QGIS GeoAI 插件:点一下就能提取建筑、水体和树木,AI 矢量化真的来了?

在 GIS 数据生产中，栅格影像矢量化一直是一项非常耗费时间的工作。

建筑轮廓要一栋一栋描，道路边线要一段一段勾，水体、林地和耕地图斑也需要不断放大影像、添加节点。即使操作人员经验丰富，面对大范围航空影像或遥感影像，仍然要投入大量时间。

那么，能不能让 AI 先识别影像中的目标，自动生成矢量边界，再由人工进行检查和修改？答案是：可以。

QGIS 中的 GeoAI 插件，就是目前较有代表性的一种开源解决方案。

一、GeoAI 是什么？

GeoAI 是一款面向地理空间影像分析的 QGIS 插件。它把多种计算机视觉和深度学习能力集成到 QGIS 的停靠面板中，让用户不必离开熟悉的 GIS 工作环境，就能完成目标检测、影像分割、模型训练和成果矢量化。

截至 2026 年 8 月，QGIS 官方插件仓库中的 GeoAI 稳定版本为 1.7.0，支持 QGIS 3.28 及以上版本，并采用 MIT 开源许可。

它目前包含的主要能力有：

• 使用 Segment Anything 模型提取建筑、道路、树木等目标；
• 使用 DeepForest 检测树冠及其他独立目标；
• 使用 OmniWaterMask 自动提取水体；
• 使用语义分割模型对影像像素进行分类；
• 使用 Mask R-CNN 区分相邻的独立对象；
• 使用视觉语言模型描述影像、回答问题和定位目标；
• 将识别结果保存为 GeoTIFF、GeoPackage 或 Shapefile。

简单来说，它并不是一个单一的“栅格转矢量”工具，而是一套嵌入 QGIS 的 AI 影像分析工具箱。

二、最值得关注的功能：Segment Anything

对普通 GIS 用户来说，GeoAI 中最直观的功能，是基于 SAM 系列模型实现的 Segment Anything。

传统人工矢量化需要沿目标边界逐点绘制；使用这一功能时，用户只需要给模型一个提示，AI 就会尝试识别对应对象的完整范围。

目前主要支持以下几种交互方式。

1. 点选目标

在建筑、水塘、树冠或其他对象内部点一下，模型便会根据影像的颜色、纹理和边缘特征生成目标掩膜。

如果模型把旁边的树木、阴影或相邻建筑也包含进来，还可以添加“背景点”，告诉模型哪些部分不属于目标。

这种方式很像使用“智能魔棒”，但它不只是依据颜色进行选择，而是尝试理解影像中的完整对象。

2. 框选目标

当影像中的目标比较密集，或者单点提示容易选中错误对象时，可以先画一个矩形框限制识别范围。

例如，在建筑密集区框住其中一栋房屋，通常比只在屋顶上点一下更容易获得独立轮廓。

3. 使用文字提示

部分模型支持输入 building、tree、road 等文字，让 AI 在影像中寻找相应对象。

这种方式更接近人们想象中的“告诉 AI 要什么，它就自动找出来”。不过，文字分割的效果仍会受到模型版本、影像分辨率、目标类型和地区差异影响，不能简单理解为输入一个单词就能获得完整、准确的测绘成果。

