Czym jest GeoAI? Definicja i przykłady w QGIS
Opublikowano Zaktualizowano
GeoAI to uczenie maszynowe działające na danych geograficznych: zdjęciach satelitarnych i lotniczych, chmurach punktów, warstwach wektorowych, czytanych przez model, który zwraca obiekty, klasy lub zmiany jako dane, które możesz edytować. To, co wraca, ląduje w układzie współrzędnych twojego projektu, jako warstwa, którą otwierasz w QGIS jak każdą inną. Bierze na siebie powolny środek zlecenia i o niczym za ciebie nie decyduje.
To nie jest chatbot, który zna twój projekt. Nie czyta specyfikacji twojego klienta, twoich reguł atrybutów ani pomiarów z zeszłej wiosny i nic w nim nie zastępuje prawdy terenowej. Samo słowo też jest rozmyte: klasyfikator random forest z 2005 roku i model segmentacyjny z zeszłego roku sprzedawane są tak samo jako GeoAI, więc gdy dostawca używa tego terminu, zapytaj, który z nich ma na myśli, bo rachunek za sprzęt i sposoby awarii są różne.
Budujemy jedną z wtyczek QGIS w tej dziedzinie, więc czytaj ze świadomością, czyj to artykuł.
Co robi GeoAI:
- Wyciąga obiekty ze zdjęć jako poligony: budynki, drogi, korony drzew, baseny, panele fotowoltaiczne.
- Klasyfikuje pokrycie terenu piksel po pikselu: woda, zabudowa, goła gleba, las, uprawy.
- Wykrywa zmiany między dwiema datami: nowy budynek, oczyszczona działka, szkody po powodzi lub pożarze.
- Porządkuje geometrię: prostuje narożniki budynków, zamyka dziury, upraszcza poszarpane obrysy.
- Przewiduje wartość w przestrzeni na podstawie dawnych obserwacji, na przykład ryzyko powodzi lub plon.
Dane, które czyta:
- Zdjęcia satelitarne, od darmowych Sentinel-2 o rozdzielczości 10 m po komercyjne obrazy 30 cm
- Ortofotomapy lotnicze i ortomozaiki z drona
- Chmury punktów LiDAR i zbudowane z nich modele wysokościowe
- Warstwy wektorowe: obrysy budynków, działki, drogi, granice pól
- Ślady GPS i odczyty czujników powiązane z lokalizacją


Dlaczego to jest ważne
Powolną częścią większości zleceń GIS jest odrysowywanie. Prostowanie narożników budynków, zamykanie dziur w masce dachu, obrysowywanie trzystu koron drzew wierzchołek po wierzchołku. Po pierwszej godzinie nie ma w tej pracy już żadnego rzemiosła, a model radzi sobie z nią dobrze.
Nie jest do każdego zlecenia. Poniżej pięćdziesięciu obiektów digitalizuj ręcznie, bo skończysz z włączonym przyciąganiem, zanim model zdąży pobrać swoje wagi, a wynik będzie dokładnie zgodny z twoją specyfikacją. Trzymałbym to też z dala od wszystkiego, co prawne, granicy katastralnej, strefy chronionej, wniosku o odszkodowanie, bo model daje ci kandydata, a kandydat to nie pomiar. Zasada, której się trzymam, jest taka, że GeoAI należy do pierwszego przebiegu i nigdy do ostatniego.
Jak to działa
Dajesz wytrenowanemu modelowi zdjęcie, a on oddaje geometrię. Robią to trzy rodziny modeli i zachowują się różnie.
Modele segmentacyjne takie jak rodzina Segment Anything uczą się, gdzie kończy się jedna rzecz, a zaczyna następna. Trenowano je na zwykłych zdjęciach, więc nie mają pojęcia, do czego służy budynek. Dobrze przenoszą się na zdjęcia wszędzie tam, gdzie granica jest ostra. Przewodnik po SAM opisuje, które wtyczki QGIS uruchamiają którą wersję.
Modele obraz-do-obrazu wymyślają nowe piksele. Tak działa usuwanie chmur, zmiana pory roku i widok wyczyszczonej działki. Wynikiem jest raster z georeferencją w tym samym zasięgu i to jest rysunek, więc nigdy nie należy do warstwy dowodowej.
