使用QGIS提取天地图遥感影像中的建筑物轮廓，及AI方案

        最近要开始做某工厂的GIS三维可视化大屏项目，其首先是要获得厂区内的建筑模型数据，搜了搜各大厂商的地图都没有那个厂区的建筑模型数据，只有几个零星的主要建筑，其余的仓库等等都没有，所以爬虫啥的都没用，必须从卫星影像里面来提取建筑轮廓。主要的步骤是：

        ① QGIS加载天地图卫星影像 

        ② 使用QGIS提供的建筑物提取插件”Magic Wand“来自动化提取建筑物轮廓 

        ③ 建筑高度数据不好获得，手动设置大概的建筑高度值 

        ④ 最后对AI提取建筑轮廓进行探讨

话不多说，开始详解步骤。

一、QGIS加载天地图遥感影像

1.1 去天地图申请一个账号

网址如下：国家地理信息公共服务平台 天地图 (tianditu.gov.cn) 

申请好账户以后点如下图所示：开发资源（图1） => 地图API （图1）=> 申请Key（图2） => 创建应用（图3） => 记下生成好的Key

图1：

图2：

 图3：

1.2 QGIS里面加载天地图卫星影像

 如下图操作：XYZ里面新建一个连接 ==> 随便输一个名称 ==> 连接详情输入：https://t6.tianditu.gov.cn/img_w/wmts?SERVICE=WMTS&REQUEST=GetTile&VERSION=1.0.0&LAYER=img&STYLE=default&TILEMATRIXSET=w&FORMAT=tiles&TILECOL={x}&TILEROW={y}&TILEMATRIX={z}&tk=你的密钥 ，你的密钥就填上面1.1节里面天地图给你的那个Key ==> 双击即可显示卫星图

效果图：

二、 用QGIS提供的插件工具提取建筑范围

2.1 安装提取插件

插件名字为Magic Wand，打开下图的这个地方的“管理并安装插件”，在里面搜索Magic Wand，搜到以后点安装。

安装完以后如下图这个地方就会出现Magic Wand的图标，

点击一下上图那个图标，鼠标指针会变成一个“+“十字箭头，然后打开卫星影像随便点击一个房顶，就会生成结果，前后效果如下图所示，看到大概还是能识别出来大概的范围。 

原图    效果图:

 2.2 设置建筑高度

 这种方法没有办法获取建筑高度，高德、天地图、百度地图里面也没有这些厂房的模型，所以爬虫也是无济于事的，只有目测设一个高度，就是在这个图层的属性表里面增加一个高度字段，然后手动设一个。然后加载的时候根据这个字段的值把这些面要素拔高，就可以形成建筑了。ArcGIS、SuperMap、QGIS的方法各不一样，就不赘述了。

三、AI识别轮廓

3.1 上述方法存在的问题

        虽然不知道具体的算法细节，但根据使用体验和最后结果判断，QGIS插件提供的算法肯定是用传统的模式识别算法做的，比如K-Means，SVM支持向量机之类的，效果可以明显得目测出是非常一般，必须还是要用AI来玩儿这些识别的任务，下面来介绍几个我目前知道的遥感影像AI识别软件。

3.2 遥感影像AI识别软件

① ArcGIS Pro 

        Esri发布的主打人工智能大数据的的GIS桌面软件，ArcGIS 10.8 据官方说是最后一个版本了，以后都会是ArcGIS Pro，效果如下，可以看见AI把几乎所有的树都给圈出来了，用传统的方法几乎是很难的。Esri官方深度学习功能教学地址(比较慢,因为是美国官网上的教程)：ow.ly/rTMY50HCWz9，民间大神教学地址：如何利用ArcGIS中的深度学习功能提取建筑物轮廓并对其进行损坏分类。 ArcGIS Pro的深度学习功能安装参考这篇文章：ArcGIS Pro安装和深度学习入门及入门

原图：    结果图：

 ② 超图 iDesktopX

        和上面的ArcGIS Pro差不多一个意思，主打AI大数据的国产桌面GIS软件，界面都是仿的ArcGIS Pro，识别效果也是差不多的，因为他们都是把一些开源AI框架和算法给集成进来从而实现的AI功能，核心run的东西其实是一样的。

