas de cima, não há nada ali para ver.
Limpeza da geometria
Três ferramentas nativas do QGIS organizam um layer de footprints, e a ordem importa porque Simplify move os vértices que você acabou de ajustar.
- Simplify, tolerância de 0,5 m sobre imagens aéreas. Reduz bastante a contagem de vértices sem mover a fronteira de forma perceptível.
- Orthogonalize. Ajusta ângulos próximos a 90 graus. Use-a em dados abertos ou trabalhos traçados manualmente, onde nada ainda foi ajustado.
- Delete holes, somente se você quiser footprints sólidos. Não no resultado de Paris: aqueles buracos são pátios e estão corretos.
Em um layer detectado, a etapa 2 é quase uma operação nula. Medi isso em vez de presumir, executando Orthogonalize sobre 190 edificações detectadas e comparando todos os 1.845 cantos antes e depois.
87.9%
cantos já dentro de 1° de um ângulo reto
antes de executar qualquer coisa
87.9%
após Orthogonalize
os mesmos 1.845 cantos
1.7cm
deslocamento mediano do vértice
9,1 cm no pior caso
Os 12% que não são retos são os terraços geminados. Observe a borda escalonada descendo pelo meio do quarteirão. Nenhuma ferramenta de ajuste de cantos corrige isso, porque esses degraus seguem uma linha real do telhado, não um erro de modelagem.
Use quando: houver centenas a milhares de edificações, em imagens que você precisa fazer corresponder, ou quando várias pessoas precisarem produzir o mesmo layer da mesma forma.
Ignore quando: você precisar de um polígono por endereço em um centro histórico. Eu não usaria a detecção automática nesse caso, e dados cadastrais com correção manual são melhores.
Experimente gratuitamente no QGIS, sem cartão
Método 3: Digitalizar manualmente
Menos de cinquenta edificações? Desenhe-as. É gratuito, exato, e eu ainda faria isso manualmente nessa escala.
Ative o snapping
Project -> Snapping Options, vértice e segmento, edição topológica ativada. Pule isso e você passará a tarde apagando slivers.
Trace e observe quando começar a desviar
Por volta da 60ª edificação, você começa a cortar cantos que nunca teria cortado na 6ª, e não percebe. Ela já está no layer.
Use quando: houver cerca de cinquenta edificações ou menos, ou quando você precisar de um polígono por endereço em um centro histórico denso.
Ignore quando: a contagem chegar às centenas ou várias pessoas precisarem produzir o mesmo layer da mesma forma.
Qual método usar
| Datasets abertos | Detecção automática | Digitalização manual | |
|---|---|---|---|
| Custo | Gratuito | Plano gratuito, depois pago | Gratuito |
| Configuração | Minutos | Minutos | Nenhuma |
| Bom para | Áreas já bem cobertas | Centenas a milhares | Menos de ~50 edificações |
| Corresponde às suas imagens | Não | Sim | Sim |
| Consistente entre uma equipe | Sim | Sim | Não |
| Blocos densos e contínuos | Varia | Apenas envelopes de quarteirões | Sim |
| Proveniência que você pode declarar | Dataset e época | Suas imagens, com uma pontuação de confiança | Você |
Duas linhas resolvem a maioria dos trabalhos. Se os footprints precisam se alinhar à ortofoto de um cliente, os datasets abertos estão descartados, qualquer que seja a cobertura, e depois de cerca de cinquenta edificações a digitalização manual começa a variar sem avisar. A última linha importa quando o layer precisa se sustentar depois: um dataset aberto oferece um nome e uma época, um layer detectado oferece suas próprias imagens mais uma pontuação em cada polígono, e sua própria mão oferece você mesmo.
Perguntas frequentes
Funciona com imagens de drone?
Melhor do que com imagens de satélite. A resolução no solo importa mais do que a fonte: uma ortofoto de 5 cm oferece limites mais limpos e maior confiança do que uma cena de satélite de 30 cm.
Preciso de uma GPU?
Quanto custa uma execução?
Automatic contabiliza o terreno coberto pela sua zona, e Cloud AI contabiliza um objeto por salvamento. Semi-Auto na sua própria máquina é gratuito. Cada conta recebe uma franquia gratuita todos os meses.
Posso obter um polígono por endereço?
Não a partir de uma imagem vertical, em um centro urbano onde as edificações se tocam. O modelo retorna o envelope construído de todo o quarteirão, com os pátios recortados, o que é correto para área construída e errado para endereços. Em vez disso, faça a junção com dados cadastrais.
Com qual dataset aberto devo começar?
OpenStreetMap, se sua área tiver mapeadores ativos. Onde não tiver, a diferença é evidente: naquele 1 km² de Luanda, o OSM não mapeia nenhuma edificação, enquanto a Microsoft encontra 3.140 e o Google Open Buildings 4.468.
Para entender completamente a diferença entre telhado e solo, leia o que é uma building footprint. Para o caso de raster classificado, em que polygonize supera qualquer modelo, leia raster para vetor no QGIS. O hub de IA do QGIS lista o restante do que desenvolvemos.
