Mapflow 的核心是映射模型。 Mapflow 能够检测和提取由语义分割和其他深度学习技术支持的卫星和航空图像中的特征。请参阅:ref:要求 <Model_requirements> 页面，以更好地了解每个模型要使用哪些数据，并参阅:doc:价目表 <prices> 以了解处理计费的详细信息。
注解
有关数据要求 - 请参阅模型要求。有关 Mapflow 处理计费的详细信息 – 请参阅:doc:Mapflow 定价 <prices>。
AI 绘图模型
🏠 建筑物
从高分辨率图像中提取建筑物的屋顶。训练高性能深度学习模型来检测建筑物屋顶。
型号标签 |:标签:|
- 版本
2026-07-06
- 地理域
全球的
- 模型法
分割
- GSD / 地图缩放
0.3 m/z19
该模型不会直接提取足迹，因为它们在图像中不清晰可见，但它可以像人类制图师一样，通过将屋顶移动到墙的底部来获取它们（请参阅其他选项）。
附加选项：
按建筑物类型分类 – 建筑物的类型由主要类别表示（参见：ref:参考<buildings_classes>）。
正则化 - 该算法纠正模型轮廓的不规则性。不规则的几何形状被替换为矩形、圆形或90度角的任意多边形，更适合原始形状。此选项会生成更加适合地图的形状，看起来更好，但可能会丢失一些原始蒙版精度。
简化 - 简化建筑形状，保持接近原始蒙版，针对曲线和复杂形状进行调整。形状更近似，但直角更少。
与 OSM 合并 - 某些区域的 OpenStreetMap 数据覆盖率很高，如果您更喜欢人工注释的数据，则可以选择此选项。在这种情况下，我们检查每个建筑物在 OSM（Jaccard 索引）中是否有良好的对应对象，如果有，我们将结果替换为 OSM 多边形。这使得结果不基于图像，因此建筑物可以从实际位置移动。此外，校正后的建筑物也会旋转，以与从 OSM 下载的最近的道路对齐。
高度估计（测试版） – 功能利用专用的基于回归的模型，该模型使用阴影长度和可见墙段等视觉指标来推断高度。结果就是所谓的 3D 建筑足迹，其中建筑物的轮廓被投影到地面而不是屋顶轮廓。这对于屋顶经常出现移位的倾斜图像特别有用。
基准 - 细分
航拍图像
最新更新 — **🏠 Buildings v.2026-07-06**（全局，分段，0.3 m / z19）。该模型在 7 个感兴趣区域 (AOI) 的全局验证集上根据手动注释的真实情况进行评估。指标是基于区域的：IoU 是预测和真实建筑掩模的交并，并且 F1 / 精度 / 召回率是在重叠掩模区域上计算的。
AOI（位置） |
预测特征 |
IOU |
F1 |
精确 |
记起 |
|---|---|---|---|---|---|
美国 — 迈尔斯堡 |
65 |
0.907 |
0.951 |
0.983 |
0.921 |
美国 — 菲尼克斯 |
47 |
0.903 |
0.949 |
0.944 |
0.953 |
加拿大 — 里戈 |
103 |
0.870 |
0.930 |
0.934 |
0.927 |
澳大利亚 — 阿德莱德 |
92 |
0.868 |
0.929 |
0.914 |
0.945 |
新西兰 — 下赫特 |
106 |
0.867 |
0.929 |
0.956 |
0.903 |
新西兰 — 惠灵顿 |
76 |
0.838 |
0.912 |
0.900 |
0.924 |
英国 — 伦敦 |
68 |
0.813 |
0.897 |
0.873 |
0.922 |
科特迪瓦 — 班戈洛 |
102 |
0.663 |
0.797 |
0.844 |
0.755 |
南非 — 伍斯特 |
156 |
0.592 |
0.744 |
0.867 |
0.651 |
航拍（9 个 AOI 的平均值） |
815 |
0.813 |
0.893 |
0.913 |
0.878 |
根据地面真实建筑掩模测量的基于区域的 IoU / F1 / 精度 / 召回率；评估运行 2026-06-13.
