osm-polygon-image-tag

该数据集包含 OpenStreetMap 中带有至少一个原始图像引用标签的 Polygon 和 MultiPolygon 观测。数据集提供两个配置：polygons（默认）和 image_assets。polygons 配置包含 200,294 行数据，分布在 244 个分片中，包含来自不同 Geofabrik 提取的重复观测（9,623 个）。每个多边形行包含 OSM 类型/ID/版本/变更集/时间戳、源 PBF 标识、完整的 OGC:CRS84 WKB 几何、测地面积（平方米）、边界、所有原始 OSM 标签以及原始图像标签（如 image、wikimedia_commons、mapillary、panoramax、kartaview、flickr、bubbleid）。image_assets 配置包含 409,188 行资产数据，包括 386,788 个直接图像 URL 和 383,865 个页面 URL，以及解析状态、过期时间、MIME 类型、尺寸、许可和作者元数据。该配置通过 osm_type、osm_id、osm_version 和 source_pbf 与 polygons 进行一对多连接。数据来源为 Geofabrik 提供的 OpenStreetMap 数据，遵循 ODbL 许可证。地理覆盖范围以 H3 分辨率 3 展示，每个多边形几何中心落入的 H3 单元格计数。该数据集适用于地理空间分析、图像标签关联研究、OpenStreetMap 数据质量评估等任务。注意：引用和解析的 URL 可能过时或不可访问，不建立图像版权、许可、安全性、可用性或与地图要素的对应关系。This dataset contains Polygon and MultiPolygon observations from OpenStreetMap that have at least one original image reference tag. The dataset provides two configurations: polygons (default) and image_assets. The polygons configuration contains 200,294 rows across 244 shards, including duplicate observations (9,623) from different Geofabrik extracts. Each polygon row includes OSM type/ID/version/changeset/timestamp, source PBF identifier, full OGC:CRS84 WKB geometry, geodesic area (square meters), boundary, all original OSM tags, and original image tags (e.g., image, wikimedia_commons, mapillary, panoramax, kartaview, flickr, bubbleid). The image_assets configuration contains 409,188 rows of asset data, including 386,788 direct image URLs and 383,865 page URLs, along with parsing status, expiration time, MIME type, dimensions, license, and author metadata. This configuration joins to polygons in a one-to-many relationship via osm_type, osm_id, osm_version, and source_pbf. The data source is OpenStreetMap data provided by Geofabrik, licensed under ODbL. Geographic coverage is shown at H3 resolution 3, counting the H3 cells where each polygons geometric centroid falls. This dataset is suitable for geospatial analysis, image-tag association research, OpenStreetMap data quality assessment, and similar tasks. Note: Referenced and parsed URLs may be outdated or inaccessible, and no correspondence regarding image copyright, license, security, availability, or map feature is established.

原始信息汇总

数据集概述

OSM Polygon Image Tag 数据集包含带有至少一个原始图像引用标签的 OpenStreetMap 多边形（Polygon）和多多边形（MultiPolygon）观测数据。

当前已验证内容

• 分片数：244
• 行数：200,294
• 跨源 PBF 重复观测：9,623
• 已解析资源行数：476,972
• 直接图像 URL：449,993
• 稳定直接图像 URL：449,993
• 页面 URL：447,009
• 解析缓存命中：68,325
• 提供方解析请求：3,014

提供方观测统计

提供方	观测数量
image	68,143
wikimedia_commons	108,193
mapillary	32,006
panoramax	7,219
kartaview	83
flickr	437
bubbleid	79

地理覆盖

数据集包含地理分布密度图（H3 分辨率 3），按多边形几何质心（CRS84）计算每个 H3 单元内的原始计数。2,380 个 H3 单元中，每单元原始计数范围为 1 至 7,371，颜色尺度为对数（magma）。注意：重叠的 Geofabrik 提取被有意保留为独立观测，因此同一要素可能被多个分片重复计数。

数据模式

polygons 配置（默认）包含：

• OSM 类型、ID、版本、变更集、时间戳
• 源 PBF 标识
• 完整 OGC:CRS84 WKB 几何
• 测地面积 area_m2
• 边界
• 所有原始 OSM 标签
• 精确的原始 image、wikimedia_commons、mapillary、panoramax、panoramax_values、kartaview、flickr、bubbleid 值

image_assets 配置（一对多）：

• 可通过 osm_type、osm_id、osm_version、source_pbf 与 polygons 连接
• 保留精确的源键/值、规范提供方引用、解析状态、页面 URL、直接图像 URL（如有）、过期时间、MIME 类型、尺寸、结构化许可证/作者元数据（如有）

使用示例

python from datasets import load_dataset polygons = load_dataset("NoeFlandre/osm-polygon-image-tag", "polygons") image_assets = load_dataset("NoeFlandre/osm-polygon-image-tag", "image_assets")

来源与许可证

• 源提取由 Geofabrik 从 OpenStreetMap 提供
• 数据遵循 Open Database License (ODBL)
• 署名：© OpenStreetMap 贡献者

局限性与预期用途

• 参考文献和解析的 URL 可能过期、不可访问、特定于提供方或与当前要素无关
• 包含不建立图像版权、许可、安全性、可用性或与映射要素对应关系的证明
• Wikimedia Commons 类别成员资格不证明多边形描绘，标记为 category_membership
• 不下载图像主体
• 重叠的 Geofabrik 提取被有意保留为独立观测
• 统计数据仅基于最终清单及其经大小检查的 GeoParquet 和资源分片
• 地理覆盖图引用了 Natural Earth 1:110m 陆地数据（公共领域）作为背景

