跳转到内容
GeoAI
QGIS
指南

GeoAI 是什么?地理空间人工智能的定义与 QGIS 用法

发布于 更新于

GeoAI 是在地理数据上运行的机器学习:卫星和航空影像、点云、矢量图层,由模型读取,再把目标、类别或变化以可编辑的数据交还给您。返回的结果落在您的工程 CRS 中,是一个图层,可以像其他图层一样用 QGIS 打开。它只接手工作中最耗时的中间环节,不替您做任何决定。

它不是懂您项目的聊天机器人。它读不懂客户的规格书、您的属性规则,也读不懂您去年春天做的调查,它里面的任何东西都代替不了地面实测。这个词本身也很宽泛:2005 年的随机森林分类器和去年的分割模型,都被当作 GeoAI 在卖,所以当厂商提起这个词,先问清楚对方指的是哪一种,因为两者的硬件开销和失败方式完全不同。

我们开发了这个领域中的一款 QGIS 插件,所以读这篇文章时,请记得这是谁写的。

GeoAI 能做什么:

  • 从影像中提取目标,输出为多边形:建筑物、道路、树冠、游泳池、光伏板。
  • 做土地覆盖分类,逐像素判定:水体、建成区、裸土、森林、农作物。
  • 检测两期之间的变化:新建筑、被清理的地块、洪水或火灾造成的损毁。
  • 整理几何图形:摆正建筑物角点、补上孔洞、简化锯齿状轮廓。
  • 根据过往观测预测空间中的数值,比如洪水风险或作物产量。

它读取的数据:

  • 卫星影像,从 10 m 的免费 Sentinel-2 到 30 cm 的商业影像
  • 航空正射影像和无人机正射影像
  • LiDAR 点云,以及由它生成的高程模型
  • 矢量图层:建筑物轮廓、地块、道路、田界
  • 与位置相关联的 GPS 轨迹和传感器读数
自动检测建筑物前后的巴黎密集街区 (检测结果)
自动检测建筑物前后的巴黎密集街区 (影像)
影像检测结果
拖动比较
在 Google Satellite 影像上对巴黎市中心做的一次自动检测。每个多边形保留各自的颜色,相邻建筑因此不会混在一起。拖动滑块即可对比。

为什么重要

大多数 GIS 工作中最耗时的是描绘:摆正建筑墙角、补上屋顶掩膜里的洞、把 300 个树冠一个顶点一个顶点地勾出来。第一个小时之后,这类工作就没有任何技巧可言,只剩耗时间,而这正是模型最擅长的事。

它并不适合所有工作。不到 50 个要素时,就手工数字化吧:开着捕捉,您画完时模型还没下载完权重,而且结果与您的规格丝毫不差。涉及法律效力的内容我也不会交给它,比如地籍边界、保护区、赔偿认定,因为模型给出的是候选结果,候选结果不是实测。我的原则是:GeoAI 只用于第一遍,永远不用于最后一遍。

怎么运作

您把一张图交给训练好的模型,它还回几何图形。有三类方法承担这项工作,各自的特点不同。

分割模型,比如 Segment Anything 系列,学习的是一个东西在哪里结束、下一个在哪里开始。它们是用普通照片训练出来的,并不知道建筑是做什么用的。凡是边界清晰的地方,它们迁移到遥感影像上效果都很好。哪款 QGIS 插件运行哪个版本,请参阅 SAM 指南。

图生图模型会凭空生成新像素。去云、换季节、生成清理后的场地视图,都是这么实现的。输出是同一范围、带坐标的栅格,它是画出来的东西,所以永远不要放进作为证据的图层。

经典机器学习指随机森林或支持向量机,逐像素读取波段值。它已有二十年历史,成本低,对于使用自己训练多边形的多光谱土地覆盖分类,仍然是最合适的选择。在 QGIS 中,SCP 和 dzetsaka 可以免费完成这项工作。

现在人们拿它做什么

按我信任的程度排序,目前有五类用途。

任务模型类型运行环境
从影像中提取目标分割,Segment Anything 系列本地显卡,或服务器
土地覆盖分类经典机器学习任何笔记本电脑
看两期变化分割模型,输入一对影像服务器或显卡
补数据、整数据无模型,使用基础几何算法任何笔记本电脑
用提示词提问分割,用对象名称作为提示词服务器,在我们的插件中

从影像中提取目标是其中最强的一项,遥遥领先。您圈出一块区域,说出想要什么,就能拿回多边形:建筑物、树冠、汽车、游泳池、光伏板。边缘清晰的地方,轮廓就干净。田界模糊、融进灌木丛的地方,模型和您一样吃力。

