¿Qué es GeoAI? Definición y usos en QGIS
Publicado el Actualizado el
GeoAI es aprendizaje automático aplicado a datos geográficos: imágenes satelitales y aéreas, nubes de puntos, capas vectoriales, leídas por un modelo que devuelve objetos, clases o cambios como datos que puedes editar. Lo que recibes llega en el SRC de tu proyecto, como una capa que abres en QGIS como cualquier otro. Se encarga de la parte lenta intermedia del trabajo y no decide nada por ti.
como cualquier otro. Se encarga de la parte lenta intermedia del trabajo y no decide nada por ti.No es un chatbot que conozca tu proyecto. No lee las especificaciones de tu cliente, tus reglas de atributos ni el estudio que hiciste la primavera pasada, y nada de lo que hace sustituye la verdad de campo. La palabra también es ambigua: un clasificador random forest de 2005 y un modelo de segmentación del año pasado se venden ambos como GeoAI, así que cuando un proveedor use el término, pregunta a cuál se refiere, porque el coste de hardware y los modos de fallo son distintos.
Construimos uno de los plugins de QGIS de este sector, así que lee esto sabiendo quién escribe.
Por qué importa
La parte lenta de la mayoría de los trabajos GIS es el trazado. Escuadrar esquinas de edificios, cerrar huecos en una máscara de tejado, perfilar trescientas copas de árboles vértice a vértice. Ese trabajo deja de tener oficio tras la primera hora, y un modelo lo hace bien.
No sirve para todos los trabajos. Con menos de cincuenta objetos, digitaliza a mano, porque habrás terminado con el autoensamblado activado antes de que un modelo haya terminado de descargar sus pesos, y el resultado coincide exactamente con tu especificación. También lo mantendría lejos de todo lo legal, un límite catastral, una zona protegida, una reclamación de indemnización, porque un modelo te da un candidato y un candidato no es un levantamiento. Mi regla es que GeoAI pertenece a la primera pasada y nunca a la última.
Cómo funciona
Entregas una imagen a un modelo entrenado y te devuelve geometría. Tres familias hacen ese trabajo y se comportan de forma distinta.
Los modelos de segmentación como la familia Segment Anything aprenden dónde termina una cosa y empieza la siguiente. Se entrenaron con fotografías normales, así que no tienen idea de para qué sirve un edificio. Se transfieren bien a las imágenes donde el límite es nítido. La guía SAM explica qué plugins de QGIS ejecutan cada versión.
Los modelos imagen a imagen inventan píxeles nuevos. Así funcionan la eliminación de nubes, el cambio de estación y las vistas de parcela despejada. La salida es un ráster georreferenciado sobre la misma extensión, y es un dibujo, así que nunca pertenece a una capa de evidencia.
El aprendizaje automático clásico significa un random forest o una máquina de vectores de soporte que lee valores de banda, píxel a píxel. Veinte años de antigüedad, barato, y todavía la mejor opción para cubierta terrestre multiespectral con tus propios polígonos de entrenamiento. SCP y dzetsaka lo hacen dentro de QGIS gratis.
Para qué se usa
Cinco trabajos, hoy, en el orden en que yo confiaría en ellos.
| Tarea | Familia de modelos | Se ejecuta en |
|---|---|---|
| Extracción de objetos de imágenes | Segmentación, la familia Segment Anything | Una tarjeta gráfica local, o un servidor |
| Clasificación de cubierta terrestre | Aprendizaje automático clásico | Cualquier portátil |
| Detección de cambios entre dos fechas | Segmentación, con un par de imágenes | Un servidor o una tarjeta gráfica |
| Relleno y limpieza de datos | Sin modelo. Algoritmos geométricos puros | Cualquier portátil |
| Preguntar en palabras sencillas | Segmentación, con el nombre del objeto como prompt | Un servidor, en nuestro plugin |
La extracción de objetos de imágenes es con diferencia la más sólida. Delimitas una zona, nombras lo que quieres y recibes polígonos: edificios, copas de árboles, vehículos, piscinas, paneles solares. Los bordes nítidos dan contornos limpios. Un límite de parcela que se difumina en la maleza le da al modelo los mismos problemas que a ti.
