Pular para o conteúdo
GeoAI
QGIS
Guia

O que é GeoAI? Definição, exemplos e usos no QGIS

Publicado em Atualizado em

GeoAI é aprendizado de máquina aplicado a dados geográficos: imagens de satélite e aéreas, nuvens de pontos, camadas vetoriais, lidos por um modelo que devolve objetos, classes ou mudanças como dados que você pode editar. O que volta chega no SRC do seu projeto, como uma camada que você abre no QGIS como qualquer outro. Ele resolve o meio lento do trabalho, e não decide nada por você.

Não é um chatbot que conhece seu projeto. Ele não lê a especificação do seu cliente, suas regras de atributos, nem o levantamento que você fez na primavera passada, e nada nele substitui a verdade de campo. A palavra também é vaga: um classificador random forest de 2005 e um modelo de segmentação do ano passado são ambos vendidos como GeoAI, então quando um fornecedor usar o termo, pergunte qual dos dois ele quer dizer, porque a conta de hardware e os modos de falha são diferentes.

Construímos um dos plugins para QGIS desse espaço, então leia sabendo de quem é este artigo.

O que o GeoAI faz:

  • Extrai objetos das imagens como polígonos: edificações, estradas, copas de árvores, piscinas, painéis solares.
  • Classifica a cobertura do solo, pixel por pixel: água, construído, solo exposto, floresta, lavouras.
  • Detecta mudanças entre duas datas: uma edificação nova, um terreno limpo, danos de enchente ou incêndio.
  • Limpa a geometria: ortogonaliza cantos de edificações, fecha buracos, simplifica contornos serrilhados.
  • Prevê um valor no espaço a partir de observações passadas, como risco de enchente ou produtividade de uma lavoura.

Os dados que ele lê:

  • Imagens de satélite, do Sentinel-2 gratuito de 10 m a imagens comerciais de 30 cm
  • Ortofotos aéreas e ortomosaicos de drone
  • Nuvens de pontos LiDAR e os modelos de elevação feitos a partir delas
  • Camadas vetoriais: contornos de edificações, lotes, estradas, limites de campos
  • Trilhas de GPS e leituras de sensores ligadas a um local
Quarteirões densos de Paris antes e depois da detecção automática de edificações (Detectado)
Quarteirões densos de Paris antes e depois da detecção automática de edificações (Imagens)
ImagensDetectado
Arraste para comparar
Uma única execução automática sobre o centro de Paris, com imagens do Google Satellite. Cada polígono recebe sua própria cor para que os vizinhos permaneçam separados. Arraste o controle para comparar.

Por que isso importa

A parte lenta da maioria dos trabalhos em SIG é o traçado. Ortogonalizar cantos de edificações, fechar buracos em uma máscara de telhado, delinear trezentas copas de árvores um vértice de cada vez. Depois da primeira hora esse trabalho não tem mais nenhum artesanato, e um modelo é bom nisso.

Não serve para todo trabalho. Abaixo de cinquenta feições, vetorize à mão, porque você termina com a aderência ligada antes de um modelo terminar de baixar seus pesos, e o resultado corresponde exatamente à sua especificação. Eu também o manteria longe de qualquer coisa legal, um limite cadastral, uma zona protegida, um pedido de indenização, já que um modelo entrega um candidato e um candidato não é um levantamento. A linha que eu defendo é que GeoAI pertence à primeira passada e nunca à última.

Como funciona

Você entrega uma imagem a um modelo treinado e ele devolve geometria. Três famílias fazem esse trabalho, e elas se comportam de forma diferente.

Modelos de segmentação como a família Segment Anything aprendem onde uma coisa termina e a próxima começa. Foram treinados em fotografias comuns, então não têm ideia para que serve uma edificação. Transferem bem para imagens onde o limite é nítido. O guia SAM mostra quais plugins do QGIS rodam qual versão do modelo.

Modelos de imagem para imagem inventam pixels novos. É assim que funcionam remoção de nuvens, troca de estação e vistas de terreno limpo. A saída é um raster georreferenciado na mesma extensão, e é um desenho, então nunca pertence a uma camada de evidência.

Aprendizado de máquina clássico significa um random forest ou uma máquina de vetores de suporte (SVM) lendo valores de banda, um pixel por vez. Tem vinte anos, é barato, e continua sendo a escolha certa para cobertura do solo multiespectral com seus próprios polígonos de treino. SCP e dzetsaka fazem isso dentro do QGIS de graça.

Para que as pessoas usam

Cinco trabalhos, hoje, na ordem em que eu confiaria neles.

