The core of the Mapflow are the Mapping Models. Mapflow enables to detect and extract features in satellite and aerial images powered by semantic segmentation and other deep learning techniques. See requirements page to better understand what data to use with each model, and price list for breakdown of the processings billing.
Примечание
For the data requirements – see Требования к моделям. For the breakdown of the Mapflow processings billing – see Mapflow pricing.
Модели ИИ-Картографирования
🏠 Здания
Извлечение крыш зданий из снимков высокого разрешения. Высокопроизводительная модель глубокого обучения обучена обнаруживать крыши зданий.
Теги модели 🏷️
- Версия
06.07.2026
- Географический домен
Глобальный
- Модельный метод
Сегментация
- GSD / Масштаб карты
0,3 м/з19
Note: The building predictions with area less than 20 sq.m. are removed to avoid clutter
Модель не извлекает следы напрямую, поскольку они нечетко видны на изображениях, но она может получить их, как и картографы-люди, переместив крышу к нижней части стены (см. Дополнительные параметры).
Дополнительные опции
Classification by types of buildings – typology of buildings is represented by the main classes (see reference).
Regularization - the algorithm corrects the irregularities of the contours of our model. The irregular geometries are replaced with rectangles, circles or arbitary polygons with 90 degree angles, which fits better to the original shape. This option produces much more map-friendly shapes which look better, but some original mask accuracy can be lost.
Упрощение — упрощает форму здания, сохраняя ее близкую к исходной маске, с поправкой на кривые и сложные формы. Более приближенные формы, но менее прямые углы.
Объединить с OSM — некоторые области имеют большой охват данных OpenStreetMap, и если вы предпочитаете данные, аннотированные человеком, вы можете выбрать эту опцию. В этом случае мы проверяем для каждого здания, есть ли у него хороший соответствующий объект в OSM (индекс Жаккара), и если он есть, мы заменяем наш результат полигоном OSM. Это делает результат не основанным на изображении, поэтому здания можно смещать от фактического положения. Также исправленные здания повернуты в соответствии с ближайшими дорогами, загруженными из OSM.
Оценка высоты (бета-версия) – функция использует специальную модель на основе регрессии, которая определяет высоту с использованием визуальных индикаторов, таких как длина тени и видимые сегменты стены. В результате получается так называемая 3D-зона здания, где контур здания проецируется на уровень земли, а не на контур крыши. Это особенно полезно для наклонных изображений, где крыши часто кажутся смещенными.
Бенчмарки – сегментация
Аэрофотоснимки
Последнее обновление — 🏠 Здания v.06.07.2026 (Глобальное, Сегментация, 0,3 м/з19). Модель была оценена на глобальном наборе проверок из 7 областей интереса (AOI) на основе аннотированных вручную фактических данных. Метрики основаны на областях: IoU — это пересечение-объединение прогнозируемых и фактических масок построения, а F1/Precision/Recall вычисляются на перекрывающейся области маски.
АОИ (местоположение) |
Прогнозируемые функции |
долг |
Ф1 |
Точность |
Отзывать |
|---|---|---|---|---|---|
США — Форт Майерс |
65 |
0,907 |
0,951 |
0,983 |
0,921 |
США — Финикс |
47 |
0,903 |
0,949 |
0,944 |
0,953 |
Канада — Риго |
103 |
0,870 |
0,930 |
0,934 |
0,927 |
Австралия — Аделаида |
92 |
0,868 |
0,929 |
0,914 |
0,945 |
Новая Зеландия — Лоуэр-Хатт |
106 |
0,867 |
0,929 |
0,956 |
0,903 |
Новая Зеландия — Веллингтон |
76 |
0,838 |
0,912 |
0,900 |
0,924 |
Великобритания — Лондон |
68 |
0,813 |
0,897 |
0,873 |
0,922 |
Кот-д’Ивуар — Банголо |
102 |
0,663 |
0,797 |
0,844 |
0,755 |
ЮАР — Вустер |
156 |
0,592 |
0,744 |
0,867 |
0,651 |
Аэрофотоснимок (среднее значение 9 AOI) |
815 |
0,813 |
0,893 |
0,913 |
0,878 |
IoU / F1 / Precision / Recall на основе области измеряется по маскам зданий наземной истины; пробный запуск 13 июня 2026 г.
Спутниковые снимки
Дополнительная проверка 🏠 Buildings v.2026-07-06 на спутниковых снимках пяти интересующих густонаселенных городских районов.