卫星图像
在 5 个密集城市感兴趣区域的卫星图像上对 🏠 Buildings v.2026-07-06 进行额外验证。
AOI（位置） |
预测特征 |
IOU |
F1 |
精确 |
记起 |
|---|---|---|---|---|---|
俄罗斯 — 乌法 |
第426章 |
0.821 |
0.902 |
0.897 |
0.907 |
沙特阿拉伯 — 利雅得 |
225 |
0.817 |
0.899 |
0.920 |
0.879 |
印度 — 班加罗尔 |
508 |
0.779 |
0.876 |
0.859 |
0.894 |
印度 — 塔恩 |
第429章 |
0.768 |
0.869 |
0.889 |
0.849 |
阿拉伯联合酋长国 — 阿布扎比 |
142 |
0.751 |
0.858 |
0.828 |
0.890 |
卫星（5 个 AOI 的平均值） |
1730 |
0.787 |
0.881 |
0.879 |
0.884 |
根据地面真实建筑掩模测量的基于区域的 IoU / F1 / 精度 / 召回率；评估运行 2026-06-16.
参见
📊 请参阅:doc:每个位置基准详细信息 <buildings_benchmark_07-06>，了解全球和卫星集的逐个区域细分，包括与先前版本的比较以及预测与地面实况叠加。
🌲 森林和树木
该模型根据不同地区和气候带的高分辨率数据（0.6-0.3m）进行训练。
结果包括所有树木和灌木植被覆盖的区域，包括稀疏的森林和灌木丛。
模型分辨率允许检测小群树木和狭窄的树线。
该模型对区域变化具有鲁棒性，并且在包括城市在内的大多数环境中表现良好。图像应在植被活跃时期拍摄，因为无叶树木或被雪覆盖的植被不是目标类别。
最新型号标签 |:标签:|
- 版本
2026-07-03
- 地理域
全球的
- 模型法
分割
- GSD / 地图缩放
0.6–0.3 m / z18–19
固体**森林**面膜的加工结果示例
附加选项：
高度估计 – 按高度类别进行森林掩模分类
树冠多边形 - 从森林植被以及独立树木中提取树冠，将其作为多边形提供
树冠点 - 从森林植被以及独立树木中提取树冠，将其作为点提供
重要
我们建议使用具有 0.3m 分辨率图像（约 19 倍变焦）的 树冠 选项，以便在您需要检测单棵树时获得最佳结果。
注解
森林高度分类遵循以下类别：
低于4米的灌木；
森林高度4至10米；
森林高度超过10米；
此分类用作电力线区域植被管理等的决策支持。请参阅“Geoalert 的专业解决方案<https://geoalert.io/solutions/power>”_。阈值可以根据要求定制。
处理结果样本
基准 - 细分
最新更新 — **🌲 森林和树木 v.2026-07-03**（全局，细分）。该模型根据手动注释的基本事实在 6 个感兴趣区域 (AOI) 的验证集上进行评估。指标是基于区域的：IoU 是预测植被掩模和地面真实植被掩模的交并，并且 F1 / 精度 / 召回率是在重叠掩模区域上计算的。
AOI（位置） |
预测特征 |
IOU |
F1 |
精确 |
记起 |
|---|---|---|---|---|---|
意大利 — 克罗托内 |
第254章 |
0.862 |
0.926 |
0.944 |
0.909 |
西班牙 — 马德里 |
第368章 |
0.813 |
0.897 |
0.880 |
0.915 |
菲律宾 — 巴兰加 |
220 |
0.806 |
0.892 |
0.864 |
0.923 |
西班牙 — 贝利利亚德圣安东尼奥 |
1070 |
0.784 |
0.879 |
0.894 |
0.864 |
西班牙 — 昆卡 |
409 |
0.763 |
0.865 |
0.859 |
