下載任何地區的建物輪廓
比較四個開放建物資料集,再下載其中一個。
0.00 km² / 25 km²
邊界框
資料來源
下載

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Buildings missing or outdated in these datasets?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
繪製矩形,萃取範圍內四個開放建物資料集的向量多邊形,並下載 GeoJSON,用於 QGIS 或 ArcGIS。不需帳戶或電子郵件。授權條款與來源標註會隨檔案一併保留。
讀取的來源: 4 個開放資料集 · GeoJSON, Shapefile, KML, CSV · 不需帳戶或電子郵件 · 資料集資訊上次檢查時間
六次實際下載
下方每張圖片都是這項工具提供的一個結果,直接根據它交給您的檔案繪製。沒有重新繪製,也沒有整理。 下載於

2064 棟建築物, OpenStreetMap 彼此共用牆面的密集街廓。每棟建築物各有一個輪廓,因此可以看見後方的庭院。 
1246 棟建築物, OpenStreetMap 港口倉棚旁是排屋。同一次下載中有兩種大小差異很大的建築物。 
3782 棟建築物, OpenStreetMap 一平方公里內有 3,782 棟建築物,而 OpenStreetMap 上每一棟都有。 
2542 棟建築物, Microsoft 沙漠郊區的機器偵測結果。網格中的每棟房屋都從影像描繪而成,而不是實地測量。 
2381 棟建築物, Microsoft 袋狀道路,以及主要道路上的排間店面。這裡是 Microsoft 補足 OpenStreetMap 覆蓋不足的地方。 
1219 棟建築物, Microsoft 較大地塊周圍是密集的低樓層建築。這裡兩個來源的結果相差不到兩百棟建築物。
四個資料集,以及各自適合的用途
四者都允許商業使用,也都有回饋條件。Overture、OpenStreetMap 和 Google 在 ODbL 下要求以相同條款分享衍生資料庫。Google 在 CC BY 4.0 下,以及 Microsoft 在 CDLA Permissive 2.0 下,只要求標示出處。它們對同一片地面的結果也不一致,而不一致之處正是最有用的部分。
| 資料集 | 涵蓋範圍 | 資料時間 | 授權 | 多邊形的樣子 |
|---|---|---|---|---|
| Overture Maps buildings | 全球。它包含其他三者所擁有的內容,並由 Overture 合併與去重,因此是四者中最完整、回應最快的:範圍框是在伺服器端從索引中切出,而非從已發布的檔案中篩選。 | 2026 年 8 月 19 日發布 | ODbL 1.0 | 由 OpenStreetMap、Microsoft、Google 及 Esri 合併,再由 Overture 去重。每棟建築物一個多邊形,若上游資料集帶有高度與樓層數,則一併保留,且每個多邊形都標示該上游資料集的名稱。 |
| OpenStreetMap | 全球,完整程度取決於當地製圖社群的成果。多數歐洲與北美洲城市的資料很密集,尚未有人製圖的地方則很稀疏。 | 即時。就是地圖目前顯示的內容。 | ODbL 1.0 | 由人繪製。連棟建物通常是一個多邊形。屬性豐富:地址、樓層數、名稱、屋頂形狀。 |
| Microsoft Global ML Building Footprints | 全球。模型掃描衛星與航空影像,因此能偵測測量員從未到訪的建物,也不會刻意漏掉任何建物。但影像顯示到哪裡,它就涵蓋到哪裡。 | 2026 年 2 月 3 日發布 | CDLA Permissive 2.0 | 由模型進行物件偵測。每棟建物一個多邊形,並提供信心分數;若遙測影像允許,也會提供高度估計值。 |
| Google Open Buildings v3 | 僅涵蓋非洲、南亞、東南亞、拉丁美洲與加勒比海地區。不涵蓋歐洲、北美洲或澳洲。在這個範圍內,它是三者中資料最密集的來源。 | 影像截至 2023 年 5 月 | CC BY 4.0 or ODbL 1.0 | 由模型進行物件偵測。會將複合建物拆成許多小多邊形,並提供信心分數,以及以平方公尺表示的面積。 |
實際範例:巴黎市中心 1 km²
在 2026-08-14 針對 2.345400,48.852100,2.359000,48.861100 範圍測量,位置約在 Île de la Cité 周邊。下列數字是此工具實際回傳的結果,不是估算值。 巴黎西岱島與拉丁區, 1.0 km².
