Wat is GeoAI? Definitie, voorbeelden en gebruik in QGIS

GeoAI is machine learning op geografische data: satelliet- en luchtbeelden, puntenwolken, vectorlagen, gelezen door een model dat objecten, klassen of veranderingen teruggeeft als data die je kunt bewerken. Wat terugkomt zit in je project-CRS, als een laag die je opent in QGIS zoals elke andere. Het doet het trage middenstuk van een klus, en het beslist niets voor je.

Het is geen chatbot die je project kent. Het leest niet de specificatie van je klant, je attribuutregels of de survey van vorig voorjaar, en niets ervan vervangt ground truth. Het woord is ook vaag: een random forest-classifier uit 2005 en een segmentatiemodel van vorig jaar worden allebei als GeoAI verkocht, dus als een leverancier de term gebruikt, vraag welke hij bedoelt, want de hardwarekosten en de faalwijzen verschillen.

Wij bouwen een van de QGIS-plugins in dit domein, dus weet bij het lezen van wie dit artikel is.

BeeldenGedetecteerd

Sleep om te vergelijken

Waarom het ertoe doet

Het trage deel van de meeste GIS-klussen is het traceren. Gebouwhoeken haaks maken, gaten in een dakmasker sluiten, driehonderd boomkronen omlijnen, hoekpunt voor hoekpunt. Na het eerste uur zit er geen vakwerk meer in dat werk, en een model is daar goed in.

Het is niet voor elke klus. Onder de vijftig objecten digitaliseer je met de hand, want met snappen aan ben je klaar voordat een model zijn gewichten heeft gedownload, en het resultaat volgt je specificatie exact. Houd het ook weg bij alles met juridische waarde, een kadastrale grens, een beschermde zone, een schadeclaim, want een model geeft je een kandidaat en een kandidaat is geen survey. Mijn lijn is dat GeoAI thuishoort in de eerste doorgang en nooit in de laatste.

Hoe het werkt

Je geeft een getraind model een beeld en het geeft geometrie terug. Drie families doen dat werk, en ze gedragen zich anders.

Segmentatiemodellen zoals de Segment Anything-familie leren waar het ene ding stopt en het volgende begint. Ze zijn getraind op gewone foto's, dus ze hebben geen idee waar een gebouw voor dient. Ze laten zich goed op beelden toepassen overal waar de grens scherp is. De SAM-gids beschrijft welke QGIS plugins welke versie draaien.

Beeld-naar-beeld-modellen verzinnen nieuwe pixels. Zo werken wolkenverwijdering, seizoenswissel en beelden van een vrijgemaakt terrein. Het resultaat is een gegeorefereerd raster met hetzelfde bereik, en het is een tekening, dus het hoort nooit in een bewijslaag.

Klassieke machine learning betekent een random forest of een support vector machine die bandwaarden leest, pixel voor pixel. Twintig jaar oud, goedkoop, en nog steeds de juiste keuze voor multispectrale bodembedekking met je eigen trainingspolygonen. SCP en dzetsaka doen het gratis binnen QGIS.

Waarvoor mensen het gebruiken

Vijf klussen, vandaag, in de volgorde waarin ik ze vertrouw.

Objecten uit beelden halen is met afstand de sterkste. Je omlijnt een gebied, noemt wat je wilt, en krijgt polygonen terug: gebouwen, boomkronen, auto's, zwembaden, zonnepanelen. Scherpe randen geven schone contouren. Een perceelsgrens die vervaagt in struikgewas geeft het model dezelfde moeite als jou.

Bodembedekking classificeren zet elke pixel in een klasse: water, bebouwd, kale bodem, bos. Oudere methoden winnen hier nog steeds als je goede trainingspolygonen en multispectrale banden hebt, en ze draaien op elke laptop.

Verandering tussen twee datums spotten betekent dat je het model twee orthofoto's van dezelfde plek geeft, zodat het markeert wat er is veranderd. Waar de leverancier het model benoemt, is het een segmentatiemodel met twee invoerbeelden in plaats van één: Picterra noemt ChangeStar, en Esri's wijzigingsdetector verwijst naar STANet. Verschillende leveranciers verkopen detectie van veranderingen zonder ooit te zeggen wat erin zit. De gratis aanpak gebruikt helemaal geen model en trekt het ene beeld van het andere af. Dat werkt bij duidelijke veranderingen, zoals een nieuw gebouw of een vrijgemaakt terrein. Seizoensgebonden kleurverschillen en een andere zonnestand veroorzaken valse meldingen, dus plan tijd in om elke markering te controleren.

Data opvullen en opschonen gaat over het haaks maken van bouwhoeken, het sluiten van gaten in een dakmasker en het vereenvoudigen van een pixel voor pixel getrokken omtrek. Dit is de enige rij waarop geen van de drie families van toepassing is. De meegeleverde tools zijn geometrie-algoritmen die ouder zijn dan deep learning: QGIS doet dit met Simplify and Orthogonalize, Esri met Regularize Building Footprint. Er bestaan geleerde versies in onderzoek, maar geen ervan wordt momenteel met QGIS meegeleverd. Niet glamoureus, maar dit is het onderdeel dat de meeste uren bespaart.

Vragen in gewone woorden betekent solar panels typen in plaats van een model en een bandcombinatie kiezen. Handig om dingen te vinden. Verwacht niet dat het vragen over je attributentabel beantwoordt.

