Apa itu GeoAI? Definisi, contoh, dan cara pakai di QGIS
Diterbitkan Diperbarui
GeoAI adalah machine learning yang berjalan di atas data geografis: citra satelit dan udara, point cloud, layer vektor, dibaca oleh model yang mengembalikan objek, kelas, atau perubahan sebagai data yang bisa Anda edit. Hasilnya tiba dalam CRS proyek Anda, sebagai layer yang Anda buka di QGIS seperti biasa. Ia mengerjakan bagian tengah yang lambat, dan ia tidak memutuskan apa pun untuk Anda.
seperti biasa. Ia mengerjakan bagian tengah yang lambat, dan ia tidak memutuskan apa pun untuk Anda.Ia bukan chatbot yang mengenal proyek Anda. Ia tidak membaca spesifikasi klien Anda, aturan atribut Anda, atau survei yang Anda lakukan musim semi lalu, dan tidak ada bagian darinya yang menggantikan ground truth. Istilahnya juga longgar: pengklasifikasi random forest dari 2005 dan model segmentasi dari tahun lalu sama-sama dijual sebagai GeoAI, jadi ketika vendor memakai istilah itu, tanyakan yang mana yang mereka maksud, karena biaya hardware dan pola kegagalannya berbeda.
Kami membangun salah satu plugin QGIS di bidang ini, jadi bacalah ini dengan tahu siapa yang menulisnya.
Mengapa ini penting
Bagian yang lambat dari sebagian besar pekerjaan GIS adalah penelusuran garis objek. Meluruskan sudut bangunan hingga siku, menutup lubang di mask atap, menelusuri garis luar tiga ratus tajuk pohon satu vertex demi satu vertex. Pekerjaan itu tak ada seninya lagi setelah jam pertama, dan model pandai mengerjakannya.
Ia tidak untuk setiap pekerjaan. Di bawah lima puluh feature, lakukan digitasi manual, karena Anda akan selesai dengan snapping menyala sebelum model selesai mengunduh bobotnya, dan hasilnya persis cocok dengan spesifikasi Anda. Saya juga menjauhkannya dari apa pun yang bersifat hukum, batas kadastral, zona lindung, klaim kompensasi, karena model memberi Anda kandidat dan kandidat bukanlah survei. Batas yang saya pegang: GeoAI untuk tahap pertama, tidak pernah untuk tahap terakhir.
Cara kerjanya
Anda memberi model terlatih sebuah gambar dan ia mengembalikan geometri. Tiga keluarga mengerjakan itu, dan perilakunya berbeda.
Model segmentasi seperti keluarga Segment Anything belajar di mana satu hal berhenti dan hal berikutnya mulai. Mereka dilatih dengan foto biasa, jadi mereka tidak tahu bangunan itu berfungsi untuk apa. Hasilnya baik pada citra selama batas objeknya tajam. Panduan SAM membahas plugin QGIS mana yang menjalankan versi model yang mana.
Model image-to-image menciptakan piksel baru. Begitulah cara kerja penghapusan awan, perubahan musim, dan tampilan lahan kosong. Hasilnya adalah raster bergeoreferensi pada cakupan yang sama, dan itu sebuah gambar, jadi tidak pernah termasuk dalam layer bukti.
Machine learning klasik berarti random forest atau support vector machine yang membaca nilai band, satu piksel dalam satu waktu. Berusia dua puluh tahun, murah, dan tetap pilihan tepat untuk tutupan lahan multispektral dengan poligon training Anda sendiri. SCP dan dzetsaka melakukannya di dalam QGIS secara gratis.
Untuk apa orang memakainya
Lima pekerjaan, saat ini, sesuai urutan kepercayaan saya.
| Tugas | Keluarga model | Berjalan di |
|---|---|---|
| Menarik objek dari citra | Segmentasi, keluarga Segment Anything | Kartu grafis lokal, atau server |
| Mengklasifikasi tutupan lahan | Classical machine learning | Laptop mana pun |
| Mendeteksi perubahan antara dua tanggal | Segmentasi, diberi sepasang citra | Server atau kartu grafis |
| Mengisi dan merapikan data | Tanpa model. Algoritma geometri biasa | Laptop apa pun |
| Bertanya dengan kata biasa | Segmentasi, dengan prompt berupa nama objek | Server, dalam plugin kami |
Menarik objek dari citra adalah yang terkuat dengan jarak jauh. Anda menggambar batas area, menyebut apa yang Anda mau, dan mendapat poligon kembali: bangunan, tajuk pohon, mobil, kolam, panel surya. Tepi tajam memberi garis bersih. Batas ladang yang memudar menjadi semak memberi model kesulitan yang sama seperti yang diberikannya kepada Anda.