0.872 |
乌兹别克斯坦 — 塔什干 |
156 |
0.730 |
0.844 |
0.905 |
0.791 |
西班牙 — 罗斯 |
249 |
0.617 |
0.763 |
0.699 |
0.841 |
阿根廷 — 拉班达 |
93 |
0.576 |
0.731 |
0.653 |
0.829 |
全球（8 个 AOI 的平均值） |
2819 |
0.744 |
0.850 |
0.837 |
0.868 |
根据地面实况植被掩模测量的基于区域的 IoU / F1 / 精度 / 召回率；评估运行时间为 2026 年 7 月 3 日。与之前版本 v.2025-06-14 相比（平均 F1 0.513，IoU 0.396）。
参见
📊 请参阅 每个位置基准详细信息 了解逐个区域的细分，包括与之前版本的比较以及预测与真实情况叠加。
🚗 道路
高分辨率图像中的道路分割模型 (0.3 - 0.5 m)
该模型主要针对农村和郊区进行训练。应用多任务学习是为了提高道路掩模的连通性，特别是在被树木或建筑物遮挡的地方。最适合城市化程度较低的地区，但在有宽阔的道路、人行道和复杂的十字路口的城市中可能会失败。我们提取道路中心线以减少混乱并优化提取的道路网络，然后将道路线膨胀回多边形对象。
在1.1版本中我们添加了道路图后处理：
几何简化；
合并差距；
去除双边；
去除分离的和过短的片段；
处理结果样本
模型的最佳条件：俄罗斯农村/郊区
更复杂的环境——捷克共和国布拉格的城市领土
[多]建筑物+道路+森林
该管道将建筑物、森林和道路组合在一个工作流程中，并返回经过拓扑校正的 GeoJSON 输出。
以建筑物、道路和森林模型为特征的组合场景的处理结果示例。
下载开放数据
在 Mapflow 中，您可以从 OpenStreetMap 和 Overture Maps 下载开放地图数据。该管道**不使用任何人工智能模型**。它旨在通过社区维护的开放数据支持您的测绘项目。
选择一个或多个语义类并运行工作流。
运行管道
获取结果和图像预览（在Web应用程序或QGIS项目中）
警告
结果取决于您感兴趣的区域中开放地图数据的可用性和完整性。您可以将其与 AI 绘图结果一起用作补充来源。
注解
您必须以与 AI 映射管道相同的方式选择图像源。请注意，结果可能与图像不太一致，因为数据来自外部开放数据源。该图像仅供视觉参考，因此您可以决定是否需要应用编辑或运行 Mapflow 模型来补充结果。
定制型号
Mapflow 中有多种模型定制选项。
您根据您的用例和数据请求访问特定模型，我们会为您进行训练并将其连接到 Mapflow。
您选择标准 Mapflow 管道中未包含的预训练模型之一，并使用您的数据或在您的区域进行测试，以确定它是否适用或需要额外的培训。
您使用自定义数据训练您自己的模型，并请求我们的支持将其连接到您的帐户，以便通过 Mapflow 工作流引擎利用您的模型。
以下是为特定用例创建的自定义模型列表，并可根据请求在 Mapflow 中使用（待更新）。
🏗️ 结构（定制）
该模型概述了卫星图像中包含建筑工地和在建建筑物的区域。当前的模型数据集仅限于某些国家，扩展工作正在进行中。
快速发展的建筑工地区域的处理结果样本
🏘 高密度住宅（定制）
注解
此模型已被弃用作为默认模型并移至自定义模型。它只能根据要求提供。
“高密度住宅”AI模型是为有梯田或其他密集建筑的地区而设计的，常见于中东、非洲部分地区等。该模型与常规建筑模型一样，会检测建筑物的屋顶。首先，将建筑块作为一个整体进行分割，然后根据矩形网格或Voronoi图检测各个屋顶标记，尝试将每个块划分为单独的房屋。
密集城市发展区（突尼斯、非洲）的处理结果样本：
高密度建筑模型、实例分割和带有网格选项的后处理
|:拖拉机:|农业领域（定制）
警告
