下载任意区域的建筑物轮廓
比较四个开放建筑物数据集,然后下载其中一个。
0.00 km² / 25 km²
边界框
来源
下载

AI Segmentation for QGIS
Buildings missing or outdated in these datasets? Detect them yourself on any aerial image, in QGIS.
Guide
How it works, formats and limits.
About this tool
在地图上绘制矩形框,读取其中四个开放建筑数据集,并将建筑物轮廓以 GeoJSON 格式下载,用于 QGIS 或 ArcGIS。无需账户或邮箱。许可信息和署名随文件一并保留。
读取的来源: 4 个开放数据集 · GeoJSON、Shapefile、KML、CSV · 无需账户,无需邮箱 · 数据集信息上次核查
六次实际下载
下面每张图片都是这个工具给出的一次结果,直接根据它交付的文件绘制。没有重新绘制,也没有整理。 下载日期

2064 座建筑物, OpenStreetMap 密集的街区共用墙体。每座建筑都有一个轮廓,因此可以看到后面的庭院。 
1246 座建筑物, OpenStreetMap 港口仓库旁是联排住宅。同一次下载中有两种大小差异很大的建筑。 
3782 座建筑物, OpenStreetMap 一平方公里内有 3,782 座建筑物,OpenStreetMap 记录了其中每一座。 
2542 座建筑物, Microsoft 机器检测覆盖沙漠郊区。网格中的每栋房屋都根据影像描绘,而不是实地测量。 
2381 座建筑物, Microsoft 弯曲的尽端路,以及主干道旁的商铺单元。这里 Microsoft 覆盖了 OpenStreetMap 记录较少的区域。 
1219 座建筑物, Microsoft 较大地块周围是密集的低层建筑。这里两个来源的结果相差不到两百座建筑物。
4 个数据集,以及各自适合的用途
4 个数据集都允许商业使用,也都要求您履行一些义务。ODbL 下的 Overture、OpenStreetMap 和 Google 要求将衍生数据库按相同条款共享。CC BY 4.0 下的 Google 和 CDLA Permissive 2.0 下的 Microsoft 只要求署名。它们对同一片地面的结果也可能不同,而这种差异正是它们有用的地方。
| 数据集 | 覆盖范围 | 数据时间 | 许可 | 多边形的形态 |
|---|---|---|---|---|
| Overture Maps buildings | 全球。它包含其他三个数据集的内容,由 Overture 合并去重,因此是四个中最完整的,也最快给出答案:范围框在服务器端从索引中切出,而不是从已发布文件中筛选。 | 2026 年 8 月 19 日发布 | ODbL 1.0 | 由 OpenStreetMap、Microsoft、Google 和 Esri 合并,再由 Overture 去重。每栋建筑一个多边形,当上游数据集提供高度和楼层数时一并保留,并在每个多边形上标注该上游的名称。 |
| OpenStreetMap | 全球,完整程度取决于当地制图社区完成的工作。大多数欧洲和北美城市的数据很密集,尚未有人绘制地图的地方则很稀疏。 | 实时。以地图当前显示的内容为准。 | ODbL 1.0 | 由人绘制。排屋通常是一个多边形。属性丰富:地址、楼层数、名称、屋顶形状。 |
| Microsoft Global ML Building Footprints | 全球。模型基于卫星和航空影像运行,因此能识别测量员从未到访过的建筑物,也不会有意漏检。它也只能识别影像显示的内容。 | 2026 年 2 月 3 日发布 | CDLA Permissive 2.0 | 由模型检测。每栋建筑一个多边形,并提供置信度分数。如果影像允许,还会提供高度估算值。 |
| Google Open Buildings v3 | 仅覆盖非洲、南亚、东南亚、拉丁美洲和加勒比地区。不包括欧洲、北美和澳大利亚。在这片范围内,它的覆盖最密集。 | 影像截至 2023 年 5 月 | CC BY 4.0 or ODbL 1.0 | 由模型检测。会将一个建筑群拆成许多小多边形,并提供置信度分数和以 m² 计的面积。 |
示例:巴黎市中心 1 km² 的区域
于 2026-08-14 根据边界框 2.345400,48.852100,2.359000,48.861100 测量,范围在 Île de la Cité 周边。下面的数字是此工具返回的结果,不是估算值。 巴黎西岱岛和拉丁区, 1.0 km².
