O que é GeoAI? Guia prático para quem usa QGIS

GeoAI é machine learning aplicado a dados geográficos: imagens de satélite e aéreas, nuvens de pontos e camadas vetoriais. Um modelo lê os pixels e devolve objetos, classes ou mudanças como dados que você pode editar no . Ele cuida da parte lenta do trabalho. Não toma decisões por você.

Nós desenvolvemos um dos plugins de QGIS desse segmento, então leia este artigo sabendo quem o escreveu.

O que GeoAI não é

Não é um chatbot que conhece o seu projeto. Ele não lê as especificações do cliente, suas regras de atributos nem o levantamento que você fez na primavera passada. Nada nele substitui a verdade de campo.

O termo também é amplo demais. Um classificador de random forest de 2005 e um modelo de segmentação do ano passado são vendidos como GeoAI. Quando um fornecedor usa esse termo, pergunte qual deles ele quer dizer, porque a conta de hardware e os modos de falha são diferentes.

As cinco coisas que ele faz hoje

Extração de objetos de imagens. De longe, esta é a aplicação mais forte. Você delimita uma área, informa o que quer e recebe polígonos no SRC do seu projeto. Edifícios, copas de árvores, carros, piscinas e painéis solares. Bordas nítidas geram contornos limpos. Uma divisa de campo que se mistura com vegetação rasteira dá ao modelo o mesmo trabalho que dá a você.

ImagemDetectado

Arraste para comparar

Classificação da cobertura do solo. Cada pixel recebe uma classe: água, área construída, solo exposto ou floresta. Os métodos mais antigos ainda vencem aqui quando você tem bons polígonos de treinamento e bandas multiespectrais, e eles rodam em qualquer laptop.

Identificação de mudanças entre duas datas. Duas ortofotos do mesmo lugar, e o modelo sinaliza o que mudou. Funciona em mudanças óbvias, como um edifício novo ou um terreno limpo. Mudanças sazonais de cor e um ângulo solar diferente geram falsos alertas, então planeje revisar cada sinalização.

Preenchimento e organização de dados. Quadrar cantos de edifícios, fechar buracos em uma máscara de telhado, simplificar um contorno traçado pixel a pixel. É um trabalho pouco glamouroso, mas é a parte que economiza mais horas.

Fazer perguntas em linguagem simples. Digitar solar panels em vez de escolher um modelo e uma combinação de bandas. É útil para encontrar coisas. Não espere que responda a perguntas sobre sua tabela de atributos.

De onde vêm os modelos

Três famílias, e elas se comportam de maneiras diferentes.

Modelos de segmentação, como a família Segment Anything, aprendem onde uma coisa termina e a próxima começa. Eles foram treinados com fotografias comuns, então não têm nenhuma noção do que é um edifício. Eles se transferem bem para imagens sempre que o limite é nítido. O guia de SAM explica quais plugins de QGIS rodam cada versão.

Modelos imagem-para-imagem inventam novos pixels. É assim que funcionam a remoção de nuvens, a mudança de estação e as visualizações de terrenos limpos no AI Edit. O resultado é um raster georreferenciado na mesma extensão, e é um desenho, portanto nunca deve entrar em uma camada de evidências.

Machine learning clássico significa um random forest ou uma support vector machine lendo valores de bandas, um pixel por vez. Tem vinte anos, é barato e ainda é a escolha certa para cobertura do solo multiespectral com seus próprios polígonos de treinamento. SCP e dzetsaka fazem isso dentro do QGIS gratuitamente.

Quanto isso realmente custa

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

Imagens. A resolução no terreno pesa mais do que o modelo. Nosso ajuste busca aproximadamente 0.05 m por pixel em um painel solar, 0.09 em um carro e 0.18 em um edifício. Mais grosseiro do que isso, o objeto vira uma mancha que nenhum modelo consegue recuperar.

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

Dinheiro. As opções gratuitas de QGIS custam apenas sua GPU e uma tarde de Python. A nossa oferece 200 detecções automáticas por mês sem placa, além de segmentação ilimitada por clique na sua própria máquina, e o Pro custa €29 por mês para AI Edit, €39 para AI Segmentation, €59 para os dois, todos sem incluir VAT.

Experimente grátis no QGIS, sem cartão

Quatro promessas que merecem desconfiança

Um único número de precisão. A precisão muda conforme suas imagens e aquilo que você está extraindo. Quem cita uma única cifra para tudo está citando um número de marketing.

Dados de treinamento que nunca viram sua região. As camadas de edifícios prontas são o exemplo mais claro. O mesmo quilômetro quadrado de Luanda não tem nada no OpenStreetMap, tem 3,140 polígonos da Microsoft e 4,468 do Google Open Buildings.

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

Saída pronta para uso imediato. Cada execução retorna mais do que você pediu: aberturas, claraboias, sombras e galpões de pátio. São objetos reais com contornos corretos, mas não são o objeto que você queria. Reserve tempo para a limpeza.

Onde eu não usaria

Com menos de cinquenta feições, digitalize manualmente. Ative o snapping e você terminará antes de um modelo baixar seus pesos, com um resultado que segue exatamente suas especificações. Eu também manteria o GeoAI longe de qualquer coisa legal: um limite cadastral, uma zona protegida ou uma reivindicação de indenização. Um modelo fornece um candidato, e um candidato não é um levantamento. A regra que sigo é que GeoAI pertence à primeira etapa e nunca à última. O guia de polígonos de edifícios mostra os dois caminhos no mesmo bairro.

Rode no QGIS em dez minutos

Compare o resultado com o que você teria digitalizado manualmente. Esse é o único teste que resolve a questão.

Perguntas

GeoAI é a mesma coisa que sensoriamento remoto? Não. Sensoriamento remoto é a medição. GeoAI é uma forma de interpretá-la, junto com índices, limiares e seus próprios olhos.

Preciso escrever código? Para o caminho clássico, um pouco. Para segmentação no QGIS, não: os plugins cuidam disso. Python ainda vence quando você executa o mesmo pipeline em centenas de blocos.

Preciso de uma GPU? Apenas para modelos que rodam na sua própria máquina. Ferramentas do lado do servidor não precisam de nenhuma. O hub de AI do QGIS lista o que cada opção exige.

O que sai no final? Polígonos com um rótulo, uma classe, uma pontuação de confiança e uma área, no SRC do seu projeto. O AI Segmentation grava tudo em um GeoPackage estilizado. A revisão continua sendo sua.

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