GeoAI : définition, exemples, usages dans QGIS
Publié le Mis à jour le
GeoAI, c'est de l'apprentissage automatique (machine learning) appliqué aux données géographiques : imagerie satellite et aérienne, nuages de points, couches vectorielles, lus par un modèle qui renvoie des objets, des classes ou des changements sous forme de données que vous pouvez éditer. Ce qui revient arrive dans le SCR de votre projet, comme une couche que vous ouvrez dans QGIS comme toute autre. Il prend en charge le milieu lent d'un travail, et il ne décide rien pour vous.
comme toute autre. Il prend en charge le milieu lent d'un travail, et il ne décide rien pour vous.Ce n'est pas un chatbot qui connaît votre projet. Il ne lit ni le cahier des charges de votre client, ni vos règles attributaires, ni le relevé que vous avez fait au printemps dernier, et rien en lui ne remplace la vérité terrain. Le mot est large aussi : un classificateur random forest de 2005 et un modèle de segmentation de l'an dernier se vendent tous deux comme GeoAI, alors quand un vendeur utilise le terme, demandez lequel il veut dire, parce que la facture matérielle et les modes d'échec sont différents.
Nous construisons l'un des plugins QGIS de ce domaine, alors lisez ceci en sachant qui écrit cet article.
Pourquoi c'est important
La partie lente de la plupart des travaux SIG, c'est le dessin. Mettre à l'équerre les coins de bâtiments, fermer les trous dans un masque de toit, détourer trois cents houppiers un sommet à la fois. Ce travail n'a plus rien d'artisanal après la première heure, et un modèle est bon pour cela.
Ce n'est pas pour chaque travail. Sous cinquante entités, numérisez à la main, parce que vous aurez fini avec l'accrochage activé avant qu'un modèle ait fini de télécharger ses poids, et le résultat correspond exactement à votre cahier des charges. Je l'écarterais aussi de tout ce qui est juridique, une limite cadastrale, une zone protégée, une demande d'indemnisation, puisqu'un modèle vous donne un candidat et qu'un candidat n'est pas un relevé. La ligne que je tiens, c'est que GeoAI appartient à la première passe et jamais à la dernière.
Comment ça fonctionne
Vous donnez à un modèle entraîné une image et il vous rend de la géométrie. Trois familles font ce travail, et elles se comportent différemment.
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, donc ils n'ont aucune idée de l'usage d'un bâtiment. Ils se transfèrent bien à l'imagerie partout où la limite est nette. Le guide SAM explique quel plugin QGIS exécute quelle version.
Modèles image-vers-image inventent de nouveaux pixels. C'est ainsi que fonctionnent la suppression des nuages, le changement de saison et les vues de site dégagé. Le résultat est un raster géoréférencé sur la même emprise, et c'est un dessin, donc il n'a jamais sa place dans une couche de preuve.
Machine learning classique signifie un random forest ou une machine à vecteurs de support qui lit les valeurs de bandes, un pixel à la fois. Vieux de vingt ans, bon marché, et toujours le bon choix pour l'occupation du sol multispectrale avec vos propres polygones d'entraînement. SCP et dzetsaka le font à l'intérieur de QGIS gratuitement.
Ce pour quoi les gens l'utilisent
Cinq tâches, aujourd'hui, dans l'ordre où je leur fais confiance.
| Tâche | Famille de modèles | S'exécute sur |
|---|---|---|
| Extraire des objets de l'imagerie | Segmentation, la famille Segment Anything | Une carte graphique locale, ou un serveur |
| Classifier l'occupation du sol | Machine learning classique | N'importe quel portable |
| Repérer le changement entre deux dates | Segmentation sur deux images | Un serveur ou une carte graphique |
| Remplir et nettoyer les données | Aucun modèle. Algorithmes de géométrie simples | N'importe quel portable |
| Demander en mots simples | Segmentation, guidée par le nom d'objet | Un serveur, dans notre plugin |
Extraire des objets de l'imagerie est de loin la plus solide. Vous délimitez une zone, nommez ce que vous voulez, et récupérez des polygones : bâtiments, houppiers, voitures, piscines, panneaux solaires. Les bords nets donnent des contours propres. Une limite de parcelle qui se perd dans la broussaille donne au modèle le même mal qu'à vous.
