Ядро Mapflow - Картографические Модели. Mapflow позволяет обнаруживать и извлекать объекты на спутниковых и аэрофотоснимках при помощи семантической сегментации и других методов глубокого обучения. Смотрите страницу требований, чтобы лучше понять какие типы данных использовать для каждой модели и прайс-лист с расчетами стоимости обработок.
Примечание
Для требования к данным – смотрите Требования моделей. Для расценок на обработки Mapflow – смотрите Стоимость Mapflow.
Модели ИИ-Картографирования
🏠 Здания
Извлечение крыш зданий из изображений высокого разрешения. Высокопроизводительная модель глубокого обучения обучена обнаруживать крыши зданий. Три различные модели используются для разных географических регионов, чтобы лучше соответствовать различным городским условиям по всему миру. Решение принимается автоматически, в зависимости от местоположения вашего AOI.
Примечание: Здания-кандидаты площадью менее 25 кв.м. удаляются, чтобы избежать беспорядка
Модель непосредственно не извлекает футпринты, поскольку они плохо видны на изображениях, но мы можем получить их, как и люди-картографы, переместив крышу к нижней части стены (см. Дополнительные опции).
Дополнительные опции
Классификация по типам зданий – типология зданий представлена основными классами (см. справку).
Полигонизация - алгоритм исправляет неровности контуров нашей модели. Неправильная геометрия заменяется прямоугольниками, кругами или произвольными многоугольниками с углами в 90 градусов, которые лучше соответствуют исходной форме. Также исправленные здания поворачиваются, чтобы выровнять их по ближайшим дорогам. Этот параметр позволяет создавать гораздо более удобные для отображения на карте фигуры, которые выглядят лучше и их легче поддаются редактированию, но некоторая точность формы может быть утрачена. Смотрите нашу публикацию в блоге для дополнительной информации и некоторых визуализаций.
Склейка с OSM [только в Mapflow Web] - некоторые области имеют большой охват данными OpenStreetMap, и если вы предпочитаете данные нанесенные человеком, вы можете выбрать этот параметр. В данном случае для каждого здания мы проверяем, существует ли для него хорошо соответствующий объект в OSM (коэффициент Жаккара больше 0.7) и если есть, заменяем наш результат на контур из OSM. Это приводит к тому, что результат не основан на изображении, поэтому здания могут быть сдвинуты с фактических позиций, и некоторые изменения, произошедшие после картографирования OSM, могут быть потеряны.
Пример результата обработки с различными вариантами для Праги, Чешская Республика.
Результат без постобработки: здания неправильной формы, но лучше всего соответствует фактическим контурам крыш, видимым на изображении.
Результат с полигонизацией: большинство зданий становятся прямоугольными.
Результат объединения с OSM: некоторые здания, импортированные из OSM, имеют более точную форму, но могут быть смещены относительно положения изображения.
🌲 Лес
Сегментация лесов. Модель обучена на данных с высоким разрешением (0,6 м) для различных районов и климатических зон.
Результат включает в себя все участки, покрытые древесной и кустарниковой растительностью, включая разреженные леса и кустарниковые заросли.
Разрешение модели позволяет обнаруживать небольшие группы деревьев и узкие линии деревьев.
Модель устойчива к изменениям в регионе и хорошо работает в большинстве сред, включая городские. Снимок должен быть сделан в период активной вегетации, поскольку деревья без листьев или растительность, покрытая снегом, не относятся к целевому классу.
Подсказка
Эта модель может быть использована для ускорения обнаружения деревьев и оценки площади при инвентаризации лесов.
Пример результатов обработки для сплошной Лесной маски
Дополнительные опции
Высоты - Сегментация лесов выполняется по обычной модели сегментации лесов с дополнительным разделением классов высоты лесов.
Кроме того, мы используем модели для оценки плотности и высоты, разделяя лесную площадь на следующие классы:
Кустарники ниже 4 метров;
Лес высотой от 4 до 10 метров;
Лес высотой более 10 метров;
Подсказка
Эта модель может быть использована в качестве поддержки принятия решений при расчистке лесных зарослей. Смотрите профессиональные решения от Geoalert
Образцы результатов обработки
Образец результатов для маски Леса с высотами (растровый вывод)
🚗 Дороги
Модель для сегментации дорог на изображениях с высоким разрешением (0,3 - 0,5 м)
Модель разработана в первую очередь для сельских и пригородных районов. Многозадачное обучение применяется для улучшения связности дорожной маски, особенно в местах, скрытых деревьями или зданиями. Лучше всего подходит для районов с низкой урбанизацией и может потерпеть неудачу в городах, где имеются широкие дороги с тротуарами и сложные перекрестки. Мы извлекаем центральную линию дороги, чтобы уменьшить беспорядок и оптимизировать извлеченную дорожную сеть, а затем линии дороги раздуваются обратно до полигонального объекта.