La clasificación de cubierta terrestre asigna cada píxel a una clase: agua, construido, suelo desnudo, bosque. Los métodos antiguos siguen ganando aquí cuando tienes buenos polígonos de entrenamiento y bandas multiespectrales, y se ejecutan en cualquier portátil.
La detección de cambios entre dos fechas consiste en proporcionar al modelo dos ortofotos del mismo lugar para que señale qué ha cambiado. Cuando el proveedor da el nombre de su modelo, se trata de un modelo de segmentación con dos entradas en lugar de una: Picterra lo denomina ChangeStar, y el detector de cambios de Esri cita STANet. Varios proveedores venden detección de cambios sin decir nunca qué hay dentro. La opción gratuita no usa ningún modelo y resta una imagen de la otra. Funciona con cambios evidentes, como un edificio nuevo o una parcela despejada. Los cambios de color estacionales y un ángulo solar diferente producen falsas alarmas, así que conviene revisar cada aviso.
El relleno y la limpieza de datos incluye cuadrar las esquinas de los edificios, cerrar huecos en una máscara de tejado y simplificar un contorno trazado píxel a píxel. Esta es la única fila en la que no se aplica ninguna de las tres familias. Las herramientas incluidas son algoritmos geométricos más antiguos que el aprendizaje profundo: QGIS lo hace con Simplificar y Ortogonalizar, y Esri con Regularize Building Footprint. Existen versiones aprendidas en la investigación, pero ninguna se incluye actualmente en QGIS. Poco glamuroso, pero es la parte que más horas ahorra.
Preguntar en palabras sencillas significa escribir solar panels en lugar de elegir un modelo y una combinación de bandas. Útil para encontrar cosas. No esperes que responda preguntas sobre tu tabla de atributos.
Cuánto cuesta ejecutarlo
Hardware. Un modelo local necesita una tarjeta gráfica. Segment Anything 3 no tiene ruta CPU en absoluto, lo que excluye todos los Mac y todas las máquinas con gráficos integrados. Cuando el modelo se ejecuta en un servidor, basta un portátil de oficina, y esa es la solución que elegimos.
Imágenes. La resolución del terreno decide más que el modelo. Nuestro propio ajuste apunta a unos 0.05 m por píxel en un panel solar, 0.09 en un vehículo y 0.18 en un edificio. Más grueso que eso y el objeto es una mancha que ningún modelo recupera.
Tiempo. La detección tarda minutos. La revisión tarda más, y quien la omita en la estimación incumplirá el plazo.
Dinero. Las opciones gratuitas de QGIS no cuestan nada salvo tu GPU y una tarde de Python. La nuestra ofrece 1.5 km² de detección automática al mes sin tarjeta, además de clic para segmentar en tu propia máquina sin contador, y Pro cuesta 39 € al mes por AI Segmentation, sin IVA. Del lado de Esri, los modelos de imágenes listos para usar requieren una licencia ArcGIS Pro Professional o superior, y QGIS vs ArcGIS Pro pone precio a cada licencia.
Pruébalo gratis en QGIS, sin tarjeta
Cómo hacerlo tú mismo en QGIS
Empieza por la vía gratuita, porque para buena parte de este trabajo también es la mejor. Para cubierta terrestre multiespectral con tus propios polígonos de entrenamiento, SCP y dzetsaka clasifican dentro de QGIS sin coste y en cualquier portátil.
La segmentación en tu propia máquina es la mitad difícil. Los plugins gratuitos piden una tarjeta gráfica y una tarde de Python, y la guía SAM dice cuál ejecuta cada versión del modelo. La guía de huellas recorre la vía gratuita y la de pago sobre el mismo barrio, para que valores lo que te cuesta cada una.
La opción en la nube
Construimos el plugin descrito abajo, así que esta sección trata de nuestra propia herramienta.
Abre el administrador de complementos
Complementos > Administrar e instalar complementos. QGIS 3.22 o posterior.