Mengklasifikasi tutupan lahan menempatkan setiap piksel dalam kelas: air, terbangun, tanah gundul, hutan. Metode lama masih menang di sini bila Anda punya poligon training yang bagus dan band multispektral, dan mereka berjalan di laptop mana pun.
Mendeteksi perubahan antara dua tanggal berarti memberikan dua ortofoto dari tempat yang sama kepada model agar model menandai apa yang berubah. Jika vendor menyebutkan modelnya, model tersebut adalah model segmentasi dengan dua input, bukan satu: Picterra menyebut ChangeStar, dan detektor perubahan Esri menyebut STANet. Beberapa vendor menjual deteksi perubahan tanpa pernah menjelaskan isinya. Cara gratis tidak menggunakan model sama sekali dan mengurangkan satu citra dari citra lainnya. Cara ini bekerja untuk perubahan yang jelas seperti bangunan baru atau lahan yang dibersihkan. Perubahan warna musiman dan sudut matahari yang berbeda menghasilkan alarm palsu, jadi rencanakan untuk meninjau setiap penanda.
Mengisi dan merapikan data mencakup membuat sudut bangunan menjadi siku, menutup lubang pada mask bangunan, serta menyederhanakan garis batas yang ditelusuri piksel demi piksel. Ini satu-satunya baris yang tidak menerapkan satu pun dari ketiga keluarga tersebut. Alat yang tersedia adalah algoritma geometri yang lebih tua daripada deep learning: QGIS melakukannya dengan Simplify dan Orthogonalize, sedangkan Esri dengan Regularize Building Footprint. Versi berbasis pembelajaran memang ada dalam penelitian, tetapi belum ada yang disertakan dalam QGIS saat ini. Tidak glamor, tetapi bagian inilah yang menghemat waktu paling banyak.
Bertanya dengan kata biasa berarti mengetik solar panels alih-alih memilih model dan kombinasi band. Berguna untuk menemukan objek. Jangan berharap ia menjawab pertanyaan tentang tabel atribut Anda.
Biayanya
Hardware. Model lokal butuh kartu grafis. Segment Anything 3 sama sekali tidak punya jalur CPU, yang menyingkirkan setiap Mac dan setiap mesin dengan grafis terintegrasi. Ketika model berjalan di server, laptop kantor sudah cukup, dan itu pertukaran yang kami pilih.
Citra. Resolusi spasial menentukan lebih dari modelnya. Tuning kami sendiri menargetkan kira-kira 0,05 m per piksel pada panel surya, 0,09 pada mobil, dan 0,18 pada bangunan. Lebih kasar dari itu dan objek menjadi noda yang tak dipulihkan model mana pun.
Waktu. Deteksi memakan waktu menit. Peninjauan memakan waktu lebih lama, dan siapa pun yang mengeluarkannya dari estimasi akan melewatkan tenggat.
Uang. Opsi QGIS gratis tidak memungut biaya selain GPU dan sore hari Python Anda. Kami memberi 1,5 km² deteksi Otomatis sebulan tanpa kartu, plus klik-untuk-segmentasi di mesin Anda sendiri tanpa penghitung, dan Pro berharga €39 sebulan untuk AI Segmentation, belum termasuk PPN. Di sisi Esri, model citra siap pakai memerlukan lisensi ArcGIS Pro Professional atau yang lebih tinggi, dan QGIS vs ArcGIS Pro menyebutkan harga setiap lisensi.
Coba gratis di QGIS, tanpa kartu
Cara melakukannya sendiri di QGIS
Mulailah dengan jalur gratis, karena untuk sebagian besar pekerjaan ini ia juga yang lebih baik. Untuk tutupan lahan multispektral dengan poligon training Anda sendiri, SCP dan dzetsaka mengklasifikasi di dalam QGIS tanpa biaya dan di laptop mana pun.
Segmentasi di mesin Anda sendiri adalah separuh yang lebih sulit. Plugin gratis butuh kartu grafis dan sore hari Python, dan panduan SAM menyebut mana yang menjalankan versi model yang mana. Panduan footprint bangunan menelusuri jalur gratis dan jalur berbayar di kawasan yang sama, agar Anda bisa menimbang biaya masing-masing bagi Anda.
