GeoAI 教程：使用 U-Net、Grounding DINO、SAM 和 Mask R-CNN 从 NAIP 影像中提取建筑足迹

本教程旨在构建一个完整的地理空间人工智能（GeoAI）工作流，用于从高分辨率 NAIP 航空影像中自动提取建筑足迹。作者首先配置了支持 GPU 的深度学习环境，并安装了 geoai-py、segmentation-models-pytorch 等必要的 Python 库。随后，从 Hugging Face 数据集下载了示例 NAIP 影像（训练与测试场景）以及对应的建筑标注 GeoJSON 文件，并通过栅格信息查看、矢量文件探索等方式检查数据的空间属性，确保后续处理的坐标参考一致性。

在数据准备阶段，教程将训练影像和标签切割为 512×512 像素、步长为 256 像素的图像块（chip），并生成对应的二值分割掩膜。作者使用基于 ResNet-34 编码器的 U-Net 模型进行语义分割训练，设置了 12 个 epoch、批量大小 8、学习率 1e-3 等超参数，并在训练过程中采用早停和检查点保存策略。通过绘制训练损失和验证 IoU 曲线，用户可以直观地判断模型是否过拟合或欠拟合，并找到验证 IoU 最高的模型权重作为后续推理的输入。

完成训练后，作者利用滑窗推理方法对未参与训练的测试影像进行预测，同时输出预测掩膜和概率图。为了得到干净的矢量建筑轮廓，代码首先通过区域分组过滤掉小于 50 像素的噪声区域，然后将掩膜栅格转换为多边形，并依次进行正交化（直角化）和规则化（简化容差）处理，最终生成具有面积、周长、致密度、延伸率和方向等几何属性的建筑足迹 GeoJSON 文件。作者还对比了原始多边形化结果与规则化后的结果，展示后处理步骤对边界质量的重要提升。

为了定量评估模型精度，教程将训练影像的预测结果与真实标签进行像素级对比，计算了建筑类别的 IoU 和 F1 指标。作者特别提醒，背景类因样本数量巨大导致 IoU 虚高，真正需要关注的是建筑类别的指标。此外，教程还演示了零样本分割路径：利用 Grounding DINO 作为文本提示检测器、SAM 作为分割模型，仅通过输入“building”“house”“rooftop”等文本即可提取测试影像中的建筑区域，而无需任何额外训练。最后，作者引入了一个预训练的 Mask R-CNN 模型（building_footprints_usa.pth）进行实例分割，并对分割结果进行规则化处理，与之前的语义分割方法形成对比。

为了验证流程的实用性，教程还说明了如何将同样的管道扩展到真实世界区域：使用 Microsoft Planetary Computer 提供的 NAIP 影像以及 Overture Maps 的建筑标注数据集，只需替换数据源即可轻松应用。整个教程以模块化函数（step1 至 step10）组织，每个步骤都带有详细的代码注释和可视化输出，既适合刚接触 GeoAI 的开发者，也便于研究者快速复现和调整参数。