Was ist GeoAI? Definition, Beispiele, QGIS
Veröffentlicht am Aktualisiert am
GeoAI ist Machine Learning auf Geodaten: Satelliten- und Luftbilder, Punktwolken, Vektorlayer, gelesen von einem Modell, das Objekte, Klassen oder Veränderungen als editierbare Daten zurückgibt. Was zurückkommt, liegt in Ihrem Projekt-KBS, als ein Layer, den Sie in QGIS öffnen wie jeden anderen. Es übernimmt die langsame Mitte einer Aufgabe, und es entscheidet nichts für Sie.
öffnen wie jeden anderen. Es übernimmt die langsame Mitte einer Aufgabe, und es entscheidet nichts für Sie.Es ist kein Chatbot, der Ihr Projekt kennt. Es liest weder die Spezifikation Ihres Kunden, noch Ihre Attributregeln, noch die Vermessung vom letzten Frühjahr, und nichts darin ersetzt Ground Truth. Der Begriff ist zudem unscharf: ein Random-Forest-Klassifikator von 2005 und ein Segmentierungsmodell vom letzten Jahr werden beide als GeoAI verkauft, also fragen Sie einen Anbieter, welches von beiden er meint, denn Hardwarekosten und Fehlermodi sind unterschiedlich.
Wir entwickeln eines der QGIS-Plugins in diesem Bereich, lesen Sie dies also im Wissen, wessen Artikel es ist.
Warum das wichtig ist
Der langsame Teil der meisten GIS-Aufträge ist das Nachzeichnen. Gebäudeecken rechtwinklig machen, Löcher in einer Dachmaske schließen, dreihundert Baumkronen einen Stützpunkt nach dem anderen umranden. Nach der ersten Stunde steckt darin kein Handwerk mehr, und ein Modell kann das gut.
Es ist nicht für jeden Auftrag. Unter fünfzig Objekten digitalisieren Sie von Hand, denn mit aktiviertem Einrasten sind Sie fertig, bevor ein Modell seine Gewichte geladen hat, und das Ergebnis entspricht exakt Ihrer Spezifikation. Ich würde es auch von allem Rechtlichen fernhalten, einer Katastergrenze, einer Schutzzone, einer Entschädigungsforderung, denn ein Modell liefert einen Kandidaten, und ein Kandidat ist keine Vermessung. Meine Linie ist: GeoAI gehört in den ersten Durchgang und nie in den letzten.
Wie es funktioniert
Sie geben einem trainierten Modell ein Bild, und es gibt Geometrie zurück. Drei Familien leisten diese Arbeit, und sie verhalten sich unterschiedlich.
Segmentierungsmodelle wie die Segment-Anything-Familie lernen, wo ein Ding aufhört und das nächste beginnt. Sie wurden auf gewöhnlichen Fotos trainiert, also haben sie keine Vorstellung, wozu ein Gebäude dient. Sie übertragen sich gut auf Bilder mit scharfen Grenzen. Die SAM-Anleitung erklärt, welche QGIS-Plugins welche Version ausführen.
Image-to-Image-Modelle erfinden neue Pixel. So funktionieren Wolkenentfernung, Jahreszeitenwechsel und Ansichten geräumter Flächen. Die Ausgabe ist ein georeferenziertes Raster auf derselben Ausdehnung, und es ist eine Zeichnung, also gehört sie nie in einen Nachweislayer.
Klassisches Machine Learning bedeutet ein Random Forest oder eine Support Vector Machine, die Kanalwerte liest, ein Pixel nach dem anderen. Zwanzig Jahre alt, billig, und immer noch die richtige Wahl für multispektrale Landbedeckung mit eigenen Trainingspolygonen. SCP und dzetsaka machen das in QGIS kostenlos.
Wofür man es nutzt
Fünf Aufgaben, heute, in der Reihenfolge, in der ich ihnen vertraue.
| Aufgabe | Modellfamilie | Läuft auf |
|---|---|---|
| Objekte aus Bildern extrahieren | Segmentierung, die Segment-Anything-Familie | Eine lokale Grafikkarte, oder ein Server |
| Landbedeckung klassifizieren | Klassisches Machine Learning | Jeder Laptop |
| Veränderung zwischen zwei Zeitpunkten erkennen | Segmentierung mit zwei Bildern | Server oder Grafikkarte |
| Daten füllen und bereinigen | Kein Modell. Reine Geometriealgorithmen | Jeder Laptop |
| In einfachen Worten fragen | Segmentierung, mit Objektnamen per Prompt | Ein Server, in unserem Plugin |
Objekte aus Bildern extrahieren ist mit Abstand die stärkste. Sie skizzieren einen Bereich, nennen, was Sie wollen, und erhalten Polygone zurück: Gebäude, Baumkronen, Autos, Pools, Solaranlagen. Scharfe Kanten geben saubere Umrisse. Eine Feldgrenze, die in Gebüsch ausläuft, bereitet dem Modell dieselbe Mühe wie Ihnen.
