Carreteras

Roads Default model

Resultado de ejemplo: polígonos de carreteras construidos a partir de una red de ejes depurada.

Costo

5 créditos por km² + imágenes

Ejemplo: 10 km² en Mapbox con zoom 18 ≈ 80 créditos.

Encuentra los ejes de las carreteras, depura el grafo (simplifica la geometría, une huecos, elimina aristas dobles y tramos cortos sueltos) y lo vuelve a convertir en polígonos de carreteras. El aprendizaje multitarea mantiene la red conectada donde los árboles o los edificios ocultan la carretera.

Qué obtiene

Polígonos de carreteras construidos a partir de una red de ejes depurada.

Funciona mejor con

Zonas rurales y suburbanas con imágenes de 0,6–0,3 m (zoom 18). Los centros urbanos densos con aceras anchas y cruces complejos son más difíciles.

Ejemplos de uso

Mapear caminos de acceso y pistas para la planificación rural
Añadir pistas forestales y agrícolas que faltan en OSM
Revisar la red de calles en nuevos suburbios

Versión: 1.1
Dominio geográfico: Global, mejor en zonas rurales y suburbanas
Método: Segmentación + posprocesado del grafo
GSD / zoom: 0,6–0,3 m / z18

Cómo funciona

El modelo se entrenó sobre todo en zonas rurales y suburbanas. El aprendizaje multitarea mantiene conectada la máscara de carreteras donde los árboles o los edificios ocultan la carretera. Puede fallar en ciudades con calles anchas, aceras y cruces complejos.

El modelo extrae los ejes de las carreteras para reducir el ruido, depura la red y luego vuelve a ensanchar las líneas en polígonos de carreteras. Desde la versión 1.1, el grafo de carreteras se posprocesa:

simplificación de la geometría;
unión de huecos;
eliminación de dobles bordes;
eliminación de segmentos sueltos y demasiado cortos.

Resultados de ejemplo

Extracted road network over a regular grid city — Regular grid layout — Balcarce, Buenos Aires, Argentina

Extracted road network over a dense, irregular city — Dense, irregular street network — India

📊 Benchmarks

We evaluated the update using open benchmark datasets, including SpaceNet 3 Roads, supplemented with our own validation data across different urban environments.

We focused on two complementary metrics:

IoU (Intersection over Union) measures how accurately the predicted road mask matches the actual road coverage. It tells us how well the model identifies roads and captures their spatial extent.

Topology F1 (Topo-F1) evaluates the connectivity of the extracted road network. This is particularly important for mapping and routing, where roads need to remain connected even when partially obscured by vegetation, buildings or shadows.

The new model improves both metrics across all seven validation datasets. Compared with the original baseline, the average scores across these datasets increased significantly:

IoU: 0.386 → 0.599 (+55%)
Topo-F1: 0.465 → 0.758 (+63%)

Roads IoU by validation dataset — baseline vs updated models — IoU by validation dataset (higher is better)

Roads Topology F1 by validation dataset — baseline vs updated models — Topology F1 by validation dataset (higher is better)

Some of the most impressive improvements are in challenging urban environments:

Validation area	IoU (before → after)	Topo-F1 (before → after)
Shanghai	0.180 → 0.562	0.171 → 0.717
Khartoum	0.277 → 0.584	0.224 → 0.735
India	0.344 → 0.551	0.245 → 0.637
Las Vegas	0.490 → 0.685	0.668 → 0.882

Why do both metrics matter?

A road network may look connected but still miss substantial portions of the actual road coverage. Conversely, a model can accurately identify individual road segments but fail to connect them into a usable network.

The updated Roads model makes progress on both fronts: more accurate road coverage and better-connected networks. This is especially valuable in densely built-up areas with narrow streets, irregular layouts and frequent occlusions — precisely where automated road mapping remains challenging.

¿Necesita otro tipo de objeto?

Entrenamos modelos personalizados con sus imágenes y clases, y los conectamos a su cuenta de Mapflow.