GeoAI: cos'è, esempi e usi in QGIS
Pubblicato il Aggiornato il
GeoAI è machine learning applicato ai dati geografici: immagini satellitari e aeree, nuvole di punti, layer vettoriali, letti da un modello che restituisce oggetti, classi o cambiamenti come dati che puoi modificare. Quello che torna arriva nel sistema di riferimento delle coordinate (SR) del tuo progetto, come un layer che apri in QGIS come qualsiasi altro. Gestisce la parte centrale e lenta di un lavoro, e non decide nulla al posto tuo.
come qualsiasi altro. Gestisce la parte centrale e lenta di un lavoro, e non decide nulla al posto tuo.Non è un chatbot che conosce il tuo progetto. Non legge il capitolato del tuo cliente, le tue regole sugli attributi, né il rilievo che hai fatto la primavera scorsa, e nulla al suo interno sostituisce la verità a terra. La parola è anche vaga: un classificatore random forest del 2005 e un modello di segmentazione dell'anno scorso vengono venduti entrambi come GeoAI, quindi quando un fornitore usa il termine, chiedi quale dei due intende, perché il conto hardware e i modi di fallimento sono diversi.
Costruiamo uno dei plugin QGIS in questo spazio, quindi leggi sapendo di chi è questo articolo.
Perché conta
La parte lenta della maggior parte dei lavori GIS è il ricalco. Squadrare gli angoli degli edifici, chiudere i buchi in una maschera di un tetto, delineare trecento chiome una ad una vertice dopo vertice. Dopo la prima ora quel lavoro non ha più nulla di artigianale, e un modello lo fa bene.
Non è per ogni lavoro. Sotto una cinquantina di oggetti, digitalizza a mano, perché hai finito, con l'aggancio attivo, prima che un modello abbia scaricato i suoi pesi, e il risultato corrisponde esattamente alle tue specifiche. Lo terrei anche lontano da tutto ciò che è legale, un confine catastale, una zona protetta, una richiesta di indennizzo, perché un modello ti dà un candidato e un candidato non è un rilievo. La linea che tengo è che GeoAI appartiene al primo passaggio e mai all'ultimo.
Come funziona
Dai in pasto a un modello addestrato un'immagine e lui restituisce geometria. Tre famiglie fanno questo lavoro, e si comportano in modo diverso.
Modelli di segmentazione come la famiglia Segment Anything imparano dove finisce una cosa e inizia la successiva. Sono stati addestrati su fotografie comuni, quindi non hanno alcuna idea di cosa sia un edificio. Si trasferiscono bene sulle immagini dove il confine è netto. La guida SAM spiega quali plugin QGIS eseguono quale versione.
Modelli image-to-image inventano nuovi pixel. È così che funzionano la rimozione delle nuvole, il cambio di stagione e le viste di un cantiere sgomberato. L'output è un raster georeferenziato sulla stessa estensione, ed è un disegno, quindi non appartiene mai a un layer probatorio.
Machine learning classico significa una random forest o una support vector machine che legge i valori di banda, un pixel alla volta. Vecchio di vent'anni, economico, e ancora la scelta giusta per copertura del suolo multispettrale con i tuoi poligoni di training. SCP e dzetsaka lo fanno dentro QGIS gratis.
A cosa la gente lo usa
Cinque lavori, oggi, nell'ordine in cui mi fiderei.
| Attività | Famiglia di modelli | Dove gira |
|---|---|---|
| Estrarre oggetti dalle immagini | Segmentazione, la famiglia Segment Anything | Una scheda grafica locale, o un server |
| Classificare la copertura del suolo | Machine learning classico | Qualsiasi portatile |
| Individuare il cambiamento tra due date | Segmentazione, alimentata da una coppia di immagini | Un server o una scheda grafica |
| Riempire e sistemare i dati | Nessun modello. Semplici algoritmi geometrici | Qualsiasi laptop |
| Chiedere in parole semplici | Segmentazione, con il nome dell'oggetto nel prompt | Un server, nel nostro plugin |
Estrarre oggetti dalle immagini è di gran lunga il più solido. Delinei un'area, dai un nome a ciò che vuoi, e ricevi indietro poligoni: edifici, chiome, auto, piscine, impianti solari. I bordi netti danno contorni puliti. Un confine di campo che sfuma nella macchia dà al modello la stessa difficoltà che dà a te.