Landbedeckung klassifizieren steckt jedes Pixel in eine Klasse: Wasser, bebaut, offener Boden, Wald. Ältere Verfahren gewinnen hier weiter, wenn Sie gute Trainingspolygone und multispektrale Kanäle haben, und sie laufen auf jedem Laptop.
Veränderung zwischen zwei Zeitpunkten erkennen bedeutet, dem Modell zwei Orthofotos desselben Ortes zu geben, damit es markiert, was sich verändert hat. Wenn der Anbieter sein Modell nennt, handelt es sich um ein Segmentierungsmodell mit zwei Eingaben statt einer: Picterra nennt ChangeStar, und Esris Change Detector verweist auf STANet. Mehrere Anbieter verkaufen Change Detection, sagen aber nie, was sich darunter verbirgt. Die kostenlose Variante kommt ganz ohne Modell aus und zieht ein Bild vom anderen ab. Das funktioniert bei offensichtlichen Veränderungen wie einem neuen Gebäude oder einer geräumten Fläche. Saisonale Farbverschiebungen und ein anderer Sonnenstand erzeugen Fehlalarme. Deshalb sollte jede Markierung geprüft werden.
Daten füllen und bereinigen umfasst das rechtwinklige Ausrichten von Gebäudeecken, das Schließen von Löchern in einer Dachmaske und das Vereinfachen einer Pixel für Pixel nachgezeichneten Kontur. Dies ist die einzige Zeile, in der keine der drei Familien passt. Die mitgelieferten Werkzeuge sind Geometriealgorithmen, die älter sind als Deep Learning: QGIS erledigt dies mit Vereinfachen und Orthogonalisieren, Esri mit Regularize Building Footprint. Erlernte Varianten gibt es in der Forschung, aber keine davon wird heute mit QGIS ausgeliefert. Nicht glamourös, aber genau der Teil, der die meisten Arbeitsstunden spart.
In einfachen Worten fragen heißt solar panels tippen statt ein Modell und eine Kanalkombination zu wählen. Nützlich, um Dinge zu finden. Erwarten Sie nicht, dass es Fragen zu Ihrer Attributtabelle beantwortet.
Was der Betrieb kostet
Hardware. Ein lokales Modell braucht eine Grafikkarte. Segment Anything 3 hat gar keinen CPU-Pfad, was jeden Mac und jeden Rechner mit integrierter Grafik ausschließt. Wenn das Modell stattdessen auf einem Server läuft, reicht ein Bürolaptop, und das ist der Kompromiss, den wir gewählt haben.
Bilder. Die Bodenauflösung entscheidet mehr als das Modell. Unser eigenes Tuning zielt auf grob 0,05 m pro Pixel bei einem Solarmodul, 0,09 bei einem Auto und 0,18 bei einem Gebäude. Gröber als das und das Objekt ist ein Fleck, den kein Modell rettet.
Zeit. Die Erkennung dauert Minuten. Die Prüfung dauert länger, und wer sie in der Schätzung weglässt, wird die Frist reißen.
Geld. Die kostenlosen QGIS-Optionen kosten nichts außer Ihrer GPU und einem Nachmittag Python. Unsere Option gibt 1,5 km² automatische Erkennung im Monat ohne Kreditkarte, plus Segmentieren per Klick auf Ihrem eigenen Rechner ohne Zähler, und Pro kostet 39 € im Monat für AI Segmentation, zzgl. MwSt. Auf der Esri-Seite brauchen die fertigen Bildmodelle eine ArcGIS-Pro-Professional-Lizenz oder höher, und QGIS vs. ArcGIS Pro beziffert jede Lizenz.
Kostenlos in QGIS testen, ohne Kreditkarte
Wie Sie es selbst in QGIS machen
Starten Sie mit dem kostenlosen Weg, denn für einen guten Teil dieser Arbeit ist er auch der bessere. Für multispektrale Landbedeckung mit eigenen Trainingspolygonen klassifizieren SCP und dzetsaka in QGIS kostenlos und auf jedem Laptop.
Segmentierung auf eigenem Rechner ist die schwerere Hälfte. Die kostenlosen Plugins wollen eine Grafikkarte und einen Nachmittag Python, und die SAM-Anleitung sagt, welches welche Version des Modells ausführt. Die Anleitung zu Gebäudegrundrissen geht den kostenlosen Weg und den bezahlten über dieselbe Nachbarschaft, damit Sie abwägen können, was jeder Sie kostet.
Die Cloud-Option
Wir entwickeln das untenstehende Plugin, daher geht es in diesem Abschnitt um unser eigenes Werkzeug.
Erweiterungsverwaltung öffnen
Erweiterungen > Erweiterungen verwalten und installieren…. QGIS 3.22 oder neuer.