4. 批量处理点位

如果已经拥有建筑中心点、树木位置点或其他候选点图层，可以将这些点作为批量提示输入模型。

模型会围绕每个点分别生成目标掩膜。这比逐个点击更加适合批量生产，也为“目标检测生成中心点—SAM 提取轮廓”的组合流程提供了可能。

三、从 AI 掩膜到 GIS 矢量

AI 分割首先得到的通常不是矢量面，而是一张二值掩膜：目标区域是一类像素，背景是另一类像素。

GeoAI 可以进一步把掩膜转换为 GIS 矢量，并输出为：

• GeoPackage；
• Shapefile；
• GeoTIFF 掩膜。

在保存矢量结果时，还可以进行一定程度的后处理，例如：

• 设置最小面积，过滤细小碎斑；
• 设置简化容差，减少不必要的边界节点；
• 对多边形进行正交化，使建筑边缘更接近直线和直角。

这一步非常重要，因为 AI 直接生成的边界往往带有像素锯齿、细小孔洞和不规则节点。如果不经过清理，虽然画面上“看着像”，却很难直接用于正式的 GIS 数据库。

需要特别注意的是：正交化只能让轮廓变得规整，并不能把错误的轮廓变成正确的轮廓。

如果树木遮挡了屋顶，或者阴影被模型误认为建筑的一部分，后处理最多只能把错误边界修整得更平滑，真实范围仍然需要人工判断。

四、除了 SAM，GeoAI 还能做什么？

1. 自动提取水体

GeoAI 集成了 OmniWaterMask，可用于从卫星或航空影像中识别湖泊、水库、河流和池塘。

该模块支持大影像分块推理、多光谱波段顺序配置，以及平滑边界、过滤小图斑等处理。还可以选择结合 OpenStreetMap 中的水体、建筑和道路数据进行辅助优化。

对于边界清楚的开阔水面，自动提取通常具有较高的实用价值；但狭窄河流、建筑阴影、深色屋顶和浑浊水面仍可能造成漏判或误判。

2. 检测树冠和独立目标

Tree Segmentation 模块主要基于 DeepForest，可以在单幅影像或大型地理影像切片中检测树冠，并以矢量或栅格格式输出结果。

用户可以调整切片大小、重叠范围、置信度和去重阈值。除了树冠，插件提供的相关模型还可用于鸟类、牲畜、鸟巢和枯死树等特定目标的检测。

不过，“检测到一棵树”和“精确勾画树冠”不是同一件事。目标检测结果可能只是矩形框；如果需要精细树冠面，还要进一步结合分割模型。

3. 训练自己的语义分割模型

通用模型并不一定适合所有地区和所有影像。如果项目长期处理同一种数据，例如固定分辨率的无人机影像，并持续提取大棚、建筑、水体或光伏板，就可以考虑训练专用模型。

GeoAI 提供了相对完整的语义分割流程：

1. 输入栅格影像和已有矢量标签；
2. 自动生成训练影像和标签切片；
3. 选择 U-Net、DeepLabV3+、FPN、SegFormer 等模型；
4. 设置参数并训练模型；
5. 在新影像上运行推理；
6. 将分类结果转换为栅格或矢量成果。

这种方式的前期成本高于直接使用 SAM，但对重复性强、数据规模大的任务更有价值。

4. 区分相邻的独立对象

语义分割主要判断“这个像素属于哪一类”，可能把相邻建筑识别成一个整体。实例分割则不仅判断类别，还尝试区分每一个独立对象。

GeoAI 的实例分割模块支持 Mask R-CNN，可用于单栋建筑、单株树木、车辆、大棚或独立设施等对象的训练和识别。

它对训练标签的要求也更高：每个对象都需要作为独立实例进行标注。

5. 用自然语言理解影像

插件还集成了 Moondream 视觉语言模型，可以描述影像内容、回答有关影像的问题、检测指定对象，或者以点和矩形框的形式定位目标。

这类能力适合影像浏览、快速探索和辅助制作训练样本，但目前更像“智能看图助手”，不宜直接当作精确测绘工具。

五、简单教程demo

各位朋友可以观看简短视频演示快速了解如何在QGIS中使用GeoAI插件。

视频demo : https://youtu.be/Esr_e6_P1is

完整视频教程：https://youtu.be/8-OhlqeoyiY

整个过程中，AI 负责快速生成候选轮廓，人负责判断轮廓是否符合实际情况和数据生产标准。这也代表了目前 AI 矢量化更合理的工作模式：

六、安装并不像普通插件那么简单

GeoAI 插件本体可以直接从 QGIS 官方插件仓库安装：

1. 打开 QGIS；
2. 进入“插件—管理并安装插件”；
3. 搜索 GeoAI；
4. 安装并启用插件；
5. 打开任意 GeoAI 面板；
6. 按提示安装 AI 依赖。

当前版本提供内置依赖安装功能，也能自动检测 NVIDIA CUDA 和 Apple MPS。不过，深度学习环境仍是使用这类插件时最容易遇到问题的环节。

GeoAI 的基础要求包括：

• QGIS 3.28 或更高版本；
• Python 3.10 或更高版本；
• PyTorch；
• GeoAI、SamGeo、DeepForest、OmniWaterMask 等相关依赖；
• 推荐使用支持 CUDA 的 NVIDIA 显卡。

常见问题包括 Python 包冲突、CUDA 与 PyTorch 版本不匹配、模型下载失败、单位网络限制以及显存不足。官方文档建议在需要精确控制环境时使用 Pixi 管理 QGIS 和深度学习依赖。

如果没有独立显卡，部分较小的模型仍可尝试使用 CPU，但速度会明显下降。官方目前特别说明，SAM3 需要 NVIDIA CUDA GPU，不能在纯 CPU 环境中运行。

因此，第一次测试时不要直接加载几十 GB 的整幅正射影像。更稳妥的做法是先裁剪一个具有代表性的小区域，确认模型效果和运行环境后再扩大范围。

结语

QGIS GeoAI 把 SAM、语义分割、实例分割、树冠检测、水体提取和视觉语言模型带进了日常 GIS 软件。

它降低了地理空间 AI 的试用门槛，也提供了一条非常现实的技术路线：先让 AI 完成初步识别和矢量化，再由专业人员控制成果质量。

对于长期从事遥感解译、基础地理数据生产或人工矢量化的用户来说，这类工具值得关注，也值得用自己的真实数据进行测试。

毕竟，演示中的“一键提取”是否真的有用，最终还是要看它能为实际项目减少多少人工修改时间。

你认为 AI 最适合提取哪一类 GIS 要素？建筑、水体、道路，还是地块？欢迎留言交流。

参考资料

1. QGIS 官方插件仓库：https://plugins.qgis.org/plugins/geoai/

2. GeoAI 官方文档：https://opengeoai.org/qgis_plugin/

3. GeoAI GitHub 项目: https://github.com/opengeos/geoai

4. SamGeo QGIS Plugin: https://github.com/opengeos/qgis-samgeo-plugin