搜集汇总

数据集介绍

构建方式

该数据集源自OpenStreetMap（OSM）中带有原始图像引用标签的多边形与多多边形对象，通过Geofabrik提供的PBF格式数据提取而成。构建过程中，对每个多边形或多多边形对象，系统收集其关联的各类图像引用标签（如image、wikimedia_commons等），并解析对应的图像资源信息。数据存储采用GeoParquet格式，分为polygons和image_assets两个配置，前者保存几何与属性信息，后者以一对多关联方式记录每个多边形对应的图像资源详情。最终形成包含24,344个分片、200,294行多边形记录及超过108万条图像资源记录的数据集。

特点

该数据集融合了地理空间与多媒体信息，每个多边形记录包含完整的OSM元数据、几何坐标、面积以及原始标签，而图像资源配置则提供了精确的图像URL、许可证状态和解析信息。其地理覆盖范围广泛，通过H3网格可视化展现多边形密度。数据集亮点在于保留了重叠的Geofabrik提取内容，确保数据完整性，并提供了多维度的图像来源统计（如Wikimedia Commons、Mapillary等）。同时，数据集明确记录了资源解析缓存与请求次数，增强了数据处理的透明度。此外，所有数据均遵循ODbL许可，确保合法使用。

使用方法

用户可通过HuggingFace的datasets库轻松加载数据，使用load_dataset函数分别获取polygons和image_assets两个子集。加载后，可基于osm_type、osm_id、osm_version和source_pbf字段将多边形与图像资源进行关联，实现空间与视觉信息的联合分析。该数据集适用于训练地理空间AI模型、开发地图增强应用、或进行OSM数据质量评估等场景。用户可依据提供的几何信息进行空间过滤，结合图像URL进行外部下载与验证，但需注意图像链接的时效性及版权问题。

背景与挑战

背景概述

osm-polygon-image-tag数据集由NoeFlandre于2025年创建，旨在整合OpenStreetMap（OSM）中带有图像引用标签的多边形与多多边形要素，形成一个地理空间与图像资产关联的基准资源。该数据集利用Geofabrik提供的OSM提取数据，涵盖超过20万条多边形记录及逾百万个解析后的图像资产，跨越六大图像提供方（如Wikimedia Commons、Mapillary等），为地理信息科学、计算机视觉及空间数据挖掘领域提供了独特的交叉研究平台。其核心研究问题在于系统化地建立OSM几何要素与其图像引用之间的结构化映射，推动大规模地理标签图像的检索、分析与应用。该数据集的发布显著促进了开放地理数据与图像内容理解的融合研究，为场景识别、位置验证及众包地理数据质量评估等方向提供了高覆盖、多源集成的数据基础。

当前挑战

该数据集构建过程中面临多重挑战。领域层面，OSM要素的图像引用存在高度异构性与不稳定性，包括URL过期、提供商特定解析协议及图像内容与几何要素的语义不匹配（如类别成员关系不能确保图像描绘目标）。构建时，需处理来自重叠Geofabrik提取的重复观测（约9623条），并维护跨244个分片的一致性与去重策略。同时，资产解析涉及大量网络请求（如分辨率缓存命中与提供商解析请求），需应对动态网页结构与受限API，确保稳定直链的获取。数据规模与多对多关系增加了关联复杂度，要求精细的联结键（如osm_type、osm_id、osm_version）及元数据（许可证、作者）整合。此外，数据时效性与法律合规性（ODbL许可）在聚合多源图像引用时须严谨权衡，确保数据集在学术与商业应用中的可信度。

常用场景

经典使用场景

在遥感与地理信息科学领域，对地面要素的图像语义理解是构建智能地理空间应用的基础。该数据集汇聚了OpenStreetMap中带有图像标签的多边形要素，覆盖全球范围，提供了丰富的几何属性、原始标签及对应的图像URL，为多模态地理数据研究提供了优质语料。经典使用场景包括训练地理实体识别模型，利用图像与几何信息联合推断地物类别；亦可用于地理信息检索，通过图像内容匹配对应的OSM要素，实现跨模态的地理实体检索与定位。

实际应用

在实际应用中，该数据集为智慧城市、自动驾驶及灾害应急等领域提供了关键支撑。借助丰富的建筑物、绿地和土地利用多边形图像标注，可开发智能地图更新系统，自动检测地图要素的时效性变化；旅游与导航应用能据此生成更具视觉吸引力的地点描述；此外，在灾害应急中，通过分析受灾区域的多边形图像标签，可快速评估基础设施损毁情况，为救援决策提供即时信息。其高覆盖率及多源图像聚合的特性，使得上述应用能够跨越地域局限，实现全球化服务。

衍生相关工作

该数据集的衍生工作已催生出多项前沿研究与实践。一是基于其图像标签构建的地理实体对齐模型，用于链接不同地图平台间的POI数据；二是融合OSM属性与视觉特征的建筑年代推断与功能分类系统；三是利用其图像URL资源开展的大规模众包图像质量评估与去重研究；此外，该数据集的H3分级密度图激发了地理区域特征聚类研究，为城市功能分区识别提供了新思路。这些工作进一步拓展了众源地理数据的应用边界，推动了地理人工智能的交叉创新。