Install AI Segmentation
No se descarga nada más y no hay entorno Python que construir.
Inicia sesión desde el panel
Un correo electrónico y un clic. La cuota gratuita se renueva cada mes y no pide tarjeta.
Dibuja una zona sobre las imágenes que ya tienes abiertas
Cualquier ráster visible sirve: un GeoTIFF, una ortofoto de dron, un mapa base XYZ. Las cuentas gratuitas cubren 1.5 km² de terreno al mes.
Escribe el objeto y revisa
building, tree, car. Filtra por confianza y tamaño, corrige lo que esté mal, exporta un GeoPackage.
Luego compara lo que sale con lo que habrías digitalizado a mano. Esa es la única prueba que lo decide.
Qué recordar
GeoAI es aprendizaje automático aplicado a datos geográficos, y lo que devuelve es una capa en el SRC de tu proyecto, nunca una respuesta sobre tu proyecto.
Con unos cincuenta objetos o menos, digitaliza a mano. Terminas antes de que un modelo haya descargado sus pesos, y el resultado coincide con tu especificación.
Un modelo devuelve un candidato, y un candidato no es un levantamiento, así que un límite catastral, una zona protegida o una reclamación de indemnización necesitan la capa revisada a mano.
Segment Anything 3 no tiene ruta CPU en absoluto, lo que excluye todos los Mac y todas las máquinas con gráficos integrados para una ejecución local.
La resolución del terreno decide más que el modelo, y no existe una única cifra de precisión, porque la precisión varía según tus imágenes y según lo que extraigas.
Cuatro mitos que conviene aclarar
Una sola cifra de precisión. La precisión varía según tus imágenes y según lo que extraigas. Quien cite una única cifra para todo está citando un número de marketing.
Datos de entrenamiento que nunca vieron tu región. Las capas de edificios prefabricadas son el caso más claro. El mismo kilómetro cuadrado de Luanda no contiene nada en OpenStreetMap, 3140 huellas de Microsoft y 4468 de Google Open Buildings.
«Se ejecuta en local, tus datos nunca salen de tu equipo». Cierto para un modelo pequeño en tu máquina. Cada modo en la nube envía imágenes a algún lugar, el nuestro incluido, y lo honesto es decir en qué modo estás.
Una salida lista para entregar. Cada ejecución devuelve más de lo que pediste: conductos de ventilación, claraboyas, sombras, cobertizos de patio. Objetos reales con contornos correctos, y no lo que querías. Reserva presupuesto para la limpieza.
Preguntas frecuentes
¿Es GeoAI lo mismo que la teledetección?
No. La teledetección es la medición. GeoAI es una forma de leer esa medición, junto a índices, umbrales y tus propios ojos.
¿Necesito escribir código?
Para la vía clásica, algo. Para segmentación en QGIS, no, porque los plugins lo cubren. Python sigue ganando cuando ejecutas la misma cadena sobre cientos de teselas, y PyQGIS es como controlas QGIS desde él.
¿Necesito una GPU?
Solo para modelos que se ejecutan en tu propia máquina. Segment Anything 3 no tiene ruta CPU en absoluto, así que un Mac o un portátil con gráficos integrados no puede ejecutarlo en local. Las herramientas del lado servidor no necesitan ninguna.
¿Qué precisión tiene GeoAI?
No hay un único número, porque la precisión varía según tus imágenes y según lo que extraigas. Espera que cada ejecución devuelva más de lo pedido, conductos, claraboyas y cobertizos entre los edificios, y reserva presupuesto para la limpieza.
¿Qué se obtiene al final?
Polígonos con etiqueta, clase, puntuación de confianza y área, en el SRC de tu proyecto. Nuestro plugin de segmentación los escribe en un GeoPackage con estilo. La revisión sigue siendo tuya.
Para los términos vecinos, qué es una huella de edificio explica el objeto que GeoAI extrae más que ningún otro, y el centro QGIS AI lista lo que cada plugin de este sector necesita antes de ejecutarse.