АОИ (местоположение) |
Прогнозируемые функции |
долг |
Ф1 |
Точность |
Отзывать |
|---|---|---|---|---|---|
Россия — Уфа |
426 |
0,821 |
0,902 |
0,897 |
0,907 |
Саудовская Аравия — Эр-Рияд |
225 |
0,817 |
0,899 |
0,920 |
0,879 |
Индия — Бангалор |
508 |
0,779 |
0,876 |
0,859 |
0,894 |
Индия — Тейн |
429 |
0,768 |
0,869 |
0,889 |
0,849 |
ОАЭ — Абу-Даби |
142 |
0,751 |
0,858 |
0,828 |
0,890 |
Спутник (среднее значение 5 AOI) |
1730 г. |
0,787 |
0,881 |
0,879 |
0,884 |
IoU / F1 / Precision / Recall на основе области измеряется по маскам зданий наземной истины; пробный запуск 16 июня 2026 г.
См.также
📊 См. детали эталонного теста для каждого местоположения для разбивки по районам как глобального, так и спутникового наборов, включая сравнение с предыдущей версией и наложением прогнозов и наземных данных.
🌲Лес и деревья
The model is trained on high-resolution data (0.6-0.3m) for different areas and climate zones.
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.
The model is robust to region change, and performs well in most environments, including urban. The image should be taken in active vegetation period, because leafless trees or vegetation covered with snow are not the target class.
Теги последних моделей 🏷️
- Версия
03.07.2026
- Географический домен
Глобальный
- Модельный метод
Сегментация
- GSD / Масштаб карты
0,6–0,3 м/z18–19
Пример результатов обработки для сплошной Лесной маски
Дополнительные опции
Оценка высоты – классификация масок леса по классам высоты.
Многоугольники кроны деревьев — извлекает кроны деревьев из лесной растительности, а также отдельно стоящих деревьев, предоставляет их в виде полигонов.
Точки кроны деревьев — извлекает кроны деревьев из лесной растительности, а также из отдельно стоящих деревьев, предоставляет их в виде точек.
Важно
Мы рекомендуем использовать опцию Крона дерева со снимками с разрешением 0,3 м (увеличение ~ 19) для достижения наилучших результатов в случае, если вам нужно обнаружить отдельные деревья.
Примечание
Классификация высоты леса включает следующие классы:
Кустарники ниже 4 метров;
Лес высотой от 4 до 10 метров;
Лес высотой более 10 метров;
Эта классификация используется в качестве поддержки принятия решений по управлению растительностью в зонах линий электропередач и т. д. См. профессиональные решения Geoalert. Пороги могут быть настроены в зависимости от требований.
Образцы результатов обработки
Sample of results for Tree crowns, points
Образец результатов для маски Леса с высотами (растровый вывод)
Бенчмарки – сегментация
Последнее обновление — 🌲 Лес и деревья v.03.07.2026 (Глобальное, Сегментация). Модель оценивалась на проверочном наборе из 6 областей интереса (AOI) по сравнению с аннотированными вручную фактическими данными. Метрики основаны на площади: IoU — это пересечение-объединение прогнозируемых и фактических масок растительности, а F1 / Precision / Recall вычисляются на перекрывающейся области маски.
АОИ (местоположение) |
Прогнозируемые функции |
долг |
Ф1 |
Точность |
Отзывать |
|---|---|---|---|---|---|
Италия — Кротоне |
254 |
0,862 |
0,926 |
0,944 |
0,909 |
Испания — Мадрид |
368 |
0,813 |
0,897 |
0,880 |
0,915 |
Филиппины — Баланга |
220 |
0,806 |
0,892 |
0,864 |
0,923 |
Испания — Велилья де Сан Антонио |
1070 |
0,784 |
0,879 |
0,894 |
0,864 |
Испания — Куэнка |
409 |
0,763 |
0,865 |
0,859 |
0,872 |
Узбекистан — Ташкент |
156 |
0,730 |
0,844 |
0,905 |
0,791 |
Испания — Русь |
249 |
0,617 |
0,763 |
0,699 |
0,841 |
Аргентина — Ла Банда |
93 |
0,576 |
0,731 |
0,653 |
0,829 |
Глобально (среднее значение 8 AOI) |
2819 |
0,744 |
0,850 |
0,837 |
0,868 |
IoU / F1 / Precision / Recall на основе площади измеряется по наземным маскам растительности; оценочный запуск 3 июля 2026 г. По сравнению с предыдущей версией v.2025-06-14 (среднее значение F1 0,513, IoU 0,396).
См.также
📊 См. детали эталонного теста для каждого местоположения для разбивки по регионам, включая сравнение с предыдущей версией и наложением прогнозов и наземных данных.
🚗 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
[мульти] Здания + Дороги + Лес
Этот конвейер объединяет здания, леса и дороги в единый рабочий процесс и возвращает выходные данные GeoJSON с корректировкой топологии.
Образец результатов обработки для комбинированного сценария с моделями зданий, дорог и леса.
Скачать открытые данные
В Mapflow вы можете загрузить открытые картографические данные из OpenStreetMap и Overture Maps. Этот конвейер не использует модели искусственного интеллекта. Он предназначен для поддержки ваших картографических проектов с помощью открытых данных, поддерживаемых сообществом.