Klasyczne uczenie maszynowe oznacza random forest albo maszynę wektorów wspierających, które czytają wartości kanałów, piksel po pikselu. Ma dwadzieścia lat, jest tanie i wciąż jest właściwym wyborem dla wielospektralnego pokrycia terenu z własnymi poligonami treningowymi. SCP i dzetsaka robią to w QGIS za darmo.
Do czego ludzie tego używają
Pięć zadań, dziś, w kolejności, w jakiej bym im ufał.
| Zadanie | Rodzina modeli | Działa na |
|---|---|---|
| Wyciąganie obiektów ze zdjęć | Segmentacja, rodzina Segment Anything | Lokalna karta graficzna albo serwer |
| Klasyfikacja pokrycia terenu | Klasyczne uczenie maszynowe | Każdy laptop |
| Wykrywanie zmian między dwiema datami | Segmentacja, dwa obrazy wejściowe | Serwer lub karta graficzna |
| Uzupełnianie i porządkowanie danych | Bez modelu. Proste algorytmy geometrii | Dowolny laptop |
| Pytanie promptem | Segmentacja, wywoływana nazwą obiektu przez prompt | Serwer, w naszej wtyczce |
Wyciąganie obiektów ze zdjęć jest zdecydowanie najmocniejsze. Zaznaczasz obszar, nazywasz to, czego chcesz, i dostajesz poligony: budynki, korony drzew, samochody, baseny, panele fotowoltaiczne. Ostre krawędzie dają czyste obrysy. Granica pola, która rozpływa się w zaroślach, sprawia modelowi tyle samo kłopotu, co tobie.
Klasyfikacja pokrycia terenu wkłada każdy piksel do klasy: woda, zabudowa, goła gleba, las. Starsze metody wciąż tu wygrywają, gdy masz dobre poligony treningowe i kanały wielospektralne, i działają na każdym laptopie.
Wykrywanie zmian między dwiema datami oznacza przekazanie modelowi dwóch ortofotomap tego samego miejsca, aby wskazał, co się zmieniło. Jeśli dostawca podaje nazwę modelu, jest to model segmentacji z dwoma wejściami zamiast jednego: Picterra nazywa go ChangeStar, a detektor zmian Esri wskazuje STANet. Darmowa metoda nie korzysta z żadnego modelu i odejmuje jeden obraz od drugiego. Działa przy oczywistych zmianach, takich jak nowy budynek lub oczyszczona działka. Sezonowa zmiana kolorystyki i inny kąt padania słońca powodują fałszywe alarmy, dlatego trzeba zaplanować przegląd każdego wskazania.
Uzupełnianie i porządkowanie danych obejmuje prostowanie narożników budynków, zamykanie dziur w masce dachu oraz upraszczanie obrysu śledzonego piksel po pikselu. To jedyny wiersz, w którym nie pasuje żadna z trzech rodzin. Dostarczane narzędzia to algorytmy geometrii starsze niż deep learning: QGIS robi to za pomocą Simplify i Orthogonalize, a Esri za pomocą Regularize Building Footprint. Wyuczone wersje istnieją w badaniach, ale żadna z nich nie jest dziś dostępna w QGIS. Mało efektowna część pracy, która oszczędza najwięcej godzin.
Pytanie promptem oznacza wpisanie solar panels zamiast wybierania modelu i kombinacji kanałów. Przydatne do znajdowania rzeczy. Nie oczekuj, że odpowie na pytania o twoją tabelę atrybutów.
Ile kosztuje uruchomienie
Sprzęt. Lokalny model potrzebuje karty graficznej. Segment Anything 3 nie ma w ogóle ścieżki CPU, co wyklucza każdego Maca i każdą maszynę na grafice zintegrowanej. Gdy model działa zamiast tego na serwerze, wystarczy biurowy laptop i na taki kompromis poszliśmy.
Zdjęcia. Rozdzielczość terenowa decyduje bardziej niż model. Nasze własne strojenie celuje w około 0,05 m na piksel przy panelu solarnym, 0,09 przy samochodzie i 0,18 przy budynku. Grubiej niż tak i obiekt jest plamą, której żaden model nie odzyska.
Czas. Detekcja trwa minuty. Przegląd trwa dłużej i każdy, kto pominie go w wycenie, nie zdąży na termin.