| 資料集 | 建物數量 | 總建物輪廓面積 | 結果 |
|---|---|---|---|
| OpenStreetMap | 1,391 | 454,132 m² | 約六秒內由 Overpass 即時回傳。每個多邊形為 326 m²。 |
| Microsoft Global ML Building Footprints | 213 | 568,930 m² | 一個 91 MB 檔案,quadkey 120220011,完整讀取後篩選至該範圍。每個多邊形為 2,671 m²。 |
| Google Open Buildings v3 | 0 | 0 m² | 沒有涵蓋範圍。Google Open Buildings v3 未發布歐洲資料。 |
再讀一次這兩列。OpenStreetMap 回傳的多邊形數量是 Microsoft 的 6.5 倍,而 Microsoft 涵蓋的面積多 25%。兩者都是真的。在巴黎市中心,模型會把整個街廓合併成一個形狀,平均 2 671 m²;人則逐棟繪製建物,平均 326 m²。因此,數量反映的是資料如何切分,不是城市有多少區域被涵蓋。這就是本頁不以數量替來源排名的原因,也是每個來源旁邊都顯示建物輪廓總面積的原因。
工具如何讀取各個資料集
OpenStreetMap:即時查詢
範圍會送到 Overpass,也就是 OpenStreetMap 的查詢服務,並回傳所有標記為 building 的 way 和 multipolygon relation。沒有固定資料年代:您按下按鈕時,取得的是當下的地圖內容。系統會將 relation 重新組成正確的多邊形,因此有中庭的建物會保留內洞,不會以零散線段的形式回傳。
Microsoft:每個圖磚一個檔案
Microsoft 將全球資料發佈為 30,344 個 gzip 壓縮檔,每個 Web Mercator zoom-9 圖磚一個,總計 117 GB。檔案內沒有索引,因此要取得小範圍,只能讀取整個圖磚,再丟掉其餘資料。中位數圖磚小到可以在網頁要求中完成。高密度城市則不行:巴黎市中心是一個 91 MB 的單一檔案。圖磚太大時,本頁會列出確切檔案,不會一直轉圈。
Google:洲級檔案
Google Open Buildings v3 包含 1.85 billion 棟建物,分成 312 個檔案,總計 178 GB,依 S2 cell 分割。中位數檔案為 164 MB,最大檔案為 8.4 GB。幾乎沒有任何範圍能在網頁要求中切出來,因此對 Google 而言,本頁主要是定位工具:告訴您涵蓋所在地區的 312 個檔案是哪一個,以及檔案大小。這仍然是多數人要找的答案。
涵蓋範圍經過檢查,不是猜測
Google 會發佈每個已釋出 cell 的邊界,本頁也保留一份副本。因此,當答案是「Google 在此處沒有資料」時,依據的是 Google 自己的索引,不是有人手動輸入的查找表。Google 不涵蓋歐洲、北美洲或澳洲。
授權與出處
本頁寫出的每個檔案,都會將授權與出處字串寫入 GeoJSON,因此檔案即使改名或轉交他人,義務仍會保留。發布任何由 ODbL 資料衍生的內容前,請先閱讀授權條款:它要求相同條款分享,另外兩種則不要求。
Overture Maps buildings
ODbL 1.0 · 閱讀授權條款
讓這行文字跟著資料
© Overture Maps Foundation, © OpenStreetMap contributors, Microsoft, Google, Esri
OpenStreetMap
Microsoft Global ML Building Footprints
Google Open Buildings v3
這個工具不會做什麼
- 範圍上限為 25 km²。超過後 Overpass 會逾時,檔案也會太大,無法在瀏覽器中繪製。
- 多邊形不會被切開。只要建物碰到您的框線,就會完整匯入,因此檔案可能超出您畫的邊界。這對 Microsoft 尤其重要,因為在密集的城市中,它的每個多邊形可能就是一整個街區。
- 匯出 Shapefile 時,每個欄位名稱會被截成 10 個字元,這是此格式的上限,因此較長的 OpenStreetMap 標籤會被縮短。需要完整的屬性名稱時,請使用 GeoJSON。
- 每個檔案只放一個資料集。合併兩個來源就必須決定要保留哪個重複項目,而這個決定應由您做,不是我們。
- 跨越日期變更線的範圍會被拒絕,不會靜默拆分。
使用這些資料的指南
建物輪廓是什麼?定義、建築面積與計算方式建物輪廓是建築物在地面上所覆蓋的面積,沿著外牆在地面處的外緣量測,包含附屬車庫,不含屋簷外挑和懸挑陽台。本文說明它與樓地板面積、建築面積的差別、在 QGIS 的計算步驟、法國 8,511 棟住宅的實測結果,以及六個免費資料來源。
QGIS 建物偵測與建物輪廓萃取:3 種方法在 QGIS 偵測建物輪廓有三種方法:下載開放資料、用 AI 外掛自動偵測,或手動數化。最快的是框選範圍、輸入 `buildings`,按下「偵測物件」即可得到多邊形圖層。本文比較三種方法的時間與適用情況,並說明篩選門檻、失敗案例與幾何清理。
QGIS 網格轉向量:5 種方法與階梯邊緣修正將已分類的網格轉成向量,在 QGIS 用 Raster > Conversion > Polygonize(影像向量化)即可。本文列出五種方法、先 Sieve 再 Simplify coverage 的階梯邊緣修正,以及照片、連續網格和掃描地圖的處理方式。
QGIS AI 影像分割教學:AI Segmentation 完整指南在 QGIS 中畫出區域並輸入物件名稱,AI Segmentation 就會把每個符合的物件變成乾淨的向量圖層。本教學涵蓋完整的自動模式流程、可任意順序進行的三步驟檢視、匯出,以及一次處理一個物件的半自動模式,不需要 GPU,也不用安裝大型元件。
QGIS Segment Anything(SAM):7 款外掛比較與安裝指南在 QGIS 使用 Segment Anything(SAM),有 NVIDIA 顯示卡就裝 GeoAI,沒有就改用雲端的 AI Segmentation。本文比較 7 款 SAM 外掛的價格、GPU 需求、授權與安裝方式,並說明 SAM 3 的限制,幫您選出適合的一款。
語意分割 vs 實例分割:差在哪?航照影像一次看懂語意分割替每個像素標上類別,只能量面積;實例分割把每棟建物、每棵樹畫成獨立多邊形,才能計數。全景分割則兩者兼顧。本文用法國三處實測,說明在 QGIS 中該選哪一種。
深入了解取得建物多邊形的三種方式,以及決定圖層是否可用的篩選步驟: 如何在 QGIS 偵測建物輪廓