GeoAI dans QGIS : définition, usages et limites

La GeoAI est de l'apprentissage automatique appliqué à des données géographiques : images satellite et aériennes, nuages de points, couches vectorielles. Un modèle lit les pixels et renvoie des objets, des classes ou des changements sous forme de données que vous pouvez modifier dans . Elle prend en charge la partie lente du travail. Elle ne décide rien à votre place.

Nous développons l'un des plugins QGIS de ce secteur. Gardez donc à l'esprit qui signe cet article.

Ce que la GeoAI n'est pas

Ce n'est pas un chatbot qui connaît votre projet. Elle ne lit pas le cahier des charges de votre client, vos règles attributaires ni le relevé réalisé au printemps dernier. Rien de tout cela ne remplace les données de référence terrain.

Le terme reste également vague. Un classifieur à forêt aléatoire de 2005 et un modèle de segmentation de l'année dernière sont tous deux vendus comme de la GeoAI. Lorsqu'un fournisseur emploie ce terme, demandez-lui de préciser ce qu'il entend par là, car la facture matérielle et les modes d'échec ne sont pas les mêmes.

Les cinq choses qu'elle fait aujourd'hui

Extraire des objets à partir d'images. C'est de loin son usage le plus solide. Vous délimitez une zone, indiquez ce que vous recherchez et obtenez des polygones dans le SCR de votre projet. Bâtiments, houppiers, voitures, piscines, panneaux solaires. Des contours nets produisent des délimitations propres. Une limite de parcelle qui se fond dans les broussailles pose au modèle le même problème qu'à vous.

ImageDétecté

Glisser pour comparer

Classifier l'occupation du sol. Chaque pixel reçoit une classe : eau, zone bâtie, sol nu, forêt. Les méthodes plus anciennes restent les meilleures lorsque vous disposez de bons polygones d'entraînement et de bandes multispectrales, et elles fonctionnent sur n'importe quel ordinateur portable.

Repérer les changements entre deux dates. Prenez deux orthophotos du même endroit et le modèle signale ce qui a changé. Cela fonctionne pour les changements évidents, comme un nouveau bâtiment ou une parcelle défrichée. Les variations saisonnières de couleur et un angle de soleil différent produisent de fausses alertes. Prévoyez donc de vérifier chaque signalement.

Compléter et nettoyer les données. Redresser les angles d'un bâtiment, fermer les trous dans un masque de toiture, simplifier un contour tracé pixel par pixel. Ce n'est pas très spectaculaire, mais c'est ce qui fait gagner le plus d'heures.

Faire des demandes en langage courant. Taper solar panels au lieu de choisir un modèle et une combinaison de bandes. C'est utile pour trouver des objets. N'espérez pas obtenir des réponses sur votre table attributaire.

D'où viennent les modèles

Il existe trois grandes familles, qui se comportent différemment.

Les modèles de segmentation, comme la famille Segment Anything, apprennent où une chose s'arrête et où la suivante commence. Ils ont été entraînés sur des photographies ordinaires et ne savent donc pas ce qu'est un bâtiment. Ils s'adaptent bien aux images lorsque les limites sont nettes. Le guide SAM explique quels plugins QGIS utilisent quelle version.

Les modèles image à image inventent de nouveaux pixels. C'est ainsi que fonctionnent la suppression des nuages, le changement de saison et les vues de sites défrichés dans AI Edit. Le résultat est un raster géoréférencé sur la même emprise. C'est un dessin, et il ne doit donc jamais être placé dans une couche de preuve.

L'apprentissage automatique classique désigne une forêt aléatoire ou une machine à vecteurs de support qui lit les valeurs des bandes, un pixel à la fois. Cette méthode a vingt ans, elle est peu coûteuse et reste le bon choix pour classifier une occupation du sol multispectrale avec vos propres polygones d'entraînement. SCP et dzetsaka le permettent gratuitement dans QGIS.