        超图的东西相对于ArcGIS Pro的优势就是不限制申请试用次数，试用期到了就再申请，无限循环一直薅羊毛。反观ArcGIS Pro只能申请一次三个月试用，往后就不行了，且破解版非常不稳定经常崩。

③ MapBox Robsat

        MapBox和OSM合作并开源的机器学习框架，专门针对遥感影像的轮廓提取，可以说是100%符合AI + GIS的需求。教程Git地址：https://github.com/liii18/robosat_buildings_training/  ， 官方Git地址：https://github.com/mapbox/robosat

MapBox Robsat 官方效果图

④ MapGIS的辅助矢量化工具

        这个东西是基于AI来辅助手动矢量化，比如框选了一个范围，他会在范围内围着建筑勾出一个轮廓，然后手动来微调，详见如下教程：还在人工提取？遥感影像信息半自动提取！建筑道路水域矢量一键提取

⑤ 商汤科技的sceneEarth

        网址如下SenseEarth 智能遥感影像解译平台 - SenseTime|商汤科技，精准度也很高，而且只需要把需要识别的图片给上传，然后圈定要识别的范围，就会直接生成出来结果，而且效果是非常哇塞的，如下图。缺点是非会员只能识别三次。

原图：           效果图：  

⑥ 武汉大学的珞珈框架

        官方表述：6月9日，记者从武汉大学获悉，该校在国家自然科学基金委重大研究计划集成项目支持下，与华为MindSpore框架团队共同研发全球首个遥感影像智能解译专用深度学习框架武汉.LuoJiaNET和业界最大遥感影像样本库LuoJiaSET，日前在华为昇思社区上线。

  具体的我还没研究，给大家一个他们的网站，有兴趣的可以自行研究，网址如下LuojiaSET遥感影像样本服务平台

⑦ 阿里达摩院 AI Earth

  阿里巴巴基于阿里云平台专门针对地理行业开发的AI在线训练平台，目前还在内测中，需要申请就可以免费使用，点击这里进入：首页-AI Earth (aliyun.com)

 

⑧ 微软AI农场工具包

介绍文章：Microsoft open sources its ‘farm of the future’ toolkit - The AI Blog ， 开源地址如下：GitHub - microsoft/farmvibes-ai: FarmVibes.AI: Multi-Modal GeoSpatial ML Models for Agriculture and Sustainability

以下是机翻的该工具包主要功能：

• 异步融合，将无人机和卫星图像与来自地面传感器的数据相结合，以提供见解。例如，Nelson 使用异步融合从多光谱无人机影像和土壤传感器数据创建营养热图。这些地图用于改变他播种和施肥的速率，这可以提高产量并防止过度施肥。异步融合还可以根据尼尔森农场的传感器数据创建土壤湿度图。这些地图告诉纳尔逊要把种子种多深，以及他应该按照什么顺序种田。作为奖励，它们可以帮助防止拖拉机和喷雾器卡在泥泞中。
• 太空眼，使用AI从卫星图像中删除云。这有助于尼尔森填补他没有用无人机侦察过的领域空白。然后，他可以将这些图像输入到可以识别杂草的AI模型中，帮助他创建地图，仅将除草剂输送到需要它们的区域。即使他确实喷洒，这些地图也让他改变了施用速度，为密集的杂草斑块提供了更多的体积，并在其他地方提供了更轻的负载。
• DeepMC，它使用传感器数据和气象站预测来预测其农场微气候的温度和风速。在尼尔森地区，当地的天气预报预测了离地面10米的情况。“嗯，我不在乎离地面10米什么，”他说。“我关心我的庄稼在哪里。今年春天早些时候，纳尔逊正准备喷洒他的麦田。他检查了正确天气窗口的预报;如果他在冰冷的温度下喷洒，植物会受到除草剂的伤害。当地的预测看起来很有希望，但DeepMC预测会冻结。他停止喷洒，醒来时发现霜冻。
• 一种“假设”分析工具，用于估计各种耕作方法将如何影响土壤中固碳量。今天，尼尔森使用这些“假设”的场景来改善土壤的健康状况并提高产量。但他计划利用它们进入碳市场，这些市场向农民支付将二氧化碳锁在土壤中而不是进入大气中的做法。

---

---

完结撒花   2022.10.8