Was ist GeoAI? Der Praxisleitfaden für GeoAI in QGIS
GeoAI ist maschinelles Lernen für Geodaten: Satelliten- und Luftbilder, Punktwolken, Vektorlayer. Ein Modell liest die Pixel und gibt Objekte, Klassen oder Veränderungen als Daten zurück, die Sie in 
bearbeiten können. Es übernimmt den langsamen mittleren Teil einer Aufgabe. Entscheidungen trifft es nicht für Sie.
Wir entwickeln eines der QGIS-Plugins in diesem Bereich. Lesen Sie den Artikel also mit dem Wissen, wer ihn geschrieben hat.
Was GeoAI nicht ist
GeoAI ist kein Chatbot, der Ihr Projekt kennt. Es liest weder die Spezifikation Ihres Kunden noch Ihre Attributregeln oder die Vermessung vom letzten Frühjahr. Nichts davon ersetzt die Realität vor Ort.
Auch der Begriff ist unscharf. Ein Random-Forest-Klassifikator aus 2005 und ein Segmentierungsmodell vom letzten Jahr werden beide als GeoAI verkauft. Wenn ein Anbieter den Begriff verwendet, fragen Sie nach, welches Modell gemeint ist, denn Hardwarekosten und Fehlerbilder unterscheiden sich.
Die fünf Dinge, die GeoAI heute kann
Objekte aus Bildern extrahieren. Das ist mit Abstand die stärkste Anwendung. Sie markieren eine Fläche, benennen das gewünschte Objekt und erhalten Polygone in Ihrem Projekt-KBS. Gebäude, Baumkronen, Autos, Pools, Solaranlagen. Scharfe Kanten ergeben saubere Umrisse. Eine Feldgrenze, die in Buschwerk übergeht, bereitet dem Modell dieselben Schwierigkeiten wie Ihnen.
Landbedeckung klassifizieren. Jedes Pixel erhält eine Klasse: Wasser, bebaut, unbedeckter Boden, Wald. Ältere Methoden sind hier weiterhin überlegen, wenn Sie gute Trainingspolygone und multispektrale Bänder haben. Außerdem laufen sie auf jedem Laptop.
Veränderungen zwischen zwei Zeitpunkten erkennen. Zwei Orthofotos desselben Ortes, und das Modell markiert, was sich verändert hat. Das funktioniert bei offensichtlichen Veränderungen wie einem neuen Gebäude oder einem geräumten Grundstück. Saisonale Farbveränderungen und ein anderer Sonnenstand erzeugen Fehlalarme. Planen Sie deshalb eine Prüfung jeder Markierung ein.
Daten ergänzen und bereinigen. Gebäudeecken rechtwinklig machen, Löcher in einer Dachmaske schließen, einen Pixel für Pixel nachgezeichneten Umriss vereinfachen. Nicht glamourös, aber der Teil, der die meisten Stunden spart.
Fragen in Alltagssprache stellen. solar panels eingeben, statt ein Modell und eine Bandkombination auszuwählen. Nützlich, um Dinge zu finden. Erwarten Sie keine Antworten auf Fragen zu Ihrer Attributtabelle.
Woher die Modelle kommen
Drei Familien, die sich unterschiedlich verhalten.
Segmentierungsmodelle wie die Segment Anything-Familie lernen, wo eine Sache endet und die nächste beginnt. Sie wurden mit gewöhnlichen Fotografien trainiert und wissen daher nicht, was ein Gebäude ist. Sie lassen sich gut auf Bilddaten übertragen, wenn die Grenzen klar erkennbar sind. Der SAM-Leitfaden zeigt, welche QGIS-Plugins welche Version ausführen.
Bild-zu-Bild-Modelle erzeugen neue Pixel. So funktionieren Wolkenentfernung, Jahreszeitenwechsel und Ansichten geräumter Flächen in AI Edit. Das Ergebnis ist ein georeferenziertes Raster mit derselben Ausdehnung. Es ist eine Zeichnung und gehört deshalb nie in einen Beweislayer.
Klassisches maschinelles Lernen bedeutet, dass ein Random Forest oder eine Support-Vector-Machine Bandwerte Pixel für Pixel ausliest. Zwanzig Jahre alt, günstig und für multispektrale Landbedeckung mit eigenen Trainingspolygonen weiterhin die richtige Wahl. SCP und dzetsaka erledigen das kostenlos direkt in QGIS.
Was es wirklich kostet
Hardware. Ein lokales Modell braucht eine Grafikkarte. Segment Anything 3 hat überhaupt keinen CPU-Pfad. Damit scheiden jeder Mac und jedes Gerät mit integrierter Grafik aus. Wenn das Modell stattdessen auf einem Server läuft, reicht ein Bürolaptop. Genau diesen Kompromiss haben wir gewählt.
Bilddaten. Die Bodenauflösung ist entscheidender als das Modell. Unsere eigene Kalibrierung zielt auf ungefähr 0.05 m pro Pixel bei einem Solarpanel, 0.09 bei einem Auto und 0.18 bei einem Gebäude. Ist die Auflösung gröber, wird das Objekt zu einem Fleck, den kein Modell zurückgewinnen kann.