土地覆盖分类给每个像素定一个类别:水体、建成区、裸土、森林。有好的训练多边形和多光谱波段时,老办法依然胜出,而且在任何笔记本电脑上都能运行。

看两期变化是将同一地点的两张正射影像交给模型,让它标记发生变化的位置。如果供应商说明了模型名称,通常这是一个双输入分割模型,而不是单输入模型:Picterra 将其命名为 ChangeStar,Esri 的变化检测器则引用了 STANet。免费的方案完全不使用模型,而是将一张影像与另一张影像相减。对于新建筑或被清理的地块等明显变化,这种方法有效。但季节性色彩变化和不同的太阳角度会产生误报,因此需要安排人工检查每个标记。

补数据、整数据包括将建筑物角点变成直角、封闭屋顶掩膜中的孔洞,以及简化逐像素描绘出的轮廓。这是三类方法中唯一一个不适用任何一类的部分。随工具提供的是比深度学习更早出现的几何算法:QGIS 使用 Simplify 和 Orthogonalize,Esri 使用 Regularize Building Footprint。研究中已经出现了基于学习的方法,但目前没有一种随 QGIS 提供。虽然不起眼,却是最能节省时间的部分。

用提示词提问就是输入 solar panels,不用选择模型和波段组合。适合用来查找对象,但别指望它回答关于您属性表的问题。

跑起来要多少钱

硬件。 本地模型需要一块显卡。Segment Anything 3 完全没有 CPU 路径,因此所有 Mac 和使用集成显卡的机器都无法在本地运行。如果模型运行在服务器上,一台办公笔记本电脑就够了,这就是我们做的取舍。

影像。 地面分辨率比模型更能决定成败。我们自己的调参大致按每像素 0.05 m 检测光伏板、0.09 m 检测汽车、0.18 m 检测建筑物。比这更粗,目标就成了一团模糊,没有任何模型能挽回。

时间。 检测只需几分钟,复核要久得多,估算工期时漏掉复核的人,一定会误期。

费用。 免费的 QGIS 方案除了您的 GPU 和一下午的 Python 之外不花一分钱。我们的方案每月提供 1.5 km² 的自动检测,无需绑定银行卡,在您自己的机器上点选分割不限次数,Pro 套餐的 AI Segmentation 每月 €39,不含增值税。在 Esri 一侧,现成的影像模型需要 ArcGIS Pro Professional 或更高级别的许可,QGIS 与 ArcGIS Pro 对比为每种许可标出了价格。

在 QGIS 中免费试用 AI Agent,无需信用卡

您会听到的 GeoAI 工具

以下是您会看到被提到的五个 GeoAI 工具,每一个都读取自它自己的页面,日期为 2026 年 10 月 23 日:

  • GeoAI,作者 Qiusheng Wu:一个 Python 包,用于对影像做分割、分类和变化检测,并带有一个 QGIS 插件。MIT 许可证,免费。它在您自己的机器上运行,有显卡会更好。
  • SamGeo,同一位作者:面向地理空间数据的 Segment Anything,既是 Python 包也是 QGIS 插件。SAM 指南把它与其他 SAM 插件做了对比。
  • geemap:构建在 Google Earth Engine 之上的 Python 制图工具,分类在 Google 的服务器上针对其卫星档案运行。
  • ArcGIS Pro GeoAI 工具箱: Esri 在 ArcGIS Pro 内的 GeoAI 工具。它的许可表把其中的训练工具排除在 Basic 和 Standard 许可之外,在 Advanced 之上还需要 Image Analyst 扩展模块。
  • AI Segmentation,我们的产品:一个 QGIS 插件,您输入对象名称,模型在我们的服务器上运行,因此不需要显卡,也不需要 Python。

在 QGIS 中自己动手

先走免费路线,因为这类工作中有相当一部分,免费的方案反而更好。对于使用自己训练多边形的多光谱土地覆盖分类,SCP 和 dzetsaka 可以在 QGIS 中免费完成,任何笔记本电脑都能运行。

在自己机器上做分割,是更难的那一半。免费插件需要显卡,还要花一下午折腾 Python,哪个插件运行哪个模型版本,请参阅 SAM 指南。建筑物轮廓指南在同一片街区上把免费路线和付费路线各走了一遍,您可以掂量各自的代价。