Opsi cloud
Kami membangun plugin di bawah, jadi bagian ini tentang tool kami sendiri.
Buka plugin manager
Plugins > Manage and Install Plugins…. QGIS 3.22 atau lebih baru.
Instal AI Segmentation
Tidak ada unduhan lain, dan tidak ada lingkungan Python yang perlu dibangun.
Masuk dari panel
Satu email dan satu klik. Kuota gratis direset setiap bulan dan tidak meminta kartu.
Gambar zona di citra yang sudah Anda buka
Raster apa pun yang terlihat bisa dipakai: GeoTIFF, ortofoto drone, basemap XYZ. Akun gratis mencakup 1,5 km² area per bulan.
Ketik objek, lalu tinjau
building, tree, car. Saring menurut skor kepercayaan dan ukuran, perbaiki yang salah, ekspor GeoPackage.
Lalu bandingkan hasilnya dengan apa yang akan Anda hasilkan lewat digitasi manual. Hanya uji itu yang bisa menyelesaikan pertanyaannya.
Yang perlu diingat
GeoAI adalah machine learning di atas data geografis, dan yang dikembalikannya adalah layer dalam CRS proyek Anda, bukan jawaban tentang proyek Anda.
Di bawah sekitar lima puluh feature, lakukan digitasi manual. Anda selesai sebelum model mengunduh bobotnya, dan hasilnya cocok dengan spesifikasi Anda.
Model mengembalikan kandidat, dan kandidat bukanlah survei, jadi batas kadastral, zona lindung, atau klaim kompensasi butuh layer yang diperiksa tangan.
Segment Anything 3 sama sekali tidak punya jalur CPU, yang menyingkirkan setiap Mac dan setiap mesin dengan grafis terintegrasi untuk proses lokal.
Resolusi spasial menentukan lebih dari modelnya, dan tidak ada satu angka akurasi, karena akurasi berubah mengikuti citra Anda dan apa yang Anda ekstrak.
Di mana web keliru
Satu angka akurasi. Akurasi berubah mengikuti citra Anda dan apa yang Anda ekstrak. Siapa pun yang mengutip satu angka untuk semuanya mengutip angka pemasaran.
Data training yang tak pernah melihat wilayah Anda. Kasus paling jelas adalah layer bangunan siap pakai. Satu kilometer persegi yang sama di Luanda tidak berisi apa pun di OpenStreetMap, 3.140 footprint dari Microsoft, dan 4.468 dari Google Open Buildings.
"Berjalan lokal, data Anda tidak pernah meninggalkan komputer Anda." Berlaku untuk model kecil di mesin Anda. Setiap mode cloud mengirim citra ke suatu tempat, termasuk mode kami, dan hal jujur adalah mengatakan Anda sedang dalam mode yang mana.
Output yang bisa langsung dikirim. Setiap proses mengembalikan lebih dari yang Anda minta: ventilasi, skylight, bayangan, gudang halaman. Objek nyata dengan garis yang benar, dan bukan hal yang Anda inginkan. Anggarkan pembersihannya.
Pertanyaan umum
Apakah GeoAI sama dengan penginderaan jauh?
Tidak. Penginderaan jauh adalah pengukurannya. GeoAI adalah satu cara membaca pengukuran itu, bersama indeks, ambang batas, dan mata Anda sendiri.
Apakah saya butuh GPU?
Hanya untuk model yang berjalan di mesin Anda sendiri. Segment Anything 3 sama sekali tidak punya jalur CPU, jadi Mac atau laptop dengan grafis terintegrasi tidak bisa menjalankannya secara lokal. Tool sisi server tidak butuh apa pun.
Seberapa akurat GeoAI?
Tidak ada satu angka, karena akurasi berubah mengikuti citra Anda dan apa yang Anda ekstrak. Harapkan setiap proses mengembalikan lebih dari yang Anda minta, ventilasi dan skylight dan gudang halaman di antara bangunan, dan anggarkan pembersihannya.
Apa hasil akhirnya?
Poligon dengan label, kelas, skor kepercayaan, dan luas, dalam CRS proyek Anda. Plugin segmentasi kami menuliskannya ke GeoPackage yang ditata. Anda tetap pemilik peninjauan.
Untuk istilah terkait, apa itu building footprint membahas objek yang paling sering diekstrak GeoAI, dan hub AI QGIS mendaftar apa yang dibutuhkan setiap plugin di bidang ini sebelum berjalan.