Zeit. Die Erkennung dauert Minuten. Die Prüfung dauert länger. Wer sie bei der Schätzung auslässt, wird die Frist verfehlen.
Geld. Die kostenlosen QGIS-Optionen kosten nichts außer Ihrer GPU und einem Python-Nachmittag. Unser Angebot umfasst 200 automatische Erkennungen pro Monat ohne eigene Grafikkarte sowie unbegrenzte Klick-Segmentierung auf Ihrem eigenen Rechner. Pro kostet €29 pro Monat für AI Edit, €39 für AI Segmentation und €59 für beides, jeweils ohne VAT.
Kostenlos in QGIS testen, keine Karte erforderlich
Vier Versprechen, die Sie hinterfragen sollten
Eine einzelne Genauigkeitszahl. Die Genauigkeit hängt von Ihren Bilddaten und dem ab, was Sie extrahieren. Wer eine Zahl für alles nennt, nennt eine Marketingzahl.
Trainingsdaten, die Ihre Region nie gesehen haben. Fertige Gebäude-Layer sind das deutlichste Beispiel. Auf demselben Quadratkilometer in Luanda finden sich in OpenStreetMap keine Daten, 3,140 Gebäudegrundrisse von Microsoft und 4,468 von Google Open Buildings.
„Läuft lokal, Ihre Daten verlassen niemals Ihren Computer.“ Das stimmt für ein kleines Modell auf Ihrem Rechner. Jeder Cloud-Modus sendet Bilddaten irgendwohin, auch unser Angebot. Ehrlich ist es, klar zu sagen, in welchem Modus Sie arbeiten.
Ausgaben, die Sie sofort verwenden können. Jeder Durchlauf liefert mehr als bestellt: Lüftungen, Oberlichter, Schatten, Schuppen in Innenhöfen. Reale Objekte mit korrekten Umrissen, aber nicht unbedingt das gewünschte Objekt. Planen Sie Zeit für die Bereinigung ein.
Wo ich es nicht einsetzen würde
Bei weniger als fünfzig Features würde ich von Hand digitalisieren. Aktivieren Sie das Snapping, und Sie sind fertig, bevor ein Modell seine Gewichte heruntergeladen hat. Außerdem entspricht das Ergebnis exakt Ihrer Spezifikation. Ich würde GeoAI auch von allem Rechtlichen fernhalten: einer Katastergrenze, einer Schutzzone, einer Entschädigungsforderung. Ein Modell liefert einen Kandidaten, und ein Kandidat ist keine Vermessung. Meine Grenze lautet: GeoAI gehört in den ersten Durchlauf, niemals in den letzten. Der Leitfaden zu Gebäudegrundrissen zeigt beide Wege am selben Viertel.
In zehn Minuten in QGIS starten
Plugin-Manager öffnen
Plugins -> Manage and Install Plugins. QGIS 3.22 oder höher.
AI Segmentation installieren
Nichts anderes wird heruntergeladen, und Sie müssen keine Python-Umgebung einrichten.
Im Panel anmelden
Eine E-Mail und ein Klick. Das kostenlose Kontingent wird monatlich erneuert, ohne dass eine Karte erforderlich ist.
Eine Zone auf bereits geöffneten Bilddaten zeichnen
Jedes sichtbare Raster funktioniert: ein GeoTIFF, ein Drohnenorthofoto oder eine XYZ-Basiskarte. Kostenlose Konten können bis zu 15 km² zeichnen.
Objekt eingeben und anschließend prüfen
building, tree, car. Nach Konfidenz und Größe filtern, Fehler korrigieren und ein GeoPackage exportieren.
Vergleichen Sie das Ergebnis mit dem, was Sie von Hand digitalisiert hätten. Nur dieser Test liefert eine endgültige Antwort.
Fragen
Ist GeoAI dasselbe wie Fernerkundung? Nein. Fernerkundung ist die Messung. GeoAI ist eine Möglichkeit, diese Messung auszuwerten, neben Indizes, Schwellenwerten und Ihren eigenen Augen.
Muss ich programmieren können? Für den klassischen Weg teilweise. Für Segmentierung in QGIS nicht. Die Plugins übernehmen das. Python ist weiterhin überlegen, wenn Sie dieselbe Pipeline über Hunderte von Kacheln ausführen.
Brauche ich eine GPU? Nur für Modelle, die auf Ihrem eigenen Rechner laufen. Serverseitige Werkzeuge benötigen keine. Der QGIS KI-Hub zeigt, welche Anforderungen die einzelnen Optionen haben.
Was kommt am Ende heraus? Polygone mit einer Bezeichnung, einer Klasse, einem Konfidenzwert und einer Fläche in Ihrem Projekt-KBS. AI Segmentation schreibt sie in ein formatiertes GeoPackage. Die Prüfung bleibt Ihre Aufgabe.