Pieniądze. Darmowe opcje QGIS nie kosztują nic poza twoim GPU i popołudniem z Pythonem. Nasze daje 1,5 km² detekcji automatycznej miesięcznie bez karty, plus segmentację po kliknięciu na własnej maszynie bez licznika, a Pro kosztuje 39 € miesięcznie za AI Segmentation, bez VAT. Po stronie Esri gotowe modele obrazowe wymagają licencji ArcGIS Pro Professional lub wyższej, a QGIS vs ArcGIS Pro wycenia każdą licencję.
Wypróbuj AI Agent za darmo w QGIS, bez karty
Narzędzia GeoAI, o których usłyszysz
Pięć narzędzi GeoAI, które zobaczysz wymieniane, każde odczytane na własnej stronie 23 października 2026:
- GeoAI, autor Qiusheng Wu: pakiet Pythona do segmentacji, klasyfikacji i wykrywania zmian na zobrazowaniach, z wtyczką QGIS. Bezpłatny na licencji MIT. Działa na twoim komputerze, a karta graficzna pomaga.
- SamGeo, ten sam autor: Segment Anything dla danych geoprzestrzennych, jako pakiet Pythona i wtyczka QGIS. Przewodnik po SAM porównuje go z innymi wtyczkami SAM.
- geemap: mapowanie w Pythonie oparte na Google Earth Engine, gdzie klasyfikacja działa na serwerach Google nad jego archiwum satelitarnym.
- Zestaw narzędzi GeoAI w ArcGIS Pro: narzędzia GeoAI Esri wewnątrz ArcGIS Pro. Jego tabela licencji pomija narzędzia do trenowania w licencjach Basic i Standard, a wymagają one rozszerzenia Image Analyst oprócz licencji Advanced.
- AI Segmentation, nasze: wtyczka QGIS, w której wpisujesz obiekt, a model działa na naszych serwerach, więc bez karty graficznej i bez Pythona.
Jak zrobić to samodzielnie w QGIS
Zacznij od darmowej ścieżki, bo przy dobrej części tych prac jest ona też lepsza. Do wielospektralnego pokrycia terenu z własnymi poligonami treningowymi SCP i dzetsaka klasyfikują w QGIS bez kosztów i na każdym laptopie.
Segmentacja na własnej maszynie to trudniejsza połowa. Darmowe wtyczki chcą karty graficznej i popołudnia z Pythonem, a przewodnik po SAM mówi, który uruchamia którą wersję modelu. Przewodnik po obrysach prowadzi darmową ścieżką i płatną przez tę samą okolicę, żeby można było porównać, ile kosztuje każda z nich.
Opcja chmurowa
Budujemy wtyczkę opisaną poniżej, więc ta sekcja dotyczy naszego własnego narzędzia.
Otwórz menedżer wtyczek
Wtyczki > Zarządzanie wtyczkami…(Plugins > Manage and Install Plugins…). QGIS 3.22 lub nowszy.Zainstaluj wtyczkę AI Segmentation
Nic więcej się nie pobiera i nie ma środowiska Python do budowania.
Zaloguj się z poziomu panelu
E-mail i jeden klik. Darmowy limit odnawia się co miesiąc i nie wymaga karty.
Narysuj obszar na zdjęciach, które masz już otwarte
Działa każdy widoczny raster: GeoTIFF, ortofotomapa z drona, podkład XYZ. Darmowe konta obejmują 1,5 km² terenu miesięcznie.
Wpisz obiekt, a potem sprawdź wynik
building,tree,car. Filtruj według pewności i rozmiaru, popraw to, co błędne, wyeksportuj GeoPackage.
Potem porównaj to, co wyszło, z tym, co zdigitalizowałbyś ręcznie. Tylko ten test rozstrzyga.
Co zapamiętać
GeoAI to uczenie maszynowe działające na danych geograficznych, a to, co zwraca, jest warstwa w układzie współrzędnych twojego projektu, nigdy odpowiedzią o twoim projekcie.
Poniżej około pięćdziesięciu obiektów digitalizuj ręcznie. Skończysz, zanim model pobierze swoje wagi, a wynik będzie zgodny z twoją specyfikacją.
Model zwraca kandydata, a kandydat to nie pomiar, więc granica katastralna, strefa chroniona albo wniosek o odszkodowanie potrzebują warstwy sprawdzonej ręcznie.
Segment Anything 3 nie ma w ogóle ścieżki CPU, co przy uruchomieniu lokalnym wyklucza każdego Maca i każdą maszynę na grafice zintegrowanej.