В версии 1.1 мы добавили постобработку дорожного графа:
упрощение геометрии;
слияние пробелов;
удаление двойных кромок;
удаление оторванных и слишком коротких сегментов;
Образцы результатов обработки
Оптимальные условия для модели: сельская/пригородная территория, Россия
Более сложная среда - городская территория в Праге, Чешская Республика
🏗️ Строительство
Эта модель очерчивает области на спутниковом снимке, которые содержат строительные площадки и строящиеся здания. Текущий модельный набор данных ограничен некоторыми странами, и в настоящее время ведется работа по его расширению.
Образец результата обработки для быстро развивающегося района со строительными площадками
Здания (⭐️ Аэрофото) (УСТАРЕЛО)
Предупреждение
Эта модель по умолчанию признана устаревшей. Она доступна только по запросу.
Эта модель специально разработана для использования на аэрофотоснимках с очень высоким разрешением (10 см на пиксель) для извлечения небольших зданий и сооружений. Она лучше всего подходит для сельских и пригородных жилых районов.
Мы не рекомендуем использовать эту модель в районах с высокой плотностью городской застройки. Вместо этого используйте модель Здания, даже для аэрофотоснимков.
🏘 Плотная застройка (Mapflow веб) (УСТАРЕЛО)
Предупреждение
Эта модель по умолчанию признана устаревшей. Она доступна только по запросу.
Наша ИИ-модель “плотная застройка” предназначена для районов с террасами или другими плотно застроенными зданиями, распространенных на Ближнем Востоке, в некоторых частях Африки и т.д. Эта модель, как и обычная модель здания, распознает крыши зданий.
Сначала строительные блоки сегментируются как единое целое, а затем каждый блок по возможности разделяется на отдельные дома на основе обнаружения отдельных маркеров крыши с помощью прямоугольной сетки или диаграммы Вороного.
Образец результатов обработки для района плотной городской застройки (Тунис, Африка):
Модель Плотная застройка, без опций постпроцессинга
Модель Плотная застройка, сегментация экземпляров и постобработка с использованием параметров сетки
🚜 С/Х поля (УСТАРЕЛО)
Предупреждение
Эта модель по умолчанию признана устаревшей. Она доступна только по запросу.
Модель сегментации полей позволяет обнаруживать сельскохозяйственные поля и отделять близлежащие поля друг от друга, если есть визуальная граница (линия леса, дорога, разная стадия посева). Модель обучена на данных с высоким разрешением (1-1,2 м), в первую очередь для Европы, России. Она лучше работает на больших полях с активной растительностью. Поля меньшего размера и террасные поля (типичные для Азии) очерчены не так хорошо. Поля без растительности, особенно в зимний период, не относятся к целевому классу.
Образец результатов обработки для Европы (Бельгия)
Выборка результатов обработки для Азии (Северная Индия)
✨ Segment anything (УСТАРЕЛО)
Предупреждение
Эта модель по умолчанию признана устаревшей. Она доступна только по запросу.
“Segment Anything” (первоначально введена Meta как универсальная модель сегментации) доступна в качестве еще одной экспериментальной модели в Mapflow. Мы адаптировали его к рабочим процессам Mapflow, которые будут использоваться в масштабе. Для запуска этой модели требуются те же шаги:
Выберите ваш источник данных
Выберите свою географическую область - либо полигон, файл GeoJSON, либо экстент вашего изображения
Тем не менее, есть одно отличие в рабочем процессе модели:
если вы запустите эту модель с помощью файла GTIFF — будет использовано исходное разрешение изображения
если вы запускаете его через TMS (например, Поставщики изображений, такие как Mapbox Satellite) — вам нужно выбрать уровень масштабирования (разрешение изображения) из параметров модели, которые будут использоваться для ввода
В зависимости от входного разрешения модель SAM будет интерпретировать и генерировать различные объекты. Эмпирически ее можно классифицировать по уровням масштабирования следующим образом.
Параметры SAM – семантическая классификация
УРОВНИ МАСШТАБИРОВАНИЯ |
СЕМАНТИЧЕСКИЕ ОБЪЕКТЫ |
|---|---|
14 |
Землепользование, леса, парки, поля, водоемы |
16 |
Небольшие поля, большие здания, газоны, участки |
18 |
Фермы, здания, группы деревьев и т.д. |
Аэро |
Дома, деревья, транспортные средства, конструкции крыш и т.д. |
Например, результат – SAM (увеличение 14)
Например, результат – SAM (увеличение 16)
Например, результат – SAM (увеличение 18)
Например, результат – SAM Аэро (увеличение 20), одиночные деревья. Некоторые полигоны не очень точны, а некоторые целевые объекты отсутствуют, но общий результат релевантен и может быть использован для более точного картографирования.
Например, результат – SAM Аэро (увеличение 20), контейнеры. Подходит для типичных небольших предметов, практически не требует ручной очистки.
Примечание
❗️ SAM не предусмотрен в списке моделей по умолчанию Mapfow для QGIS, поскольку параметры масштабирования не включены в текущем дизайне плагина. Тем не менее, если вы работаете в QGIS и хотите попробовать SAM там — отправьте нам запрос, и мы подключим соответствующие сценарии рабочего процесса со всеми указанными параметрами масштабирования.