Apa Itu GeoAI? Panduan Praktis untuk Pengguna QGIS

GeoAI adalah machine learning yang dijalankan pada data geografis: citra satelit dan udara, point cloud, serta layer vektor. Model membaca piksel lalu mengembalikan objek, kelas, atau perubahan sebagai data yang bisa Anda edit di . Teknologi ini menangani bagian tengah pekerjaan yang lambat. Namun, teknologi ini tidak mengambil keputusan untuk Anda.

Kami membuat salah satu plugin QGIS di bidang ini, jadi bacalah artikel ini dengan mengetahui siapa yang menulisnya.

Apa yang bukan merupakan GeoAI

GeoAI bukan chatbot yang memahami proyek Anda. Teknologi ini tidak membaca spesifikasi klien, aturan atribut, atau survei yang Anda lakukan musim semi lalu. Tidak ada bagian dari teknologi ini yang dapat menggantikan ground truth.

Istilahnya juga longgar. Classifier random forest dari 2005 dan model segmentasi dari tahun lalu sama-sama dipasarkan sebagai GeoAI. Saat vendor memakai istilah ini, tanyakan maksudnya, karena tagihan hardware dan jenis kegagalannya berbeda.

Lima hal yang bisa dilakukan saat ini

Mengekstrak objek dari citra. Ini adalah kemampuan terkuat, jauh di atas yang lain. Anda menentukan area, menyebutkan objek yang diinginkan, lalu mendapatkan poligon dalam CRS proyek Anda. Bangunan, tajuk pohon, mobil, kolam, panel surya. Tepi yang tajam menghasilkan garis batas yang rapi. Batas lahan yang menyatu dengan semak-semak membuat model kesulitan, sama seperti Anda.

CitraTerdeteksi

Geser untuk membandingkan

Mengklasifikasikan tutupan lahan. Setiap piksel mendapatkan kelas: air, area terbangun, tanah terbuka, hutan. Metode lama masih unggul di sini jika Anda memiliki poligon training yang baik dan band multispektral, serta dapat berjalan di laptop apa pun.

Mendeteksi perubahan di antara dua tanggal. Sediakan dua orthophoto dari tempat yang sama, lalu model menandai apa yang berubah. 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 peninjauan untuk setiap tanda.

Melengkapi dan merapikan data. Membuat sudut bangunan menjadi siku, menutup lubang pada mask atap, atau menyederhanakan garis batas yang ditelusuri piksel demi piksel. Tidak menarik, tetapi bagian inilah yang menghemat waktu paling banyak.

Mengajukan pertanyaan dengan kata-kata biasa. Mengetik solar panels alih-alih memilih model dan kombinasi band. Berguna untuk menemukan objek. Jangan berharap teknologi ini menjawab pertanyaan tentang tabel atribut Anda.

Dari mana model-model tersebut berasal

Ada tiga keluarga model, dan perilakunya berbeda.

Model segmentasi seperti keluarga Segment Anything mempelajari di mana satu objek berakhir dan objek berikutnya dimulai. Model-model ini dilatih menggunakan foto biasa, sehingga tidak memiliki pemahaman tentang apa itu bangunan. Model tersebut dapat diterapkan dengan baik pada citra ketika batas objeknya tegas. Panduan SAM menjelaskan plugin QGIS mana yang menjalankan versi tertentu.

Model image-to-image menciptakan piksel baru. Begitulah cara penghapusan awan, perubahan musim, dan tampilan lahan yang sudah dibersihkan bekerja di AI Edit. Output-nya adalah raster yang memiliki georeferensi dengan extent yang sama, dan merupakan hasil gambar, sehingga tidak pernah boleh dimasukkan ke layer bukti.

Machine learning klasik berarti random forest atau support vector machine membaca nilai band, satu piksel setiap kali. Teknologi ini sudah berusia dua puluh tahun, murah, dan masih menjadi pilihan yang tepat untuk tutupan lahan multispektral dengan poligon training Anda sendiri. SCP dan dzetsaka dapat menjalankannya di dalam QGIS secara gratis.

Biaya sebenarnya

Hardware. Model lokal membutuhkan kartu grafis. Segment Anything 3 sama sekali tidak memiliki jalur CPU, sehingga tidak dapat digunakan pada Mac mana pun dan mesin apa pun dengan grafis terintegrasi. Jika model dijalankan di server, laptop kantor sudah cukup, dan itulah kompromi yang kami pilih.