Classificare la copertura del suolo mette ogni pixel in una classe: acqua, costruito, suolo nudo, foresta. I metodi più vecchi vincono ancora qui quando hai buoni poligoni di training e bande multispettrali, e girano su qualsiasi portatile.
Individuare il cambiamento tra due date significa fornire al modello due ortofoto dello stesso luogo, così che segnali ciò che è cambiato. Quando il fornitore indica il nome del modello, si tratta di un modello di segmentazione con due input invece di uno: Picterra chiama il proprio ChangeStar, mentre il rilevatore di cambiamenti di Esri cita STANet. Diversi fornitori vendono soluzioni di rilevamento dei cambiamenti senza mai dire cosa contengano. L'alternativa gratuita non usa alcun modello e sottrae un'immagine dall'altra. Funziona sui cambiamenti evidenti, come un nuovo edificio o un'area sgomberata. Le variazioni stagionali dei colori e un diverso angolo del sole producono falsi allarmi, quindi prevedi di esaminare ogni segnalazione.
Riempire e sistemare i dati comprende rendere squadrati gli angoli degli edifici, chiudere i buchi in una maschera del tetto e semplificare un contorno tracciato pixel per pixel. Questa è l'unica riga a cui non si applica nessuna delle tre famiglie. Gli strumenti disponibili sono algoritmi geometrici più vecchi del deep learning: QGIS lo fa con Simplify and Orthogonalize, Esri con Regularize Building Footprint. Esistono versioni basate sull'apprendimento nella ricerca, ma oggi nessuna di queste è inclusa in QGIS. Non è un lavoro appariscente, ma è quello che fa risparmiare più ore.
Chiedere in parole semplici significa digitare solar panels invece di scegliere un modello e una combinazione di bande. Utile per trovare cose. Non aspettarti che risponda a domande sulla tua tabella degli attributi.
Quanto costa farlo girare
Hardware. Un modello locale vuole una scheda grafica. Segment Anything 3 non ha proprio un percorso CPU, il che esclude ogni Mac e ogni macchina con grafica integrata. Quando il modello gira invece su un server, basta un portatile da ufficio, ed è il compromesso che abbiamo scelto.
Immagini. La risoluzione a terra decide più del modello. La nostra taratura punta a circa 0,05 m per pixel su un pannello solare, 0,09 su un'auto e 0,18 su un edificio. Più grossolana di così e l'oggetto è una macchia che nessun modello recupera.
Tempo. Il rilevamento prende minuti. La revisione prende di più, e chi la lascia fuori dalla stima mancherà la scadenza.
Soldi. Le opzioni QGIS gratuite non costano nulla oltre la tua GPU e un pomeriggio di Python. La nostra dà 1,5 km² di rilevamento automatico al mese senza carta, più click-to-segment sulla tua macchina senza contatore, e Pro costa 39 € al mese per AI Segmentation, IVA esclusa. Sul fronte Esri, i modelli per immagini già pronti richiedono una licenza ArcGIS Pro Professional o superiore, e QGIS vs ArcGIS Pro mette un prezzo a ciascuna licenza.
Provalo gratis in QGIS, senza carta
Come farlo da solo in QGIS
Inizia dal percorso gratuito, perché per una buona parte di questo lavoro è anche quello migliore. Per copertura del suolo multispettrale con i tuoi poligoni di training, SCP e dzetsaka classificano dentro QGIS senza costi e su qualsiasi portatile.
La segmentazione sulla tua macchina è la metà più difficile. I plugin gratuiti vogliono una scheda grafica e un pomeriggio di Python, e la guida SAM dice quale esegue quale versione del modello. La guida alle impronte percorre il cammino gratuito e quello a pagamento sullo stesso quartiere, così puoi pesare cosa ti costa ciascuno.
L'opzione cloud
Costruiamo il plugin qui sotto, quindi questa sezione riguarda il nostro strumento.