Wat het kost om te draaien

Hardware. Een lokaal model heeft een grafische kaart nodig. Segment Anything 3 heeft helemaal geen CPU-pad, wat elke Mac en elke machine met geïntegreerde graphics uitsluit. Wanneer het model in plaats daarvan op een server draait, is een kantoorlaptop genoeg, en dat is de afweging die wij maakten.

Beelden. Grondresolutie beslist meer dan het model. Onze eigen afstelling mikt op ongeveer 0,05 m per pixel voor een zonnepaneel, 0,09 voor een auto en 0,18 voor een gebouw. Grover dan dat en het object is een vlek die geen enkel model herstelt.

Tijd. Detectie kost minuten. De review kost langer, en wie die uit de schatting laat, haalt de deadline niet.

Geld. De gratis QGIS-opties kosten niets behalve je GPU en een middag Python. De onze geeft 1,5 km² automatische detectie per maand zonder creditcard, plus klik-om-te-segmenteren op je eigen machine zonder teller, en Pro kost € 39 per maand voor AI Segmentation, excl. btw. Aan de Esri-kant hebben de kant-en-klare beeldmodellen minimaal een ArcGIS Pro Professional-licentie nodig, en QGIS vs ArcGIS Pro zet een prijs op elke licentie.

Probeer gratis in QGIS, geen creditcard nodig

Zo doe je het zelf in QGIS

Begin met het gratis pad, want voor een groot deel van dit werk is het ook het betere. Voor multispectrale bodembedekking met je eigen trainingspolygonen classificeren SCP en dzetsaka gratis binnen QGIS en op elke laptop.

Segmentatie op je eigen machine is de moeilijkere helft. De gratis plugins willen een grafische kaart en een middag Python, en de SAM-gids zegt welke welke versie van het model draait. De footprintsgids doorloopt het gratis pad en het betaalde over dezelfde wijk, zodat je kunt afwegen wat elk je kost.

De cloudoptie

Wij bouwen de plugin hieronder, dus dit deel gaat over onze eigen tool.

Vergelijk daarna wat eruit komt met wat je met de hand zou hebben gedigitaliseerd. Dat is de enige test die het beslist.

Wat te onthouden

GeoAI is machine learning op geografische data, en wat het teruggeeft is een laag in je project-CRS, nooit een antwoord over je project.

Onder ongeveer vijftig objecten digitaliseer je met de hand. Je bent klaar voordat een model zijn gewichten heeft gedownload, en het resultaat volgt je specificatie.

Een model geeft een kandidaat, en een kandidaat is geen survey, dus een kadastrale grens, een beschermde zone of een schadeclaim heeft de handgecontroleerde laag nodig.

Segment Anything 3 heeft helemaal geen CPU-pad, wat elke Mac en elke machine met geïntegreerde graphics uitsluit voor een lokale uitvoering.

Grondresolutie beslist meer dan het model, en er is geen enkel nauwkeurigheidscijfer, want nauwkeurigheid beweegt mee met je beelden en met wat je extraheert.

Vier mythes die je beter kunt rechtzetten

Eén enkel nauwkeurigheidscijfer. Nauwkeurigheid beweegt mee met je beelden en met wat je extraheert. Wie één cijfer voor alles noemt, noemt een marketingcijfer.

Trainingsdata die jouw regio nooit zag. Kant-en-klare gebouwlagen zijn het duidelijkste geval. Dezelfde vierkante kilometer in Luanda bevat niets in OpenStreetMap, 3.140 gebouwcontouren van Microsoft en 4.468 van Google Open Buildings.

"Runs locally, your data never leaves your computer." Waar voor een klein model op je eigen machine. Elke cloudmodus stuurt beelden ergens heen, de onze ook, en eerlijk is om te zeggen in welke modus je zit.

Output die je direct kunt leveren. Elke uitvoering geeft meer terug dan je vroeg: ventilatiebuizen, dakramen, schaduwen, schuurtjes op de binnenplaats. Echte objecten met correcte contouren, en niet wat je wilde. Reken op de opschoning.

Vragen die mensen stellen

Is GeoAI hetzelfde als remote sensing?

Nee. Remote sensing is de meting. GeoAI is één manier om die meting te lezen, naast indices, drempels en je eigen ogen.

Moet ik code schrijven?

Voor het klassieke pad een beetje. Voor segmentatie in QGIS niet, want de plugins dekken het. Python wint nog steeds als je dezelfde pipeline over honderden tegels draait, en PyQGIS is hoe je QGIS daarmee aanstuurt.

Heb ik een GPU nodig?

Alleen voor modellen die op je eigen machine draaien. Segment Anything 3 heeft helemaal geen CPU-pad, dus een Mac of een laptop met geïntegreerde graphics kan het niet lokaal draaien. Server-side tools hebben er geen nodig.

Hoe nauwkeurig is GeoAI?

Er is geen enkel cijfer, want nauwkeurigheid beweegt mee met je beelden en met wat je extraheert. Verwacht dat elke uitvoering meer teruggeeft dan je vroeg, ventilatiebuizen en dakramen en schuurtjes tussen de gebouwen, en reken op de opschoning.

Wat komt er aan het einde uit?

Polygonen met een label, een klasse, een betrouwbaarheidsscore en een oppervlakte, in je project-CRS. Onze segmentatieplugin schrijft ze naar een opgemaakte GeoPackage. De review blijft van jou.

Voor aanverwante termen dekt wat een gebouwcontour is het object dat GeoAI vaker extraheert dan elk ander, en de QGIS AI-hub vermeldt wat elke plugin in dit domein nodig heeft voordat hij draait.

Zie wat AI in QGIS doet en wat niet