Извлечение контуров зданий — один из самых устоявшихся сценариев использования GeoAI, однако высокая точность сегментации ещё не гарантирует пригодности векторных данных. После преобразования растровых масок в полигоны производственные команды по-прежнему сталкиваются со слипшимися зданиями, фрагментами, искажёнными границами и ложными срабатываниями, которые не могут быть приняты в авторитетные базы данных без проверки.

Новое исследование посвящено именно этому постсегментационному этапу. Вместо того чтобы предлагать очередную нейросеть для извлечения, исследователи разработали слой контроля качества, который оценивает отдельные полигоны контуров и выявляет те из них, которые, вероятно, потребуют удаления или ручной инспекции.

Рисунок 1. Сквозной рабочий процесс: от сегментации ортофотоплана до классификации качества контуров на уровне объектов. Источник: авторы статьи.

В исследовании использовались цветные ортофотопланы с разрешением 15 см, полученные с пяти участков аэросъёмки с БПЛА в дивизионе Дакка в Бангладеш. Кандидаты в контуры были сгенерированы с помощью двух различных архитектур: U-Net с базовой моделью ResNet-34 и адаптированной через LoRA модели Segment Anything.

Маски были векторизованы, геометрически регуляризованы и консолидированы для удаления конкурирующих представлений одного и того же здания. Это больше напоминает практический ГИС-рабочий процесс, чем оценку одной лишь пиксельной сегментации. В собственном примере по извлечению зданий Esri отмечает, что обнаруженные полигоны требуют постобработки для устранения геометрических артефактов.

Регуляризация улучшает картографическую форму, но она не определяет, представляет ли полигон правильное здание. Поэтому исследователи описали каждого кандидата с помощью 24 переменных из трёх областей.

Человеческие эксперты разметили полученные объекты как приемлемые или ошибочные. Данные с трёх участков использовались для разработки модели, а четвёртый участок, содержащий 4162 объекта, был выделен в качестве пространственно независимого тестового набора.

Рисунок 2. Типичные виды ошибок в контурах зданий, полученных сегментацией. Источник: авторы статьи.

Наилучшую конфигурацию показало дерево решений, использующее геометрические переменные и переменные пространственного контекста. На выделенном участке оно достигло точности 95,31%, F1-меры 91,06% и коэффициента корреляции Мэттьюса 0,880.

На уровне базы данных модель идентифицировала 87,34% ошибочных контуров, сохранив при этом 98,31% приемлемых. Доля ошибок в сохранённом наборе данных снизилась с 27,32% до 4,62%.

Добавление всех переменных, полученных из растра, не улучшило наилучший результат. Прямые данные о форме полигона и структуре соседства оказались более полезными для обнаружения проблем с границами, чем самый насыщенный по признакам набор.

Это важный результат для промышленного GeoAI. Качество контура — это не только задача классификации изображений. Это также задача пространственных данных, связанная с топологией, геометрией и согласованностью с окружающими структурами застройки.

Независимый тестовый участок усиливает достоверность оценки, но все пять участков расположены в одном регионе. Переносимость на другие сенсоры, материалы крыш, типы застройки и городские морфологии остаётся недоказанной. Модель качества, используемая на национальном или глобальном уровне, потребовала бы более широкой географической валидации.

Кроме того, рабочий процесс зависит от вручную классифицированных примеров контуров. Он может сократить объём объектов, требующих проверки, но не устраняет человеческое суждение из процесса.

Он также не решает проблему пропущенных объектов (omission errors). Классификатор оценивает только те полигоны-кандидаты, которые уже существуют. Здание, пропущенное обеими моделями извлечения, не будет восстановлено при фильтрации их выходных данных.

Эти ограничения указывают на реалистичное разделение труда. Модели извлечения могут создавать данные-кандидаты в масштабе. Вторая модель может приоритизировать подозрительные объекты. Затем ГИС-специалисты могут сосредоточиться на пропусках, неоднозначных случаях и стандартах приемки, а не проверять каждый полигон с одинаковой тщательностью.

По мере того как GeoAI внедряется в кадастровое картографирование, городское планирование и инфраструктурные базы данных, это различие будет становиться всё более важным. Релевантным критерием является не то, насколько убедительно выглядит начальная сегментация, а то, сколько надёжных, проверяемых векторных данных попадает в базу данных — и насколько эффективно обрабатывается оставшаяся неопределённость.