Дороги

Roads Default model

Полигоны дорожной сети в пригородном районе

Пример результата: полигоны дорог, построенные по очищенной сети осевых линий.

Стоимость

5 кредитов за км² + снимки

Пример: 10 км² на Mapbox с зумом 18 ≈ 80 кредитов.

Находит осевые линии дорог, очищает граф (упрощает геометрию, объединяет разрывы, удаляет двойные рёбра и короткие оторванные фрагменты) и снова превращает его в полигоны дорог. Многозадачное обучение сохраняет связность сети там, где дорогу скрывают деревья или здания.

Что вы получите

Полигоны дорог, построенные по очищенной сети осевых линий.

Лучше всего работает с

Сельские и пригородные территории на снимках 0,6–0,3 м (зум 18). Плотные центры городов с широкими тротуарами и сложными перекрёстками даются труднее.

Примеры использования

Картировать подъездные дороги и проезды для планирования сельских территорий
Добавить лесные и полевые дороги, которых нет в OSM
Проверить уличную сеть в новых пригородах

Версия: 1.1
Географический охват: Глобальная, лучше всего в сельской и пригородной местности
Метод: Сегментация + постобработка графа
GSD / зум: 0,6–0,3 м / z18

Как это работает

Модель обучена в основном на сельских и пригородных территориях. Многозадачное обучение сохраняет связность маски дорог там, где дорогу скрывают деревья или здания. В городах с широкими дорогами, тротуарами и сложными перекрёстками модель может ошибаться.

Модель извлекает осевые линии дорог, чтобы уменьшить шум, очищает сеть, а затем снова расширяет линии до полигонов дорог. Начиная с версии 1.1 граф дорог проходит постобработку:

упрощение геометрии;
объединение разрывов;
удаление двойных кромок;
удаление оторванных и слишком коротких сегментов.

Примеры результатов

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.

Нужен другой объект?

Мы обучаем пользовательские модели на ваших снимках и классах и подключаем их к вашему аккаунту Mapflow.