Classifier l'occupation du sol met chaque pixel dans une classe : eau, bâti, sol nu, forêt. Les méthodes plus anciennes gagnent encore ici quand vous avez de bons polygones d'entraînement et des bandes multispectrales, et elles tournent sur n'importe quel portable.
Repérer le changement entre deux dates consiste à fournir au modèle deux orthophotos du même endroit pour qu'il signale ce qui a changé. Lorsque le fournisseur nomme son modèle, il s'agit d'un modèle de segmentation à deux entrées au lieu d'une seule : Picterra nomme ChangeStar, et le détecteur de changements d'Esri cite STANet. Plusieurs fournisseurs vendent de la détection de changements sans jamais préciser ce qu'elle contient. La solution gratuite n'utilise aucun modèle et soustrait simplement une image de l'autre. Elle fonctionne pour les changements évidents, comme un nouveau bâtiment ou une parcelle défrichée. Les variations saisonnières de couleur et un angle différent du soleil produisent de fausses alertes, prévoyez donc de vérifier chaque signalement.
Remplir et nettoyer les données couvre la mise à l'équerre des angles de bâtiments, la fermeture des trous dans un masque de toiture et la simplification d'un contour tracé pixel par pixel. C'est la seule ligne à laquelle aucune des trois familles ne s'applique. Les outils fournis reposent sur des algorithmes de géométrie plus anciens que le deep learning : QGIS le fait avec Simplify and Orthogonalize, et Esri avec Regularize Building Footprint. Des versions apprises existent dans la recherche, mais aucune n'est aujourd'hui intégrée à QGIS. Peu spectaculaire, mais c'est la partie qui fait gagner le plus d'heures.
Demander en mots simples signifie taper solar panels au lieu de choisir un modèle et une combinaison de bandes. Utile pour trouver des choses. N'attendez pas qu'il réponde à des questions sur votre table attributaire.
Ce que coûte l'exécution
Matériel. Un modèle local a besoin d'une carte graphique. Segment Anything 3 n'a aucun chemin CPU, ce qui exclut chaque Mac et chaque machine en graphiques intégrés. Quand le modèle tourne sur un serveur à la place, un portable de bureau suffit, et c'est l'arbitrage que nous avons fait.
Imagerie. La résolution au sol décide plus que le modèle. Notre propre réglage vise environ 0,05 m par pixel sur un panneau solaire, 0,09 sur une voiture, et 0,18 sur un bâtiment. Plus grossier que cela et l'objet est une tache qu'aucun modèle ne récupère.
Temps. La détection prend des minutes. La vérification prend plus longtemps, et quiconque l'oublie dans l'estimation va rater l'échéance.
Argent. Les options gratuites de QGIS ne coûtent rien sauf votre GPU et un après-midi de Python. La nôtre donne 1,5 km² de détection automatique par mois sans carte bancaire, plus le clic-pour-segmenter sur votre propre machine sans compteur, et Pro coûte 39 € par mois pour AI Segmentation, hors TVA.
Essayez gratuitement dans QGIS, sans carte bancaire
Comment le faire vous-même dans QGIS
Commencez par la voie gratuite, parce que pour une bonne partie de ce travail c'est aussi la meilleure. Pour l'occupation du sol multispectrale avec vos propres polygones d'entraînement, SCP et dzetsaka classifient à l'intérieur de QGIS sans coût et sur n'importe quel portable.
La segmentation sur votre propre machine est la moitié la plus dure. Les plugins gratuits veulent une carte graphique et un après-midi de Python, et le guide SAM dit lequel exécute quelle version du modèle. Le guide des emprises suit la voie gratuite et celle payante sur le même quartier, pour que vous puissiez peser ce que chacune vous coûte.
L'option cloud
Nous construisons le plugin ci-dessous, donc cette section parle de notre propre outil.
Ouvrir le gestionnaire de plugins
Extensions > Installer/Gérer les extensions. QGIS 3.22 ou ultérieur.
Installer AI Segmentation
Rien d'autre ne se télécharge, et il n'y a aucun environnement Python à construire.