Citra. Resolusi ground lebih menentukan daripada modelnya. Tuning kami menargetkan sekitar 0.05 m per piksel untuk panel surya, 0.09 untuk mobil, dan 0.18 untuk bangunan. Jika lebih kasar dari itu, objeknya menjadi noda yang tidak dapat dipulihkan oleh model mana pun.

Waktu. Deteksi membutuhkan waktu beberapa menit. Peninjauan membutuhkan waktu lebih lama, dan siapa pun yang mengabaikannya dalam estimasi akan melewati tenggat waktu.

Uang. Opsi QGIS gratis tidak membutuhkan biaya selain GPU dan satu sore untuk Python. Produk kami memberikan 200 deteksi otomatis per bulan tanpa kartu, ditambah segmentasi tanpa batas dengan klik pada mesin Anda sendiri, dan Pro seharga €29 per bulan untuk AI Edit, €39 untuk AI Segmentation, €59 untuk keduanya, semuanya tidak termasuk VAT.

Coba gratis di QGIS, tanpa kartu

Empat klaim yang patut diragukan

Satu angka akurasi. Akurasi berubah mengikuti citra Anda dan objek yang diekstrak. Siapa pun yang mengutip satu angka untuk semuanya sedang mengutip angka marketing.

Data training yang tidak pernah melihat wilayah Anda. Layer bangunan siap pakai adalah contoh yang paling jelas. Pada kilometer persegi yang sama di Luanda, OpenStreetMap tidak memiliki data, Microsoft memiliki 3,140 footprint, dan Google Open Buildings memiliki 4,468.

"Berjalan secara lokal, data Anda tidak pernah meninggalkan komputer." Benar untuk model kecil di mesin Anda. Setiap mode cloud mengirim citra ke suatu tempat, termasuk produk kami, dan hal yang jujur adalah menyebutkan mode yang sedang Anda gunakan.

Output yang bisa langsung dikirim. Setiap proses mengembalikan lebih banyak dari yang Anda minta: ventilasi, skylight, bayangan, gudang di halaman. Objek nyata dengan garis batas yang benar, tetapi bukan objek yang Anda inginkan. Sisihkan anggaran untuk pembersihan.

Kapan saya tidak akan menggunakannya

Untuk kurang dari lima puluh fitur, digitalkan secara manual. Aktifkan snapping dan Anda akan selesai sebelum model mengunduh weight-nya, dengan hasil yang persis sesuai spesifikasi. Saya juga akan menjauhkannya dari segala sesuatu yang bersifat legal: batas kadaster, zona terlindungi, atau klaim kompensasi. Model memberikan kandidat, dan kandidat bukanlah survei. Batas yang saya pegang adalah GeoAI digunakan pada tahap awal dan tidak pernah pada tahap akhir. Panduan footprint membahas kedua jalur pada lingkungan yang sama.

Jalankan di QGIS dalam sepuluh menit

Bandingkan hasilnya dengan apa yang akan Anda digitalkan secara manual. Itulah satu-satunya pengujian yang dapat menentukan jawabannya.

Pertanyaan

Apakah GeoAI sama dengan penginderaan jauh? Tidak. Penginderaan jauh adalah pengukurannya. GeoAI adalah salah satu cara untuk membacanya, bersama indeks, threshold, dan mata Anda sendiri.

Apakah saya perlu menulis kode? Untuk jalur klasik, sebagian. Untuk segmentasi di QGIS, tidak: plugin-plugin tersebut sudah menanganinya. Python tetap unggul ketika Anda menjalankan pipeline yang sama pada ratusan tile.

Apakah saya membutuhkan GPU? Hanya untuk model yang berjalan di mesin Anda sendiri. Tools sisi server tidak membutuhkannya. Hub AI QGIS mencantumkan kebutuhan setiap opsi.

Apa yang dihasilkan pada akhirnya? Poligon dengan label, kelas, skor confidence, dan area, dalam CRS proyek Anda. AI Segmentation menuliskannya ke GeoPackage yang sudah diberi style. Peninjauannya tetap menjadi tanggung jawab Anda.

Lihat apa yang dapat dan tidak dapat dilakukan AI di dalam QGIS