Выберите один или несколько семантических классов и запустите рабочий процесс.
Запустите конвейер
Получите результаты и предварительный просмотр изображения (в веб-приложении или проекте QGIS)
Предупреждение
Результаты зависят от наличия и полноты открытых картографических данных в интересующей вас области. Вы можете использовать его вместе с результатами AI-картографии в качестве дополнительного источника.
Примечание
Вам необходимо выбрать источник изображения так же, как и для конвейеров AI-сопоставления. Обратите внимание, что результаты могут не совпадать с изображением, поскольку данные поступают из внешнего открытого источника данных. Изображение предоставлено только для визуального ознакомления, поэтому вы можете решить, нужно ли вам применить изменения или запустить модель Mapflow, чтобы дополнить результаты.
Пользовательские модели
В Mapflow есть несколько вариантов настройки модели.
Вы запрашиваете доступ к конкретной модели на основе вашего варианта использования и данных, а мы обучаем ее для вас и подключаем к Mapflow.
Вы выбираете одну из предварительно обученных моделей, которые не включены в стандартные конвейеры Mapflow, и тестируете ее на своих данных или в своем регионе, чтобы решить, применима ли она или требует дополнительного обучения.
Вы обучаете свою собственную модель с помощью пользовательских данных и запрашиваете нашу поддержку, чтобы подключить ее к вашей учетной записи, чтобы использовать вашу модель с механизмом рабочих процессов Mapflow.
Ниже приведен список пользовательских моделей, созданных для конкретных случаев использования и доступных в Mapflow по запросу (будет обновляться).
🏗️ Constructions (CUSTOM)
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
🏘 High-density housing (CUSTOM)
Примечание
This model has been deprecated as default one and moved to custom. it’s available only by request.
The “high-density housing” AI model is designed for areas with terraced or otherwise densely built buildings, common in the Middle East, parts of Africa, etc. This model, just like the regular building model, detects the building roofs. Firstly, the building blocks are segmented as a whole, and then each block is attempted to be devided into individual houses based on the detection of individual roof markers with rectangular grid or Voronoi diagram.
Образец результатов обработки для района плотной городской застройки (Тунис, Африка):
High-density buildings model, instance segmentation and post-processing with grid options
🚜 Agriculture fields (CUSTOM)
Предупреждение
This model has been deprecated as default one and moved to custom. it’s available by request.
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 v1 (CUSTOM)
Примечание
This model has been deprecated as default one and moved to custom. it’s available only by request.
“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
if you run it via TMS (e.g. Imagery like Mapbox Satellite) — you need to select the Zoom level (image resolution) from the model options which will be used for the input
Depending on the input resolution, the SAM model will interpret and generate different results. It can be empirically classified by mapping classes depending on the zoom levels as follows:
УРОВНИ МАСШТАБИРОВАНИЯ |
СЕМАНТИЧЕСКИЕ ОБЪЕКТЫ |
|---|---|
14 |
Land use, large agri fields, forests, parks, fields, bodies of water |
16 |
Небольшие поля, большие здания, газоны, участки |
18 |
Фермы, здания, группы деревьев и т.д. |
19+ |
Дома, деревья, транспортные средства, конструкции крыш и т.д. |
Например, результат – SAM (увеличение 14)
Например, результат – SAM (увеличение 16)
Например, результат – SAM (увеличение 18)
E.g. Result – SAM on aerial imagery (zoom 20), single trees. Some polygons are not very accurate and some target objects are missing, but the overall result is relevant and can be used for more accurate mapping.
E.g. Result – SAM on aerial imagery (zoom 20), containers. Applicable to small similar-pattern objects, requires some manual filtering of the model’s output.
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.
Бассейны (ПОЛЬЗОВАТЕЛЬСКИЕ)
Примечание
This model is available by request.
Обнаружение и классификация бассейнов. Модель обучена на аэрофотоснимках высокого разрешения (рабочий уровень масштабирования 19). Оценка тестового теста: F1 > 0,95.
Название модели |
Тип модели |
Уровень масштабирования |
F1 (тестирование) |
Геодомен |
|---|---|---|---|---|
Бассейны |
Детектор + классификация |
масштаб 19-20 |
> 0,95 |
Глобальный |
`Читать далее О варианты использования и модельное приложение
|:солнечно:| Солнечные панели (КАСТОМ)
Примечание
This model is available by request.
Солнечные панели — это модель, обученная для обнаружения фотоэлектрических элементов с помощью аэрофотоснимков (рабочие уровни масштабирования 19–21). Он способен обнаруживать фотоэлектрические элементы как на крышах, так и на земле. Оценка тестового теста: F1 > 0,87.
Название модели |
Тип модели |
Уровень масштабирования |
F1 (тестирование) |
Геодомен |
|---|---|---|---|---|
Солнечные панели |
Детектор + сегментатор |
масштаб 19-21 |
попиксельно > 0,77 |
Глобальный |