Se connecter depuis le panneau
Un e-mail et un clic. Le quota gratuit se renouvelle chaque mois et ne demande aucune carte bancaire.
Dessiner une zone sur une imagerie déjà ouverte
Tout raster visible fonctionne : un GeoTIFF, une orthophoto de drone, un fond XYZ. Les comptes gratuits couvrent 1,5 km² de terrain par mois.
Taper l'objet, puis vérifier
building, tree, car. Filtrez par confiance et taille, corrigez ce qui est faux, exportez un GeoPackage.
Comparez ensuite ce qui sort avec ce que vous auriez numérisé à la main. C'est le seul test qui tranche.
Ce qu'il faut retenir
GeoAI, c'est du machine learning appliqué aux données géographiques, et ce qu'il vous rend est une couche dans le SCR de votre projet, jamais une réponse sur votre projet.
Sous une cinquantaine d'entités, numérisez à la main. Vous finissez avant qu'un modèle ait téléchargé ses poids, et le résultat correspond à votre cahier des charges.
Un modèle renvoie un candidat, et un candidat n'est pas un relevé, donc une limite cadastrale, une zone protégée ou une demande d'indemnisation a besoin de la couche vérifiée à la main.
Segment Anything 3 n'a aucun chemin CPU, ce qui exclut chaque Mac et chaque machine en graphiques intégrés pour une exécution locale.
La résolution au sol décide plus que le modèle, et il n'existe aucun chiffre de précision unique, parce que la précision varie avec votre imagerie et avec ce que vous extrayez.
Où le web se trompe
Un seul chiffre de précision. La précision varie avec votre imagerie et avec ce que vous extrayez. Quiconque cite un seul chiffre pour tout cela cite un chiffre marketing.
Des données d'entraînement qui n'ont jamais vu votre région. Les couches de bâtiments prêtes à l'emploi sont le cas le plus clair. Le même kilomètre carré de Luanda ne contient rien dans OpenStreetMap, 3 140 emprises de Microsoft, et 4 468 de Google Open Buildings.
« Fonctionne en local, vos données ne quittent jamais votre ordinateur. » Vrai pour un petit modèle sur votre machine. Chaque mode cloud envoie l'imagerie quelque part, le nôtre inclus, et la chose honnête est de dire dans quel mode vous êtes.
Un résultat que vous pouvez livrer tel quel. Chaque exécution renvoie plus que demandé : aérations, velux, ombres, remises de cour. Des objets réels aux contours corrects, et pas ce que vous vouliez. Prévoyez le nettoyage.
Questions fréquentes
GeoAI est-il la même chose que la télédétection ?
Non. La télédétection est la mesure. GeoAI est une façon de lire cette mesure, aux côtés des indices, des seuils et de vos propres yeux.
Dois-je écrire du code ?
Pour la voie classique, un peu. Pour la segmentation dans QGIS, non, parce que les plugins le couvrent. Python gagne toujours quand vous exécutez le même traitement sur des centaines de dalles.
Ai-je besoin d'un GPU ?
Seulement pour les modèles qui tournent sur votre propre machine. Segment Anything 3 n'a aucun chemin CPU, donc un Mac ou un portable en graphiques intégrés ne peut pas l'exécuter en local. Les outils côté serveur n'en ont besoin d'aucun.
Quelle est la précision de GeoAI ?
Il n'y a pas de chiffre unique, parce que la précision varie avec votre imagerie et avec ce que vous extrayez. Attendez-vous à ce que chaque exécution renvoie plus que demandé, des aérations et des velux et des remises de cour parmi les bâtiments, et prévoyez le nettoyage.
Qu'obtient-on à la fin ?
Des polygones avec une étiquette, une classe, un score de confiance et une surface, dans le SCR de votre projet. Notre plugin de segmentation les écrit dans un GeoPackage stylé. Vous gardez la responsabilité de la vérification.
Pour les termes voisins, ce qu'est une emprise de bâtiment couvre l'objet que GeoAI extrait plus souvent que tout autre, et le hub QGIS IA liste ce dont chaque plugin de ce domaine a besoin avant de fonctionner.