Ce que cela coûte vraiment

Le matériel. Un modèle local nécessite une carte graphique. Segment Anything 3 ne dispose d'aucun mode CPU, ce qui exclut tous les Mac et toutes les machines équipées uniquement de circuits graphiques intégrés. Lorsque le modèle s'exécute sur un serveur, un ordinateur portable de bureau suffit. C'est le compromis que nous avons choisi.

Les images. La résolution au sol compte davantage que le modèle. Notre propre réglage vise environ 0.05 m par pixel pour un panneau solaire, 0.09 pour une voiture et 0.18 pour un bâtiment. Au-delà, l'objet devient une tache qu'aucun modèle ne peut récupérer.

Le temps. La détection prend quelques minutes. La vérification prend plus longtemps. Quiconque l'oublie dans son estimation risque de manquer la date limite.

L'argent. Les options QGIS gratuites ne coûtent rien en dehors de votre GPU et d'un après-midi de Python. La nôtre fournit 200 détections automatiques par mois sans carte graphique, ainsi qu'une segmentation illimitée par clic sur votre propre machine. Pro coûte €29 par mois pour AI Edit, €39 pour AI Segmentation, €59 pour les deux, hors TVA.

Essayez-le gratuitement dans QGIS, sans carte bancaire

Quatre affirmations à prendre avec recul

Un seul chiffre de précision. La précision varie selon vos images et selon ce que vous cherchez à extraire. Quiconque cite un seul chiffre pour tout cela cite un chiffre marketing.

Des données d'entraînement qui n'ont jamais couvert votre région. Les couches de bâtiments prêtes à l'emploi en sont l'exemple le plus évident. Le même kilomètre carré de Luanda ne contient rien dans OpenStreetMap, 3,140 empreintes dans Microsoft et 4,468 dans Google Open Buildings.

« Fonctionne en local, vos données ne quittent jamais votre ordinateur. » C'est vrai pour un petit modèle exécuté sur votre machine. Chaque mode cloud envoie des images quelque part, y compris le nôtre. La réponse honnête consiste à préciser dans quel mode vous travaillez.

Un résultat directement exploitable. Chaque exécution renvoie plus que ce que vous demandiez : aérations, fenêtres de toit, ombres, abris de cour. Ce sont de vrais objets aux contours corrects, mais pas forcément ceux que vous vouliez. Prévoyez du temps pour le nettoyage.

Les cas où je ne l'utiliserais pas

En dessous de cinquante entités, numérisez à la main. Activez l'accrochage et vous aurez terminé avant qu'un modèle ait téléchargé ses poids. Le résultat correspondra aussi exactement à vos spécifications. Je l'écarterais également de tout ce qui est juridique : une limite cadastrale, une zone protégée, une demande d'indemnisation. Un modèle fournit un candidat, et un candidat n'est pas un relevé. Pour moi, la GeoAI appartient à la première passe, jamais à la dernière. Le guide des empreintes présente les deux méthodes sur le même quartier.

L'exécuter dans QGIS en dix minutes

Comparez le résultat avec ce que vous auriez numérisé à la main. C'est le seul test qui permette de trancher.

Questions

La GeoAI est-elle la même chose que la télédétection ? Non. La télédétection est la mesure. La GeoAI est une manière de l'interpréter, aux côtés des indices, des seuils et de vos propres yeux.

Dois-je savoir coder ? Pour l'approche classique, un peu. Pour la segmentation dans QGIS, non : les plugins s'en chargent. Python reste imbattable lorsque vous exécutez la même chaîne de traitement sur des centaines de tuiles.

Ai-je besoin d'un GPU ? Uniquement pour les modèles qui s'exécutent sur votre propre machine. Les outils côté serveur n'en nécessitent aucun. Le hub QGIS AI indique les prérequis de chaque option.

Qu'obtient-on à la fin ? Des polygones avec un libellé, une classe, un score de confiance et une surface, dans le SCR de votre projet. AI Segmentation les écrit dans un GeoPackage stylisé. La vérification reste sous votre responsabilité.

Découvrez ce que l'IA fait dans QGIS et ce qu'elle ne fait pas