| 数据集 | 建筑物 | 总轮廓面积 | 结果 |
|---|---|---|---|
| OpenStreetMap | 1,391 | 454,132 m² | Overpass 实时返回结果,约需六秒。每个多边形 326 m²。 |
| Microsoft Global ML Building Footprints | 213 | 568,930 m² | 一个 91 MB 文件,quadkey 120220011,完整读取后按边界框过滤。每个多边形 2,671 m²。 |
| Google Open Buildings v3 | 0 | 0 m² | 无覆盖范围。Google Open Buildings v3 不发布欧洲数据。 |
再读一遍这两行。OpenStreetMap 返回的多边形数量是 Microsoft 的 6.5 倍,Microsoft 覆盖的地面多 25%。两者都是真的。在巴黎市中心,模型会将整块街区合并成一个形状,平均面积为 2 671 m²;人们则逐栋建筑绘制,平均面积为 326 m²。因此,数量说明的是数据如何切分,而不是城市有多少区域被覆盖。这就是为什么本页从不按数量给来源排名,也为什么每个来源旁边都会显示建筑物轮廓总面积。
工具如何读取每个数据集
OpenStreetMap:实时查询
方框会发送到 Overpass,即 OpenStreetMap 的查询服务,返回所有标记为建筑的 way 和 multipolygon 关系。没有固定版本日期:您按下按钮时,得到的是地图当时的状态。系统会将关系重新拼接为真正的多边形,因此带庭院的建筑会保留洞,而不是以零散线条返回。
Microsoft:每个切片一个文件
Microsoft 将全球发布为 30,344 个 gzip 压缩文件,每个文件对应一个 Web Mercator zoom-9 切片,总计 117 GB。文件内部没有索引,所以要获取一个小方框,只能读取整个切片,再丢弃其余部分。中位数切片小到可以在 Web 请求中完成。高密度城市则不行:巴黎市中心是一个 91 MB 的文件。切片太大时,本页会列出确切文件,而不是一直转圈。
Google:大陆级文件
Google Open Buildings v3 包含 1.85 billion 个建筑,分布在 312 个文件中,总大小为 178 GB,按 S2 单元格拆分。中位数文件大小为 164 MB,最大文件大小为 8.4 GB。几乎没有方框可以在 Web 请求中从这些文件中切出,因此对于 Google,本页主要是定位工具:告诉您覆盖所在区域的 312 个文件中的哪一个,以及它有多大。这仍然是大多数人要找的答案。
覆盖范围经过核查,不是猜测
Google 会发布每个已发布单元格的边界,本页也保存了一份副本。因此,当结果是“Google 在此处没有数据”时,依据的是 Google 自己的索引,而不是某人手写的查找表。Google 不覆盖欧洲、北美或澳大利亚。
许可和署名
本页写出的每个文件都会在 GeoJSON 内写入许可和署名字符串,因此即使文件被重命名或转交,这项义务也会保留。发布任何基于 ODbL 数据的衍生成果前,请先阅读许可协议:它要求相同方式共享,另外两个许可协议则不要求。
Overture Maps buildings
ODbL 1.0 · 阅读许可协议
将此行与数据一起保留
© Overture Maps Foundation, © OpenStreetMap contributors, Microsoft, Google, Esri
OpenStreetMap
Microsoft Global ML Building Footprints
Google Open Buildings v3
此工具不做什么
- 方框上限为 25 km²。超过这个范围后,Overpass 会超时,文件也会大到无法在浏览器中绘制。
- 多边形不会被裁剪。只要建筑物接触您的框,它就会完整保留,因此文件可能超出您绘制的边界。这一点对 Microsoft 尤其重要,因为在密集城市中,Microsoft 的多边形每个都可能占据整整一个街区。
- Shapefile 导出会把每个字段名截短到 10 个字符,这是该格式的限制,因此较长的 OpenStreetMap 标签会被缩短。需要完整属性名时,请使用 GeoJSON。
- 每个文件只包含一个数据集。合并两个来源就意味着要决定保留哪个重复要素,这个决定应由您做,而不是我们。
- 拒绝跨越国际日期变更线的方框,不会静默拆分。
使用这些数据的指南
什么是建筑物轮廓(Building Footprint)?定义与计算方法建筑物轮廓是建筑物覆盖的地面面积,沿外墙与地面相交处的外侧测量,包含附建车库,不含屋檐挑出。本文说明哪些部分计入、与建筑面积的区别、轮廓面积的计算方法,并给出 8,511 栋住宅的实测数据,以及六个免费建筑物轮廓数据源各自的覆盖范围与许可协议。
QGIS 建筑物轮廓提取:3 种方法对比在 QGIS 中绘制区域、输入“建筑物”并运行检测,几分钟即可得到建筑物轮廓的多边形图层,无需独立显卡。本文对比开源数据下载、AI 自动检测和手动数字化三种方法,并以巴黎市中心 635 个检测结果中保留 82 个为例,讲解过滤、清理几何与密集街区的局限。
QGIS 栅格转矢量:5 种方法与阶梯边缘修复分类栅格转矢量,在 QGIS 中打开“栅格 > 转换 > 栅格矢量化 (栅格转矢量)”即可。本文按输入数据类型比较五种转换方法各自的适用场景和成本,讲解阶梯状边缘的修复步骤,并说明照片、DEM 和扫描地图这类不能直接转换的数据该先做哪些处理。
QGIS 遥感影像分割插件 AI Segmentation 完整指南在 QGIS 中用 AI Segmentation 画出区域并输入目标词,就能把影像中所有匹配的对象一次提取为干净的矢量图层。本指南完整演示自动模式的第一次运行、保留、修正、形状三步审查流程、半自动模式,以及导出为 GeoPackage 的方法。
QGIS SAM 插件怎么选:Segment Anything 7 款对比在 QGIS 里用 SAM 分割影像,有 NVIDIA 显卡就装 GeoAI 本地运行,没有显卡就用 AI Segmentation 云端运行。本文对比 GeoAI、GeoOSAM、Geo SAM、SamGIS、SamGeo、Monitask 等 7 个插件的费用、显卡需求和安装方法。
语义分割和实例分割的区别:以航空影像为例语义分割给每个像素标注类别,只能得出建筑物的面积;实例分割把每栋建筑物画成独立对象,才能数出有几栋。本文对比两者与全景分割,用朗斯、列万和巴黎三块 1 km² 的法国样区实测二者的计数差距,并讲解如何在 QGIS 中把语义分割掩膜转成多边形。
深入了解获取建筑物轮廓的 3 种方式,以及决定图层是否可用的筛选步骤: 如何在 QGIS 中检测建筑物轮廓