Статьи
ГИС Полезные ресурсы Туториалы

Mapflow.ai — оцифровываем здания с помощью искусственного интеллекта

Время прочтения: 5 минут

Введение

Если вы периодически сталкиваетесь с потребностью в оцифровке зданий, лесов, полей или иных объектов, но не хотите это делать вручную, то эта статья для вас. В ней вы узнаете, как с помощью плагина Mapflow.ai выполнять эти задачи автоматически при помощи искусственного интеллекта, используя для этого старый добрый QGIS.

Подготовка к использованию

Перед тем, как использовать плагин, необходимо зарегистрироваться на официальном сайте. Так что проходим по ссылочке, нажимаем на большую кнопку “Попробовать бесплатно”, а дальше вам сайт уже сам подскажет, что делать. Из необычного: письмо с подтверждением регистрации может прилететь в папку спам, как произошло это у меня.
Прошли по ссылке и увидели эту картинку? Вы на правильном пути!
Прошли по ссылке и увидели эту картинку? Вы на правильном пути!
После регистрации вас встретит страница “Проекты”. Сайт позволяет использовать функции прямо в браузере, но для этого туториала мы посмотрим на его использование в QGIS. Для этого нам нужно будет сделать на сайте одно действие — получить специальный код, называемый токеном.
Нажимаем на число 250 в правом верхнем углу, после чего в открывшемся окне выбираем вкладку
Нажимаем на число 250 в правом верхнем углу, после чего в открывшемся окне выбираем вкладку "API". Это число – количество кредитов, которые нам дали бесплатно для пробы, они тратятся при использовании искусственного интеллекта для распознавания чего-либо.
Жмем на синюю кнопку “сбросить api токен”, после чего в появившемся окне появится код вашего токена, который я советую вам сохранить куда-нибудь.
Жмем на синюю кнопку “сбросить api токен”, после чего в появившемся окне появится код вашего токена, который я советую вам сохранить куда-нибудь.
Если вы не сильно беспокоитесь об информационной безопасности, то можете оставить код у себя в сохраненных сообщениях или в файле блокнота где-нибудь на рабочем столе. Если же вы помешаны на информационной безопасности, то нет ничего безопаснее, чем заучить наизусть и сохранить в чертогах памяти где-нибудь около номера телефона мамы или ценой за пиццу и банку содовой там, где вы когда-то работали.

Ну наконец-то QGIS

Теперь открываем наш QGIS и первым делом устанавливаем плагин. Заходим во вкладку "Модули" — "Управление модулями" и ищем модуль с названием “Mapflow”, после чего нажимаем “Установить”.
Теперь нужно найти на панели инструментов значок установленного плагина и нажать на него, после чего откроется окошко, в которое нужно вставить полученный токен. Если вы вдруг его потеряли или забыли, то можете вернуться на шаг назад и повторить действие с получением токена.
Теперь нужно найти на панели инструментов значок установленного плагина и нажать на него, после чего откроется окошко, в которое нужно вставить полученный токен. Если вы вдруг его потеряли или забыли, то можете вернуться на шаг назад и повторить действие с получением токена.
Если появилось это окно, то мы все сделали правильно и теперь приступим к использованию мощи искусственного интеллекта как друга и равного помощника, что, надеюсь, нам зачтется, если будет восстание машин.
Если появилось это окно, то мы все сделали правильно и теперь приступим к использованию мощи искусственного интеллекта как друга и равного помощника, что, надеюсь, нам зачтется, если будет восстание машин.

Распознаем здания в городе по снимкам из коллекции

Сначала выберем территорию, для которой мы хотим распознать наши здания. Для этого с помощью плагина "Quick Map Services" я нахожу центр Волгограда, не закрывая окно плагина (но если вы вдруг закрыли, то можно опять выбрать иконку плагина, он уже не будет просить ввести токен). Нажимаю на плюсик рядом со строчкой "Область" и выбираю “Создать новый слой области интереса из видимой области карты”.
После этого зайдем во вкладку "Настройки" и внизу выберем путь до рабочей папки, куда будут сохраняться наши файлы.
После создания слоя области интереса в проекте появится временный слой с областью интереса, в которой будут распознаваться наши здания.
После создания слоя области интереса в проекте появится временный слой с областью интереса, в которой будут распознаваться наши здания.
Сразу под строкой "Область" убедитесь, что в пункте "Данные" выбран “Mapbox”, а модель — “Buildings”. Это означает, что мы будем использовать данные Mapbox Satellite, которые представляют собой комбинацию множества источников спутниковых снимков, от коммерческих организаций типа Maxar, до государственных, таких как NASA или Геологическая служба США. Эти изображения имеют пространственное разрешение 0,5 метра и точность привязки от 3 до 5 метров, что соответствует рекомендованным параметрам для космоснимков для работы искусственного интеллекта Mapflow, который и векторизует здания из спутниковых снимков.

Как только мы убедились, что данные — "Mapbox", а модель — “Buildings” смело жмем большую кнопку “Начать обработку” и ждем, пока искусственный интеллект сделает за нас самую рутинную работу самую интересную часть процесса работы над картой или анализом данных.
После того, как вы начали обработку, выбираем вкладку “Обработка”, и ждем когда в колонке “Прогресс” не будет указаны заветные 100 %. После чего выбираем
После того, как вы начали обработку, выбираем вкладку “Обработка”, и ждем когда в колонке “Прогресс” не будет указаны заветные 100 %. После чего выбираем "Загрузка результатов" и сравниваем, что получилось сделать у модели
В итоге довольно быстро мы получили отличный результат, по которому можно считать некоторые показатели плотности застройки. Если перед обработкой в строке "Опции" поставить галочку в поле “Classification”, то наши здания будут классифицированы по типам, а если в поле “Simplification”, то стороны зданий будут выпрямлены.
Тип 101 — многоквартирные дома, 103 — производственные. С классификацией по типу нужно быть осторожнее и дополнять данные иными источниками информации. На этом снимке храм был определен как многоквартирный дом, а отели и универмаг — как производственные здания
Тип 101 — многоквартирные дома, 103 — производственные. С классификацией по типу нужно быть осторожнее и дополнять данные иными источниками информации. На этом снимке храм был определен как многоквартирный дом, а отели и универмаг — как производственные здания
В этом уроке мы посмотрели только на самые базовые возможности Mapflow.ai, который может распознавать не только здания, но и сельскохозяйственные поля, дороги, леса и другие объекты на картах. Если вы захотите узнать о нем больше, то есть официальная документация.

Автор: Александр Зуев