TarefaFamília de modelosRoda em
Extrair objetos de imagensSegmentação, a família Segment AnythingUma placa gráfica local, ou um servidor
Classificar cobertura do soloAprendizado de máquina clássicoQualquer laptop
Detectar mudança entre duas datasSegmentação, com um par de imagensUm servidor ou uma placa gráfica
Preencher e arrumar dadosNenhum modelo. Algoritmos geométricos simplesQualquer laptop
Perguntar com um promptSegmentação, com prompt do nome do objetoUm servidor, no nosso plugin

Extrair objetos de imagens é de longe o mais forte. Você delimita uma área, nomeia o que quer, e recebe polígonos de volta: edificações, copas de árvores, carros, piscinas, painéis solares. Bordas nítidas dão contornos limpos. Um limite de campo que se dissolve na vegetação dá ao modelo o mesmo trabalho que dá a você.

Classificar cobertura do solo coloca cada pixel em uma classe: água, construído, solo exposto, floresta. Métodos mais antigos ainda vencem aqui quando você tem bons polígonos de treino e bandas multiespectrais, e rodam em qualquer laptop.

Detectar mudança entre duas datas significa fornecer ao modelo duas ortofotos do mesmo local para que ele sinalize o que mudou. Quando o fornecedor informa qual modelo usa, trata-se de um modelo de segmentação com duas entradas em vez de uma: a Picterra chama o modelo de ChangeStar, e o detector de mudanças da Esri cita STANet. A alternativa gratuita não usa modelo algum e subtrai uma imagem da outra. Ela funciona para mudanças óbvias, como uma edificação nova ou um terreno limpo. Mudanças sazonais de cor e um ângulo solar diferente geram falsos alertas, então planeje revisar cada sinalização.

Preencher e arrumar dados inclui ortogonalizar os cantos das edificações, fechar buracos em uma máscara de telhado e simplificar um contorno traçado pixel a pixel. Esta é a única linha à qual nenhuma das três famílias se aplica. As ferramentas disponíveis usam algoritmos geométricos mais antigos que o deep learning: o QGIS faz isso com Simplificar e Ortogonalizar, e a Esri com Regularize Building Footprint. Existem versões treinadas em pesquisas, mas nenhuma delas vem hoje com o QGIS. Pouco glamoroso, mas é o que economiza mais horas.

Perguntar com um prompt significa digitar solar panels em vez de escolher um modelo e uma combinação de bandas. Útil para encontrar coisas. Não espere que responda perguntas sobre sua tabela de atributos.

Quanto custa rodar

Hardware. Um modelo local precisa de uma placa gráfica. Segment Anything 3 não tem nenhum caminho de CPU, o que exclui todo Mac e toda máquina com gráficos integrados. Quando o modelo roda em um servidor, um laptop de escritório basta, e foi essa a troca que fizemos.

Imagens. A resolução espacial decide mais do que o modelo. Nosso próprio ajuste mira cerca de 0,05 m por pixel em um painel solar, 0,09 em um carro e 0,18 em uma edificação. Mais grosseiro que isso e o objeto vira um borrão que nenhum modelo recupera.

Tempo. A detecção leva minutos. A revisão leva mais, e quem a deixa fora da estimativa vai perder o prazo.

Dinheiro. As opções gratuitas no QGIS não custam nada além da sua GPU e uma tarde de Python. A nossa dá 1,5 km² de detecção automática por mês sem cartão, mais segmentação por clique na sua própria máquina sem contador, e o Pro custa € 39 por mês para o AI Segmentation, sem impostos. No lado da Esri, os modelos de imagem prontos exigem uma licença ArcGIS Pro Professional ou superior, e QGIS vs ArcGIS Pro coloca um preço em cada licença.

Teste o AI Agent grátis no QGIS, sem cartão

Ferramentas de GeoAI que você vai ouvir citadas

Cinco ferramentas de GeoAI que você verá citadas, cada uma lida na própria página em 23 de outubro de 2026:

  • GeoAI, de Qiusheng Wu: um pacote Python para segmentação, classificação e detecção de mudanças em imagens, com um plugin do QGIS. Grátis, sob a licença MIT. Roda na sua máquina, e uma placa gráfica ajuda.
  • SamGeo, do mesmo autor: Segment Anything para dados geoespaciais, como pacote Python e como plugin do QGIS. O guia SAM o compara com os outros plugins SAM.
  • geemap: mapeamento em Python sobre o Google Earth Engine, onde a classificação roda nos servidores do Google sobre o arquivo de satélites dele.
  • A caixa de ferramentas GeoAI do ArcGIS Pro: as ferramentas de GeoAI da Esri dentro do ArcGIS Pro. A tabela de licenciamento deixa as ferramentas de treinamento fora das licenças Basic e Standard, e elas exigem a extensão Image Analyst além da Advanced.
  • AI Segmentation, nosso: um plugin do QGIS em que você digita o objeto e o modelo roda em nossos servidores, então sem placa gráfica e sem Python.

Como fazer você mesmo no QGIS

Comece pelo caminho gratuito, porque para boa parte deste trabalho ele também é o melhor. Para cobertura do solo multiespectral com seus próprios polígonos de treino, SCP e dzetsaka classificam dentro do QGIS sem custo e em qualquer laptop.

