谷歌18亿个建筑物足迹数据集V3简介及处理

一、数据集简介

关于数据集的介绍，这篇博文谷歌发布并开源18亿个建筑物足迹数据集已经介绍的很清楚了，本文就不再啰嗦了。需要了解更多信息请参考技术文档【2】和Google开放建筑数据集网址【1】

二、数据集下载

网站上提供了多种下载方式且有较为详情的说明，这里也不展开叙述。直接转到https://sites.research.google/open-buildings/多种方式任君选择。

三、数据格式

数据集由三部分组成：构建多边形、构建点和分数阈值。

构建多边形和点

建筑物多边形和点存储在空间分片的 CSV 中，每个 4 级S2 单元格 一个 CSV文件。CSV 中的每一行代表一个建筑物多边形或点，并具有以下列：

name	details
latitude	建筑物多边形质心的纬度
longitude	建筑物多边形质心的经度
area_in_meters	多边形的面积（以平方米为单位）
confidence	模型指定的置信度得分 [0.65;1.0]
Geometry	模WKT 格式的建筑物多边形（POLYGON 或 MULTIPOLYGON）。此功能仅存在于多边形数据中
full_plus_code	建筑物多边形质心处的完整 Plus 代码

分数阈值

估计分数阈值存储为一个 CSV。CSV 中的每一行代表一个4 级S2 单元格信息存储 ，并具有以下列：

name	details
s2_token	4 级S2 单元格单元令牌(索引)
geometry	S2 单元格存储空间的WKT格式的几何
confidence_threshold_80%_ precision** **confidence_threshold_85%_ precision confidence_threshold_90%_ precision	估计的置信度分数阈值，以获得在此 S2 单元中构建多边形的特定精度
Building_count	此 S2 单元存储空间中的建筑物多边形数量
num_samples	用于生成分数阈值的样本数。此功能从 v2 版本就开始存在了

四、数据处理

最经典的需求就是转Shapefile格式，转Geojson等格式也是同理。
下面就是简单的处理思路，以供参考。

1.下载并解压压缩包会得到一个CSV格式的文件。具体如下表，即在数据格式上介绍的信息。

2.导入需要的第三方包/库。

# 若缺失以下库的，请通过pip或conda命令安装.安装过程遇到问题自行搜索
pip install pandas
pip install geopandas
pip install shapely

# 导入第三方库
import pandas as pd
import geopandas as gpd
from shapely import wkt

3.使用Pandas对CSV文件进行读取。

# 使用pandas库对数据进行读取
csv_path = r"C:\Users\1\Desktop\....\2cd_buildings.csv"
df = pd.read_csv(csv_path)
df.head(10) #打印前10行

4.使用shapely库的WKT.loads方法将将表格的“Geometry”列进行转换。

#  将表格的“Geometry”列通过wkt.loads文本 (WKT) 格式加载/转储几何图形
df['geometry'] = df['geometry'].apply(wkt.loads)

5.通过geopandas的GeoDataFrame（）类方法进行地理处理。

gdf = gpd.GeoDataFrame(df, geometry='geometry', crs='EPSG:4326')
gdf.head(10)

6.最后通过geopandas的to_file( )方法转存为shp文件。

shp_path = r"C:\Users\1\Desktop\光谱分析\2cd_buildings1.shp"
gdf.to_file(shp_path)

完整代码

'''
@File    :   用于Google open-building data（CSV） 转为Shp格式
@Time    :   2023/8/9
@Author  :   Endless_chaohuo
@Mail    :   460958592@qq.com
@Version :   1.0
'''
import pandas as pd
import geopandas as gpd
from shapely import wkt

# CVS转Shp
def csv_shp_file(csv_path,shp_path):
    """
    :param csv_path: 输入的从google下载的存储了geometry的csv文件
    :param shp_path: 转换后输入的shp路径
    :return:
    """
    df = pd.read_csv(csv_path)
    df['geometry'] = df['geometry'].apply(wkt.loads)
    # 转换为shp
    gdf = gpd.GeoDataFrame(df, geometry='geometry', crs='EPSG:4326')
    gdf.to_file(shp_path)

if __name__ == '__main__':
    csv_path = r"C:\Users\1\Desktop\光谱分析\2cd_buildings.csv"
    shp_path = r"C:\Users\1\Desktop\光谱分析\2cd_buildings1.shp"
    csv_shp_file(csv_path, shp_path)

五、后记

关于建筑Shapefile对应的谷歌底图，需要大家自行利用专业版的谷歌地球的历史影像功能查询。

关注微信公众号“吃口白日梦”回复关键词[Google-buildings]获取完整的Google_BuildingsV3数据集百度网盘下载链接!!!

参考：

[1]https://sites.research.google/open-buildings/

[2] https://arxiv.org/abs/2107.12283

[2] https://maps.google.com/pluscodes/

[3] https://arxiv.org/abs/2107.12283

[3] https://s2geometry.io/