此模型已被弃用作为默认模型并移至自定义模型。可根据要求提供。
如果存在视觉边界（林线、道路、不同作物阶段），田地分割模型可以检测农田并相互划分附近的田地。该模型基于高分辨率数据（1-1.2 m）进行训练，主要针对欧洲、俄罗斯。它在植被活跃的较大田地中表现更好。较小的梯田（亚洲典型）的轮廓不太好。没有植被的田地，特别是在冬季，不属于目标类别。
欧洲（比利时）的处理结果样本
亚洲（印度北部）的处理结果样本
✨ 分段任何内容 v1（自定义）
注解
此模型已被弃用作为默认模型并移至自定义模型。它只能根据要求提供。
“Segment Anything”（最初由 Meta 作为 通用分割模型 引入）可作为 Mapflow 中的另一个实验模型。我们将其调整为 Mapflow 工作流程，以便大规模使用。启动此模型需要执行相同的步骤：
选择您的数据源
选择您的地理区域 - 多边形、GeoJSON 文件或图像范围
然而模型工作流程有一个区别：
如果您使用 GTIFF 文件运行此模型 — 将使用图像的原始分辨率
如果您通过 TMS 运行它（例如 Imagery 像 Mapbox Satellite） — 您需要从模型选项中选择用于输入的缩放级别（图像分辨率）
根据输入分辨率，SAM 模型将解释并生成不同的结果。可以根据缩放级别通过映射类对它进行经验分类，如下所示：
缩放级别 |
语义对象 |
|---|---|
14 |
土地利用、大型农田、森林、公园、田野、水体 |
16 |
小田地、大建筑物、草坪、地块 |
18 |
农场、建筑物、树木群等 |
19+ |
房屋、树木、车辆、屋顶结构等 |
例如。结果 – SAM（缩放 14）
例如。结果 – SAM（缩放 16）
例如。结果 – SAM（缩放 18）
例如。结果 – 航空图像上的 SAM（变焦 20），单棵树。有些多边形不是很准确，有些目标对象丢失，但总体结果是相关的，可以用于更准确的映射。
例如。结果 – 航空图像（变焦 20）、集装箱上的 SAM。适用于小型相似图案对象，需要对模型的输出进行一些手动过滤。
注解
❗️ Mapfow for QGIS 默认模型列表中未提供 SAM，因为当前插件的设计中未启用缩放选项。然而，如果您在 QGIS 工作并想在那里尝试 SAM — 向我们发送请求，我们将使用指定的所有缩放选项连接相应的工作流程场景。
游泳池（定制）
注解
该型号可根据要求提供。
游泳池检测和分类。该模型在高分辨率航空图像（工作缩放级别 19）上进行训练。测试基准分数为“F1 > 0.95”。
型号名称 |
型号类型 |
缩放级别 |
F1（测试） |
地理域 |
|---|---|---|---|---|
游泳池 |
探测器+分类 |
变焦19-20 |
> 0.95 |
全球的 |
`阅读更多<https://medium.com/geoalert-platform-urban-monitoring/how-we-approached-a-foundational-model-and-ending-up-with-a- detector-a-real-use-case-b754059650e8?source=friends_link&sk=e46d38b56760d47b8ad0cfa410c2f0dc>`_用例和模型应用
|:晴朗:|太阳能电池板（定制）
注解
该型号可根据要求提供。
太阳能电池板是一个经过训练的模型，用于使用航空图像（工作缩放级别 19-21）检测光伏元件。它能够检测屋顶和地面上的光伏元件。测试基准分数为“F1 > 0.87”。
型号名称 |
型号类型 |
缩放级别 |
F1（测试） |
地理域 |
|---|---|---|---|---|
太阳能电池板 |
探测器+分割器 |
变焦19-21 |
按像素 > 0.77 |
全球的 |