Apri il gestore dei plugin
Plugins > Gestisci ed Installa Plugin.... QGIS 3.22 o successiva.
Installa AI Segmentation
Non si scarica nient'altro, e non c'è alcun ambiente Python da costruire.
Accedi dal pannello
Un'email e un clic. La quota gratuita si rinnova ogni mese e non chiede alcuna carta.
Disegna una zona su immagini che hai già aperte
Qualsiasi raster visibile funziona: un GeoTIFF, un'ortofoto da drone, una mappa di base XYZ. Gli account gratuiti coprono 1,5 km² di terreno al mese.
Scrivi l'oggetto, poi controlla
building, tree, car. Filtra per confidenza e dimensione, correggi ciò che è sbagliato, esporta un GeoPackage.
Poi confronta ciò che esce con ciò che avresti digitalizzato a mano. È l'unico test che chiude la questione.
Cosa ricordare
GeoAI è machine learning applicato ai dati geografici, e ciò che restituisce è un layer nell'SR del tuo progetto, mai una risposta sul tuo progetto.
Sotto una cinquantina di oggetti, digitalizza a mano. Finisci prima che un modello abbia scaricato i suoi pesi, e il risultato corrisponde alle tue specifiche.
Un modello restituisce un candidato, e un candidato non è un rilievo, quindi un confine catastale, una zona protetta o una richiesta di indennizzo vogliono il layer controllato a mano.
Segment Anything 3 non ha proprio un percorso CPU, il che esclude ogni Mac e ogni macchina con grafica integrata per un run locale.
La risoluzione a terra decide più del modello, e non esiste una sola cifra di accuratezza, perché l'accuratezza cambia con le tue immagini e con ciò che estrai.
Quattro miti da sfatare
Un singolo numero di accuratezza. L'accuratezza cambia con le tue immagini e con ciò che estrai. Chi cita una sola cifra valida per tutto cita un numero di marketing.
Dati di training che non hanno mai visto la tua regione. I layer di edifici già pronti sono il caso più chiaro. Lo stesso chilometro quadrato di Luanda non contiene nulla in OpenStreetMap, 3.140 impronte da Microsoft, e 4.468 da Google Open Buildings.
"Gira in locale, i tuoi dati non lasciano mai il tuo computer." Vero per un piccolo modello sulla tua macchina. Ogni modalità cloud invia le immagini da qualche parte, la nostra inclusa, e la cosa onesta è dire in quale modalità sei.
Output pronto da consegnare. Ogni run restituisce più di quanto hai chiesto: prese d'aria, lucernari, ombre, baracche nei cortili. Oggetti reali con contorni corretti, e non la cosa che volevi. Metti a budget la pulizia.
Domande frequenti
GeoAI è la stessa cosa del telerilevamento?
No. Il telerilevamento è la misura. GeoAI è un modo di leggere quella misura, accanto a indici, soglie e i tuoi occhi.
Devo scrivere codice?
Per il percorso classico, un po'. Per la segmentazione in QGIS, no, perché i plugin la coprono. Python vince ancora quando esegui la stessa pipeline su centinaia di tasselli, e PyQGIS è il modo per guidare QGIS da Python.
Mi serve una GPU?
Solo per i modelli che girano sulla tua macchina. Segment Anything 3 non ha proprio un percorso CPU, quindi un Mac o un portatile con grafica integrata non può eseguirlo in locale. Gli strumenti lato server non ne vogliono nessuna.
Quanto è accurata GeoAI?
Non esiste un numero unico, perché l'accuratezza cambia con le tue immagini e con ciò che estrai. Aspettati che ogni run restituisca più di quanto hai chiesto, prese d'aria e lucernari e baracche nei cortili tra gli edifici, e metti a budget la pulizia.
Cosa esce alla fine?
Poligoni con etichetta, classe, punteggio di confidenza e area, nell'SR del tuo progetto. Il nostro plugin di segmentazione li scrive in un GeoPackage stilizzato. La revisione resta tua.
Per i termini vicini, cos'è l'impronta dell'edificio copre l'oggetto che GeoAI estrae più spesso di ogni altro, e l'hub QGIS AI elenca cosa vuole ciascun plugin in questo spazio prima di girare.