AI Segmentation installieren
Nichts sonst lädt herunter, und es gibt keine Python-Umgebung zu bauen.
Im Bedienfeld anmelden
Eine E-Mail und ein Klick. Das kostenlose Kontingent erneuert sich monatlich und verlangt keine Kreditkarte.
Zone auf bereits geöffneten Bilddaten zeichnen
Jedes sichtbare Raster funktioniert: ein GeoTIFF, ein Drohnen-Orthofoto, eine XYZ-Basiskarte. Kostenlose Konten decken 1,5 km² Boden im Monat ab.
Objekt eingeben, dann prüfen
building, tree, car. Nach Konfidenz und Größe filtern, Falsches korrigieren, ein GeoPackage exportieren.
Vergleichen Sie dann, was herauskommt, mit dem, was Sie von Hand digitalisiert hätten. Das ist der einzige Test, der es entscheidet.
Was Sie sich merken sollten
GeoAI ist Machine Learning auf Geodaten, und was es zurückgibt, ist ein Layer in Ihrem Projekt-KBS, nie eine Antwort über Ihr Projekt.
Unter etwa fünfzig Objekten digitalisieren Sie von Hand. Sie sind fertig, bevor ein Modell seine Gewichte geladen hat, und das Ergebnis entspricht Ihrer Spezifikation.
Ein Modell liefert einen Kandidaten, und ein Kandidat ist keine Vermessung, also brauchen eine Katastergrenze, eine Schutzzone oder eine Entschädigungsforderung den handgeprüften Layer.
Segment Anything 3 hat gar keinen CPU-Pfad, was jeden Mac und jeden Rechner mit integrierter Grafik für einen lokalen Durchlauf ausschließt.
Die Bodenauflösung entscheidet mehr als das Modell, und es gibt keine einzelne Genauigkeitszahl, denn die Genauigkeit hängt von Ihren Bildern und dem ab, was Sie extrahieren.
Wo das Web falsch liegt
Eine einzige Genauigkeitszahl. Die Genauigkeit hängt von Ihren Bildern und dem ab, was Sie extrahieren. Wer eine Zahl für alles nennt, nennt eine Marketingzahl.
Trainingsdaten, die Ihre Region nie gesehen haben. Fertige Gebäudelayer sind der klarste Fall. Derselbe Quadratkilometer in Luanda enthält nichts in OpenStreetMap, 3.140 Gebäudegrundrisse von Microsoft und 4.468 von Google Open Buildings.
„Läuft lokal, Ihre Daten verlassen Ihren Computer nie.“ Stimmt für ein kleines Modell auf Ihrem Rechner. Jeder Cloud-Modus sendet Bilder irgendwohin, unserer eingeschlossen, und ehrlich ist zu sagen, in welchem Modus Sie sind.
Ausgabe, die Sie sofort ausliefern können. Jeder Durchlauf liefert mehr als gefragt: Lüftungen, Oberlichter, Schatten, Hofschuppen. Reale Objekte mit korrekten Umrissen, und nicht das, was Sie wollten. Planen Sie die Bereinigung ein.
Häufige Fragen
Ist GeoAI dasselbe wie Fernerkundung?
Nein. Fernerkundung ist die Messung. GeoAI ist eine Art, diese Messung zu lesen, neben Indizes, Schwellenwerten und Ihren eigenen Augen.
Muss ich Code schreiben?
Für den klassischen Weg etwas. Für Segmentierung in QGIS nein, denn die Plugins decken es ab. Python gewinnt weiter, wenn Sie dieselbe Pipeline über Hunderte von Kacheln laufen lassen, und mit PyQGIS steuern Sie QGIS dabei aus Python.
Brauche ich eine GPU?
Nur für Modelle, die auf eigenem Rechner laufen. Segment Anything 3 hat gar keinen CPU-Pfad, also können ein Mac oder ein Laptop mit integrierter Grafik es lokal nicht ausführen. Serverseitige Werkzeuge brauchen keine.
Wie genau ist GeoAI?
Es gibt keine einzelne Zahl, denn die Genauigkeit hängt von Ihren Bildern und dem ab, was Sie extrahieren. Rechnen Sie damit, dass jeder Durchlauf mehr liefert als gefragt, Lüftungen und Oberlichter und Hofschuppen zwischen den Gebäuden, und planen Sie die Bereinigung ein.
Was kommt am Ende heraus?
Polygone mit Beschriftung, Klasse, Konfidenzwert und Fläche, in Ihrem Projekt-KBS. Unser Segmentierungs-Plugin schreibt sie in ein gestyltes GeoPackage. Die Prüfung bleibt bei Ihnen.
Für die Nachbarbegriffe erklärt was ein Gebäudegrundriss ist das Objekt, das GeoAI häufiger extrahiert als jedes andere, und der QGIS AI Hub listet, was jedes Plugin in diesem Bereich braucht, bevor es läuft.