Rozdzielczość terenowa decyduje bardziej niż model i nie ma jednej liczby dokładności, bo dokładność zmienia się wraz z twoimi zdjęciami i z tym, co wyciągasz.
W czym internet się myli
Pojedyncza liczba dokładności. Dokładność zmienia się wraz z twoimi zdjęciami i z tym, co wyciągasz. Każdy, kto podaje jedną liczbę dla wszystkiego, podaje liczbę marketingową.
Dane treningowe, które nigdy nie widziały twojego regionu. Gotowe warstwy budynków to najjaśniejszy przykład. Ten sam kilometr kwadratowy Luandy ma zero w OpenStreetMap, 3140 obrysów z Microsoft i 4468 z Google Open Buildings.

„Działa lokalnie, twoje dane nigdy nie opuszczają komputera.” Prawda dla małego modelu na twojej maszynie. Każdy tryb chmurowy wysyła zdjęcia gdzieś indziej, nasz też, i uczciwie jest mówić, w którym trybie jesteś.
Wynik gotowy prosto do wysyłki. Każdy przebieg zwraca więcej, niż potrzebujesz: wywietrzniki, świetliki, cienie, szopy na podwórku. Prawdziwe obiekty o poprawnych obrysach i nie to, czego potrzebujesz. Zaplanuj czas na czyszczenie.
Częste pytania
Część tak. Pakiet Pythona GeoAI i jego wtyczka QGIS są bezpłatne i open source na licencji MIT, tak samo jak SamGeo, SCP i Deepness: płacisz sprzętem i czasem na konfigurację. Zestaw narzędzi GeoAI Esri wymaga płatnej licencji ArcGIS Pro. Nasze daje 1,5 km² automatycznej detekcji miesięcznie za darmo, bez karty, a potem 39 € miesięcznie bez VAT.
Nie. Teledetekcja to pomiar. GeoAI to jeden ze sposobów odczytu tego pomiaru, obok wskaźników, progów i twoich własnych oczu.
Przy ścieżce klasycznej trochę tak. Przy segmentacji w QGIS nie, bo zajmują się tym wtyczki. Python wciąż wygrywa, gdy puszczasz ten sam potok przez setki kafli, a PyQGIS pozwala nim sterować QGIS.
Tylko przy modelach działających na własnej maszynie. Segment Anything 3 nie ma w ogóle ścieżki CPU, więc Mac ani laptop na grafice zintegrowanej nie uruchomi go lokalnie. Narzędzia serwerowe nie potrzebują żadnego.
Nie ma jednej liczby, bo dokładność zmienia się wraz z twoimi zdjęciami i z tym, co wyciągasz. Spodziewaj się, że każdy przebieg zwróci więcej, niż potrzebujesz, wywietrzniki i świetliki i szopy na podwórku wśród budynków, i zaplanuj czas na czyszczenie.
Poligony z etykietą, klasą, wynikiem pewności i powierzchnią, w układzie współrzędnych twojego projektu. Nasza wtyczka do segmentacji zapisuje je do ostylowanego GeoPackage. Przegląd wciąż należy do ciebie.
Tak. Gotowe modele obejmują typowe obiekty, takie jak budynki, drzewa i drogi. Dla konkretnego obiektu, sensora lub regionu model trenuje się na oznaczonych przykładach z twoich własnych zobrazowań. Platformy takie jak Picterra i FlyPix pozwalają oznaczać i trenować samodzielnie w przeglądarce. TerraLab realizuje też projekty na zamówienie dla firm i instytucji publicznych, od modeli detekcji wytrenowanych na twoich zobrazowaniach po przetwarzanie w skali całego kraju.
Z sąsiednich pojęć co to jest obrys budynku opisuje obiekt, który GeoAI wyciąga częściej niż każdy inny, a centrum AI QGIS wymienia to, czego każda wtyczka w tej dziedzinie potrzebuje, zanim ruszy. Po stronie oprogramowania, czyli asystentów i agentów wykonujących za Ciebie pracę GIS, zobacz AI GIS: co potrafi dzisiaj.
Zrób to w QGIS, po prostu o to prosząc
AI Agent wykonuje zadanie, które opiszesz, w Twoim własnym projekcie QGIS. Za darmo, bez karty.
jak każdą inną. Bierze na siebie powolny środek zlecenia i o niczym za ciebie nie decyduje.