A segmentação na sua própria máquina é a metade mais difícil. Os plugins gratuitos pedem uma placa gráfica e uma tarde de Python, e o guia SAM diz qual roda qual versão do modelo. O guia de contornos de edificações (footprints) percorre o caminho gratuito e o pago sobre o mesmo bairro, para você pesar quanto cada um custa.

A opção em nuvem

Construímos o plugin abaixo, então esta seção é sobre nossa própria ferramenta.

  1. Abra o gerenciador de complementos

    Complementos > Gerenciar e Instalar Complementos. QGIS 3.22 ou posterior.

  2. Instale o AI Segmentation

    Nada mais baixa, e não há ambiente Python para montar.

  3. Entre pelo painel

    Um e-mail e um clique. A franquia gratuita renova todo mês e não pede cartão.

  4. Desenhe uma área sobre imagens que você já tem abertas

    Qualquer raster visível funciona: um GeoTIFF, uma ortofoto de drone, um mapa base XYZ. Contas gratuitas cobrem 1,5 km² de terreno por mês.

  5. Digite o objeto e depois revise

    building, tree, car. Filtre por confiança e tamanho, corrija o que está errado, exporte um GeoPackage.

Depois compare o que sai com o que você teria vetorizado à mão. Esse é o único teste que decide.

O que lembrar

GeoAI é aprendizado de máquina aplicado a dados geográficos, e o que ele devolve é uma camada no SRC do seu projeto, nunca uma resposta sobre seu projeto.

Abaixo de umas cinquenta feições, vetorize à mão. Você termina antes de um modelo baixar seus pesos, e o resultado corresponde à sua especificação.

Um modelo devolve um candidato, e um candidato não é um levantamento, então um limite cadastral, uma zona protegida ou um pedido de indenização precisa da camada revisada à mão.

Segment Anything 3 não tem nenhum caminho de CPU, o que exclui todo Mac e toda máquina com gráficos integrados para uma execução local.

A resolução espacial decide mais do que o modelo, e não existe um número único de acurácia, porque a acurácia muda com suas imagens e com o que você extrai.

Quatro mitos que vale esclarecer

Um único número de acurácia. A acurácia muda com suas imagens e com o que você extrai. Quem cita um número só para tudo isso está citando um número de marketing.

Dados de treino que nunca viram sua região. As camadas de edificações prontas são o caso mais claro. O mesmo quilômetro quadrado de Luanda não tem nada no OpenStreetMap, tem 3.140 contornos da Microsoft e 4.468 do Google Open Buildings.

Três painéis do mesmo bairro denso de Luanda sobre imagens do Google Satellite, com contornos de edificações em verde. O OpenStreetMap não mostra nenhum, a Microsoft cobre a maior parte, o Google Open Buildings cobre quase todos.
O mesmo 1 km² de Luanda. O conjunto de dados que você escolhe decide se você obtém tudo ou nada.

"Roda localmente, seus dados nunca saem do seu computador." Verdade para um modelo pequeno na sua máquina. Todo modo em nuvem envia imagens para algum lugar, o nosso incluído, e o honesto é dizer em qual modo você está.

Saída pronta para entregar. Toda execução devolve mais do que você pediu: respiradouros, claraboias, sombras, barracões de quintal. Objetos reais com contornos corretos, e não o que você queria. Reserve verba para a limpeza.

Perguntas frequentes

Para os termos vizinhos, o que é um contorno de edificação cobre o objeto que o GeoAI extrai mais que qualquer outro, e o hub de IA do QGIS lista o que cada plugin nesse espaço precisa antes de rodar. Para o lado do software, os assistentes e agentes que fazem o trabalho de SIG por você, veja AI GIS: o que faz hoje.

Veja o que a IA faz dentro do QGIS e o que ela não faz

Faça no QGIS só pedindo

O AI Agent executa a tarefa que você descreve, no seu próprio projeto QGIS. Grátis, sem cartão.

Experimente o AI Agent grátis
Escrito porYvann Barbot
·13 min read

Continue lendo

Imagem Sentinel-2 em cor natural do delta do Ródano, no sul da França, com o rio, salinas em laranja e creme, lagunas e campos agrícolas.
GeoAIQGISGuia

O que é sensoriamento remoto? Sensores e QGIS

Sensoriamento remoto é medir a superfície da Terra a distância, com satélites, aviões e drones. Veja os sensores, os dados gratuitos e um fluxo no QGIS.

Yvann BarbotYvann Barbot
·
Uma nuvem de pontos LiDAR HD do levantamento nacional francês, colorida por classe, sobre a Bibliothèque nationale de France.
GeoAIQGISGuia

Fotogrametria vs LiDAR: qual usar em cada tarefa

LiDAR mede pontos 3D com pulsos de laser. A fotogrametria os calcula a partir de fotos sobrepostas. Compare precisão, custo e o desempenho sob floresta.

Lilien AugerLilien Auger
·