云端选项

下面的插件是我们开发的,所以这一节讲的是我们自己的工具。

  1. 打开插件管理器

    插件 > 管理并安装插件...(Plugins > Manage and Install Plugins)。需要 QGIS 3.22 或更高版本。

  2. 安装 AI Segmentation

    无需再下载其他内容,也不用搭建 Python 环境。

  3. 在面板中登录

    一个邮箱,点一下。免费额度按月续期,无需绑定银行卡。

  4. 在已打开的影像上绘制区域

    任何可见的栅格都行:GeoTIFF、无人机正射影像、XYZ 底图。免费账户每月包含 1.5 km² 的地面范围。

  5. 输入对象,然后复核

    building、tree、car。按置信度和大小筛选,修正错误的结果,导出 GeoPackage。

然后把输出结果与您手工数字化的结果对比。只有这个对比才算数。

记住这几条

GeoAI 是在地理数据上运行的机器学习,交回来的是您工程 CRS 中的一个图层,永远不是对您项目的回答。

50 个要素上下,就手工数字化。您会比模型下载完权重更早完成,而且结果符合您的规格。

模型给出的是候选结果,候选结果不是实测,所以地籍边界、保护区、赔偿认定,都要使用经过人工检查的图层。

Segment Anything 3 完全没有 CPU 路径,本地运行时,所有 Mac 和使用集成显卡的机器都不行。

地面分辨率比模型更能决定成败。不存在单一的精度数字,因为精度会随您的影像以及您提取的对象而变化。

网上常讲错的地方

单一的精度数字。 精度会随您的影像以及您提取的对象而变化。拿一个数字套用所有情况的,给出的都是营销数字。

没见过您那片区域的训练数据。 现成的建筑物图层是最清楚的例子。罗安达同一个 1 平方公里,在 OpenStreetMap 里是空的,Microsoft 有 3,140 个建筑物轮廓,Google Open Buildings 有 4,468 个。

Google 卫星影像上同一片密集的罗安达街区的三个面板,建筑物轮廓以绿色显示。OpenStreetMap 没有任何显示,Microsoft 覆盖了大部分,Google Open Buildings 几乎覆盖全部。
同一片 1 km² 的罗安达。选哪个数据集,决定了您得到的是全部还是一无所有。

“在本地运行,数据不出您的电脑。” 小模型在自己机器上运行时确实如此。但每一种云端模式都会把影像发到某个地方,我们的也一样,老实的做法是讲清楚您当前使用的是哪种模式。

可以直接交付的输出。 每次运行返回的都比您要的多:通风口、天窗、阴影、院子里的小棚子。它们都是真实存在、轮廓也正确的对象,只是都不是您想要的。把清理的时间算进预算。

大家常问

相关概念请看什么是建筑物轮廓,它讲的是 GeoAI 最常提取的那类对象;QGIS AI 中心则列出了这个领域中每个插件运行前所需的条件。至于软件方面,即替您完成 GIS 工作的助手和智能体,请参阅AI GIS:它如今能做什么。

看看 AI 在 QGIS 中能做什么、不能做什么

在 QGIS 里,说一句就能完成

AI Agent 会在你自己的 QGIS 项目中,完成你描述的任务。免费使用,无需绑卡。

免费试用 AI Agent
由以下作者撰写Yvann Barbot
·3 min read

继续阅读

法国南部罗讷河三角洲的 Sentinel-2 真彩色影像,可见河流、橙色和奶白色的盐田、潟湖与农田。
GeoAIQGIS指南

什么是遥感?传感器、免费影像与 QGIS 流程

遥感是用卫星、飞机和无人机从远处测量地表。本文讲解传感器类型、可免费获取的遥感影像数据,以及在 QGIS 中处理 Sentinel-2 影像的分步流程。

Yvann BarbotYvann Barbot
·
法国国家测绘局的 LiDAR HD 点云,按类别着色,位于法国国家图书馆上方。
GeoAIQGIS指南

摄影测量和激光雷达的区别:该选哪一种

LiDAR(激光雷达)是用激光脉冲测量三维点的主动式遥感方法,摄影测量则是用重叠照片计算三维点的被动式方法。本文对比两者的精度、成本和对森林植被的穿透能力,说明哪种作业该选哪一种,并介绍 IGN、USGS 等机构提供的免费 LiDAR 数据。

Lilien AugerLilien Auger
·
2023 年 5 月拉文纳洪水的 Sentinel-2 假彩色图像,植被呈红色,洪水呈深蓝色。
GeoAIQGIS指南

多光谱和高光谱的区别:波段、用途与 QGIS 选择

多光谱影像用 4 到 13 个宽波段记录地表反射光,高光谱影像用数百个窄波段,两者的区别就在于每个像素带有多少光谱信息。本文说明它们在农田、屋顶和矿区分别能看出什么,以及在 QGIS 中如何选择。

Lilien AugerLilien Auger
·